#183 JEV y la automatización: menos costos, más eficiencia

0:00 Locutor: Hasta ahora con la inteligencia artificial, nosotros podíamos tomar varias decisiones, tanto simples como complejas. Pero llevarlo a esto a una escala mayor se volvía demasiado caro. Hasta ahora, dado que ha aparecido una nueva solución. Jev es un modelo que me permite tomar decisiones sumamente baratos y muy, muy rápido. Si quieres saber de qué se trata todo esto, quédate en este nuevo episodio de Inteligencia Artificial para los Negocios.

0:30 Conductor: Ignacio, muchas gracias por dignarte a volver a esta oficina después de tu Euro Trip.

0:36 Ignacio Alarcón: Muchas gracias.

0:37 Conductor: ¿Cómo estuvo?

0:38 Ignacio Alarcón: Bien. Bien. Acá, mira, tengo que cortarme el pelo después de semejante viaje.

0:42 Conductor: Sería bueno, no sé cómo el SAC te dejó entrar, pero yendo a nuestro tema, pasaron muchas cosas mientras que tú estabas ahí disfrutando del sol europeo.

0:53 Ignacio Alarcón: Sí, primero hacía mucho calor, pero pasaron demasiadas cosas. Era ridículo como yo estaba de viaje, aparte 5 horas de diferencia, y de repente oye, salió el nuevo modelo de Claude, ¿Cierto? Cinco y cinco. Y puedo hacer esto y esto y esto. Me llegaban y yo miraba el grupo de WhatsApp, todos los ejemplos, todas las cosas nuevas. Oye, salió Jev, salió no sé cuánto. Y yo miraba como todo el mundo decía, oye, han sido las dos semanas más locas de la IA en los últimos 12, cuántos años. Y yo ahí tomando cafecito, digamos, en Europa. Entonces la vuelta fue bien. Yo llegué un sábado y fue como que. Sábado y domingo nos tenemos que poner al día con todo lo que ha pasado estas últimas dos semanas. Y una de las cosas que va a ser el tema hoy día es Jev, J-E-V corta.

1:30 Conductor: Exactamente. Es un nuevo modelo, es una nueva aplicación, es una nueva plataforma. ¿Qué es Jev?

1:38 Ignacio Alarcón: Jev es por definición, digámosle, es un modelo de decisiones. Es un modelo de inteligencia artificial, pero que está basado en decisiones. ¿Entonces, como pueden ver ahora en la pantalla, para la gente que está mirando, cierto? Jev, básicamente es un modelo que va a recibir texto, porque Jev particularmente solamente puede recibir texto, y va a entregar una elección. Entonces la manera en que esto funciona para efectos de uso, por así decirlo, más allá de cómo funciona por detrás, que lo mueve al tiro, es, yo le paso por ejemplo un texto y le digo, no sé, acá está el comentario de una persona. ¿Comentario es bueno o comentario es malo? Y el modelo me va a entregar un output donde me va a decir básicamente si es bueno o no es bueno. La manera en que entrego la información es, oye, estas son las opciones que tú tienes para elegir y el modelo me puede entregar dentro de tres cosas. Una es la decisión que tomó, ¿Cierto? Oye, esta es la opción que yo elegí. La segunda cosa que me puede entregar si yo se la pido, digamos, es con qué probabilidad, por así decirlo, eligió que está básicamente esa opción. Es decir, esta respuesta es 70% buena, 30% mala, por así decirlo. Y además tiene un número que es el nivel de confianza que tiene el modelo. El modelo te puede decir, por ejemplo, Este comentario es 99% bueno y tengo un 30% de confianza.

2:57 Conductor: Yes. Vayamos con ese negocio.

3:00 Ignacio Alarcón: En teoría no debería funcionar así, porque obviamente si tengo 30% de confianza de 99, yo no sé cómo funciona. Después del resto es OK, significa que el otro 70% es 98 o es.

3:12 Conductor: Claro, El complemento.

3:13 Ignacio Alarcón: Claro. Entonces, la manera en que se están manejando estos modelos que tienen la gracia de que son más rápidos y más baratos, por si alguien se está preguntando, oye, eso suena como un peor ChatGPT. La ventaja que tienen estos modelos es que es, dicen entre 30 y 400 veces más barato. Entre 30 y 200 veces más rápido. Lo de la velocidad está más o menos comprobado, lo del precio lo vamos a ver después.

3:33 Conductor: Sí vemos que un rango bien acotado. Entre 30 y 400.

3:37 Ignacio Alarcón: Claro. Pero bueno, entonces lo que termina pasando es, yo puedo pedirle al modelo que me dé estas cosas y yo puedo hacer lo que a nosotros nos gusta hacer, digamos, que es automatizaciones con modelos de inteligencia artificial y poner estos modelos entre medio. Entonces, para resumir un poco, antes de empezar a pasar a los usos y cómo funcionan más por detrás, Jev es un pequeño modelo de inteligencia artificial que toma decisiones muy rápido. Perfecto. Entonces yo le puedo pasar la información. Oye, ¿A o B? A, así como galleta. ¿Quieres galleta o quieres helado? Helado. Claro. ¿Quieres pisa? ¿Quieres uchi suchi? Ya. Eso es lo que hace el modelo.

4:09 Conductor: Algunos dirían que eso es muy conveniente en la casa.

4:12 Ignacio Alarcón: Sería bueno, ¿Cierto? Algunas personas lo necesitan. Y hablando de eso, digamos, el modelo en sí mismo, mucha gente hace la asociación con este libro de Piensa rápido, piensa lento. Claro. Que es de Daniel. Sí. Exactamente. Donde. Y de nuevo, porque esto lo hemos visto mucho también con los embeddings y todo. Finalmente estamos tratando de replicar cómo funciona el humano. El humano tiene de cierta manera, y esto es lo que da el libro, digamos, por nosotros sabemos que de cierta manera hay algo de verdad en cómo funciona el cuerpo en general, por temas de eficiencia, yo no puedo dedicarle todo mi gran cerebro, cierto, Nuestro gran cerebro humano a decisiones que son mundanas, básicamente, decisiones básicas. Entonces lo que termina pasando es, OK, yo tengo decisiones o tengo. Y la persona da ejemplos, pero en realidad no quiero usar mucho los ejemplos porque yo no diría que el ejemplo en sí mismo es una diferencia. Por ejemplo, él dice 2 más 2 4, eso es automático, es 1. Pero 27 por 14 es, no sé, 3 28. No me acuerdo cuánto era el número, da lo mismo, mi modelo 1 se equivocará, así que no se preocupen. Pero básicamente me abre un número y eso yo tendría que pensarlo un poco más. Entonces lo que termina definiendo, digamos el libro es, oye, no es que ciertas cosas siempre sean pensamiento tipo 1, ciertas cosas siempre sean pensamiento tipo 2, sino que hay cosas que nosotros desarrollamos que en inglés se dice cuando yo conozco las cosas by heart, es decir que me preguntas y me las sé. Me preguntas mi cumpleaños, me lo sé. Me preguntas tu cumpleaños, tengo que pensarlo, me siento totalmente ofendido, oye, tengo que pensarlo, pero me lo sé. Hay gente de la que simplemente aunque lo piense toda la vida, no me voy a acordar. Entonces, excelente, estoy en el nivel 2. Entonces, ¿Cuál es la gracia de esto? En especial cuando trabajamos con sistemas más complejos, el tema del costo y la velocidad. Se había trabajado antes con modelos más chicos, la gente usaba Haiku, la gente usaba Luna, pero básicamente el modelo fast, ¿Cierto? Muchas veces en chatbots, porque tú quieres que el chatbot le responda rápido, a menos sirve que la gente diga oye necesito ayuda y el modelo un minuto después le diga por supuesto qué quieres, ¿Cierto? Claro. Entonces lo que se hacía era, tengo un modelo chico que va a decidir en qué momento cuando la persona me pregunte, por ejemplo, oye, tengo que ver productos de mi base de datos o quiero saber qué tipo de productos te puedo ofrecer, ahí es donde yo migro al modelo más complejo donde va a razonar y ver qué es lo mejor que te puedo ofrecer. Entonces, Jev, de cierta manera, o este tipo de modelos porque siendo honesto, han salido varios ChatGPT también lanzó el suyo. Nada. Pero básicamente son capaces de tomar esas decisiones y funcionar en esa parte de toma de decisiones más rápida. Un tema importante, y de nuevo los invito a ver la pantalla ahora, hay una ligera distinción más o menos técnica en cómo funciona Jev respecto a los otros LLM. Ya no está, no hay declaración absoluta de cómo se entrenan estos modelos. Pero los LLM básicamente, como hemos visto en varias partes, tienen embeddings y transforman las palabras en tokens. Los tokens tienen su embedding y después de eso se predice la siguiente palabra o el siguiente texto, el siguiente token en inglés, un buen chileno, token. Entonces tenemos todo ese proceso que es bien difícil, largo, tedioso, etcétera. ¿Entonces lo que hace Jev de cierta manera es la manera en que fue entrenado es oye, sabes que? Te va a pasar las opciones y voy a elegir cuál es la que mejor debería ser dentro de este rango que me están pasando. Entonces no tengo que procesar todo el texto completo, digamos. ¿Entonces preguntas que la gente hace, oye, aparte de los transformers GPT está BERT, cierto? Que es otra estructura de transformer. Esto es más parecido a BERT. Hay gente que dice, es más parecido a BERT, más parecido al LLM. A nivel general no es tan así la pregunta, digamos, pusieran ligeramente distinto. Pero de cierta manera, dado que estamos tratando de predecir o trabajar con estadística de la manera como más tipo GPT, podríamos decir que está más tirado a ese lado. Pero de nuevo, hasta que no veamos los paper técnicos no sabemos.

