Aprendizaje Automático

El Reconocimiento de Entidades Nombradas (NER, por sus siglas en inglés) es una piedra angular del Procesamiento del Lenguaje Natural (NLP). Es el proceso de identificar y clasificar automáticamente elementos clave en un texto no estructurado en categorías predefinidas, como nombres de personas, organizaciones, ubicaciones, fechas, valores monetarios y nombres de productos.

Los modelos de lenguaje grande (LLM) como GPT-4 o Gemini son increíblemente potentes, pero tienen algunas debilidades críticas: alucinan, no conocen la información posterior a la fecha de corte de su entrenamiento y carecen de acceso a los datos de su dominio privado. Para resolver estas limitaciones, los desarrolladores utilizan la Generación Aumentada por Recuperación (RAG). RAG es un marco que recupera información relevante de una base de datos externa y se la proporciona al LLM para generar respuestas precisas y conscientes del contexto.

Durante décadas, la ciberseguridad ha sido un juego del gato y el ratón jugado sobre una base de firmas. Cuando se descubría una nueva cepa de malware o un exploit, los investigadores de seguridad lo analizaban, extraían una firma digital única y la distribuían a las bases de datos de antivirus.

Los Modelos de Lenguaje de Gran Tamaño (LLM) han cautivado al mundo, no solo porque pueden generar texto similar al humano, sino porque parecen “razonar” a través de problemas complejos. Pero, ¿cómo es que un modelo estadístico basado en la predicción de tokens realiza realmente tareas lógicas? En este post, exploramos la mecánica del razonamiento de los LLM, desde la simple coincidencia de patrones hasta estrategias avanzadas como la Cadena de Pensamiento (Chain of Thought - CoT).