Latest / The apicurios - El podcast para los APIcuriosos del mundo por Rafael Granados y Alexandre Ortega . / Huawei la IA aplicada que llega de Oriente

Transcript

Huawei la IA aplicada que llega de Oriente · The apicurios - El podcast para los APIcuriosos del mundo por Rafael Granados y Alexandre Ortega .

0:01
Bienvenidos a the apicurios, el podcast de las APIS para todos
0:10
los apicuriosos del mundo. Comenzamos.
0:15
¿Muy buenas a todos y bienvenidos a una nueva edición
0:18
de la casita de las ratitas Apicuriosas qué tal, Alex, Cómo
0:22
estás? Pues muy bien, aquí y con el
0:24
calorcito ya todo todo, todo cuesta un poco más.
0:28
Sí, todo cuesta un poco más, pero hoy venimos a saldar una
0:31
deuda que teníamos con el podcast.
0:33
Y es que cuéntanos. Cuéntanos, dejamos una cosa a
0:36
medias, no hacemos un especial con unos amigos de Huawei y hoy
0:41
tenemos la segunda parte que es ver.
0:43
¿Y poder tocar un poco lo que nos contó en su día, fran, sí,
0:48
sí, qué, Qué Polo más chulo llevas, Eh?
0:49
¿No es por nada, EH? ¿Sí, sí, sí, muy guapo este el
0:54
de Fran, sí, sí, estamos uniformados todos, EH?
0:58
Bueno, bienvenidos, fran, estamos esteado ahí.
1:01
¿Hola, qué tal, chicos? Muchas gracias de nuevo por la
1:03
invitación. Sí, estamos todos corporativos,
1:05
como usted dice, así que que nada, muchas gracias de nuevo y
1:08
con el con el calorcito, que no es poco.
1:11
Ya te digo, teníamos unas cuantas deudas, no teníamos
1:14
alguna cosa que que que solventar.
1:16
No. Todavía teníamos alguna promesa
1:18
que alguien nos hizo llegar y diciendo que se podían hacer
1:21
unas auténticas maravillas con con.
1:24
Con. Con icloud y con y con y con la
1:27
I a y con de todo. Y precisamente por eso lo que
1:30
vamos a hacer hoy es verlo en directo.
1:32
Ya no es aquello que nos lo cuenta, sino que lo vamos a ver
1:34
en directo. ¿A ver, fran, qué nos vas a
1:36
enseñar hoy? Cuéntanos.
1:37
Cuéntanos sí, vamos a sacar un poco la parte de de asentar las
1:41
bases, no de un poco, de dejar de vender ese humo que
1:44
tendríamos en la nube un poco a a a sentarnos un poco los pies
1:49
en el suelo y vamos a poner un poco la algún ejemplo.
1:53
Me gusta que que diga eso, me gusta la gente con los pies en
1:56
el suelo y no que y no los vende humos, aunque.
1:58
¿Estamos hablando de la nube, pues ya me entiendes, no?
2:03
Bueno, pues habíamos dicho también en el podcast anterior
2:05
muchas cosas y en el podcast de hoy pues creo que vamos a ver
2:08
algunas cosas que que pueden ser resultar muy molonas,
2:11
interesantes y y a ver si le si le gusta.
2:15
¿Qué les parece? Hombre, seguro.
2:16
Seguro que sí. Seguro que es muy molón, Huawei
2:20
hace cosas muy molonas por lo que nos has contado, vamos a
2:23
verlo. Bueno, va, va.
2:24
¿Con qué? ¿Con qué empezamos?
2:25
Va anímanos empieza con un plato suavecito y luego empezaremos
2:28
con el. Vamos a ir un poco, creo que in
2:31
crescendo. No voy a compartir pantalla para
2:33
que tengamos un poco todos la visión y quitando la pantalla
2:37
primero infinita, pasamos a un poco a a presentar lo que es
2:41
Huawei cloud. Y bueno, y seguir lo que hicimos
2:45
en en el podcast anterior, no, en principio lo que vamos a ver
2:49
es primero saltar las deudas, no que teníamos, que que íbamos a
2:55
dar algún. Tipo de cupón de prueba y este
2:58
esta es la. ¿Esta es la palabra que dijimos
3:01
y lo que vamos a hacer es dar un voucher, vale?
