Transcripción
- Audio: https://www.ivoox.com/devs-lives-29-unai-garay-destripando-la_mf_95642805_feed_1.mp3
- Fuente: retranscripcion automática desde audio con mlx-community/whisper-large-v3-turbo
- Nota: esta versión mejora el ASR respecto a los subtítulos de YouTube, pero todavía no incluye diarización real de hablantes.
[No identificado] (00:00:22): Bienvenidos a Devs Lives, episodio número 29.
[No identificado] (00:00:28): Bueno, después del episodio de la semana pasada con Rubén Sagón, donde nos habíamos ido de excursión, de paseo por el monte, ya estamos de vuelta en la oficina, estamos de vuelta en el despacho, con buen audio, se nos escucha bien, o eso espero, el material que se note ahí, los billets, los billets, haciéndose notar. Pero ya estamos de vuelta por la oficina para grabar otro episodio en nuestra zona de confort.
[No identificado] (00:00:58): Y nada más y nada menos que el episodio número 29. Ya estamos rozando la treintena de episodios, que esto es algo que no se me hubiese ocurrido en la vida. Y yo pensaba, bueno, grabaremos un par de vídeos y ya, y ahí quedará. Pero no, la verdad es que se ve que muy guay. Muchísimas gracias por el feedback del episodio anterior también. Y no solo con el formato del episodio anterior, que fue de excursión y demás por el monte, pues han llegado también otro tipo de formatos como son los shorts de YouTube.
[No identificado] (00:01:32): Al final nos hemos subido al carro de los shorts también en la plataforma roja. Así que nada, ya estamos en todos lados. TikTok, Instagram, YouTube, demasiado, ¿no?
[No identificado] (00:01:44): Y una de las cosas que tiene esto al final es que estamos totalmente expuestos en Internet. O sea, ya Internet… Skynet tiene mi cara, tiene mi voz, pueden copiarme, o sea, pueden replicarme o seré yo la copia. ¿Quién sabe? Pero bueno, ya que hemos empezado con el tema de Skynet y las inteligencias artificiales, hemos traído a una persona que conoce muy bien este tema. Se dedica a trabajar con inteligencia artificial y es la primera persona en el canal que va a hablar de esto. Así que es para mí un honor presentar a mi amigo Unai Garay. ¿Qué tal, Unai? Bienvenido, ¿cómo estás?
[No identificado] (00:02:27): Muy buenas, muy buenas. Estupendamente y con muchísimas ganas de empezar la entrevista. La verdad es que tenía mucha rama. Bueno, la verdad es que nos ha costado cuadrarla. Qué novedad que a nosotros nos cueste cuadrar una entrevista con alguien. Pero, oye, al final estás aquí después de haber pasado por Tenerife, de haber ido, de haberme ido yo, de haber vuelto. Aquí estás, así que bienvenido. Muchísimas gracias por estar aquí, por compartir este ratito. Y porque nos cuentes un poquito sobre el tema de IA o inteligencia artificial. Porque al final es algo que está en boca de todo el mundo.
[No identificado] (00:03:06): Pero yo, por ejemplo, no sabría definirlo bien o decir cuál es la diferencia entre Machine Learning o IA. Pero, pero, antes de llegar ahí, me gustaría que pasases por el mismo calvario que pasan todas las personas, ¿no?
[No identificado] (00:03:26): ¿Quién es Unai Garay? Cuéntanos. Me encanta esa pregunta. Nunca, nunca, yo creo que nadie se puede preparar una respuesta perfecta a esa pregunta. Pero, pero bueno, creo que es fácil decir simplemente soy una persona. Creo que hasta ahí de momento sí. A no ser que, bueno, como bien has dicho, trabajo en inteligencia artificial. O sea que podría perfectamente no ser una. Pero no, de momento no estamos ahí. No estamos ahí. Estamos cerca. Entonces soy una persona que realmente es un ingeniero informático especializado en inteligencia artificial.
[No identificado] (00:04:02): Que, bueno, siempre me ha, bueno, desde que acabé la carrera me ha llamado la atención un montón. Y realmente soy una persona, pues, no sé, que le gusta. Es que me encanta hacer de todo. O sea, deportes, el que me pongas, me encanta. O sea, a no ser que sea, yo que sea. Igual el golf. No sé, no lo he probado, pero no tiene pinta. Bueno. Y que sepas que a partir de ahora vas a tener una legión de jugadores de golf detrás tuyo con el palo diciendo, ¿cómo? ¿Cómo? ¿Cómo? ¿Cómo? ¿Cómo?
[No identificado] (00:04:30): De hecho tengo un amigo que se ha metido en golf y, bueno, le doy traya. Aunque, obviamente, sin razón porque no lo he probado.
[No identificado] (00:04:37): Le llamo a vuelo y eso. Ah, bueno. No pasa nada.
[No identificado] (00:04:41): Pero en verdad nada. Y luego también me encanta la música. Soy una aficionada a la música. Y, bueno, realmente, aquí no sé si se verá, pero, bueno, una batería eléctrica aquí, un piano.
[No identificado] (00:04:51): O sea, esta. Una guitarra. A ver si. Se desenfocó un poco, pero sí. Guitarra o que le leca. Pero en plan, me encanta. Me encanta la música. Y, bueno, de… Nada. O sea, son un… Deporte y música son como mis principales hobbies. Y luego, pues eso. Me encanta el software. Y últimamente estoy intentando también intentar contribuir en algunos open source frameworks y tal. Y no sé. O sea… Peco un poco de que quiero muchas cosas. Quiero… Me encanta. Soy muy ambicioso, caprichoso, con muchísimas cosas y… Y, bueno. Siempre me intento subir al carro de todo y al final no, ya basta.
[No identificado] (00:05:36): Bueno, he de decir que me siento identificado con ello al final. Es muy difícil aprender a decir que no y decir que no cuando hay tantos proyectos que… Que dices, ostras, puedo aprender un montón. Puede ser apasionante. Lo puedo pasar bien.
[No identificado] (00:05:52): Es fácil. O sea, al final subirte al carro y decir, venga, pues vamos para adelante. Pero de todo lo que has hablado creo que tienes un perfil completísimo. Deporte, música, programación. O sea… De hecho, sabía que te gustaba la música, pero no que tenías todo el instrumental detrás. O sea… Y cosas que no se ven. Ostras. Mola mucho. O sea, ¿tienes tu propio equipo de grabación o algo o simplemente…? Claro. Simplemente… O sea, esto, por ejemplo, que lo utilizo no para hablar. Lo utilizo para grabar música. Ya sea la guitarra o la voz. Spoiler alert. La voz mal.
[No identificado] (00:06:31): Pero sí, tengo mi estudio.
[No identificado] (00:06:34): Tengo una batería acústica en casa de mis padres. Aquí no, porque, oh Dios, me tiran del edificio. Pero sí que tengo una eléctrica aquí. Dos pianos. Tengo guitarras acústicas, una eléctrica. El ukelele. Tengo un cajón flamenco. Pongos.
[No identificado] (00:06:49): Todo. Me encanta todo. ¿Qué ha pasado aquí? O sea… Y… Sí, sí. Y sabes tocar todo.
[No identificado] (00:06:57): ¿Poquito? O sea, no soy especialista en nada. Me encanta. No sé por qué. También me pasan los deportes. No soy especialista en nada. Me gusta todo. Practico todo. Pero no soy bueno o bueno en nada. Lo cual también me gusta. Me empiezo a plantear que a ver si realmente sí vas a ser una IA y realmente sí estamos a ese nivel, ¿eh? Porque… Y ahora aquí empieza la magia de decir cuándo es real y cuándo no es real, ¿no?
[No identificado] (00:07:22): Eh… Salían hace poco noticias también al respecto de eso. Incluso en el podcast de La Tectulia con Airán y con Isaac lo comentaban, ¿no? Que al final, pues… Sobre todo nosotros, ¿no? Tanto ellos como yo que tenemos podcast y… Nuestra voz está ya vendidísima. O sea, que una IA coja nuestra frecuencia y repita lo que decimos. Te tengo que enseñar un vídeo de un canal de divulgación de inteligencia artificial muy famoso aquí en España que es 12SV. Igual te suena. Sí. Sí, sí, sí. Ya se chafamos el cabrón.
[No identificado] (00:08:02): Eh… Y… Y el tío hizo hace ya unos meses una grabación de él mismo donde su cara… O sea, no era él. Su voz tampoco. Pero sí que es verdad que todo lo había escrito, que no era tiempo real.
[No identificado] (00:08:18): Su… Entonces… De momento no puede replicarse a sí mismo en tiempo real, pero sí que puede hacer una grabación de sí mismo. Que era bastante realista. Hombre, eh… Sobre todo por el tema de que dependiendo del contexto, si hay ataques de phishing, ¿no? Típico… Te lo digo porque hace un rato me llegó uno y también me quedé en plan de… ¡Ostras! Y caí. O sea, caí como un tonto. Fui al correo, pinché el enlace y menos mal que el navegador me dijo… ¡Ey! Intento de phishing. Pero te hacen… Sí, obviamente…
[No identificado] (00:08:47): He visto un montón de phishing en plan de gente que ha pinchado mucho en phishing. Claro. Es que cada vez se le ocurran más. Y sobre todo si te ponen algo como súper crítico. Cuando ya te tienen más que analizado y… Saben cuáles son tus patrones por lo que estás pasando en cada momento. Imagínate, te escriben por… O sea, escriben a la IA que te diga algo del tipo… Mire, que su familiar está ingresado y necesitamos, por favor, su número de cuenta para el trasplante. Porque no sé qué. Sabes, algo así súper crítico y tú te quedas en plan…
[No identificado] (00:09:22): Ostras, pues sí, mira, te lo dejo porque es algo de vida o muerte. ¡Pap! Caes y dices… ¿Y ahora? O sea, es como… Totalmente. Súper peligroso, ¿no? Creo que el vídeo que te acabo de contar, creo que lo había generado también… No sé si has escuchado hablar de GPT-3. Sí. Pues creo que te lo había generado el vídeo también el guión. Creo que era un guión generado por GPT-3. Luego el vídeo… No me acuerdo exactamente que IA lo generaba. Y luego el audio, otra IA. Las tres cosas generadas por una IA. Bueno, si quieres… Yo sé lo que es GPT-3. ¡Ugh! GPT-3.