7:57 Conductor: Y se sabe, ¿Hay algún rumor de si los van a publicar o no?

8:01 Ignacio Alarcón: Yo pensaría que cuando China llega a esto, lo va a empezar a publicar. Porque cuando están los modelos razonadores, ChatGPT dijo no, los tokens te los voy a cobrar, los tokens de razonamiento, pero no te voy a decir cuántos son. Y China los empezó a mostrar y dijo, bueno, ya, acá está razonamiento, dale. Entonces en general yo pensaría que sí, porque usualmente no los muestran para que no se los copien. Y se los copiaron en nada.

8:24 Conductor: Claro.

8:24 Ignacio Alarcón: Ya. De hecho me acuerdo haber visto la noticia. Esta persona había subido, dijo oye, Yo traje en OpenAI, digamos, llevo dos años trabajando secretos de este proyecto, es Jev. Y como tres días después yo tengo un Jev propio. Yo también hice un Jev. Yo hice Kimi, el modelo chino y lo transformé en un Yevi OpenAI a la semana y se hicimos nuestro propio. Yo creo que a esta altura ya fue, digamos. Claro, entonces solamente para entender bien cómo los modelos aprenden a hacer esto, porque obviamente están los modelos de IA predictiva, IA generativa y de cierta manera a veces hay confusión o solo siempre lo explicamos las clases, pero en general hay confusión respecto a cómo se entrenan estos modelos. GPT es pre trained model, cierto, Pre train model, el modelo está pre entrenado, pero además se hace un entrenamiento después, que es el típico cuando a nosotros de repente nos aparecen dos opciones, ¿Cuál te gustó más? ¿Cierto, Y es reforzamiento humano básicamente, donde yo voy y le digo al modelo, oye, esta es la respuesta que me gustó más, o yo lo que puedo hacer es pasarle preguntas de las cuales yo sé la respuesta, guardarla digamos, no pasar la respuesta al modelo, que el modelo responda y después que lo compare, ese le puedo pasar como un set de preguntas para que el modelo pueda autoevaluarse, de la misma manera que yo podría pasarle a un alumno una prueba con las respuestas atrás y decirle hazla todo y después cuando termine revisa la pauta, cierto? Total. Entonces como ven en pantalla, los LLM tienen este entrenamiento por reforzamiento con feedback humano, cierto, o a veces se hace con lo que le ponen como Verifiable Rewards o básicamente premios verificados, digamos, pero Jev, TypeSafe, que es la empresa que lo desarrolló, dijo que ellos usaron algo que se llama RLCD que es Reinforcement Learning for Calibrated Decisions o para decisiones calibradas, es decir que el modelo fue entrenado después en base a las respuestas con enfocado específicamente en poder tomar la decisión en base a varias opciones.

10:14 Conductor: Perfecto.

10:14 Ignacio Alarcón: Entonces ¿Qué es lo que ocurre? Esto es algo que se podía hacer antes con otros modelos, pero a los otros modelos, como por ejemplo BERT, tú tenías que entrenarlo para cada decisión, por así decirlo, mientras que estos son modelos más generalistas, entonces oye, está entrenado tal manera que cualquier cosa que tú le pases, el modelo va a ser capaz de asignarle. Claro, clasificarlo de manera rápida. Ahora de nuevo, puede tener un 50% de certeza con un 60% de, pero lo puede hacer ya. Entonces esa es un poco la gracia de cómo ha sido entrenado básicamente. Muchos casos de uso, hay gente que dice, porque hay gente que dice, oye yo he visto algo parecido, yo he hecho algo parecido, las típicas cosas, rumores que salen cuando sale esta tecnología, pero hay personas que dicen oye yo hice esto o yo estaba pensando hacer esto con destilación de modelos más inteligentes, pensando un poco de nuevo en cómo funciona el cerebro humano, cierto, el 2 más 2 4 para mí es obvio o con las tablas de multiplicar, yo creo que el ejemplo más claro para cualquier persona que tuvimos que memorizarnos la mayoría de la tabla del 0 a la tabla del 10, cierto, uno dice la

11:13 Conductor: del 10 más difícil y la del

11:15 Ignacio Alarcón: 0 imposible, pero uno dice 6 por 8 48, esa en algún momento yo tenía que pensarla, tenía que recordarla, era tipo 2 y eventualmente pasó a ser tipo 1 porque ya me la sé de memoria, por prueba, por tanto. Claro, por dónde repetirla, Precio social, presión en la casa y el colegio, ¿Cierto? ¿Qué ocurre? Acá dice lo mismo, dicen oye nosotros tenemos estos modelos LLM que cierta manera funcionan como tipo 2, son más lentos, razón, aprovechemos de tratar de destilarlo de cierta manera, es decir, usemos eso para que le den la respuesta a las probabilidades a modelo tipo 1, que en este caso sería Jev. Entonces Jev es este modelo que toma decisiones y la gente está vuelta loca porque uno es más rápido, dos, es más barato y tres, la gente se dio cuenta que hay muchas utilidades que se benefician de esta velocidad. Entonces vamos a ver un poquito más adelante casos de uso, pero tratando de tirarlo un poco de nuevo a la parte más humana de cómo funcionamos nosotros los humanos. Si tú vas manejando, por ejemplo, a ti te sirve eventualmente pensar y tomar la mejor decisión de cambiarme de carril o es una tarea que es más constante, cierto, Pensando en que el mundo va cambiando y todo, entonces lo que hace el cerebro es oye, en vez de tratar de tomar la mejor decisión y demorarme un minuto, voy a tomar la decisión que yo creo que es la mejor y cada segundo o cada fracción de segundo voy a ir ajustando, voy validando esa decisión en base a cómo va cambiando el entorno. Entonces andar bicicleta, manejar en agua, si chocaste, fallaste. Claro, esa es cuando te dice 99% seguro con 30% de confianza y obviamente el cerebro lo hace para muchas cosas, porque el cerebro es un órgano muy eficiente a nivel de cómo funciona, entonces muchas de las cosas que hemos hecho con inteligencia artificial es como oye, necesitamos ser más eficientes. Pensemos cómo lo hace el humano y tratemos de replicarlo de cierta manera. Y ahí de nuevo es como lo hace el humano. Porque hay muchas cosas que no están tan claras de cómo funcionan. Pero se sabe que hay procesos que

13:12 Conductor: uno dice ya debería ir como por acá.

13:14 Ignacio Alarcón: Claro, exactamente. Entonces el mismo cuerpo, por ejemplo, decisiones como los temas hormonales o los temas de digestión o todo eso, son procesos lentos. Yo prefiero demorarme un minuto porque esperar un minuto no pasa nada. Pero hay otros procesos que tienen que ver con la presión o el tema de, no sé, cualquier cosa que afecte el cerebro, digamos, como de una manera muy inmediata, o el cuerpo de manera muy inmediata. El modelo tiene que estar en ese estado constante de tratar de regular la situación. Mantener con agua el ceteris paribus. Bien, digamos, para los economistas es un chiste. Entonces lo que termina pasando al final es, OK, tenemos este Jev que tiene utilidades en el mundo real, digamos, los animales también tienen como su mecanismo que detecta cosas en fracciones de segundo. Típico ejemplo es detectar por ejemplo, expresiones faciales. Entonces por ejemplo, le ataste la ceja y dices, ah, está estresado, está muy sorprendido por lo que acabo de decir.

14:09 Conductor: Soy buen actor.