3:03
¿En cuanto que escanee los códigos QR que aparecen a lo
3:07
largo de toda la presentación, dispondrán de unos cupones de
3:10
aproximadamente 100 100 dolares de de gasto, vale?
3:14
Y para poder jugar y configurar los servicios de Huawei cloud
3:17
sí, es libre. ¿Para dónde?
3:19
¿Utilizar podemos entrenar un lora, por ejemplo?
3:22
Puedes entrenar siempre y cuando esté dentro de esos 100 de esos
3:25
100 USD podrás entrenar lo que el el servicio, no hay
3:29
limitación de servicios, se pueden usar el servicio que que
3:31
esté disponible en la región, que en este caso es Dublín.
3:34
Vale, vale, entonces cualquier servicio que esté ahí lo puedes
3:37
usar sin problema. ¿Que quieres una GPU?
3:38
Bueno, pues si la GPU te vale me lo invento, vale 4 EUR a la
3:41
hora, pues te va, vas a tener menos horas que si te vale 02511
3:46
CP uno. Está claro, pero bueno, esto
3:48
esto es un regalo de Huawei, o sea que al final lo que tenemos
3:51
que hacer es aprovecharlo. O sea que yo ya estoy esperando
3:54
que llegue el QR para empezar a entrenar mi lora.
3:57
Trastear ahí es que lo he. Entrenado con stawal Difusion
4:01
1.5, pero quería entrenarlo con el quería entrenarlo con el con
4:05
el con el bueno. Vale con el XXLY ostras, se
4:09
gasta mucho. Prepárate.
4:11
De hecho, recientemente hice un pequeño fan cooning y la verdad
4:14
que que sí, que se que al final. Me llevé no mucho, pero son va
4:19
por segundo, no unos 2000 segundos, entonces al final es
4:22
un gasto que bueno pues tienes que considerar para un modelo
4:25
pequeñito. Si yo llego a sumarle a suparle
4:29
parámetros y demás, pues bueno, pues al final se te suma el
4:32
coste vale importante para funcionar con esto registrarse
4:36
antes del 31 de octubre y luego pues que el voucher va a ser
4:40
válido hasta fin de año, o sea que bueno que hay tiempo y
4:43
tiempo para para jugar. Vale.
4:45
¿Yo quiero, yo quiero el boche ya, EH?
4:47
Yo quiero el boche ya. Pero eso un atx.
4:50
Tío, pues pues nada, pues lo dicho, esta no era de las cosas
4:55
que teníamos para saldar. ¿Y aquí está, vale?
4:59
Lo siguiente que quería comentarles es un poco es cuál
5:02
va a ser el el planning de hoy, el el índice que vamos a seguir
5:06
un poco para ver para yo no perderme sobre todo, sobre todo
5:09
es para mí, vale y ver un poco en qué dónde estamos.
5:13
¿Que es esto de Huawei cloud? Ya lo hemos visto anteriormente,
5:16
pero vamos a entrar un poco más en detalle.
5:17
¿En qué consiste? Veremos algunas pruebas en el
5:20
cual, bueno, pues. Sabíamos que una de las cosas
5:24
que queríamos que queríamos vender, y también que
5:27
promocionamos mucho, es la de evitar el vendor locking, que no
5:30
sé si están familiarizados con determinadas soluciones que al
5:33
final te obligan a usar el resto de fabricantes.
5:35
Nosotros intentamos siempre, pues favorecer ese not vendor
5:39
locking, evitarlo. También vamos a ver chatbot.
5:43
Veremos un proyecto que es open source pero que bueno, que lo
5:46
hemos un poco integrado para ver como que para ver la potencia
5:49
que pueden tener los agentes, no en el sentido de tener un pueblo
5:52
virtual en el que todos son agentes de inteligencias
5:55
artificiales y que hablan entre sí, que puede ser bastante,
5:58
bastante curioso. La verdad que es simplemente es
6:00
ilustrativo, no tiene ninguna funcionalidad más allá que ver
6:03
cómo se comportan. Y pero esto no nos va a dar pie
6:05
a poder desarrollar otras otros puntos, como puede ser la parte
6:09
de entrenamiento sin código y luego la parte de visión por
6:12
computador aplicado a diferentes sectores.
6:15
Vale, y luego pues tenemos la parte de seguridad en vías
6:17
ferroviarias, que creo que en España últimamente pues hablamos
6:22
algo de esto. ¿Está de cachondeo, EH?