[No identificado] (00:09:57): Pero cuéntate un poquito por encima lo que es. Y ahora ya entramos más… Pues previo a introducir toda la index inicial.
[No identificado] (00:10:06): Básicamente es una IA, ¿vale?
[No identificado] (00:10:11): Que lo que hace es predecir el siguiente token.
[No identificado] (00:10:15): Utiliza redes de normales. Ya contaré un poco luego. Pero básicamente utiliza las redes de normales para… Dado todos los tokens, tokens son palabras. Pueden ser, ¿sabes? Palabras. Que tú se lo pones a la red de normales y te dice, vale, pues la siguiente palabra va a ser esta. Vale, pues la siguiente palabra va a ser esta. Y vas retroalimentándola con el nuevo texto también. Y todo esto te va… Te va prediciendo. Entonces tú también lo que puedes hacer es… Como está entrenado literalmente con prácticamente todo el texto de internet, hasta un límite, claro. De hecho, por eso es enorme.
[No identificado] (00:10:47): Creo que no sé si eran 700 gigas de modelos. O sea, no, no, no, no, no, no, no, no. Tienen que tener como varias… Varios ordenadores, varios clusters para que funcione. Solamente para que funcione. No me quiero ni imaginar entrenarlo. Y entonces pues eso, tú le puedes mandar ahí, súmame 3 más 3. Y entonces te dice, la respuesta es…
[No identificado] (00:11:09): Entonces he aprendido a generalizar bastante bien en muchísimas cosas. ¿Qué pasa? Que ha habido mucho revuelo con eso, pero luego a la hora de la practicidad de ese modelo es casi nula porque la gente, las empresas no quieren algo que sea conocedor de todo, pero sin nada específico de algo concreto. Creo que yo, sí, me vas a sumar, no vas a ser capaz de sumar 3 más 3, pero no vas a ser capaz de hacer una operación súper compleja. Entonces, para, por ejemplo, yo qué sé, resumir texto. Hay modelos para resumir texto específicos que son mucho mejor que GPT-3,
[No identificado] (00:11:47): Pero que su tarea única, casi única, es eso, resumir. Pero claro, GPT-3 ha entrenado en predecir el siguiente token. Entonces, es capaz de hacer muchas operaciones básicas, como sumar, restar, contarte un cuento básico también, pero luego a la hora de hacer tareas muy específicas no es muy bueno. Vale, vale, vale, vale. Pero al final, cuando piensas en IA, tienes que pensar que, claro, la IA no es algo genérico de, bueno, pues, yendo a un paso más futurista, ¿no? Te hago la compra, te limpio la casa, programo por ti y hago todo, ¿no?
[No identificado] (00:12:24): Tiene que ser para algo muy específico porque si no eso debata muchos recursos. De momento sí. De momento sí. De momento sí. Cada vez están intentando generalizarlo a más tareas y que las tareas que hagan también son buenas, pero por lo general, ahora mismo se utilizan para, predíceme, yo que sé, cuál va a ser el precio de la pizza en cierto país, en cierto momento, o algo así. Claro. Cosas muy concretas. Que al final ahí es donde se empieza a difuminar un poco la línea o el entendimiento de la persona de qué es Machine Learning y qué es Inteligencia Artificial, ¿no?
[No identificado] (00:13:01): Pero igual tú lo explicas mejor que yo porque yo tampoco sé distinguirlo muchas veces cuándo es una cosa y cuándo es otra. O sea… Si quieres te lo comento todo. Venga, claro. Por supuesto. Yo dejo que el maestro hable.
[No identificado] (00:13:18): Vale. ¿Qué es la Inteligencia Artificial? Hay muchos, ¿cómo se llaman? Subconjuntos de lo que es la IA. ¿Vale? Pero principalmente lo que hace la Inteligencia Artificial es simular cómo piensan y toman decisiones los humanos utilizando cierta algoritmia, matemática, datos, sobre todo datos. Necesitan muchos datos. Depende del problema que quieras resolver o de lo complejo que sea tu algoritmo. ¿Qué pasa? Cuando hablamos de Machine Learning es un subconjunto de este gran conjunto.
[No identificado] (00:13:51): Y básicamente el Machine Learning es un conjunto que utiliza algoritmos de aprendizaje estadístico, sobre todo, para construir sistemas inteligentes encontrando patrones en los datos. Pero eso sigue siendo súper, súper, súper amplio. Porque, a ver… O sea, realmente cuando se habla de Machine Learning, cuando se habla de Inteligencia Artificial, prácticamente se está hablando de Machine Learning. Casi siempre. Es un subconjunto, pero realmente es… Realmente yo creo que Inteligencia Artificial se habla un poco más del concepto y Machine Learning un poco más de cómo aplicar ese concepto. Claro. ¿Sabes? Por decirlo así, se podría decir que es…
[No identificado] (00:14:29): La casuística o la experiencia de los datos lo que va a hacer que a través de Inteligencia Artificial puedas llegar a una conclusión, ¿no? Porque Machine Learning lo entiendo yo como, oye, tengo este… A ver si voy a decir una palabra incorrecta, pero tengo este DataFrame, tengo este dataset de datos que va a ser estudiado y en base a ese estudio van a salir unos resultados. Pues de esos resultados la Inteligencia Artificial puede tomar decisiones, ¿no? Sería algo así.
[No identificado] (00:15:02): Sí, todo se basa en los datos. Al final los datos dicen… Son los que marcan un poco la tendencia de lo que tú quieres hacer, de lo que tú quieres predecir. ¿Qué pasa? Que también lo que… Realmente lo que varía sobre todo aquí es la metodología que tú utilizas. Entonces Machine Learning es una metodología para aplicar… O sea, una metodología estadística, modelos estadísticos, realmente rasgos,
[No identificado] (00:15:28): Para aprender cuáles son los patrones… Para aprender ciertos patrones que hay en los datos, para producir un resultado, para predecir algo en el futuro. Bueno, en el futuro sí. Puede ser en el pasado si quieres.
[No identificado] (00:15:40): Y hay muchos tipos de algoritmos, como algoritmos de decisión, algoritmos bayesianos o redes bayesianas, y luego redes neuronales. Y entonces esto último, las redes neuronales, que es lo que está también en boca de todo el mundo, se refiere específicamente a lo que es el Deep Learning. Y es… Realmente el término Deep, profundidad, se refiere a que estas redes neuronales
[No identificado] (00:16:10): Como que depende un poco de la profundidad y un poco de la arquitectura de esa red de neural.
[No identificado] (00:16:19): Permiten encontrar patrones más marcados o mejores patrones o más complejos incluso, o incluso patrones jerárquicos en los cuales, pues yo que sé.
[No identificado] (00:16:31): Patrones que identifiquen que estos son dos ojos, esto es una boca, luego esta forma es una cara, ¿vale? Entonces tenemos zonas en la red de neural que me permiten capturar ojos, boca, tal. Luego otra zona donde me dice, vale, pues todo esto, conjunto de boca, ojos, tal, es una cara. Por lo tanto, esto es una persona. Entonces, te permite ese aprendizaje como jerárquico, inferido más o menos utilizando una red de neural. Pero al final es lo mismo, es datos, quiero predecir algo a partir de esos datos. O utilizarlos para… Ya no predecir, también puedes hacer análisis de esos datos,
[No identificado] (00:17:12): Que sería más tirando por la zona de data analysis y tal. Pero sí que es podiendo utilizar algoritmos para analizar ciertos datos. Vale, porque yo por tener ese feedback, ¿no? A ver si lo he entendido bien. Entonces, cuando hablas de machine learning, estás hablando de conjuntos de datos que son entrenados y analizados por estadística, ¿no? O sea, al final son datos estadísticos. Y cuando hablamos de deep learning, que es una capa más profunda, al final es la búsqueda de patrones que te llevan a una conclusión, ¿no? Por ejemplo, cuando está este conjunto de píxeles juntos, podemos identificar que es una boca.
[No identificado] (00:17:53): Cuando está este conjunto de píxeles en este formato juntos, podemos identificar que es un ojo. Y entonces, cuando se junta el patrón de la boca con el patrón del ojo, quiere decir que es una cara. Algo así. Claro. Entonces, ¿qué pasa? Que realmente, pues eso por debajo, muy por debajo, sigue siendo modelos estadísticos o funciones
[No identificado] (00:18:14): Que hacen como decir esto es un esto, esto es un otro. Por eso está dentro de machine learning. Machine learning son modelos estadísticos. Pero claro, esto es como lo que llaman glorified statistics, que es porque dicen, no, sí, al final por debajo es estadística, ¿no? Es como sí, pero hay mucho más, pero sí, totalmente. Por eso está dentro de… Es como un subset, un subconjunto. Vale, vale, vale, vale. Entendido. Creo que ya me has aclarado un poquito más que es inteligencia artificial y las diferencias que al final tampoco es que sea una diferencia. No es un malo. Exacto, que es una parte de…
[No identificado] (00:18:50): O sea, es como un pasito más. Puedes trabajar con machine learning, no tiene por qué ser inteligencia artificial, pero machine learning y deep learning son una parte de la inteligencia artificial. Tiene sentido. Y luego realmente también tienes como… No siempre, por ejemplo, tú… Lo que quieres predecir está en los datos. Tienes que deducirlo tú en los datos. Y ahí pues se llama entrenamiento supervisado o entrenamiento no supervisado. El no supervisado es… Vale, ahora te pondré algunos ejemplos, pero básicamente tú… En los datos no está… Esto es un perro, esto es un gato, por ejemplo. Tú tienes que aprender más o menos eso por ti solo.