14:10 Ignacio Alarcón: Claro. Están los tonos de voz, hay cosas chiquititas que muchas veces uno también de repente dice sesgo, ¿Cierto? Caminando en la calle se acerca una persona como cerca frente a mí, yo me cambio de calle porque tengo miedo. Él está feliz porque él también pensaba que lo mismo, digamos, entonces está feliz que yo me cambié. ¿Y ahí todas esas cosas son fracción de segundos de decisiones que uno toma porque en realidad no vale la pena andar procesando, oye, a ver, pero veamos dónde estoy, qué hora es, cuál es la probabilidad de que esto pase? ¿Cierto? Porque en ese rato ya fue. Claro, ya pasaron, entonces ya no sirve. Entonces lo que termina pasando es, tenemos estos modelos que tienen una utilidad mayor a lo que quizás la gente pensaba, porque antes estaba siendo suplido, digámoslo, por estos modelos más baratos, pero la velocidad está llegando a tal punto que libera nuevos casos de uso, por ejemplo. Y estos son, voy a dar un par de ejemplos que vieron ellos mismos, digamos, en página web o cosas que no tienen tanta utilidad más allá de que de nuevo Jev fusiona con texto. Entonces lo que ha hecho mucha gente es, le pasa Jev a Claude, digamos, se conecta para poder usarlo y hace que Claude genere una plataforma donde Jev va a funcionar con texto. Entonces lo que hace la gente por ejemplo es oye el juego Doom, el juego Doom antiguo de un monito que se mueve y va disparando. Tiene la gracia de que obviamente como la persona está en un solo lugar, lo único que necesita saber es qué está pasando en la pantalla. Entonces lo que hace es que genera un sistema, un modelo de visión que le va diciendo que lo que va pasando cada fracción de segundo y el modelo toma decisiones de si girar, moverse, disparar, echarse para atrás, etc. En base a eso. Entonces otro ejemplo típico, muestran de repente autos, ¿Cierto? Y les van poniendo obstáculos y el auto tiene que tomar la decisión de si mantenerse en la pista, moverse a la pista distinta. También hay uno que juega Tetris, el modelo y todo esto. Como el modelo no ve, realmente este modelo no ve, son modelos de visión que complementan este flujo, como que toma

15:59 Conductor: la imagen o el screenshot, lo traduce a Tetris, se lo manda Jev tal

16:04 Ignacio Alarcón: cual con la información, está entrenado para entregarme. ¿Entonces una pregunta que podría hacer es como ya, pero de qué me sirve un modelo que funciona con fracciones de segundo cuando el modelo de visión se demora un minuto, por ejemplo? Entonces modelos como YOLO pueden llegar a tomar también fracciones de segundo en pasar la información. Entonces también podemos generar como un sistema donde obviamente no es tan rápido como solamente Jev, pero tampoco es tan lento como para que me quite esos casos de uso. Entonces es el primer tema. Entonces lo que, la gracia digamos de esto de nuevo es cuál es la capacidad que yo tengo como empresa, ya pensando en casos más reales para poder ejecutar estas decisiones en ese tiempo. Entonces voy a dar un ejemplo. Nosotros en algún momento estuvimos hablando con una empresa que fiano fue digamos, pero era una empresa que entrega medicamentos y que tiene que distribuirlos a lo largo del país, ¿Cierto? Entonces ¿Qué le ocurre? Ellos dicen, oye, yo tengo una persona que es el CPFR, que es la persona encargada de decir cuánto producto, cuánto de cuánto producto hay que mandar, a cuáles tiendas, cuánto. Ya ese es un trabajo básicamente tipo 2, porque es una persona que se demora dos o tres semanas en hacer el cálculo completo para poder decirle a los camiones, oye, hay que mandar todas estas cosas a todo este lado y todo el mundo tiene que empezar a moverse para que se distribuya por todo el país.

17:17 Conductor: Supongo que eso para el mes completo, no para el día siguiente.

17:22 Ignacio Alarcón: Claro. Y eso se hace para el mes completo. Entonces, ¿Qué es lo que ocurre? Nosotros podemos tener un sistema que todos los días me diga cuánto tengo que mandar y va a ser súper fácil, ¿Cierto? Oye, vendí tres, manda tres, vendí dos, manda dos, o resulta que vendiste tres, después cuatro, después cinco, mandemos siete, ocho, nueve, digamos, esas decisiones se pueden tomar semanal, diario, en este caso, por segundo. Yo como empresa tengo la capacidad de mandar todos los días camiones a todas las tiendas, ¿No?

17:48 Conductor: A menos que tengáis un ejército de ciclista, porque mandar un producto en un camión de tres cuartos ya gastarte mucho dinero solamente en el transporte.

17:57 Ignacio Alarcón: Claro. Entonces la mayoría de las empresas no tienen ni siquiera la capacidad técnica y las que lo tienen, no tienen la capacidad, digamos, de costo porque no lo vale. Cierto. Entonces van a haber decisiones donde eso no vale la pena en absoluto. Entonces ese es como el primer tema de cómo funciona esto. Entonces vamos a ir a la pantalla un segundo. Lo que pueden ver acá es básicamente cómo funcionaría esto con, o Jev, con un modelo de imágenes. Tenemos una cámara, una cámara fotográfica o una cámara que está grabando video. Después tenemos un modelo de visión que interpreta eso. Si es una imagen, la imagen, si es un vídeo, usará un algoritmo para determinar cuántas imágenes tiene que sacar del video. Cierto. Y después el modelo va a ser capaz de entregar la información de lo que está encontrando. Cierto. El modelo está entrenado para encontrar, no sé, nosotros tuvimos un capítulo, si lo quieren ir a ver, donde hablamos con el proyecto, donde determinaba básicamente la cantidad de madera que se estaba perdiendo cuando estaban cortando árboles.

18:47 Conductor: Claro.

18:48 Ignacio Alarcón: Cierto. Entonces son modelos que se entrenan para que pueda identificar esos números. Hay modelos que determinan si, no sé, un auto está rayado, si se le rompió una pieza, está torcido, la pintura está más oscura, más clara, rota, cualquier cosa. Cierto. Y después esa información se le entrega al modelo Jev y Jev eventualmente puede tomar la decisión de qué es lo que hay que hacer o qué es lo que tiene que calcular. Cierto. Entonces Jev en este caso podría aprobar y decir que está todo OK, rechazar, decir que está todo mal, o decir, ¿Sabes qué? Necesito revisión humana porque o bien mi nivel de confianza o la probabilidad que estoy asignando no es suficientemente alta.

19:22 Conductor: Ah, claro, porque uno le podría colocar un tres columnas.

19:25 Ignacio Alarcón: Un umbral.

19:26 Conductor: Un umbral, exactamente.

19:27 Ignacio Alarcón: Entonces yo le puedo colocar un umbral al modelo y de cierta manera, de nuevo, cuando hablamos de automatización, esa es parte importante del comportamiento agéntico, ¿Cierto? Yo necesito que esto haga algo, después no me sirve simplemente clasifique, sino que después esto lo tome algo, ¿Cierto? Y lo trabaje. Entonces cuando estamos trabajando con Jev, estos controles, por ejemplo, si yo estoy viendo un camión de minería, probablemente no necesito esa velocidad, ¿Cierto? Es irrelevante si yo estoy viendo estas huinchas de producción donde están pasando millones de cosas. Y de hecho, vamos a pantalla un segundo, como estaba viendo en pantalla, OpenAI, está el modelo OpenAI de Decision Making de la API, digamos que es básicamente el Jev de OpenAI, pero en este ejemplo podemos ver cómo el modelo está evaluando los huevos a ver si están limpios, si están sucios, están rotos o no verificados. En este caso no verificado son todos los huevos que aparecen incompletos, básicamente, o la mayoría deberían ser así. Pero pueden ver que en este caso la velocidad sí es importante. Claro, esto es algo que una persona humana se va a demorar un poco en hacerlo o se va a demorar un poco más en hacerlo respecto a lo que se pone en una máquina. Entonces acá yo sí le puedo sacar provecho porque yo sí puedo accionar en base a lo que estoy encontrando.

20:32 Conductor: Exactamente. Aquí, bueno, los huevos están pasando por una cinta transportadora, y claro, si esto lo fuese viendo una persona, probablemente la cinta tendría que ser más lenta o incluso llegar a detenerse para tomar uno, darlo vuelta, revisarlo y dejarlo seguir en una s. Incluso en una revisión humana tendría que tener varios humanos con no una cantidad grande de filas de huevos, sino que tendrían como tres o cuatro, no sé. Y en este momento, claro, la cinta pasa bastante rápido y la clasificación lo va haciendo por cada uno de ellos también a velocidad impresionante.