6:26
No, luego también, pues tenemos la parte de de seguridad de
6:30
smart airport, no de ese. Seguridad en los aeropuertos,
6:33
tanto Tierra, parte de Tierra como parte de aire.
6:36
Y luego veremos. Pues pongo ahí puntos
6:38
suspensivos como más, pues veremos algunas algunas cositas
6:41
más. ¿No?
6:42
¿Bueno, vale, me permites? Sobre todo, comentar, comentar
6:45
para que no sea un monólogo, esto comentar que esto es en
6:48
riguroso directo. Que se está grabando en directo
6:51
y que si sale algo mal la culpa es de fran, no nuestra vale.
6:55
Totalmente. ¿Pero bueno, simplemente
7:02
comentar también que todo esto no es humo como estábamos
7:05
hablando, sino que va a ser experiencias reales, vale?
7:08
O sea, y además hay una de las cosas que ha dicho fran, que es
7:11
súper importante y es el hecho de que esto es open source.
7:14
O sea que seguramente lo podéis encontrar en algún git o en el
7:18
git de fran o en algún sitio para para poderlo probar
7:21
vosotros mismos. Imaginaos que tenéis que hacer
7:23
una demo pasado mañana y tenéis que hacer algo resultón.
7:26
Y os gusta, por ejemplo, pues estos esta.
7:29
¿Pueblo, esta ciudad inteligente que genera y hace cositas solo,
7:33
pues bueno, con diferentes agentes, pues pues nada, aquí
7:36
aquí la tendréis, vale? Y si bueno, si veis alguna
7:39
cosita más que que pues interesante, pues pues pues
7:42
nada. Ahí ahí los compañeros que vamos
7:44
y fran nos lo dejan. No te enrollas.
7:45
¿Rafa, que nos conocen, tío, hay que hacer publi?
7:49
¿Bueno, pues también una de las cosas que teníamos pendiente
7:52
Rafa les de la de la sesión anterior era lo del Smart City,
7:56
que si recuerdan que vimos, pues no sé si ven el fondo tan bulón
7:59
que tengo detrás, en el cual pues se ve una maqueta de la
8:02
smart City correspondiente puesto está elegido el SET para
8:06
que lo para que lo vean no, realmente es una maqueta, pues
8:09
tenemos esa smart city que cada vez pues empieza a tener cada
8:13
vez mayor, mayor relevancia, no? También hay iniciativas de este
8:16
estilo en algún pueblo de de de Madrid.
8:19
¿Que que es interesante que lo tengamos en cuenta?
8:22
Pero algún día nos podéis llevar a ver.
8:25
¿Bueno, pues vamos a a centrarnos un poco en la parte
8:28
de bueno, qué es esto de Huawei cloud?
8:29
¿Dónde está? ¿Pues lo típico del clavo, no?
8:31
¿Es decir, al final vamos a ver lo importante para yo poder
8:34
elegir qué puedo hacer y qué no puedo hacer con con la nube, no?
8:38
Básicamente, pues todo lo que pensemos podemos llevarlo desde
8:42
nuestros datacenter, poderlo llevar a la nube.
8:44
¿Y dónde estamos ahora en día? ¿Y simplemente dar unos datos,
8:47
no? Un dato relevante de de Huawei
8:49
de howei cloud actualmente en Europa, pues estamos.
8:53
Podemos hablar que tenemos como 5 zonas de disponibilidad, 2
8:56
partners, 2 Partners o diferentes partners cloud.
8:59
Vale, y luego tenemos diferentes zonas que depende como lo como
9:02
lo. ¿Deja de compartirlo, sabes, no
9:04
frank, cómo perdón has? Dejado.
9:08
De compartir el PPT, Ah, no se ha dejado de compartir o no sé.
9:14
Se ha dejado de compartir, pues yo no he tocado nada a ver.
9:20
¿Esto ha sido, esto ha sido Trump, vale?
9:23
Esto ahora vale, sí, sí, vale, pues hasta bueno, pues lo que
9:28
quería comentarles para centrar los datos.