[No identificado] (00:19:35): Es un poco más complejo. De todos modos eso no lo voy a explicar, voy a explicar otras cosas, pero… Vale, una pequeña cosa con respecto a esto, porque al final siempre queda muy ambiguo, ¿no? O sea, para las personas que nunca hemos trabajado con ello. Como, bueno, realmente que es una persona que se sienta delante del ordenador y le empiezan a decir, bueno, clasifica, y tú dices, esto es un perro, esto es un gato, esto es… O hay alguna forma breve que se pueda explicar de forma breve de, no, mira, realmente no es una persona, es un algoritmo, es una librería, que ya…
[No identificado] (00:20:11): Y tomas cadito. O el proceso sigue siendo manual en cierto punto.
[No identificado] (00:20:16): Ahora mismo hay una cantidad de abstracción en cuanto a… Puedes hacería sin sabería. Realmente, puedes meterte… Hay librerías, frameworks que te hacen prácticamente todo. Lo que pasa es que si quieres hacerlo más en serio o quieres saber qué está pasando por debajo, que al final tú cuando estás tuneando un modelo para que te lo haga bien, sí, tú puedes coger un modelo que vaya súper bien y le pasas los datos y dices, vale, tienes estos datos y el objetivo es que me clasifiques a partir de estos datos si cada cosa es un perro o un gato.
[No identificado] (00:20:51): Entonces, si el algoritmo o modelo es capaz de generalizar bastante bien en ese tipo de datos, estupendo. Soy un máquina y ya está. Pero, claro, luego si sabes más, dices, hostia, pues este modelo no me está funcionando, ¿por qué? O está funcionando pero no del todo bien. ¿Qué puedo tunear dentro? Porque luego hay un montón de… Se llaman hiperparámetros que puedes tunear de… Pues quiero que entrene más tiempo o que converja, que llegue a la solución, a una posible solución más rápido o quiero que vaya un poco más lento y por si acaso… Hay un montón de cosas.
[No identificado] (00:21:32): Entonces, ¿se puede? Ser ingeniero de inteligencia artificial
[No identificado] (00:21:37): Sin saber. Sí, pero hasta cierto punto. Vale. Sí. Yo diría que podrías toquetear y tal, pero no te diría que deberías dedicarte a ello si no sabes del todo lo que estás haciendo. Podrías ser alguien de frontend, alguien de backend, normal y corriente, ingeniero de software, que toquetee esto y diga, hostia, tal, voy a poner una programada. No sé cuánto está. Y diga, hostia, qué bien va, tal. Pero luego, si, por ejemplo, es lo que ya la producción
[No identificado] (00:22:01): O quieres que funcione como producto y tal, te recomendaría que contratases a alguien que sepa exactamente lo que está pasando por debajo. Que sepa… Hay un montón… Luego, obviamente, hay un montón de cosas que tienes que hacer a posteriori. Vale, poner una producción es otra movida. De hecho, hay gente que se dedica a eso que se llaman MLOps. Es un nuevo término que ha salido ahora que es Machine Learning Operations. Como si fuese DevOps, pero para ML. Vale. Y, claro, también está guay que alguien de… Un ingeniero de IA también te sepa hacer eso. Pero no necesariamente tienes por qué saberlo.
[No identificado] (00:22:35): Puede ser un ingeniero de IA que te haga el modelo.
[No identificado] (00:22:38): Incluso… Puedes ser un… Data Scientist que es científico de datos que muchas veces esa gente
[No identificado] (00:22:51): No terminan de hacer la parte de ingeniería. No te lo meten en un servicio, por ejemplo. O no te lo hacen. No te hacen un graper del modelo. Simplemente toma el modelo.
[No identificado] (00:23:00): Sí, porque es muy distinto lo que es un Data Scientist de lo que es un Data Engineer. O sea, al final… Totalmente. Se mezcla mucho por el concepto data, pero nada que ver. Uno es la parte más matemática y el otro es la parte técnica per se. Vamos a llevar estas fórmulas matemáticas
[No identificado] (00:23:20): A término tecnológico, ¿no? Vamos a hacer la implementación, por decirlo así. Aparte de más cosas. Dicho rápido y breve. Sí. O sea, el Data Engineer lo que hace es manejar datos.
[No identificado] (00:23:32): Manejar datos. No tiene por qué sacar insights, inteligencia o patrones o lo que sea de esos datos. Simplemente datos… Aquí vienen datos, aquí van datos. Como el flow de datos. Dentro puede ser en el cloud o donde sea. Luego también los MLOps también tiran por ese camino, pero más a la hora de… Esto es un modelo, vamos a meterlo en producción. Vale, ¿qué es lo que pasa? ¿Cómo escala este modelo? Porque, claro, estos son… Normalmente los modelos suelen ocupar desde 500 megas hasta lo que te he dicho. 700 gigas. Obviamente lo normal es que te ocupen 4 gigas como máximo.
[No identificado] (00:24:10): No he visto yo tampoco mucho. A ver, depende de todo. Google seguro que tiene ahí de todo. Pero…
[No identificado] (00:24:17): O sea… Sí, o sea, hay muchas… Han salido a partir de lo inteligente digital han salido un montón de variantes. Vale, vale, vale. Y por lo que veo, los equipos además son muy multidisciplinares. A ver… Sí, multidisciplinares. Que no hay solo un perfil como puede ser lo que se busca hoy en día más en el desarrollo web, ¿no? De Fullstack y DevOps.
[No identificado] (00:24:40): Yo me lo quiso, yo me lo como. Afron, Back, Infra, Despliegas, todo. Sino que al ser algo tan… Saco yo esta conclusión, ¿vale? Que al ser algo tan nuevo y reciente pues hay varios perfiles y cada uno tiene su responsabilidad y que realmente si quieres hacer un producto como bien decías, serio pues necesitas especialistas en el tema. No te vale simplemente divagar por ahí y dar pinceladas porque va a ser algo como muy básico. Me gusta que hayas mencionado esto porque me parece que puede tirar todo un poco por esa, ¿sabes? O sea, o que un software ingenier que sea Fullstack incluso
[No identificado] (00:25:17): Que también tenga conocimientos de ella pero sí que es verdad que igual es demasiado. O sea, ya un Fullstack es una locura de todo lo que hace. Pues encima de eso… Pero sí que es verdad que puede haber algo más de… Hostia, yo hago el modelo yo hago toda la infraestructura ya no solamente el servicio de infraestructura lo subo, tal. O sea, lo que viene a ser un ingeniero de IA más MLOps o algo así o más incluso Data Engineer puede ser que vayan apareciendo o incluso a veces que dentro de la descripción del trabajo te ponen
[No identificado] (00:25:50): Oye, también tienes que saber un poco hacer el deploy y me dices realmente no es lo que debería hacer pero está bien que lo sepas hacer. O sea, vendría a ser como el Fullstack de la IA
[No identificado] (00:26:03): ¿Algo así? ¿Dentro de IA?
[No identificado] (00:26:07): Fullstack, IA y Ingenier Vale Por ejemplo Me gusta, me gusta ese… No lo he visto nunca pero sí Voy a ponerme luz porque se me está empezando a dejar de ver Sin problema
[No identificado] (00:26:18): Vale
[No identificado] (00:26:19): Por desgracia se me da mejor
[No identificado] (00:26:24): Vale, voy a continuar que se está hablando un poco de esto Venga, va
[No identificado] (00:26:27): Vale, entonces te voy a contar un poco de Machine Learning antes de llegar, de llevarte un poco a lo que te estaba contando antes de Rayos Números y tal Entonces hay un montón de algoritmos Una barbaridad Entonces, pues bueno te voy a mencionar un poco los más básicos o los más conocidos
[No identificado] (00:26:43): Entonces los algoritmos de regresión modelan la relación entre distintas variables utilizando una medida de error que se intenta minimizar en un proceso iterativo Estupendo, precioso, la definición Entonces te voy a poner un ejemplo, ¿vale?