21:08 Ignacio Alarcón: Y la gracia de esto también, porque son comentarios que salen, digamos que la gente dice, oye, ¿No sería más eficiente, o igual está siendo ineficiente porque está revisando las imágenes concentrantes? Pero en realidad el modelo acá lo que está haciendo es, en el momento en que le asigna a un huevo una categoría, esa categoría queda, digamos, en especial la categoría limpio. Entonces lo que hace el modelo es cuando la certeza suficiente, ese mueble no se vuelve a tocar cuando saco la foto, eso ya está clasificado y olvido. Entonces estoy siendo incluso más eficiente a la hora de poder trabajar con este tipo de cosas. Nosotros vamos acá a la página web de Jev, ¿Cierto? Acá pueden ver como el modelo está jugando Doom, básicamente ahí por muerto juego y típica prueba de inteligencia artificial, porque a esta altura, siendo honestos, y voy a. Voy a delatar a Seba, digamos, porque hacen esas pruebas de vamos a hacer un peligro andando en bicicleta, la gen lo hizo, se sorprende y uno dice ¿Qué utilidad puede tenerse en la vida real? Pero acá está jugando Doom y básicamente lo que está haciendo el modelo es toma la decisión de qué botón es apretar en base a la información que se le está pasando, de lo que está pasando. Y en este caso el modelo es capaz de accionar dentro de los milisegundos. Entonces básicamente puede tomar las decisiones y puede jugar, entre comillas, este juego. Entonces, como les decía, esto es interesante porque el cuerpo humano cuando juega deporte, hace algo, básicamente, algo más o menos parecido. Se va calibrando constantemente en base a cómo va cambiando el entorno, en especial entornos que son constantemente cambiantes. Volviendo un poco a la presentación y respecto a cómo funcionaría a nivel de ejemplos, digamos, nosotros tenemos varios casos de uso en la vida real donde ya se están usando modelos parecidos para tratar de suplir esto a una escala más chica. Entonces, en esos casos, esto te permite escalarlo a una escala mayor, más rápido o más barato. Entonces, por ejemplo, y pensemos un poco en porque yo creo que de repente la gente se pierde, ¿Cuál es la utilidad que tiene esto de pensar más rápido? Entonces pensemos siempre que hay tres niveles de beneficios que existen cuando estoy trabajando con esto.

23:07 Locutor: ¿Y si pudieras tener un asistente de IA que responde tus mensajes de WhatsApp, genera reportes automáticos y trabaja por ti mientras duermes? OpenClaw es un asistente de inteligencia artificial que te permite conectarte con WhatsApp, Gmail, Notion y muchas otras apps, de modo que te ayuda a buscar información, trabajar con archivos y automatizar tareas. El problema es que configurarlo desde cero puede ser un proceso técnico lento que frena a muchos antes de querer empezar. Hasta ahora, con Hostinger y sus apps administradas, lo tienes funcionando en minutos. Solo eliges la opción de IA, OpenClaw o Hermes y tu canal de comunicación y Hostinger se encarga del resto. Hostinger gestiona toda la infraestructura, aplica actualizaciones de seguridad automáticamente y mantiene tu asistente siempre en la última versión estable. Tus agentes funcionarán 24 7 sin que tengas que hacer mantenimiento. Tu asistente corre en un entorno aislado y seguro. Puedes conectarlo a modelos como GPT, Gemini o Claude. Y como bonus, el plan también incluye acceso a Hermes Agent, otro asistente de IA incluido en tu misma suscripción. Si quieres tu propio asistente de IA corriendo en minutos, escanea el QR que está en pantalla y obtendrás un 10% de descuento en tu plan utilizando el cupón EVO antes de finalizar tu compra. El link y el código lo encontrarás abajo en la descripción de este episodio.

24:30 Ignacio Alarcón: ¿El primero lo hace mucho más rápido, cierto? Entonces si yo quiero algo que se haga rápido, voy a usar un modelo como este. Claro, lo segundo es que me entrega probabilidades, a diferencia de un modelo LLM que me decir esta es la respuesta y no me va a decir creo, me parece, me va a decir esta es la respuesta, punto. Lo que va a pasar con este modelo es que va a decir oye, esta respuesta pero con 95% entonces me da un nivel de confianza a mí de OK, si estoy dispuesto a jugar con ese 5%, démosle. Claro. Y la última parte, que la más importante es exactamente eso. ¿Cuál es el nivel de riesgo con el que yo voy a trabajar? ¿Por ejemplo, si yo voy a usar un modelo que va a clasificar, por dar un ejemplo, cuántos comentarios me llegan a mí y que podrían potencialmente pasar a juicio por demanda porque son negativos, cierto? A mí me sirve un modelo que los clasifique bien, 50% de las veces va a inventar. Claro, si tú igual vas a revisar todo, si lo único que vas a hacer es darle prioridad a esos. Es mejor que nada digamos.

25:27 Conductor: Exactamente. Por último te ordena el trabajo.

25:29 Ignacio Alarcón: Exactamente igual, voy a llegar a los otros, entonces por último me está ayudando. Si es que yo solo voy a revisar o pasarle a un humano los que tienen ese nivel y los otros estoy pasando a otro lado ya más complicado, porque ahí sí estoy corriendo el riesgo de que no llegue el modelo correcto, no llegue a la edición correcta o básicamente pierda algo.

25:46 Conductor: Además no se te pueden filtrar ahí los System Pro.

25:49 Ignacio Alarcón: Claro, ser que vi la noticia de la última semana, pero también básicamente pasa lo mismo con todas las cosas. Digamos de nuevo, si yo voy a leer correos y quiero clasificar cuáles son los más importantes y los voy a leer todos, da lo mismo. Yo conozco gente que no lee todos, clasifica y elige solamente esos. Si yo voy a elegir qué currículums voy a darle prioridad o estoy contratando a alguien, ya pasa exactamente lo mismo. Si yo voy a revisarlos todos igual de una u otra manera, da lo mismo, o quizás si estoy descartando los peores, bueno, lo podemos hacer. Si estoy tratando de elegir los mejores, si necesito un nivel razonable más allá de todo el tema legal de poder elegir currículum. De hecho el ejemplo más común ahí es, oye quiero hacer revisiones rápidas, necesito que el documento venga con todas las cosas que necesita tener.

26:30 Conductor: Exacto, ahí no hay ninguna discriminación de la persona, sino que existen los campos que yo necesito para tomar la decisión.

26:36 Ignacio Alarcón: Entonces si algo no está, simplemente se descarta. No me acuerdo ahora el nombre de la empresa, pero nosotros tuvimos el caso de la Hackatón que fue en Chile, era una empresa que lo que hacía dentro de todas las cosas que hablamos era usarlo para clasificar que todos los archivos tengan todo lo que tienen que tener los documentos legales. Entonces son revisiones que uno en teoría debería hacer y que hace rápido, pero que de repente no tiene que ser mucho oye, no sé, la gente llenó, ¿Cómo se llaman estos? ¿Los tickets? Los Jira o Jira, Entonces oye, puso cuál era el problema, puso el requerimiento, le puso la fecha y antes tenía que estar un humano leyendo diciendo te faltó esto, se va de vuelta, te faltó esto, va de vuelta. Ahora mucho más fácil ahora ese tipo de cosas es como oye déjasela Jev, Jev va a revisar esta cuestión y decir oye faltó esto, faltó esto, faltó esto.

27:19 Conductor: Claro, algunos podrían decir ya, pero es que no me está dando el 100%, la persona que te estaba revisando tampoco te da el 100%, igual se va a equivocar. Entonces con que sea igual que el humano más rápido ganaste tiempo y si igual de lento que el humano, que no lo es por la tecnología, pero te da mayor confianza, igual estás ganando algo.

27:38 Ignacio Alarcón: Sí, en especial en los casos donde yo le puedo decir oye cuando está bajo este nivel de confianza este umbral pasa lo humano.

27:44 Conductor: Claro.

27:44 Ignacio Alarcón: Cierto. Entonces al final lo que termina pasando es, bueno, igual lo va a tener una reacción humana. Entonces, obviamente hay situaciones en las que no vale la pena. En especial porque hemos visto, me ha pasado mucho últimamente, muchas empresas que hacen proyectos grandes donde automatizan todo y es como si hubiese automatizado solamente el 90% y este 10% lo hace un humano. Le quitas todo el riesgo que tenía la parte de ella. Le quitas todo el problema. Toda la gente quiere no, es que esto aprieto un botón y funciona solo, y si no funciona solo no me sirve.

28:13 Conductor: Claro.

28:14 Ignacio Alarcón: Entonces no pasa porque hacemos clase. Yo siempre doy el ejemplo de Cristóbal, digamos, mi amigo que trabaja en una empresa de Estados Unidos donde dedique programar, que él me decía que cuando tuvo que migrar código de un lenguaje a otro, él dijo, está usted matado, al meses tengo que aprender este lenguaje y hacer todas las pruebas correspondientes. Entonces lo que hizo fue la IA le hizo la migración, que eso se demoró un minuto, una hora, que nada se demoró. Y después él se demoró semanas en poder hacer la validación de que todo estuviera correcto.