9:31
Tenemos diferentes zonas de disponibilidad, diferentes
9:35
regiones. Podemos decir también dentro de
9:38
Europa. Pues hablamos de partner cloud y
9:41
la zona también de cloud propia de Huawei, como puede ser data
9:44
Center de Irlanda y zona de becunidad de de la región de
9:47
Turquía. Vale, esto es importante porque,
9:50
por ejemplo, imaginemos que queremos acometer un proyecto
9:52
que tiene que ser compliance con regulaciones.
9:54
No vamos a entrar en regulaciones, pero sabemos que
9:56
dentro de Europa hay mucha regulación en este sentido.
9:59
Pues que sepamos que 100 * 100 cumplimos toda la regulación
10:02
europea en todos los aspectos. Vale, eso es importante cuando
10:05
vamos a elegir una nube. Luego también aspectos
10:08
importantes a a tener en cuenta dónde está, dónde también
10:12
estamos, porque al final cuando vamos a a acometer proyectos que
10:15
sean de de ámbito internacional, pues tenemos que irnos a Asia, o
10:20
tenemos que irnos a Latinoamérica o tenemos que
10:22
irnos a Egipto, pues también esto es importante por el tema
10:26
de la atencia. ¿Vale esto que lo tengamos en
10:29
cuenta? ¿Estamos en media con la
10:30
latencia de de los directos de los competidores directos y esto
10:34
es importante cuando cuando vayamos a cometer el proyecto
10:37
para para considerarlo y tener en cuenta sobre todo siempre
10:41
latencias vale? Si nuestro producto tiene que
10:43
cumplir latencias pues igual es fundamental.
10:47
Vale, luego sí cosas interesantes, pues cuando
10:50
vayamos a elegir una región pues que elijamos la región que más
10:54
cerca esté a nosotros por el tema exacto de la de la
10:56
latencia, vale lo que comentaba anteriormente.
10:59
Si queremos desplegar proyectos en Asia, pues obviamente en Asia
11:02
somos prácticamente líderes y sobre todo, pues bueno, pues
11:05
estamos en China, pues tenemos una gran, un gran abanico de
11:08
servicios y un gran abanico de de regiones y zonas de
11:12
disponibilidad. Vale importante también en el
11:16
producto. ¿A nivel de productos, cuántos
11:17
tendríamos? Pues hablamos de aproximadamente
11:19
más de 240 productos a nivel de Huawei cloud en Europa, pues se
11:24
van migrando poco a poco. Vale, se van a ir migrando por
11:28
por. Por necesidad y también por el
11:31
tema regulatorio. ¿Vale para poder ir
11:33
satisfaciendo esto? Desde el punto de vista de los
11:36
usuarios también nos comentan y es importante las diferentes
11:41
satisfacciones. Vale que es verdad que a nivel
11:43
de número de de de registros pues estamos ahí, vale, pero es
11:47
importante tener en cuenta la satisfacción final de los de
11:51
nuestros partners y también de los de los usuarios.
11:53
Como pueden ver, Huawei howei cloud se sitúa que pones Huawei,
11:56
pero es howe cloud, vale, es decir, tú aproximadamente en un
11:58
cuatro. Sobre en la escala de gartner,
12:00
vale, entonces, bueno, ese es. Es interesante tenerlo en
12:03
cuenta, como podemos ver, pues estamos por encima de los de los
12:06
competidores directos y esto es bueno.
12:07
Al final cuando alguien usa nube, no solo a nivel personal,
12:11
sino también a nivel empresarial, que tengas alguien
12:13
que levantes el teléfono y te atienda una persona, pues es
12:16
importante, vale tenerlo en cuenta y no que abras un ticket
12:18
y el ticket que es de berner. ¿A cuánto les ha pasado esto?
12:23
¿Y que abres un ticket y tu ticket se cierra auto
12:26
mágicamente? Bueno, hay que volver ahí hay
12:29
que volver luego a insistir, pero vamos, esto pasa ya en
12:32
todos lados, ya no solo en. ¿La nube, tu ticket da escala 5
12:37
veces no? ¿Bueno, pues quitando esto, pues
12:40
que lo tengamos en cuenta, vale? ¿Y bueno, pues cositas que
12:43
quiero presentarles, no? ¿Nosotros cuando hablamos de de
12:47
la nube, pues hablamos de se sigue viendo, verdad?
12:51
La pantalla, sí, sí. Sí, vale, pues.
12:53
Vemos el Boucher ahora. Que sí, este es el en el Coucher
12:57
Rafa deja de escanear. Bueno, pues en este sentido, una
13:05
de las de las iniciativas que queríamos hacer y ver es este es
13:08
un es el proyecto open source que es anythem de LM.