[No identificado] (00:26:57): Te estaba contando antes del precio de la pizza en un país porque precisamente el ejemplo que te voy a contar va de eso porque tengo muy poca imaginación
[No identificado] (00:27:06): Entonces por ejemplo imagínate que tienes en un dataset el dataset tiene que ser conjunto de datos los precios de la pizza en Dinamarca como varían con el tiempo ¿Vale? Va bien Va subiendo, bajando, como sea No sé Lo pone los datos
[No identificado] (00:27:23): Entonces queremos predecir que cuál va a ser el precio de la pizza mañana o pasa mañana Entonces podemos tener a ver aquí es simplemente una imagen bastante pixelada pero porque esto es el tiempo y esto es el precio de los de la pizza en el tiempo para los que no puedan ver la gráfica básicamente eje X tiempo eje Y precio Y claro pues tú tienes que lo que hace el algoritmo es empezar a dibujar una línea para ver cuál es la tendencia ¿No? Cuál es la tendencia de los precios Entonces tú lo que haces es mandar los datos y el algoritmo va iterando
[No identificado] (00:28:01): Y va ajustando esa línea Entonces hay unas distancias que se pueden ver aquí en la imagen con respecto de los data points los puntos en el gráfico
[No identificado] (00:28:11): Que esa distancia básicamente es el error Entonces ese error tienes que minimizarlo para todos los puntos y así te ajustas a los datos con los que estás entrenando
[No identificado] (00:28:22): Lo que viene a ser el dataset de training o conjunto de datos para entrenamiento y luego pues cuando viene un nuevo data point ¿Vale? No, perdón luego lo que haces es predecir utilizando esta línea le dices coño pues para el día de mañana ¿Dónde va a estar? Pues va a estar por aquí va a haber habrá aumentado ¿No? Si la línea tiende hacia arriba y el tiempo pasa quiere decir que mañana será más cara si la tendencia de la línea es así ¿Vale? Esa es tu predicción Porque esa línea que está entre el eje X y el eje Y que me decías
[No identificado] (00:29:01): Que era el tiempo y el precio de la pizza y el precio de la pizza ¿Vale? No tiene por qué ser recto puede ser una parábola por ejemplo Todo eso depende a ver todo eso depende de la función que utilices Claro Claro Claro Claro Pero en este caso la más básica una línea recta obviamente se va a ajustar mal dependiendo de los datos puede ser perfectamente que sea una relación lineal perfecta Como este ejemplo ¿No? O sea en este ejemplo la línea es una relación lineal perfecta Pero hay errores ¿No? Claro, exacto Ahí está Por ejemplo aquí el algoritmo de regresión no funcionaría muy bien
[No identificado] (00:29:37): Vale Porque como ves de repente a meetup baja y luego subes como Vale Vale Probablemente tienes que utilizar otro algoritmo diferente Entonces tú predices la pizza de mañana y luego llegas a mañana y dices hostia el algoritmo lo ha hecho fatal ¿Sabes? Entonces lo que haces cuando vuelves a cuando
[No identificado] (00:29:57): Consigues todas esas todas esas predicciones y sabes cuál es el valor real que debería haber sido corriges el algoritmo lo que se llama reentrenarlo con feedback ¿Sabes? Entonces tú puedes dejar un modelo y de hecho lo que se suele hacer es intentar que eso sea a ver todo depende puedes decir vale predíceme un montón de cosas y conforme vayamos sabiendo si esos resultados son de verdad luego haces un un training un retraining volver a entrenar por baches en plan vale todos estos data points realmente tenían este valor corrígelo desde eso pues lo que haces es ajustar la recta a esos valores nuevos que has puesto
[No identificado] (00:30:40): Y así puedes dejarlo puedes dejar un modelo
[No identificado] (00:30:44): Reentrenándose por sí solo ahí en la nube pero tranquilo que no te va no va a conquistar el mundo por ahora de momento eso es una polémica que no llegaremos a ella no te preocupes a la gente le gusta la polémica y llegaremos a ella efectivamente efectivamente
[No identificado] (00:31:04): Iba a lanzar un spoiler creo de algo pero mejor no uff déjalo déjalo me da miedo no es un spoiler realmente pero es un libro que recomiendo y el segundo libro va a hablar un poco de la idea descontrolada ah bueno pues si es recomendar cosas en ese caso sin problema el libro es ready player one y luego han sacado el two y han sacado una película del primero siempre hablo del mismo libro no tengo más soy muy básico vale
[No identificado] (00:31:31): Ya o sea ya te contaré luego más cuando tengamos un poco más de tiempo pero perfecto está muy chulo está muy chulo continúo rápidamente y vale entonces árboles de decisión imagínate un árbol ¿sabes? Pues un árbol binario o como quieras entonces cada nodo es una decisión de
[No identificado] (00:31:52): Esta variable
[No identificado] (00:31:54): Va a tirar o sea el camino va a tirar por la derecha si esta variable tiene este valor o por la izquierda si tiene este otro un if como una casa vale y eso y eso va pasando en cada nodo aquí obviamente yo te estaba hablando de precios pero imagínate que estamos clasificando flores y los valores son el color de la flor y el tamaño el diámetro por ejemplo vale eso son dos ya tenemos dos variables entonces este algoritmo lo que aprende es a
[No identificado] (00:32:24): Aprende a a dividir nodos en función de de cuál sea el valor óptimo en el que dividir esos nodos entonces lo dice la palabra la decisión llega llega un nuevo data point tú te has entrenado el modelo en un dataset de flores el output es esta flor es una rosa o esta flor es un tulipán por ejemplo súper simple pero está claro que el color y la forma cambian el diámetro y tal entonces tú lo entrenas con eso y luego pues llega hostia ya llega un nuevo dato un nuevo dato que dice esto es de color rosa y y el diámetro es de
[No identificado] (00:33:02): 10 centímetros
[No identificado] (00:33:04): Por lo tanto coge esos valores y dice vale entonces si tienes si tienes este color vamos a tirar por aquí si tienes este diámetro vamos a tirar por aquí entonces es tulipán por ejemplo vale vale vale vale son algoritmos que se entienden y simples y entiendo que entre ellos se habrán más algoritmos pero de estos dos que has mencionado de algoritmos de regresión y algoritmos de árboles de decisión
[No identificado] (00:33:32): Se pueden combinar entre ellos o no tendría mucho sentido no tendría mucho sentido quizás si no es decir en este caso el algoritmo de regresión tampoco te da mucho
[No identificado] (00:33:45): Porque se suele se suele aplicar a una variable aunque en teoría creo que puedes puedes aplicarla más no lo sé y a ver tú puedes hacer lo que quieras realmente pero que tenga sentido es otra cosa pero sí muchas veces lo que se hace es por ejemplo tienes un algoritmo
[No identificado] (00:34:03): A ver que puede ser un buen ejemplo o sea tú muchas veces puedes poner un árbol de decisión al final o o o hacer un stack de varios árboles de decisión y que cada uno te haga una predicción y luego haces como un haber hecho claro no es que se super pongan que digas no es que aquí hay un algoritmo de regresión pero en medio no no sino que es una especie de pipeline o sea una vez tienes el output del algoritmo de regresión por ejemplo que te dice oye el precio va a estar a tanto entonces aplicas un algoritmo de árboles de decisión
[No identificado] (00:34:35): Que dice oye si el precio es de tanto esto quiere decir que es buena época para invertir o no o si porque estás invirtiendo en esto en lo otro y luego luego esa decisión la puedes meter en otro algoritmo para
[No identificado] (00:34:50): Puedes combinar de maneras distintas para sacar nuevas variables vale vale o sea que al final todo va a través de yo te paso un input y tú me das un output y con ese output al final acaba siendo otra variable que utilizaré para otra cosa o para darlo ya como resultado final ok ok todo empieza a tener sentido ahora todo empieza a tener sentido en mi cabeza
[No identificado] (00:35:14): Si es un mundillo pero ya te digo estas cosas las he estudiado hace tiempo y es como bueno vuelta a vuelta vale pero si yo realmente a ver si que muchas veces cuando estás empezando a resolver un problema dices voy a probar con lo con the old stuff the usual lo sabes lo básico y pues pruebas esto tal esto no funciona ni para atrás esto otro tal entonces obviamente al principio dices vale no voy a probar con el logistic rate bueno algoritmo de regresión porque sé que no va a funcionar ni de lejos o sea está clarísimo entonces directamente pruebas otra cosa vale
[No identificado] (00:35:54): Pero hay un montón de algoritmos un montón de variantes de algoritmos y es un mundo y al final se va ampliando pues conforme la gente hace investigación y tal que por ejemplo eso es un dato también normalmente los ingenieros de IA no suelen ser los que investigan pueden investigar por supuesto pero son más los que aplican entienden lo que se ha hecho pero no suelen no tienen por qué estar investigando pueden crear cosas que sean que no se hayan inventado que es un poco más como
[No identificado] (00:36:26): Como se llama research pero en la parte de ingeniería ¿no? Combinar ciertos modelos que hagan no sé qué no sé cuántos y no sé qué no sé cuántos y entonces hostia esto esto es top notch esto es buen es un buen algoritmo que no se ha hecho nunca sí sí sí pero bueno eso también es un dato porque también está research AI research ingeniería por ejemplo es otro otro puesto
[No identificado] (00:36:51): Que de hecho por mencionar también un poco es la gente que suele hacer lo del GPT-3 sobre todo el tema de OpenAI