28:38 Conductor: Claro.

28:38 Ignacio Alarcón: Entonces, ¿Qué le ocurre? La gente dice, oye, pero yo le pedí, me lo hizo en un segundo y no puedo estar seguro que está bueno. ¿Es como sí dedícate dos semanas en vez de tres meses a pensar que esté bueno, cuál es el problema? Pero a la gente le cuesta ese tema de oye, pero es que si yo no estoy seguro que está bueno, que me sirve. Es como, revísalo. Claro, menos tiempo. Exactamente. Entonces es un poco el objetivo de esto. Entonces, ¿Qué otras cosas se pueden hacer que yo he visto que son bien interesantes, se pueden usar para evaluar, para apoyar humanos? Yo vi un caso súper interesante de una persona que lo que hizo fue una plataforma con Claude, lamentablemente no me acuerdo el nombre de la persona, así que pido disculpas, pero alguien en Estados Unidos había mostrado este ejemplo. Básicamente usaba a Jev para evaluar los prompts que le da la inteligencia artificial. Y básicamente él ponía toda la información que debería tener el modelo. Entonces básicamente yo le hago un prompt, por ejemplo, oye, no sé, pongo una imagen de un perrito, hagámoslo con imágenes porque es más fácil verlo. Cierto. Y lo que hacía el modelo era como, oye, pusiste el objeto, pero no pusiste, no sé, el tipo de lente, el color, bla, bla. Entonces tiene varios cambios, campos que el modelo tiene que evaluar y te da un numerito. Entonces te decía, oye, tu prompt es 28% bueno de 100 porque te faltaron al menos estas cosas.

29:48 Conductor: Claro.

29:49 Ignacio Alarcón: Entonces la persona lo que quería hacer era usarlo para que uno pudiera desarrollar la costumbre cuando está haciendo prompts porque esto era para él, no era un proyecto digamos la costumbre para yo poder eventualmente hacer mejores prompts o acordarme, oye, esta respuesta debe tener esto ya eso se puede usar para correos, oye te faltó poner gracias, te faltó poner esto se puede hacer para papers, te faltó poner referencias, te faltó poner. Se usa para millones de cosas. Entonces yo no veo muy lejos un mundo donde yo pueda armar un reporte para mi jefe, digamos y que el modelo me diga, oye, por si acaso no pusiste las conclusiones finales, no hablaste de esta tienda, no hablaste este cliente y poner como esas cosas para que te diga, oye, por si acaso te

30:29 Conductor: faltaron al final un checklist que te ayuda para la revisión misma. Claro, es decir, ya tienes un asistente que te ayuda en el trabajo, después te ayuda también en la misma revisión y. Y uno va apuntando justamente ahí a lo que. A lo que te duela más.

30:44 Ignacio Alarcón: Claro. Al final ese es un poco el objetivo de Jev en sí mismo es aprovechemos la velocidad que tiene para poder sacarle el jugo, lo que sea. Entonces lo interesante de Jev en sí mismo es que mucha gente cuando salió se preguntaba ¿Y esto para qué me sirve? Pero el hecho de que haya salido tantos Jev demuestra que hay casos de uso real, la gente está interesada y la gente está impresionada por esto porque en realidad le ve una utilidad. ¿Cierto? De hecho puntualmente yo siempre he dicho que OpenAI en general se preocupa de lo que sirve para las empresas. Yo siempre He encontrado que OpenAI cuando dijo, oye, vídeo, no me voy a meter en vídeo porque en realidad no aporta a mi core de lo que yo quiero. Lo que termina pasando es que OpenAI sacó una versión un par de semanas después. Entonces bueno, probablemente esto tiene una utilidad de negocio real y de hecho, como habíamos dicho antes, el modelo OpenAI sí puede ver imágenes, entonces puedo trabajar con algo un poquito más. Más robusto. Entonces si ustedes van a la pantalla ahora hay algo que ya existía hace tiempo, lo tengo por acá que es el Teachable Machine.

31:45 Conductor: Ah sí, muy bueno.

31:47 Ignacio Alarcón: Teachable Machine era un sistema, digamos, no sé cómo decirlo, pero es una herramienta de Google donde básicamente yo puedo entrenar modelos para que me puedan básicamente decir si algo es o no es básicamente alguna cosa. Lo que yo había visto era el típico de oye, esto es una carta o esto es, no sé, otra carta, esto es blanco, es negro muffin o

32:08 Conductor: un

32:11 Ignacio Alarcón: croissant o un perrito, cierto, es un muffin o un perrito, es un pollo frito o es un pul café, cierto, Las típicas cosas que uno necesita ayuda de la inteligencia artificial por supuesto y ahí pueden ver en la pantalla, digamos, como el modelo va viendo las imágenes y en base a lo que va escuchando o lo que va viendo, porque también tiene modelo de audio o en base a la pose que yo estoy haciendo, que son como los tres modos que te entrega, es capaz de darte una probabilidad de que algo sea una u otra cosa. Entonces estos modelos no son nuevos, esto existe hace años ya varios años pre ia años, Cierto, o sea pregunta generativa pre entonces es básicamente la misma idea pero llevada a un concepto un poco más amplio.

32:54 Conductor: Claro.

32:55 Ignacio Alarcón: ¿Entonces qué es lo que yo quiero que nos llevemos de esto, digamos y pensando en ejemplos, otros ejemplos típicos, oye, tengo que evaluar comentarios que me llegan, cierto? Oye los comentarios que me llegan, ¿Cuántos comentarios me llegan? Comentarios de YouTube, lo que sea, puede ser como nosotros, millones, millones nos llegan todo el rato. Entonces lo que termina pasando es, OK, van a situaciones al respecto que me sirven para arreglar también mi problema, digamos en la casa. Entonces yo creo y quiero dejarle una pregunta al público, así que pregunta para ustedes ya, si ustedes tuvieran que elegir solamente tener un modelo para su vida, digamos, entre el modelo más rápido y el modelo más complejo que es más lento, se muera minutos de repente, que se yo, ¿Cuál creen ustedes que le podrían sacar más valor o cuál ustedes les ayudaría más en el día a día, digamos, ya estamos hablando de clasificar cosas como por ejemplo, le hablo, no le hablo a esta persona, le contesto, no le contesto? Entonces yo estoy pensando cosas como por ejemplo, me encantaría un Jev entre comillas, que cuando ve el que el correo spam le corte, no me moleste automáticamente en fracción de segundo, fracción de segundo que le corte, cosas de ese estilo, lo puedo bloquear, pero para qué, o yo soy más una persona que oye, yo le hago las preguntas importantes a la vida y yo Estoy a las 3 de la mañana en Wikipedia aprendiendo sobre la guerra Lemú, digamos, entonces me interesa tener un modelo con el cual yo puedo discutir, razonar y todo, o en realidad quiero un modelo que oye, toma las decisiones por mí, hoy día vamos a comer esto, hoy día vamos a ir en metro en vez de micro, hoy día vamos a.

34:20 Conductor: Claro, yo me quedo con, Yo me quedo con las cosas importantes y el modelo que ya decía, si me pongo

34:24 Ignacio Alarcón: un jeans, claro, lo ha tenido hoy día que el modelo lo haga, ¿Cierto? Entonces les dejo ahí la pregunta, ¿Cuál prefieren ustedes dentro del modelo más complejo que es para ese tipo de cosas, digamos, para ayudarme a desarrollar cosas más complejas o el modelo que en realidad me descarta todo lo que es básico para que yo pueda enfocarme yo personalmente en esto? Entonces ya habiendo visto muchas cosas respecto a lo que tiene que ver con, OK, puedes clasificar, clasificar, clasificar, clasificar, clasifico ediciones, procesos, etc. Existen otro nivel de utilidades que tiene que ver con ir a buscar cosas afuera y trabajar con eso. Jev en sí mismo es cierto, es una herramienta que lo que te permite es clasificar, pero igual que con la inteligencia artificial y los agentes, cuando yo mezclo estos flujos de automatización puede ser maravillas magic, puede ser magia. Entonces, ¿Qué es lo que ocurre? Hay gente que usa estos modelos de decisiones para, por ejemplo, procesar texto o procesar videos completos. La persona que mostraba ahí el podcast del director decidió, cierto, Toma el podcast completo y usa Jev para determinar qué momentos son más o menos relevantes de lo que se está hablando. Entonces Jev toma las decisiones en base a si son oraciones muy comunes o cosas más complejas, puede ser el tono de voz, puede ser la expresión de las personas cuando están hablando y ahí en base a eso hace una línea de tiempo que va marcando en rojo mientras más como hot, el momento más interesante y cuando la conversión es más calmada, cuando en realidad es muchos artículos, muchas proposiciones, cosas inútiles, ¿Cierto? Claro, menos verbo, menos acción, lo deja en azul. Entonces eso permite, por ejemplo, elegir qué momento es bueno para hacer un short, o lo que hacía esta persona era como no me quiero ver las dos horas y media de capítulo de CEO, así que vamos a ver estos momentos y ver si es que es relevante o no. Otra cosa que había visto gente hacer es oye, vamos a mandar a la IA a buscar puestos de trabajo, digamos, y vamos a usar a Jev para que defina cuáles son los mejores. Para mí lo que hace el modelo es trae toda esta información y el modelo clasifica, postula este signo, sino de no con 80, 60, 90 por ciento con un porcentaje.