13:12
Y la idea de este proyecto simplemente es dar a dar a ver
13:16
qué podemos lanzar en una máquina virtual cualquiera, una
13:20
imagen ya directamente descargada desde desde desde su
13:24
propia página oficial. Entonces nosotros lo que hemos
13:27
hecho, no sé si Rafa Alex sí. ¿Quiero yo enterarme bien de
13:33
esto esto esto, esto lo que tú estás diciendo es que yo quiero
13:36
bajarme la última versión de lo que sea, vale?
13:40
YYY simplemente explícame cómo va esto porque lo veo muy
13:46
sencillo, explícamelo. Sí, a ver, al final tú lo que
13:49
quieres es levantarte un un EDLM, es decir, proyecto open
13:52
source. Este proyecto open source al
13:54
final te lo puedes descargar y tiene una imagen ya directamente
13:57
yo. Me quiero bajar un modelo stable
14:00
difusión la imagen tal y me lo puedo bajar directamente al.
14:07
A la imagen, al cloud o. Te lo puedes bajar si te lo
14:09
puedes bajar al cloud o te lo puedes meter en un backet no BS
14:12
que a partir de ese backet pues puedes instalar, pues también
14:15
por ejemplo, imagínate que vamos a ver cómo lama por ejemplo que
14:18
estamos, vale, no está la solama en una máquina virtual y esa
14:21
máquina virtual si tiene capaz, si si si la has comprado con GPU
14:24
pues directamente pues vas a utilizar, podrás empezar a
14:27
utilizar pues la ventaja de la GPU que quiere modelo que corran
14:30
sobre CPU pues exactamente igual vale.
14:33
A ver cuánto me dan los 100 EUR a ver cuánto.
14:36
¿Me dan cuánto te va a durar? No, sí, sí, vale, pues lo mismo
14:40
no. ¿Cuántos nos bajamos?
14:41
¿Modelo de having FACE? Bueno, pues al final
14:44
prácticamente todos bajamos. Modelo de heading FACE hacemos,
14:47
podemos utilizar esos modelos, esos modelos los puedes meter en
14:52
tu, al final en tu máquina virtual o bien veremos alguna
14:55
forma diferente de poder hacerlo.
14:57
Y a través de esa de ese modelo, pues podrás empezar a jugar con
15:01
él, no, nosotros lo que hemos hecho por por simplicidad, vale,
15:04
es simplemente de esta imagen, de este, de este, esta máquina.
15:08
Esto lo hemos lanzado en una máquina, oye una máquina
15:11
virtual, esta máquina hemos creado una imagen y ya a
15:14
demanda, pues podemos ir creando y levantando máquinas virtuales
15:17
con NI think LM tantas veces como nosotros queramos.
15:19
Al final es muy muy sencillo. ¿Por qué lo hacemos así?
15:22
¿Pues al final imaginemos que queremos auto escalar, no?
15:24
¿Queremos empezamos a tener muchas peticiones, pues vamos
15:27
escalando y creando máquinas dinámicamente, no?
15:29
Eso pues sería una uno de los casos, no, esto es lo que hemos
15:34
hecho nosotros. No sé también Rafa Alex si está
15:37
centrado en la parte de entrenamiento en la parte de por
15:39
ejemplo de fine tuning, o bien pues hacer el típico rack no,
15:42
que al final tienes un una base de datos vectorial, esa base de
15:45
datos vectorial al final le metes un embedings y ese
15:49
embedings pues al final es lo que va.
15:51
¿A lo que va a responder, no? ¿Ya lo que pasa es que el el
15:53
rahal no acabas de de entrenar, no?
15:55
O sea, no es un entrenamiento, es un fine tuning como tú dices,
15:58
pero no es un entrenamiento. Solo sería la capa, la última
16:01
capa. Vale la la capa de de contexto
16:04
que quieras, que te que te que te responda de una forma
16:06
determinada. ¿Pero imaginemos que estamos
16:08
entrenando un modelo en el que yo quiero que me responda en un
16:12
contexto económico, no? Pues que ese modelo es un modelo
16:15
generalista. Yo le puedo dar pauta a ese
16:17
modelo en el cual. Meterle información reentrenando
16:20
con un finetunning realmente básico, vale un finetunity para
16:24
que me responda exactamente lo que yo quiero para que no se
16:27
vaya, para que no se vaya a a la base de datos vectorial.
