{"id":50131,"date":"2024-10-23T09:49:16","date_gmt":"2024-10-23T15:49:16","guid":{"rendered":"https:\/\/saluddigital.com\/?p=50131"},"modified":"2025-10-18T00:27:35","modified_gmt":"2025-10-18T06:27:35","slug":"cientificos-de-google-presentan-avances-sobre-la-mejora-de-los-modelos-de-lenguaje","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/cientificos-de-google-presentan-avances-sobre-la-mejora-de-los-modelos-de-lenguaje\/","title":{"rendered":"Cient\u00edficos de Google presentan avances sobre la mejora de los modelos de lenguaje"},"content":{"rendered":"
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Google present\u00f3 recientemente nuevos avances sobre el razonamiento probabil\u00edstico en grandes modelos de lenguaje o LLMs.<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

El avance de Google sobre el razonamiento probabil\u00edstico en grandes modelos de lenguaje (LLMs, en ingl\u00e9s) se enfoca en mejorar su capacidad para trabajar con tareas matem\u00e1ticas y num\u00e9ricas, espec\u00edficamente al entender y trabajar con distribuciones estad\u00edsticas. Por ejemplo, modelos de lenguaje, como GPT<\/a> y otros de \u00faltima generaci\u00f3n como Gemini<\/a> o Llama 2, son buenos realizando tareas relacionadas con el lenguaje, como resumir textos complejos o entender el contexto de una conversaci\u00f3n. Sin embargo, cuando se trata de hacer c\u00e1lculos num\u00e9ricos, como estimar probabilidades, suelen tener dificultades. Esto se debe en parte a que estos modelos no fueron dise\u00f1ados espec\u00edficamente para realizar c\u00e1lculos matem\u00e1ticos, sino para predecir la siguiente palabra en una oraci\u00f3n basada en el contexto.<\/p>

En este sentido, el razonamiento probabil\u00edstico es una forma de entender c\u00f3mo se comportan los datos y es esencial en muchas \u00e1reas, como la salud o el clima. Por ejemplo, si se quiere saber si es normal que una persona de cierta edad duerma 8 horas al d\u00eda, necesitamos entender c\u00f3mo se distribuye el tiempo de sue\u00f1o entre personas de esa edad. En este caso, el razonamiento probabil\u00edstico permite usar estad\u00edsticas para hacer inferencias y no realizar un an\u00e1lisis de cada dato de manera individual.<\/p>

Para la mejora de estos aspectos, Google investig\u00f3 c\u00f3mo mejorar esta habilidad en los LLMs. Primero evaluaron las capacidades de modelos como Gemini y GPT para tres tareas clave relacionadas con la probabilidad:<\/p>

  1. Estimar percentiles: Determinar en qu\u00e9 posici\u00f3n de una distribuci\u00f3n se encuentra un valor espec\u00edfico.<\/li>
  2. Generar muestras: Crear ejemplos de datos que sigan el mismo patr\u00f3n que la distribuci\u00f3n original.<\/li>
  3. Calcular probabilidades: Estimar la probabilidad de que algo ocurra dentro de una distribuci\u00f3n dada.<\/li><\/ol>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
    \n\t\t\t\t\t\t
    \n\t\t\t\t\t
    \n\t\t\t
    \n\t\t\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
    \n\t\t\t\t\t\t
    \n\t\t\t\t\t
    \n\t\t\t
    \n\t\t\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t\t\t\t\t\t

    Al no contar con un conjunto de datos espec\u00edfico para esta evaluaci\u00f3n, los investigadores de Google crearon uno nuevo que incluye tanto datos reales, de \u00e1reas como salud, finanzas y clima, como distribuciones simuladas. Posteriormente, utilizaron estos datos para ver qu\u00e9 tan bien los modelos pod\u00edan entender y trabajar con estos tipos de informaci\u00f3n.<\/p>

    Para ayudar a los LLMs a mejorar su desempe\u00f1o, probaron diferentes estrategias:<\/p>