36:27 Conductor: Claro.

36:27 Ignacio Alarcón: Entonces lo que termina siendo arma como una grilla de puros cuadraditos que son más azul oscuro mientras más probable o más ad hoc es el para el cargo.

36:35 Conductor: Un mapa de calor.

36:36 Ignacio Alarcón: Exactamente, un mapa de calor y después menos. Y después se los ordena y después él puede ir eligiendo básicamente. Oye, voy a postular a esto, por eso es lo que tengo más probabilidades. Entonces no solamente, oye, yo en mi empresa puedo hacer esto para mis cosas, para mis procesos también son procesos nuevos que uno puede hacer, que de nuevo, antes era como, oye, lo voy a hacer la IA. Sí, pero se demora. Claro, pasa mucho, digamos. Yo el otro día quería hacer un archivo, le pedí a ChatGPT, oye, necesito hacer un contrato tipo solamente por un ejemplo para un curso. Y se demoró demasiado tiempo, minutos. Yo estaba ahí, estaba esperando y dije la clase empieza en 10 minutos. En 10 minutos no terminó. Dices, como, no sé qué pasó ahí.

37:15 Conductor: ¿Qué fue lo complejo que le pediste?

37:17 Ignacio Alarcón: No, no sé. Yo creo que es el modelo. Era el modelo Terra Astra. No, no, pero era Terra. Pero después le pedí al chat y el chat lo hizo perfecto. El chat. El modelo Chaya. De chat. De chat lo hizo perfecto. Entonces uno no sabe, pero finalmente hay cosas donde en realidad yo le puedo agregar este Jev para que pueda tomar decisiones más rápido y eso va a permitir que el flujo funcione mejor. No solamente que funcione más rápido y que funcione más eficiente en costo, sino que literalmente mejor resultado. Ahora vamos un segundo la presentación. Acá tengo una imagen de cómo se vería por ejemplo, un flujo útil que podría hacerse en fábricas. Yo tengo una cámara de seguridad. La cámara de seguridad va a tener un modelo, por ejemplo YOLO o ChatGPT, puede usar un modelo ChatGPT que va a estar corriendo y revisando cosas importantes. Que no haya personas en la zona en las que no pueden haber personas, que las personas estén usando la chaqueta y las personas esté usando el casco. Un modelo, yo lo entrenado para esto, puede tomar de nuevo fracciones de segundos, cincuenta, cien milisegundos en procesar esta información y pasársela Jev. Si. Voy a hacer revisiones en tiempo real para poder determinar cuándo se están incumpliendo estas normas que nosotros tenemos. Y obviamente esto escala millones de cosas y como les decía, el objetivo final es que pase algo, no simplemente como

38:30 Conductor: ejecutar una acción, una corrección, lo que sea, pero tomar cartas en el asunto.

38:37 Ignacio Alarcón: Claro. Entonces ahí lo que podemos hacer es decir, oye, registremos solamente el evento si es que por ejemplo, no está usando el chaleco, porque en realidad no es tan grave, por dar un ejemplo, pero si no está usando el casco, vamos a tener.

38:48 Conductor: Es contranormativa, entonces me van a pasar una multa por eso.

38:52 Ignacio Alarcón: Tal cual. ¿Entonces ahí qué vamos a hacer? ¿Le alertamos a un supervisor o detenemos la operación completamente? Alarma, alertas, todo. Exactamente. Tal cual. Ya todo se tiene todo para. Entonces son cosas que se pueden hacer con Jev, ¿Cierto? Como les decía también, atención al cliente. Ya podemos tener, oye, Jev recibe texto, el audio se transforma texto, la captura de fotos, pantallas, historiales, toda la información, Jev procesa todo eso y eventualmente me entrega qué es lo que tiene que hacer. Entonces las típicas cosas que hemos visto de clasificación es como OK, me están llegando reclamos, ¿Cuál es la probabilidad de que este reclamo caiga en una categoría? Que hoy día, por ejemplo, y se dar cuenta ustedes es que han llamado a servicio cliente de cualquier empresa de telecomunicaciones, ¿Cierto? Que te dicen aprieta uno, dos para esto, tres para esto, pero además entre medio dicen, oye, por si acaso, si quieres ver tu cuenta, anda a la página web, no tienes por qué esperar, bla, bla. Ahora, lo que se puede hacer, o por la razón por la que se hacía eso es porque la parte de clasificación era más difícil y más lenta. Yo quiero clasificar bien, tengo que demorarme y eso es más molesto, a pesar de que uno está acostumbrado a esperar con la musiquita 20 minutos. Pero con Jev lo que tú puedes hacer es, oye, la persona está haciendo un reclamo, ¿Cuál es la probabilidad que este reclamo sea, o que este comentario sea que alguien quiere comprar en base a las palabras que usó, quiere devolver un producto, quiere tener un problema, servicio técnico? Esto se puede hacer básicamente instantáneo y derivarlo automáticamente al que tiene que llegar.

40:10 Conductor: Claro.

40:11 Ignacio Alarcón: Entonces el flujo se hace más eficiente se hace más cómodo, se hace más valioso de cierta manera, más barato, más rápido, la gente va a estar más feliz, entonces puede hacer este tipo de cosas con Jev también para poder acelerar ese ese trabajo. Entonces, ¿Qué otras cosas podemos hacer? Gestión de seguros. Nosotros hemos visto en alguna de las clases, o sea, algunos de los capítulos que hemos tenido que esta altura, yo creo que fue hace años atrás, pero una de las empresas de seguros en Estados Unidos para el tema de los tornados, sacaba fotos con drones y usaba modelos de visión para determinar cuál es el nivel de daño de las casas que ellos están asegurando y básicamente cuánto van a tener que pagar y cuánto

40:48 Conductor: les va a llegar, cuánto voy a

40:50 Ignacio Alarcón: llorar exactamente este mes van a llegar cuánto, cuántos van a llegar. Entonces, ¿Qué ocurre? Si es una empresa de seguros, si alguien me va a llegar a reclamar, oye, tú sabes que la empresa de seguros son buenas para ponerte problemas, yo te voy a pagar siempre y cuando cumplas con todas estas cosas. Entonces ideal tener un sistema que cuando la persona reclame, hoy te faltó esto, hoy te faltó esto, hoy te faltó esto. Ideal para la persona, no para uno, para la empresa seguro esto es lo peor, la empresa seguro ojalá hacerlo lo más lento y tedioso posible hasta que la persona se aburra. Pero pensándolo como oye, asumamos que las empresas pueden hacer bien el servicio cliente. Claro, ya esto no estoy pensando en ninguna empresa segura en particular, por si acaso no vengan.

41:24 Conductor: No, esto es sesgo de las redes.

41:26 Ignacio Alarcón: Exactamente. El concepto en base a lo que hemos visto y después eso puede pasar a revisión humana o asignárselo a la persona que le corresponde. Oye, esto va a pasar, está OK, va a pasar una persona que lo va a revisar, esto está OK, va a pasar a una persona que tiene que ir al lugar o a revisar el auto, la casa o lo que sea, o esto va a quedar registrado para revisarlo después, porque en realidad son parte de antecedentes y falta alguna otra cosa o lo que tú entregaste en realidad es la parte inicial y te está registrando con nosotros, ¿Cierto?

41:50 Conductor: Claro.