16:30
¿Lo que está haciendo es bueno, dándole criterio, no?
16:33
¿O sea, veis en el que queda esto lo lo quiero así para mí,
16:36
para mí lo quiero así, vale? Sí, sí, nosotros tenemos
16:39
montados unas cosas con Álex, también un rag montado para la
16:43
semántica de las APIS y va después.
16:45
O sea, primero tienes el modelo bueno que cualquier modelo ya
16:48
entiende de de APIS YY de y sobre todo de rest, y lo que
16:52
hace es pues luego le da un poco de contexto para que sepa pues
16:55
qué. ¿Qué es lo que tiene que hacer?
16:57
Vale, pero no estamos reentrenando, sino estamos dando
17:00
una capa de fine tuning que es pues para precisamente para para
17:04
eso. Entonces va a ir muy bien esto.
17:06
¿Sí, sí, luego le además de esto, nosotros lo que hemos
17:09
hecho es que no lo hemos hecho aquí, vale?
17:11
Pero lo que hemos hecho es darle información de contexto, como tú
17:15
dices, pero con información obviamente de de Huawei CRAFT.
17:19
Vale, simplemente estamos corriendo sobre con con GPU.
17:22
Y vamos a ver el rendimiento que pueda que pueda tener.
17:24
Si es verdad que la primera ejecución va va un poco más
17:27
lenta porque tiene que cargar parámetros, pero al final de ahí
17:29
pues va un poquillo más fluido. Vale, vale, vamos a ver un
17:33
ejemplo, vale, esta sería la URL que que es pública en este
17:36
sentido, nosotros la levantamos y apagamos porque estamos
17:38
corriendo coma con con GPUY. ¿Al final se tiene un coste,
17:43
pero por ejemplo podemos decir en inglés, vale what this?
17:52
A ECS o K entonces esto en teoría nos tendría que empezar a
17:57
responder sobre lo que es un un SS.
18:00
Vale como pueden ver aquí la máquina ha entrado en reposo ya
18:04
y esta esta máquina va va a tener un tiempo de de respuesta.
18:09
¿Vale, por las pruebas que hemos estado haciendo vemos que por
18:12
ejemplo, yo le he estado preguntando, le he preguntado
18:14
qué es un o BS? Y el tiempo de respuesta ha sido
18:17
bastante, bastante, bastante bueno.
18:20
¿Vale? En este caso, como pueden ver,
18:22
sigue, sigue preguntando. ¿Preguntar qué qué modelo
18:26
estamos cargando aquí? Aquí creo que es un olama vale,
18:30
no sé cuál es, vale, pero creo que recordar que era un olama
18:33
vamos a ver si no, no se ha ido al traste.
18:37
Vale 1 segundo, vamos a ver, a ver, vamos a recargar, vale, sí,
18:43
sí. Estaba la sesión aquí.
18:47
Bueno, sigue, sigue pensando, tendría que responder realmente
18:50
rápido, vale, ahora mismo está está tardando demasiado en en
18:54
responder realmente tardando demasiado, pero esto esto
18:59
tendría que ir. ¿Al instante, no?
19:03
Sí, está estar integrando demasiado, creo que se ha.
19:07
¿Se ha buggeado? Se ha buggeado como efecto demo.
19:10
Sí, sí, siempre pasa, dale otra vez si quieres y luego ya.
19:14
Nada es este, al final sí ya entra aquí la primera vez que
19:18
tarda, pues tarda un poquito en en responder.
19:21
¿La habla de del contexto habla bueno y que es hablar YY tú?
19:27
¿Pues al final si vemos es un proyecto open source
19:29
directamente y lo que hemos hecho es es correrlo aquí
19:32
nosotros lo que sí puedes meterle a este modelo, pues a
19:35
este proyecto diferentes tipo de modelos de LLM para que coja uno
19:40
u otro, vale? ¿Al final vamos a preguntarle lo
19:43
que es a o BSY en este caso, pues aquí ha hablado de lo que
19:47
es un SS, que es una máquina virtual, pero o sea vemos que ya
19:51
empieza a responder cada vez más rápido, no?