[No identificado] (00:36:59): Dalí todas esas cosas también el tema del deep learning las redes normales que también parecen como así odios ¿qué es esto? Pero básicamente esto se intenta parecer un poco a lo que es un cerebro una renda normal el nombre lo dice entonces tú tienes neuronas ¿vale? Y tú tienes inputs que tú le pasas a todas esas neuronas esto digamos que son las variables por ejemplo que teníamos antes pueden ser 1, 2 pueden ser 3, 4 pueden ser un montón incluso pueden ser una imagen ¿vale? Píxeles puntos apilados en una línea que es lo que hablábamos antes del perro gato ojos cara todo eso normalmente
[No identificado] (00:37:36): Esas cosas se identifican mejor en una red normal es más fácil que en un algoritmo de decisión vale y al final lo que haces es a esa neurona le pasas pues una una imagen tagueada ya o sin taguear o sea tú le dices te paso esta imagen y esta imagen es un perro o no puedes lo que te he dicho antes dentro de los algoritmos que hay también hay distintas metodologías entonces tú puedes perfectamente la capa de salida esto es lo que te va a dar el output ahora te explico un poco lo que hay en medio y luego tú puedes tener
[No identificado] (00:38:11): Lo que se llama ground truth que es como esto es la verdad vale
[No identificado] (00:38:17): Entonces tú luego contrastas esto y propagas ese error hacia atrás propagas ese ese conocimiento de vale aquí esto lo has hecho bien no esto lo has hecho mal vale pero puedes también no tenerlo puedes no tenerlo y entonces tampoco me voy a meter en ese mundo pero se llama pues podemos hacer clustering puedes tener un montón de data points en un espacio y decir voy a identificar ahora si estos clusters tienen sentido o sea si puedo sacar algún label alguna etiqueta de este conjunto de datos si se agrupan cerca en un espacio quiero decir que después puede ser que tengan un sentido que estén juntos
[No identificado] (00:38:55): Entonces también hay muchas modalidades pero que no tienen también etiquetado ok y muchas veces también está como mezclado el algoritmo sin etiquetado con el algoritmo etiquetado
[No identificado] (00:39:09): Pero bueno yo explicando un poco el básico que es el etiquetado que es el más sencillo de entender y tal vale vale entonces en este caso por ejemplo tenemos aquí valores de yo que sé
[No identificado] (00:39:23): Lo que viene a ser por ejemplo rojo azul tal obviamente tú a un organo no le puedes meter eso entonces tienes que poner 0, 1, 2, 3 lo mapeas
[No identificado] (00:39:33): Luego el tamaño si sí que no hace falta que lo mapees vale pues mal tamaño y tal entonces tú esto estamos hablando de la flor por cierto entonces pues tú esto se pasa a todos los nodos cada valor por ejemplo por ejemplo y estos nodos lo que hacen es una suma ponderada de una función que tú le aplicas a esos números la función puede ser también es otro mundo hay un montón de funciones que dependiendo si tienes una función u otra pues te aproximará mejor te aprenderá mejor un poco o menos
[No identificado] (00:40:03): En función de la función que utilices se llama función de activación la suma ponderada de esas funciones te da un valor luego eso lo pasa a la siguiente y ¿sabes? Cada nodo tiene su función entonces dependiendo un poco de la profundidad cada capa o cada conjunto de capas aprenderán ciertos patrones que eso por eso muchas veces la profundidad es lo que te da esa cantidad de patrones o patrones jerárquicos que tú puedes aprender
[No identificado] (00:40:36): Que te ayudan a predecir un output que puede ser pues esta flor es un
[No identificado] (00:40:43): Tulipán
[No identificado] (00:40:46): Entonces realmente esto es lo básico de redes nulares valores que se pasan a funciones bueno ahora os explico una cosa más valores que se pasan a funciones se suman y se paran a la siguiente y luego esto te dice vale esto es una probabilidad o sea esto por ejemplo este output sería por ejemplo ¿vale? Pétalo y este output sería
[No identificado] (00:41:10): Rosa este valor es un 0,8 y esto es un valor 0,2 por lo tanto lo que has metido tú es más probable que sea un tulipán vale ok
[No identificado] (00:41:23): Con respecto a esto que estás hablando de la capa de entrada las capas ocultas y al final la capa de salida ¿no? Lo que vemos es que en medio las capas ocultas pues es el el cálculo de esos valores ¿no? De ese 0, lo que sea ¿no? Que al final lo contrastas contra el valor la capa de salida y el que más se aproxima pues te ayuda a deducir lo que es por medio pues puedes hacer toda esa concatenación de sumas ponderadas y funciones de activación pero esas funciones que tienes por medio esas neuronas ¿no? Que están por ahí sí a nivel conceptual ¿qué son?
[No identificado] (00:42:03): Son o sea es una aplicación que tiene varias funciones es una plataforma que que tú defines funciones y él sabe cómo pasarlas son lambdas que están desplegadas o sea eso a ese nivel como va por darle un poco es una función matemática de
[No identificado] (00:42:25): Vale vale es una función matemática a la cual tú le pasas un valor y te va a decir vale en esta función ese valor tiene este valor una función por ejemplo la típica es la sigmoid creo que se llama sinus no me acuerdo el nombre pero en español pero es la sinusoidal sí sinusoidal creo que es el nombre entonces si tienes un 0,5 como valor de entrada te va a dar un creo que era un 0,5 también pero si se acerca al 1 te va a dar bueno sí
[No identificado] (00:42:58): Aplica una o sea pasa un valor aplica la función y te sale otro valor simplemente vale no pero yo era por bajarlo un poco a código vale son funciones pero esas funciones estaban definidas en una aplicación o algo pero claro ya voy entendiendo el contexto que sí que son funciones matemáticas que pueden venir dadas por una librería o si tú las necesitas las programas tú y las dejas definidas y vale una función literalmente pues una función como tal en programación de que tú pasas un valor y te hace un ritmo de otro valor ok y ya está ok ok cristalino sí sí no o sea
[No identificado] (00:43:33): Son súper sencillas o sea y y luego sumas esos valores y otra cosa es que todos estos valores de entrada se multiplican por unos pesos esos pesos al principio los puedes inicializar como random porque no tiene ningún tipo de sentido estos pesos son pues cada cada cada arista valor 0,5 por decir algo se multiplica por 0,3 y lo que llega aquí es el resultado de esto que luego aquí se aplica la función y el sumatorio de todas las entradas y eso pasa a todos estos nodos vale esos valores son los que se actualizan cuando tú le dices vale esta salida esta salida
[No identificado] (00:44:15): Me ha dado mal por lo tanto tienes que corregir todas estas aristas entonces va hacia atrás lo que se llama el algoritmo de back propagation propagación hacia atrás y actualiza todos los pesos que no estén bien que hayan perjudicado en la salida errónea de esa red normal vale y todo luego todo esto se entiende hay una especie como vamos esto es un poco más complicado pero hay una especie de espacio de soluciones vale
[No identificado] (00:44:50): Ponlo en 3D una especie como de
[No identificado] (00:44:54): Colinas en las cuales los valles son soluciones óptimas o más óptimas y y es tú lo que tiene que hacer el algoritmo es una vez has
[No identificado] (00:45:07): Producido un output con todos tus valores de entrada con todos tus ejemplos el algoritmo lo que hace es vale vas a corregir en esta dirección en ese espacio
[No identificado] (00:45:17): En dirección a lo que viene a ser el valle en función esa solución local o global si tienes suerte global quiere decir esta es la solución óptima perfecta pero por lo general suelen ser espacios muy complejos tridimensionales que o sea de hecho no son tridimensionales son muchas más dimensiones dependiendo de tu problema de tu dataset pero para que lo entiendas es como bajar en un valle en la dirección de la solución y tú actualizas esos pesos esas aristas en función de de la dirección para para que para que tú tus pesos hagan que tus resultados sean mejores y realmente ese espacio de soluciones
[No identificado] (00:46:00): Es el error para definirlo de alguna manera es un error en el cual si estás abajo el error es menor ese es en un valle entonces lo que tiene que hacer el algoritmo es reducir el error o sea básicamente el objetivo del algoritmo es reducir el error de de de tu salida con respecto a lo que esperas lo que esperas vale exacto ok
[No identificado] (00:46:27): Todo esto he explicado muy grande rasgos si o sea ahora mismo las personas que no están viendo las diapositivas en el directo de youtube igual les va a costar más pero los enlaces van a estar e igualmente yo creo que que hay ciertas cosas que igualmente es iterarlo y es probarlo o sea que tampoco tampoco nos preocupemos por ahí si intentaré también dar algún enlace de de por dónde empezar o por dónde empezar a mirar para que la gente que esté interesada cosas simples que se entiendan y ejemplos
[No identificado] (00:47:01): Porque esto a ver
[No identificado] (00:47:03): Realmente no es para tanto una vez lo conocen no es para tanto es o sea
[No identificado] (00:47:11): No sé o sea no es parece muy complejo quizás pero de verdad que no es tan no es tan difícil la matemática que se aplica tampoco no es para nada tampoco difícil esto lo hemos estudiado todos porque al final lo que lo único las únicas operaciones más complicadas de aquí que obviamente no son las funciones porque son simples los sumatorios tampoco son difíciles la multiplicación de pesos tampoco es difícil es el volver hacia atrás y decir ahí tienes que aplicar derivadas parciales que siguen sin ser una locura de difíciles pero sí que es lo más complejo quizás vale vale no pero igualmente yo creo que
[No identificado] (00:47:48): Lo más complejo cuando se habla de IA es que es como muy abstracto todo todo es abstracto nunca lo contextualizas hasta que no ves un servicio de IA o una aplicación de IA y yo creo que con el ejercicio que estamos haciendo de explicarlo intentar de ver oye pero esto de una neurona realmente que es o esto que llama