41:51 Ignacio Alarcón: Entonces también está por ejemplo, el ejemplo de logística y operaciones. Entonces, ¿Qué es lo que podría ser un modelo acá puede revisar, oye, estamos viendo los estantes, falta este producto, si tengo mis estantes ordenados, el modelo puede saber qué producto falta en base a dónde está este espacio en blanco? ¿Claro, ya leer etiquetas más rápido cierto? Leer etiquetas, escanear y ver básicamente lo tiene que hacer ver si los paquetes vinieron dañados. Entonces ahora de nuevo, esto es algo que antes se podía hacer pero el costo era demasiado grande para el poco beneficio que me trae. Si, tener un modelo extremadamente barato que estamos hablando entre 30 y 200 veces más barato, 200 veces más barato lo vuelve cualquier cosa, 200 veces más barato es probablemente funciona, o sea incluso piensa en un jet o en un yate ya que cuestan no sé, 200 millones, mil millones, 200 veces más barato, 5 millones, igual menos de un auto, entonces 200 veces más barato para cualquier cosa es probablemente se vuelve desde completamente imposible en toda mi vida hasta igual a peso. ¿Entonces claro, leer oye ahora yo puedo tener este flujo completo en mi cadena para ver en qué momento es el daño porque actualmente todo lo tiene súper limitado al comienzo y al final y si pasa algo entre medio no tienes cómo verlo cierto? Estos modelos aparte son súper livianos, tú podrías correr, no quiero decir de manera local en el sentido de que con un device chiquitito que yo veo con un celular, pero en teoría estamos básicamente, o sea este computador corre estas cosas digamos de nuevo es un buen computador pero no es el gran computador y honestamente a estas alturas los iPhone tienen más todo que esto. Entonces tú voy a decir bueno, puedo hacer un iPhone que haga estas cosas entonces no solamente es un tema de lo corre más fácil, sino lo puedo correr local que lo hace más barato todavía y adicionalmente lo puedo correr en dispositivos chiquititos que me permite estar más lugares, yo no necesito ahora un servidor arriba, un edificio para que pueda ver cuánta gente pasa, ahora puedo poner una cosa chiquitita que le vea.

43:45 Conductor: Claro y estaríamos mezclando con tecnología de IoT y he donde ya nos estábamos metiendo casi en robótica, mediciones, campos, etc. Entonces amplía mucho las posibilidades de uso en varias industrias.

44:03 Ignacio Alarcón: ¿Y lo importante de eso y quiero como para ir cerrando un poco el capítulo, cierto, Está la parte de OK, qué tipo de modelo yo quiero usar para qué situación? Yo tengo Jev, que es este motor de decisiones, tengo los LLM que son modelos de lenguaje, tengo modelos de visión y después tengo estos asistentes que el asistente es capaz de envolver todo. Te he puesto un capítulo de arneses donde hablamos un poco más del tema, pero básicamente yo puedo usar modelos de lengua, perdón, modelos de visión para poder identificar, clasificar, ubicar, localizar y básicamente detectar lo que está pasando en el mundo. Puedo usar modelos de lenguaje que van a ayudar a resumir, explicar, redactar, planificar, ¿Cierto? Razonar cosas. Y después tengo Jev, que lo que va a permitir principalmente es clasificar, evaluar, priorizar de manera más simple, por así decirlo, ya de manera más rápida. Entonces, cuando yo mezclo estas tres cosas, es difícil encontrar algo que no pueda ser, entre comillas, bien que un humano puede hacer. Hago esa distinción porque no, de repente hay gente que dice, oye, ¿Qué usaría para que saque una foto y me diga cuántos pescados hay en esta caja? Imposible. Puede ser un estimado en base al volumen, pero si un humano no puede hacerlo con esa foto, un rod no lo puede hacer con esa foto. Esa es básicamente la lógica general de este tipo de cosas. Pero claro, Jev libera todo un mundo de posibilidades que antes estaban siendo restringidas por el costo y la velocidad.

45:24 Conductor: Claro, porque si comparamos a Jev con tecnología, entre comillas, anterior, que sigue estando igual de vigente, que serían los típicos de segmentación, porque eso también clasifica. Es verdad, la diferencia de Jev es principalmente porque está pre entrenado, es decir, no tengo que hacer un trabajo adicional para poder ocuparlo, a diferencia del otro que sí voy a tener que ocupar mi información para generar mi propio modelo y en eso ya voy a gastar harta luca y harto dinero y tiempo.

45:57 Ignacio Alarcón: Sí, de hecho te voy a dar otro ejemplo que yo encuentro que es bien interesante. Digamos que yo tengo una página web y yo puedo monitorear básicamente el que la gente está entrando y todo. Entonces, oye, digamos que una persona está comprando una casa, he visto que ha entrado varias veces a esta casa a revisarla, o pensemos quizás un computador un poco menos caro, pero computador igual es caro. La gente no va a comprar un computador de un día para otro, va a investigar y todo. Yo podría tener Jev como modelo que tome decisiones oye, esta persona ha entrado varias veces y ha entrado acá, voy a tomar la decisión de mostrarle un pop up específico u otro pop up específico, o le voy a ofrecer una oferta particular distinta a la otra persona. Esos modelos existen con modelos de IA predictiva que trabajan y se conectan y todo, pero esto permite verlo en tiempo real. Entonces ya no es, oye, estoy entrando mi modelo para que, oye, hay un 60% de posibilidad que la gente que haga esas acciones particularmente reacciona esta manera, sino que ahora es, oye, ¿Cuál es la probabilidad? Y pongo mi umbral, digamos, o esta persona entró tres veces en cinco minutos, tener una oferta 10%, 15%. Entonces existen varias utilidades de nuevo de decisiones del momento, ya que como dices tú, la otra opción es entrenar un modelo. Estas son las opciones, son las probabilidades, cuáles, bla, bla, bla. Entonces, en realidad es súper interesante y lo invito a ver pantalla un segundo. ¿Cierto? Como les decía, acá está la imagen, digamos, de lo que habíamos hablado antes del tema de cómo el modelo detecta escenas particulares. Entonces, ¿Qué utilidad tiene esto? Por ejemplo, de en un video yo les había dicho, oye, voy a resumir un podcast, ver los momentos más importantes. Si yo soy una empresa que estoy pagando por un sponsorship, este modelo me va a permitir de manera más rápida, fácil, evaluar a todas las personas a las que yo estoy pagando. Porque obviamente hay empresas que oye, voy con este proveedor, pero hay empresas en Estados Unidos puntualmente que pagan hacer sponsorship a diez, cien, mil creadores de contenido. ¿Cómo controlo yo que todos ellos estén cumpliendo con los comerciales, túneles, lo que tengan que durar, etcétera? Mando este modelo, el modelo evalúa si efectivamente están cumpliendo las condiciones o no que yo le voy a dar y de nuevo, el modelo va a tener un umbral de confianza. Yo no tengo que revisar todo, si con 95 de confianza se cumple ese 5 que llegará a pasar, chao, no va a ni bien, o sea, no vale la pena para mí ir a revisarlo ya, pero me permite también evaluar de repente, oye, la probabilidad muy baja, mandémoslo a un humano porque esto parece que está malo, el pueblo humano lo revisa y puedes hacer esa distinción.

48:20 Locutor: Sientes que todos hablan de inteligencia artificial, pero tu empresa aún no la aprovecha. En EvoAcademy te ayudamos a llevar la IA a resultados reales con nuestros cursos para empresas. Estos cursos son actualizados, personalizables y aplicados a tu trabajo. Por ejemplo, nuestro curso IA para los negocios es ideal para equipos que están explorando el potencial de esta tecnología. Mientras que nuestros cursos de Claude Gemini, ChatGPT y Copilot están pensados para quienes quieren aprovechar al máximo estas herramientas. Revisa nuestro catálogo completo en EvoAcademy CL Cursos Corporativos o en el enlace que encontrarás en la descripción de este video.

49:05 Ignacio Alarcón: Entonces, en realidad todo este tema de Jev y modelos de decisión es bien interesante porque por un lado no es nada que no hayamos podido hacer antes, pero por otro lado nos liberó millones de cosas que no podíamos hacer antes. Es como contradictorio y es súper chistoso el caso particular donde uno dice como, oye, solamente más rápido y más barato. Es como sí, pero no es solamente más rápido, más barato, más rápido y más barato.

49:27 Conductor: Es claro, cumple con varias cosas que dentro de la empresa es una preocupación.

49:32 Ignacio Alarcón: Exactamente. Es restrictivo de una manera casi absoluta en algunos casos. Entonces nada, eso es básicamente como en resumen, qué es Jev, J-E-V, de nuevo, obviamente existen, ya les decía, acá yo tengo, si van a la pantalla, un segundo los voy a molestar. Acá pueden ver, está una página que se llama Language, pero ellos hacen evaluación de modelos en base a la calidad de la respuesta. Correcto. No hay mucha descripción de cómo lo hacen, digamos, pero al final es como

49:58 Conductor: Trust me, confía en mí, es la

50:00 Ignacio Alarcón: benchmark Trust me, bro, básicamente. Entonces los temas importantes que decían acá y les dejo la página para que la puedan ver si quieren. Pero básicamente Jev no es el mejor modelo en nivel de calidad de decisión. De hecho, si ustedes lo ven, comparado con el modelo OpenAI, son tres puntos más alto que meta, más que estemos de 100 más importante a esta altura no creo que importe mucho.