19:52
Ya no tarda ese tiempo. Entonces en la primera ejecución
19:55
vemos que tarda bastante el resto de ejecuciones, pues en
19:58
teoría tendría que ir más, más, más fluido.
20:02
¿Vale, vamos a seguir preguntándole que es a EVS?
20:07
Y bueno, pues ahí tendría que ir respondiendo, vale, entonces
20:10
vemos que que bueno, pues el contexto que tiene es de Huawei
20:15
cloud y la el tiempo de respuesta, pues se va a ir
20:17
ajustando a medida que la que vayamos preguntando cada vez
20:20
más, eso sería, pues lanzar. Esto es relativamente sencillo.
20:26
¿Vale, por qué? Porque nosotros ya lo dejaremos
20:29
también colgado en un en un github, vale para que lo puedan
20:33
desployar. ¿Perdón básicamente por qué?
20:37
Porque vamos a crearlo a través de de Terraform.
20:39
¿No sé si si han trabajado alguno en el medio, pero bueno
20:42
directamente ya que estamos en un en un podcast de Apis, pues
20:45
bueno, pues al final tenemos este terraform usa las APIS de
20:49
cada uno de los fabricantes y Huawei cloud, pues al final está
20:52
integrado totalmente con con terraform y esto es lo que nos
20:55
permite es tenerus, es una infraestructura como código,
20:57
vale esto? Al final nosotros lanzamos este
21:00
este script. Y va a empezar a crear esa
21:03
infraestructura que nosotros tenemos.
21:04
¿Lo podemos crear con APIS o lo podemos crear también con resapi
21:08
en este caso, o también a través de Terrafon?
21:10
En este caso estamos hablando de no de terrafon, sino de las
21:13
resapi. Vale que podemos tener para cada
21:15
uno de los servicios. El siguiente que queremos ver es
21:19
justo ese pueblo virtual que tenemos, en el cual pues cada
21:25
uno de esas inteligencias parciales son pequeños LLMS que
21:29
van caminando por el pueblo. Y ese pueblo pues tiene esta
21:32
pinta, es un juego bastante, podemos decir bastante retro no
21:36
en el que o bastante no totalmente retro en el cada
21:40
personaje exactamente pi soldado es un proyecto, versos, Nosotros
21:44
lo vemos un poco, pues brandeado para poder meterlo en una
21:47
máquina virtual exactamente igual y luego pues interesante
21:51
también. Bueno, pues cada uno de estos
21:53
personajes tienen una personalidad que nosotros le
21:55
hemos dado, le hemos dado a este, por ejemplo, se llama
21:57
Windy. Esto todo de aquí, pues
21:59
aparentemente están hablando, este es sany, este es reini y
22:03
claudi, pues tiene que estar por aquí, no que es una, que es una
22:05
experta, vale, cada una tiene su propia personalidad y entonces
22:09
pues cada uno de ellos pues va aquí tenemos un chat, un
22:13
histórico de lo que ha ido hablando, cada uno entre por
22:15
ejemplo claudi con Windy, Claudi con con claudi porque piensa
22:19
consigo mismo, no sé cual, al final cada uno va hablando y va
22:22
pensando no entonces utilidad realmente que tenga.
22:25
A nivel útil no la vemos, vale, pero a nivel lógico, en el
22:31
sentir de tener inteligencias artificiales que vayan hablando
22:33
con hoy por hoy entre ellas, pues al final nos da una especie
22:36
de agentes, cada gente se va, se va, va a interactuar con otro.
22:40
Sí, perdona, no. ¿Era nada que te quería, acaba,
22:42
acaba, acaba porque te quería preguntar cómo habéis definido
22:44
los agentes y cómo los habéis hecho?
22:46
Sí, cada gente. Al final eso es un proyecto open
22:48
source, vale, pero bueno, al final a cada agente le damos
22:51
cuando entramos en cada uno de ellos, pues perdón.
22:54
¿Se ha ido el zoom cuando entramos en cada uno de ellos?
22:58
Pues lo que vemos es que cada uno, pues si vamos a principio
23:02
de todo, de todo, pues cada uno tiene un un contexto y una
23:06
historia asociada, y ese agente va a empezar a responder a cada
23:11
una de las interacciones que tenga acorde a su contexto.
23:14
De tal forma que este, por ejemplo, es un camionero que
23:17
doctora que se metió en la logística bla, bla, bla.