[No identificado] (00:48:12): Función realmente es una función entonces ya después lo vas bajando a tierra y dices vale pues si es una función que tiene un input y te da un output que tiene su return como tal pues puedes testearlo y puedes hacer cosas y al final como que ya con eso le empiezas a perder el miedo pero la clave es bajar esos conceptos a tierra que generalmente no se hacen sino que se habla de cosas súper efímeras sin código y pues cuesta o sea está bien tener el concepto pero a veces es necesario ver un poquito de código para para entender de lo que se está hablando
[No identificado] (00:48:51): Y yo considero que estamos haciendo un muy buen ejercicio de aunque no se vea código de entender a bajo nivel qué es eso de lo que estamos hablando cuál es la traducción o sea que sí totalmente y has mencionado el tema de los test que también es muy interesante porque aquí como he dicho al principio por ejemplo los pesos se indican de forma random eso es un problema para los test obviamente tienes que meter un seed tienes que hacer lo que sea
[No identificado] (00:49:20): Que siempre tengas el mismo resultado cuando haces test en una red o en una de todo muchas veces depende de lo que estés haciendo tu aplicación lo que estés testeando puede ser un servicio o algo que utilice tu modelo entonces puedes moquear también el modelo haces un moqueo el modelo pero yo tampoco tampoco he visto mucha gente creo que haga test en lo que viene a ser dentro de la red normal hombre precisamente por esa
[No identificado] (00:49:50): Variabilidad tienes un input y al final esperas un un output pero que es un output variable no es un output fijo pero igual es porque cuando hablamos de testing estamos muy acostumbrados a lo que es el el testing input output de dado esto devuelve esto o yo espero que me devuelva esto pero hay más tipos de testing es igual que tienes los test de humo que son los test de rendimiento básicamente tienes los test de end to end que van de extremo a extremo pues más centros en la UI test de accesibilidad pues hay a lo mejor otro tipo de test que encajan mejor
[No identificado] (00:50:32): Con esta fórmula que no son tanto los unitarios o sea por ejemplo hablo sin saber desde el total desconocimiento y muy bro science todo pero suena bastante a que el property based testing aquí puede encajar bien o sea da igual el input que yo te pase tú generame una serie de inputs random ponderados entre esto y esto y mi output debería de seguir siendo este por ejemplo por ejemplo eso suena mucho a property based testing yo pondero unos valores yo te voy a decir tú pasa por todos esos o genera los de forma aleatoria pero siempre ponderados entre esto y esto y el output
[No identificado] (00:51:12): O el comportamiento final que espero tiene que seguir siendo este y si eso te machea el test pasa o sea si podría ser te digo todo esto es muy bro science porque no lo sé pero en base a lo que tú me estás diciendo es un poco la conclusión a la que yo puedo llegar a ver que que me suena pero
[No identificado] (00:51:33): La realidad bueno igual difiere si si si a veces simplemente te estea simplemente que te saca un output dentro de lo que no te pete la rienda o lo que sea
[No identificado] (00:51:45): Pero hay un montón de testing que se puede hacer
[No identificado] (00:51:48): Y bueno para no
[No identificado] (00:51:50): Estar demasiado tiempo que ya llevo un rato
[No identificado] (00:51:55): Simplemente decir lo que viene a ser la realidad de lo que hago yo al día a día porque al final entrenar un modelo por desgracia es un 10% a veces menos de lo que es el tiempo que hace un ingeniero de ella muchas veces es literalmente los datos
[No identificado] (00:52:13): Nunca vas a encontrar en la realidad datos perfectos o sea ni de lejos pero vamos en la vida
[No identificado] (00:52:22): Entonces te toca curar curar curate esos datos te toca malearlos te toca quitar cosas que no tengan sentido eso es también gran parte a la hora de
[No identificado] (00:52:34): Entrenar un modelo y demás y literalmente el 70% o más o a veces menos es el resto de cosas que también depende en mi caso pero por lo general creo que es un poco depende si es lo que te he dicho antes si alguien se dedica solamente a hacer un modelo será será un yo que sé 60-40 60 el modelo y 40 el dataset o igual o igual incluso un 10% de un pelín de infraestructura o hacer pero bueno para mí es la mayoría es ingeniería de software en mi caso es en Python
[No identificado] (00:53:14): Y y bueno la realidad es esa o sea no es todo todo vamos a tener un modelo y ya que pasa si que no es no es la secta por decirlo así de ah no pues es data engineer o es ingeniero de IA y solo hace eso sino que al final en el día a día pues tienes que estar definiendo funciones tienes que estar haciendo testing tienes que hacer más cosas vaya si y además me gusta mucho la parte de ingeniería de software yo me considero más ingeniero de software que incluso ingeniero de IA a veces porque hay o sea considero que hay muchísima gente
[No identificado] (00:53:49): O sea yo te conocimiento desde IA no soy pro o sea no soy un máquina tampoco no me considero para nada y tampoco me considero de ingeniería de software ni lejos un máquina pero pienso que si pienso que que por ejemplo quizás en mi equipo soy ser más de ingeniería de software y creo que ellos por ejemplo saben un poquito más de ciertos términos y metodologías de IA pero pero me gustan las dos así que sí y en este ciclo de feedback ¿no? De bueno como equipo ¿no? Tú que eres ingeniero de software y ellos que son más centrados en IA
[No identificado] (00:54:28): Como o sea por supuesto ya damos por sentado que depende de las personas ¿vale? Pero ¿suele haber mucho
[No identificado] (00:54:37): Conflicto o es algo que que bueno que se comparte bien el conocimiento porque muchas cosas que son transversales o ¿cuáles son los mayores retos que te enfrentas en el día a día con ellos?
[No identificado] (00:54:49): Los mayores retos
[No identificado] (00:54:52): Pues no te sé decir o sea nos comprometamos bien porque siempre que sale algo que uno no sabe lo sabe otro entonces yo muchas veces comparto librerías y cosas que hago yo que creo que ellos también quizás deberían hacer en cuanto a software y tal rollo tal deberías aplicar esto deberías tal soy muy a veces muy
[No identificado] (00:55:12): ¿cómo se llama?
[No identificado] (00:55:14): Piki ¿no? Muy que le gusta que las cosas estén bien hechas en cuanto a hacer el code review y tal o sea todo el code review y toda la metodología siguen estando ahí esto no es
[No identificado] (00:55:26): Ciencia de cohetes y se hace
[No identificado] (00:55:30): Somos ingenieros y ya está o sea no
[No identificado] (00:55:34): Pero yo sí que soy más piki con eso pero quizás ellos son luego pues a la hora de hacerte de crear tu modelo y hacerte un report con los resultados y un poco un benchmark de cuál porque claro luego tienes que valorar qué tal qué tal funciona tu modelo entonces tienes que vale la precisión por decir una métrica de este modelo en estos datos es esta por ejemplo entonces ellos hacen muy buenos reports más científicos quizás a menos a mi parecer que yo quizás que me da un poco más no sé si pereza o no sé lo que es pero en plan
[No identificado] (00:56:11): Escribir todas esas cosas a veces que es un poco también por lo que no me he metido en tema de investigación porque los papers y tal son son son son son tiran trabajo y a mi me dan un poco de pereza a veces claro pero bueno nos comprende tan algo bien yo creo luego está mi jefe que sabe de todo todo más que de todos y ya está sabe más de ingeniería que yo sabe más de ella que el resto y es un crack así que nada si nos está viendo hola jefe hombre yo espero que se lo comparta míralo si porque además
[No identificado] (00:56:44): Se llama Carlos el tío es de Valencia o sea es español lo que pasa es que o sea por contar un poco de mi empresa mi empresa se llama Sorcero que es americana pero yo antes estaba en una empresa inglesa que estábamos que éRamos un equipo de 5 personas no más que estábamos subcontratados precisamente por esta misma empresa Sorcero éRamos una consultoría de inteligencia artificial ni más ni menos y y bueno pues esa empresa inglesa el jefe de esa empresa era mi jefe mi jefe que es ahora mi barra team lead barra manager hace de todo eh
[No identificado] (00:57:25): Y era él era es otro otro madrileño eh otro chaval también que es mexicano pero está ahí viviendo en Inglaterra y luego un inglés y y de hecho no hablábamos español porque estaba en inglés o sea
[No identificado] (00:57:41): Típico y y de hecho yo hablo inglés con mi jefe porque yo creo que el tío habla mejor inglés que español ahora mismo o sea de verdad y sin nada de Valencia lo oigo hablar y habla como también se me hace súper raro hablar en español
[No identificado] (00:58:00): Pero el tío se ha trabajado y tiene un acentazo súper chulo y y nada bueno he de decir de cara del cielo que no es la primera vez que me hablas de él y que oye que un ahí te aprecia y te valora enormemente y y sabes lo que lo que es tenerte a ti como team lead y que lo agradece él no lo dice pero ya lo digo yo por él alguna vez sí que le he comentado pero que va
[No identificado] (00:58:28): Es que al final yo lo digo o sea hace o sea los story points que hace en en los sprints son los mismos o a veces incluso más y luego hace de manager bien además entonces es como y luego está además está más reuniones que nosotros yo creo que se multiplica yo creo que ahí es donde podría empezar a decir oye igual este tío se está duplicando con IA sí no igual tiene muchas cosas automatizadas por ahí con IA y haciendo cosas mágicas de sí sí no sé entonces o sea yendo ya un poco más a terreno o sea se pueden hacer cosas muy chulas