50:18 Conductor: Claro.

50:18 Ignacio Alarcón: Pero sí es el más barato por mucho. ¿Entonces es donde la gente dice, bueno, vale la pena o no vale la pena? Y de hecho si usted van a OpenRouter, OpenRouter lo que hace es que tiene un leaderboard de modelos en base básicamente a marketshare principalmente. Ustedes pueden ver, hay otras medidas ahí. Pero si ustedes van a Jev, Jev tiene cerca un 97, si no me equivoco, por ciento del mercado era Jev. Y el modelo lo separa por categorías. Entonces lo que dice es, oye, en la industria de software y tecnología Jev es 97% de la gente está usando Jev respecto a los otros modelos en business y operaciones, 98% en uso general, 97% en venta 97 en legal 98, etcétera, etcétera. Entonces pueden ver que en todas las métricas que aparecen acá, Jev está siendo el primero por mucho. Entonces, ¿Qué nos dice eso y qué es lo que lo hace interesante? Jev no salió hace tanto. Entonces no es como que tú digas, oye, obviamente la gente usa Jev porque salió primero, porque hay implementaciones de por medio. Hay un proceso un poco más complicado, digamos, no solamente salió Jev y mañana lo estoy usando y pasado mañana salió ChatGPT y ahora ya no me quiero cambiar. ¿Cierto? Yo hoy día que no tengo nada con Jev, puedo empezar a usar el modelo OpenAI si quisiera. Entonces, lo que nos dice esto es que dentro de lo que se está usando, los early adopters, digamos, aparentemente un porcentaje bien grande que se metió al tiro, o sea, vio esto y exactamente vio la oportunidad enseguida. Entonces lo encuentro súper interesante. Si alguno de ustedes tiene alguna idea que se le ocurre, feliz de escucharla. Porque encuentro que esto empieza a ser, a diferencia del uso más general de oye, todo el mundo hace correos, todo el mundo hace reportes, qué sé yo. Los casos puntuales para Jev siento que son muy específicos a la empresa, cargo particular que tiene cada persona, no son tan extrapolables como otros casos. Entonces, obviamente uno puede decir, oye, modelos de visión para detectar madera, usemos modelos de visión de visión para detectar que usen casco, usemos modelos de visión para ver que falta un documento y eso son más o menos extrapolables. Pero a nivel general, como el uso puntual es súper específico para cada.

52:16 Conductor: Claro, probablemente van a ver mucho escuchando esto y va a decir, para mí no me sirve. Ya, pero quizás para otra persona le hace una gran diferencia en el día a día.

52:26 Ignacio Alarcón: Claro, exactamente.

52:27 Conductor: Puede llegar a ser así de extremo.

52:29 Ignacio Alarcón: Sí. Entonces eso, Con eso quería cerrar el capítulo. A menos que tú tengas alguna otra pregunta que creas que haya quedado, que no haya mencionado.

52:37 Conductor: Invertiste la pregunta en vez de yo darte así la posibilidad. ¿Quieres hacer otra pregunta?

52:42 Ignacio Alarcón: ¿Quieres saber algo más?

52:43 Conductor: ¿Quieres saber algo más? ¿Sí, Jev y la versión OpenAI están disponible abiertamente hoy? Es decir, yo podría llegar y ocuparlo ahora mismo.

52:55 Ignacio Alarcón: Eso es una excelente pregunta. Jev directamente desde la empresa, está con las típicas, por lo menos el día de grabación está con las típicas tienes que postular porque mucha gente lo está usando, bla, bla. ¿Pero hay otras herramientas que te permiten usar Jev por el lado, no me acuerdo si vas un segundo, porque por

53:14 Conductor: ejemplo tú pusiste aquí OpenRouter, a través de OpenRouter se podría ocupar?

53:18 Ignacio Alarcón: Sí, sí, puedes usar el modelo, puedes usar herramientas como OpenRouter y otros sistemas que te permiten conectarte directamente como uso por API por así decirlo. Pero claro, lamentablemente lleva actualmente el día de grabación, están con el esta espera y todas esas cosas, pero obviamente se puede usar. De hecho Sr. Jonathan Vásquez se dio la lata, o el tiempo o el trabajo, ustedes elijan la palabra que más le acomode según cuánto quieren o no quieren a Jonathan en correr la PAES. Nosotros todos los años corremos la PAES, que es la prueba en Chile para entrar a la universidad y básicamente corrió, hizo un test y dijo, oye veamos, dado que Jev elige entre cuatro alternativas con una probabilidad o X alternativas con probabilidad, ¿Qué pasa si corremos Jev para la PAES? Claro, y de hecho nos había dado unos números, vean todos en pantalla. Ahora Jonathan decidió armar esta pequeña página, lo voy a tratar de hacer un poquito más grande, donde corrió Jev y corrió el OpenAI, el modelo digamos de decisión LGBT Luna para la PAES. Entonces, ¿Qué es lo que ocurre? Nosotros podemos ver que los modelos cuando los corrimos la última vez, digamos, Tenemos modelos con 100% en distintas pruebas, digamos, y acá están las pruebas para elegirla, pero básicamente podemos ver que Tanto Jev como OpenAI no están llegando a los valores más altos necesariamente. Ahora son buenos puntajes a nivel general, digamos, están sobre el promedio, pero lo más importante es la velocidad. Entonces por ejemplo acá podemos ver que si bien no es el más preciso, 83% de precisión contra 100% por ejemplo en velocidad estamos hablando de que contra ese mismo modelo que el provisión acá abajo, ¿Cierto? 2, 3 por minuto y acá tenemos 200 por minuto, estamos hablando de casi 100 veces más rápido, ya, entonces tenemos el tiempo por pregunta, tenemos el porcentaje digamos de cuánta confianza tenemos y finalmente uno podría decir, Oye, quizás por 100 veces más rápido que se equivoca un poquito, Sí, ¿Qué tanto me afecta? De nuevo, vamos a volver siempre al tema de, OK, estoy haciendo un diagnóstico médico, ¿Me importa que se equivoque? Sí, mucho. ¿Estoy creando un puente, ¿Me interesa? Sí, demasiado, ¿Cierto? Pero después tenemos otras cosas que son esos detalles chiquititos que en realidad no

55:48 Conductor: se clasificó bien una factura de, no sé, 100 mil pesos chilenos, 100 dólares, siendo que estoy, no sé, controlando 10 millones de dólares.

55:58 Ignacio Alarcón: Sí, da lo mismo. Y después de nuevo, después volvemos al otro paso. Esto cuando esté malo, sonamos para siempre fue, o tenemos la oportunidad de oye, esto está malo, hay que arreglarlo. Hago que lo arreglo, porque si es el caso, tampoco importa. Entonces son varias aristas que uno tiene que considerar de OK, ¿Cuando yo voy a encontrar una situación particular donde esto me sirva? Pero interesante ver, porque nosotros vemos estos puntajes de 820 y hace dos años atrás, digamos, la última penúltima vez que hicimos esto, los modelos apenas están llegando esos puntajes. Y eran modelos, claro, eran los buenos, los mejores modelos.

56:29 Conductor: Esa versión de no, esto va a cambiar la industria completamente. Era como todavía no.

56:34 Ignacio Alarcón: Y de repente 100% y ahora con mil veces más rápido, 100 veces más rápido y 100 veces más barato y qué sé yo. Entonces yo creo que solamente quería cerrar con esto porque obviamente Jonathan se dio el trabajo. Hacerlo bastante rápido, dicho sea de paso. Exactamente. Y efectivamente, digamos, funcionó bastante bien. Buena respuesta. Después vamos a hacer una evaluación quizá un poco más exhaustiva de en qué cosas se equivocó, qué cosas son las que más le costaron, etcétera, etcétera. Pero bueno, punto final. Uno puede mezclar esto con audio, con video, con hartas cosas y eventualmente podemos hacer trabajos a gran escala, que yo creo que ese es el punto final que quería poner. La escala a la que tú puedes trabajar ahora con Jev es mucho más alta.

57:20 Conductor: Bueno, Ignacio, muchas gracias por traer esta información. Las redes estaban en llamas con este

57:28 Ignacio Alarcón: todavía, por lo menos el día de

57:29 Conductor: grabación, todavía ahí sale no, mira, yo hice esto, yo hice esto, yo probé esto. Entonces es un buen caso aquí para atraer a nuestra audiencia y que se ponga al día, porque es nuevo, relativamente nuevo. De hecho, yo mismo no había tenido el tiempo de leer mucho, así que muy agradecido por todo lo que nos explicaste. Y a ustedes muchas gracias por llegar a este punto del capítulo. ¿Les gustó? ¿Donde lo ocuparían? Y nos vemos también en el siguiente episodio de Inteligencia Artificial para los Negocios.