M0.6 · Del piloto a producción: por qué tantos proyectos de IA se atascan
Muchos proyectos de IA funcionan en piloto, pero no llegan a producción. En este episodio explicamos el ciclo de adopción de IA y los bloqueos que aparecen entre exploración, piloto, despliegue y operación continua.
M0.5 · Casos reales de IA por sector: qué puedes copiar y qué no
Un caso de éxito de IA no siempre se puede copiar. En este episodio vemos cómo evaluar casos reales por sector y qué condiciones hacen que un proyecto funcione: datos, proceso y métrica de éxito.
M0.4 · Qué puede hacer la IA y qué no: el riesgo de las respuestas convincentes
La IA puede generar respuestas muy convincentes, incluso cuando son falsas. En este episodio hablamos de alucinaciones, límites estructurales y verificación humana a partir del caso Mata vs Avianca.
M0.3 · Modelos de IA: cómo elegir proveedor sin quedar atrapado
El mercado de IA está lleno de modelos, APIs y proveedores. En este episodio explicamos cómo elegir entre modelos abiertos, cerrados y plataformas sin quedar atrapado en el ecosistema equivocado.
M0.2 · Tipos de IA: discriminativa, generativa y por qué importa distinguirlas
No todas las soluciones de IA son iguales. En este episodio explicamos la diferencia entre IA discriminativa e IA generativa, cómo falla cada una y qué preguntas deberías hacer antes de contratar una solución.
M0.1 · Paradigma estadístico: por qué la IA aprende de datos y no de reglas
La inteligencia artificial moderna no funciona como muchos imaginan. No sigue una lista de reglas escritas a mano. Aprende patrones a partir de datos. En este episodio explicamos qué es el paradigma estadístico, cómo se diferencia del enfoque simbólico y por qué entenderlo cambia la forma de evaluar, contratar y desplegar sistemas de IA. Hablamos de modelos que aprenden de datos históricos, de degradación con el tiempo, de supervisión en producción y del caso JPMorgan COIN.