[No identificado] (00:59:07): Con IA ¿no? Se puede pues empezar a hacer todo este tipo de magia pero realmente como de cerca o como de lejos crees que están o sea todavía hay cosas rollo Skynet que están muy lejos ¿no? O sea es algo que
[No identificado] (00:59:25): No sé dímelo tú porque yo poco sé a ver
[No identificado] (00:59:31): Es que claro si nos basamos en las películas aún estamos lejos claro bastante
[No identificado] (00:59:38): Pero sí que hay cosas que no sé a mí me parece que estamos
[No identificado] (00:59:42): O sea hay un montón de procesos que podemos automatizar con IA definitivamente y poco a poco están construyendo sistemas que sean un poco más que generalicen un poco más así que no solamente yo qué sé te haga un resumen de texto por ejemplo y el mismo modelo sea capaz de hacer varias cosas bien
[No identificado] (01:00:01): Traducción
[No identificado] (01:00:03): Resumen no sé cosas así
[No identificado] (01:00:08): También ahora mismo el boom de las imágenes generativas de generar imágenes así increíble porque o sea ahora mismo con texto puedes generar una imagen puedes generar series de imágenes y hay gente que ha hecho animes con con con texto o sea utilizando texto va generando imágenes y va generando o sea una especie de vídeo con esas imágenes como si fuese sí como si fuese una película
[No identificado] (01:00:41): Hay incluso también
[No identificado] (01:00:44): Creo que sacó hace no demasiado meta facebook
[No identificado] (01:00:49): Un paper que también pues estaban intentando hacer texto vídeo o sea pasas de texto a vídeo y obviamente están eso es más complicado pero también están ahí que igual yo qué sé por decir algo bueno ahora voy a hablar de algo que me gusta en relación con eso pero en igual de 5 años están generando películas o animes al menos literalmente desde a partir de texto
[No identificado] (01:01:17): Bueno a ver no va a ser no va a ser algo rollo hazme un anime que vaya sobre esto tienes que ser mucho más cómodo pero que igual estés cada 5 segundos o cada 10 segundos de la película estés ahí tú tal tal tal tal tal tal tal claro y te automóvil que tenga todo cohesión y tal entonces lo que quería hablar es un poco de Star Wars y el deep fake que hicieron de Luke porque fue bastante ¿cómo sabía que lo ibas a sacar y lo tengo preparado lo tengo preparado no te preocupes no no no adelante caballero no no no yo ya llegaré
[No identificado] (01:01:58): Pero ahora es tu momento bueno pues en el deep fake básicamente lo que hacían era utilizar imágenes del antiguo look para mapearlo con la cara del actor para que pareciese más joven y que pareciese Luke lo hicieron en Mandalorian obviamente en Mandaloriano en el último capítulo estuvo bien estaba bien pero se podía mejorar y claro de repente yo creo que lo que pasó si no recuerdo mal fue que otros ¿sabes? Otra empresa sacó un vídeo haciendo lo mejor que Disney y claro Disney dijo así pues para adentro eso es lo que he entendido que pasó no sé si es verdad creo que sí entonces claro
[No identificado] (01:02:41): La segunda bueno fue en Boba Fett creo fue en Boba Fett yo no lo siento por los spoilers pero sí fue en Boba Fett en el episodio 4 5 5 sí por ahí porque spoiler 2 es cuando sale Ahsoka o sea que sí el 5 sí sí sale Ahsoka y no sé si sale en dos capítulos incluso Luke no lo sé creo que sale en más de uno uff ya me acabas de dejar ahí no tengo porque también bueno el caso es que sale y o sea lo hacen hacer volteretas y todo quiero decir
[No identificado] (01:03:16): Salía muchísimo mejor y se nota que eso fue de un año para otro más o menos entonces fue como hostia a ver también es un tema o sea es un tema de presupuesto porque al final son máquinas que están ahí entrenando y generando y también depende mucho del presupuesto
[No identificado] (01:03:35): Pero una de las cosas que hablábamos hace muy poquito fuera de cámara con otras personas era que precisamente todo este tema de la IA los NFT todas estas cosas que parecen como muy mágicas y que dicen bueno pero al final en el día a día pues al final en el día a día los primeros productos que sacas son un poco chorras ¿no? Es como bueno pues hemos hecho este NFT pues para simbolizar algo pero lo importante no es el NFT es la tecnología que hay detrás y el avance y ese proceso de jugar para sacar algo chorra que al final te acaba llevando a esto
[No identificado] (01:04:13): ¿no? A un actor
[No identificado] (01:04:16): Que en la edad que tiene Mark Hamill pues poder recrearlo en su juventud y hacer todo el tipo de peripecias que que hacía en la serie y más cosas que están por venir imagínate eso ¿no? Lo que la inversión monetaria que puedes estar haciendo ahora en en películas para que a posteriori no se note yo lo pienso mucho en el universo Marvel ¿no? O sea fanático total hay películas claro hay actores que realmente ya están jubilados
[No identificado] (01:04:52): Porque no tienen juventud para hacer ese tipo de filigranas pero si tú firmas un contrato y dices oye yo venga yo te doy mi escaneo tridimensional yo te pago no la misma cantidad porque obviamente no voy a estar yo presencial pero tú lo automatizas todo y lo generas todo y demás ostras eso puede dar pie a tramas muy guays o sea te da un universo continuo o sea la continuidad de un universo no pensar en un actor se va a jubilar entonces tenemos que buscar otro más joven que vuelva Robert Downey Jr. Como Iron Man iba a decir exactamente eso por favor tener Capitán América
[No identificado] (01:05:29): Y que te llegue el punto de cuando pierde el suero del super soldado se hace super anciano tal y que al final vuelva y viajes en el tiempo y universos colisionando y es que tienes margen a ser auténtica locura también te digo si te sacan un universo paralelo puedes poner otro actor y ya está
[No identificado] (01:05:50): Porque
[No identificado] (01:05:53): De hecho es una chica vaya si pero lo que pasa ahí es que de alguna forma pierdes continuidad y haces que la gente pierda un poco el hilo porque por eso muchas veces en los comics se han tenido que romper el universo y rehacer de nuevo porque
[No identificado] (01:06:11): Pierdes esa parte de como localizar a los personajes o sea el tema de los universos está guay y es una flipadilla que mola pero para el para la persona que lo ve de a pie que dice mira que es que no me voy a pegar las treinta y pico películas de Marvel para saber lo que está pasando y de buenas a primeras es que hay un cambio de actor la respuesta típica es es de otro universo o lo hizo un mago pero ya eso es una barrera para el espectador ¿no? Cuando se lo pones más suavito no es que se fue haciendo mayor
[No identificado] (01:06:43): Pero lo rejuvenecieron y es como ah vale porque ves al mismo actor y lo ves más joven y dices ah pero y si por ejemplo en otro universo coges otro actor es más fácil que continúes con ese hilo de voy a poner otro actor para cada personaje que hay en el universo original pero imagínate que de repente pones a Robert Downey Jr tal cual en el universo paralelo es como vale entonces este sí que era igual pero el resto no claro ¿sabes? Por eso el tema de los universos paralelos es complicado lo mejor es lo mantienes homogéneo todo el mundo igual en todos lados
[No identificado] (01:07:21): Y te quitas de líos o sea porque si no es que ¿qué haces? Pasas a un actor a otro universo y después ¿cuál mantienes? ¿el secundario? ¿y vas migrando todo para el secundario? ¿qué acabará siendo el principal porque el otro moriría? Bueno paralel change aquí aplicando paralel change a tope yo creo que los universos está guay porque es lo puedo justificar como quiera es otro universo no igual aquí las plantas crecen hacia abajo claro a ver pero está guay para los que nos pegamos todas las series pero para alguien yo que sé mis primos ¿no? Que son más pequeños y no han vivido
[No identificado] (01:07:59): Las películas de Marvel desde el principio pues cuando llegara un momento que dirá no voy a ver todas las películas anteriores porque son chorroscientas más las series más no sé qué nosotros que lo hemos podido llevar al día a día sí y aún así hay alguna serie que nos saltamos porque pero bueno no se ven todas se ven todas
[No identificado] (01:08:21): Es que ese mundo podemos no parar de hablar sí de hecho como ya lo estamos llevando a este terreno random voy a dar pie a la sección favorita del público y poco comentada que es la de las preguntas random ¿estás preparado para las dos preguntas random una ahí? Yo siempre estoy preparado para algo random me encanta así me gusta bien bien bien pues dentro del randomize que tenemos tampoco ha sido muy random porque ya es algo que se intuye ¿no? Y que viene un poquito guardado en relación con la guía pero me gustaría preguntarte bajo tu ojo experto de software engineer barra
[No identificado] (01:09:00): Y a software engineer maravilloso me pondré lo de maravilloso en linkedin perfecto maravilloso mervelous excelsior mervelous entre R2D2 C3PO BB8 or BB1 dicho al español R2D2 C3PO BB8 o BB1 ojo si no sabes quién es BB1 Star Wars Fallen Order videojuego lo ponemos en contexto que es el más desconocido de todos ¿era BB o era BD?
[No identificado] (01:09:40): ¡Ostras! Era BD1 te creo un segundo te lo juro que es BD1 te creo sí es BD1 BD1 ¿no? BD1 y el otro es BB8 ese sí sí BD8 vale pero me ha gustado esa referencia a Fallen Order ¿has visto? Es que ya me lo he pasado me ha costado pero me lo he pasado
[No identificado] (01:10:06): Tenía que decírtelo ¿no? Al final guapísimo por cierto sí sí sí bueno pues en base a estos tres robots porque no son androides son robots
[No identificado] (01:10:20): Bajo tu ojo experto ¿cuál dirías que posee la mejor IA?
[No identificado] (01:10:29): Tengo que decir que C3PO muy heavy que sepa traducir que era un billón no sé cuántos billones de idiomas y que tenga mucha elocuencia está muy guay o sea en cuanto a lo que viene a acercarse a la hora de interactuar con humanos y tal yo creo que lo que más acerca es C3PO pero claro es que R2D2 tío es que la capacidad de solvencia de R2D2 o sea que necesitas aquí escapar de un carguero imperial no pasa nada él te ha que necesitas cargarte tres droides no pasa nada él echa el aceite y les prende fuego que necesitas enfrentarte un raco
[No identificado] (01:11:08): El tío da igual a calambrazos le da ahí y se lo r2D2 es maravilloso es muy solvente habla a base de binario pero
[No identificado] (01:11:18): Claro ahí está si combinas a C3PO y R2D2
[No identificado] (01:11:24): Lo que pasa es que claro todo esto en términos de ya tú cuando estás procesando inputs y tú estás especializado en algo eres bueno en eso que estábamos hablando antes eres bueno en eso si eres bueno hablando idiomas
[No identificado] (01:11:38): Siendo elocuente hablando idioma que sea que hablas bien y luego avances muy solvente en lo que haces como R2D2 todo en esto igual serías quizás más lento a la hora de solventar algo o te sabrías menos idiomas porque literalmente no caben más claro es que de hecho en base a eso te diría C3PO es un robot protocolario o sea él sabe de protocolos o sea de tema el protocol droid es C3PO exacto ese C3PO pero R2D2 es un astrodroide y el tío te hace de todo o sea que puede tener esas habilidades por el tema de la mecánica y tal pero a ver
[No identificado] (01:12:22): Que el tío se ha cargado un rácord a base de ahí de electroshock o sea buen debate tengo que mencionar otro droide que igual no lo has visto que no me acuerdo el nombre porque horrible para las personas pero es el droide de Rebels Star Wars Rebels el anime
[No identificado] (01:12:39): Es otro R2D2 casi en nivel es muy heavy me lo tengo que apuntar me lo tengo que apuntar sí sí sí es el droide ojo
[No identificado] (01:12:49): Bueno vamos a la pregunta resultado entonces decimos que resultado
[No identificado] (01:12:55): Es que es muy difícil es que lo que le digo es que no hay una sola inteligencia es que ahí está el problema no es es más inteligente o es más es un sistema más inteligente de ella depende para qué
[No identificado] (01:13:09): Bueno no te ha gustado esa respuesta no me ha gustado esa respuesta no me ha gustado yo diré R2D2 Arturito R2D2 yo lo veo Arturito exacto siempre siempre estoy de acuerdo si no nada vale pues vamos a la segunda pregunta ya que pues entramos en un terreno muy geek muy nerd o sea yo sé que estás al tanto de todo como nos encanta
[No identificado] (01:13:37): Destronará Ultron a Skynet
[No identificado] (01:13:44): Ojo ojo esa cara esa reacción gente del podcast oh cuidado es que Ultron en
[No identificado] (01:13:55): Como se llamaba la serie de esta
[No identificado] (01:13:59): Avengers no ah si en la del what if what if cuidado
[No identificado] (01:14:08): Si de hecho en las películas están muy nerfeados los comics es horrible o sea el tío los comics se va al espacio vuelve spoiler se fusiona con Han Pym el si si si si o sea Ultron es lo peor que hay o sea es lo peor que hay es la la mosca cojonera que siempre tendrás encima o sea en cuanto a malo malísimo yo te diría que bueno de hecho te diría no Ultron es casi más poderoso o sea en cuanto a poder físico obvio que Thanos es más más poderoso pero en cuanto a darle la Dayad
[No identificado] (01:14:52): Ultron es más molesto que Thanos mil veces es que potencialmente es un sistema bastante bastante potente si pero eso te digo Skynet o Ultron ah
[No identificado] (01:15:06): Tengo que decir que Skynet ahora mismo no sé exactamente que es porque lo has mencionado antes ah bueno Skynet voy a ser honesto a ver si la voy a liar yo Terminator la inteligencia artificial de Terminator que acaba conquistando el mundo y tal si he visto Terminator pero hace siglos nada a ver el nombre pues Skynet Skynet es ese entonces podríamos llegar al punto de Skynet ha conquistado el mundo Ultron no pero en plan de vale pero es que Ultron se ha peleado con muchos héroes por el camino entonces
[No identificado] (01:15:44): Ultron potencialmente me parece una idea bastante completa ¿no? Sí es una red neuronal en sí
[No identificado] (01:15:53): Hombre a ver
[No identificado] (01:15:56): Utiliza la matriz de Jarvis no sé qué no sé cuánto eso es una fumada
[No identificado] (01:16:02): O sea en cuanto a teoría Ultron no se sostienta ¿no? No se sostiene hombre ¿qué se sostiene de Marvel que hace Tony Stark? En plan sí todo parece mágica así bueno ojo cuidado que si nos ponemos
[No identificado] (01:16:16): Jarvis Jarvis es copilot Jarvis es copilot o sea el tío se pone ahí a cacharrear y le dice Jarvis necesito un programa que haga esto tabulador tabulador tabulador tabulador tabulador y ya está o sea que sí que sí pero me hace gracia que Jarvis lo venden como no es una inteligencia artificial pero o sea es súper o sea que te entienda lo que estás diciendo el que hables con ella te responda bien eso hostia eso es bastante bastante entonces sí yo creo que Ultron está bastante avanzadito yo creo que sí que al final si nos centramos en los cómics ganó Ultron pero mil
[No identificado] (01:17:00): Si nos centramos en las pelis
[No identificado] (01:17:03): Bueno
[No identificado] (01:17:05): Tontito tan listo no fue pero bueno no lo aprimó la casa no no no no lo ganaron rápido se cargó un país pero no era primero a la casa
[No identificado] (01:17:18): Oye Unai pues que te digo muchísimas gracias por este ratito la verdad es que es muy complicado tener este tipo de explicaciones de AI y poder bajar todos estos conceptos a tierra así que es verdad que hay que hacer un ejercicio de oye vamos a concentrarnos y vamos a intentar de entender y poner en contexto pero creo que yo me siento conforme lo doy por conseguido así que muchísimas gracias por el esfuerzo por estar aquí y sobre todo por poner el broche final a la conversación de estos temas que tanto nos molan a ti y a mí de sabía que íbamos a acabar hablando
[No identificado] (01:17:56): Era innegable o sea
[No identificado] (01:17:59): Tenía que pasar tenía que pasar y pasó
[No identificado] (01:18:03): Que te iba a decir igual algún día si si se te ocurre hacer yo que sé directos de programación o incluso sabes en plan meterte en Twitch y decir vamos a empezar a ponernos a hacer X cosa yo algún día podríamos hacer un workshop de y ya bueno yo solo yo solo diré que hace muy poquito vale ha llegado esta joya vale a casa que está por aquí y debe ser usada o sea he estado sacando estadísticas agradecería también que en la cajita de comentarios o por privado y demás pues pusiesen pero estaba un poco sondeando como de dispuesta estaría la gente
[No identificado] (01:18:43): A ver este tipo de directos porque al final es un curro y es tiempo y
[No identificado] (01:18:51): A ver que si a la gente la aporta yo lo hago pero como para hacer todas las semanas uno pues no porque al final no me dedico a esto o sea esto lo hago por hobby o sea yo al final soy desarrollador y trabajo y tengo que invertir tiempo también en formarme porque sí entonces bueno o sea si a la gente le apetece podemos hacer depende de lo que digan uno al mes uno cada dos meses dos al mes uno por semana lo veo muy complicado pero depende del feedback y de lo que la gente le apetezca pero por mí lo vería súper interesante
[No identificado] (01:19:25): El hacer cositas nuevas como es algo de de IA yo creo que a la gente le puedo aportar un montón y vamos y a mí a nivel de aprendizaje pues también que nunca está de más el conocimiento no ocupa no ocupa espacio aunque sí te eras de disco duro pero
[No identificado] (01:19:43): Sobre todo si un modelo pesa 700 gigas que sí que ocupa eso sí
[No identificado] (01:19:49): Y bueno a ver si no le dediques tiempo o sea si te dedicaré tiempo a algo a la semana a todo esto y que a veces sea un capítulo o una entrevista como quieras llamarlo o a veces sea por ejemplo en whatsapp sea la gente le apetece claro sí sí sí sí pues lo veo estupendo oye pues ya has desvelado uno de los secretos que estaba por ahí rondando tenemos que planearlo yo no suelo hacer estos disclaimer pero dale a la manita arriba subscribe follow esas cosas nada es broma acuérdate de poner la animación de subscribe me estás pidiendo sí total
[No identificado] (01:20:28): Yo lo tengo todo automatizado para que sea centrarme a lo que me tengo que centrar y todo lo que es demás nada bueno nada sé que hace no se pone subscribe lo vemos para la gente que en plan que quita mucha curiosidad les recomendarle el canal de 12 suv porque lo explica súper bien desde el principio desde las bases más bases y luego también tiene un canal de twitch que no sé si a veces sube a cosas en youtube o no lo sé pero que hace también código ¿sabes? Se pone a programar el tío aparte de ser divulgadores sabe del tema entonces eso lo pondremos
[No identificado] (01:21:05): Supongo aquí abajito el canal lo recomiendo bastante y en español lo saqué perfecto ¿qué más se puede pedir?
[No identificado] (01:21:14): Oye totalmente pues nada pues ya hasta aquí estaría de nuevo muchas gracias por haberte pasado un año y nada a las personas que nos estáis viendo a las personas que nos estáis escuchando muchísimas gracias por estar aquí estamos ya a un episodio del número 30 o sea ¿qué pasa en ese episodio? ¿quién lo sabe? Yo a día de hoy no lo sé igual mañana sí igual dentro de una hora sí pero todavía a día de hoy es una sorpresa incluso para mí así que a la aventura nos vemos en el próximo episodio adiós
[No identificado] (01:21:51): Y
[No identificado] (01:21:53): Y y y y y y
[No identificado] (01:22:09): Y !
[No identificado] (01:22:11): Y y ! Y
[No identificado] (01:22:14): Y y !
[No identificado] (01:22:18): ! ! ! ! !