23:19
No, o sea, al final no tiene porqué ser un experto en cloud,
23:22
pero si es verdad que adoptó una tecnología o adoptó un un
23:26
contexto para poder usar el IoT, por ejemplo.
23:28
Y así pues, con cada uno de ellos, no.
23:30
Por ejemplo, cloudy es la experta en en la nube de Huawei.
23:34
Vale que está por aquí. Vale.
23:37
Sería un poco, pues ver cómo pueden interactuar los los
23:40
diferentes agentes. La verdad que empiezan a andar.
23:43
Para que esto ander correctamente hay que subirle
23:47
bastante los requisitos de la máquina.
23:50
Nosotros lo hemos dejado con una GPU básica, pero bueno, como
23:53
pueden ver va y está hecho así, vale para que se vea la que al
23:58
final un LLM requiere. Cuando tenemos agente puede
24:01
requerir bastante chicha. Y lo hemos dejado a posta como
24:05
como va, con lo básico. Y cuando nosotros elegimos mal
24:08
los recursos, pues al final tenemos este tipo de
24:10
comportamiento. Tenemos que elegir los recursos
24:13
que se adapte a cada uno de los programas.
24:15
No, no, no, no, no se trata de sobredimensionar, se trata de
24:19
adecuar los recursos al a lo que estás implementando, no, en este
24:23
caso pues se ve que va, que va pilladillo, no que va, que no va
24:26
fluido del todo. Vale, pues veríamos la las 2
24:32
partes, vale, yo dejaré esta carpeta en la cual pues tanto
24:39
para el proyecto de NI finger LM lo que dijimos vale teníamos,
24:42
tenemos el el github para poder descargarlos y esto es unos
24:46
proyecto que los podemos descargar directamente de aquí
24:48
YY luego pues podemos hablar también de cómo crear el el
24:53
pueblo virtual por si queremos jugar y ver cómo va esto
24:55
funcionando pues. Verlo verlo de esta forma vale
24:58
muy, muy sencillo. Al final lo que van a recibir es
25:01
en la cuenta, pues van a necesitar los parámetros que les
25:04
dejamos por aquí, vale, pero eso ya estará en el github y lo
25:07
podrán ver desde ahí. Vale esto de los agentes que que
25:14
vayan a su bola estaba ahí, estaba ahí.
25:17
¿Va eso a lo que vamos al final? La evolución de la vida va en
25:19
ese sentido, en crear agentes muy, muy, muy especializados y
25:23
que hagan una tarea muy, muy, muy determinada.
25:26
Bueno, pues entramos un poco en en otra parte que creo que le
25:30
va, que le va a molar. Esta era una demo, vale que
25:33
teníamos preparada para para poder y lo voy a dejar como como
25:38
futuro, vale como futurible, pero lo realmente era como cómo
25:42
puedo entrenar un modelo en el cual me pueda clasificar
25:46
imágenes, me pueda clasificar voce, me pueda clasificar lo que
25:49
sea vale o detectar cosas o o detectar elementos dentro de una
25:54
imagen con coordenadas, etcétera.
25:56
¿Cómo podría hacerlo sin tocar una línea de código?
25:59
Y esto al final, pues puede ser bastante, bastante útil porque
26:03
al final nosotros lo que podemos hacer es tener un modelo en el
26:06
que me lo puedo descargar a posteriori, es decir, acorde.
26:11
Ten en cuenta lo que estamos hablando, a ver si yo puedo
26:13
entrenar un modelo sin tocar una línea de código y luego eso es
26:17
lo que tengo que proporcionarle. Es un dataset bueno, pues al
26:20
final todos estamos cogiendo, creo dataset por todos lados,
26:23
que es la final lo que nos va a hacer que nuestro modelo.
26:26
Pues sea más preciso, no, no sé si si.
26:29
Tú lo que quieres ahora es taggearlo, no, sí.
26:31
Al final lo que vas a hacer es un tagging y esos y esos
26:34
elementos lo vamos a hacer de manera que que sea bastante
26:37
sencilla. Vamos a ir.
26:39
Por ejemplo, yo lo tengo ya cargado en una región que es,
26:43
por ejemplo, yo estoy metido ya en la en la región de Estambul y
26:47
tenemos el modelo de modelard. Vale, el modelo de modelard,
26:50
como pueden ver en Estambul, no está disponible.
26:53
¿Para este sentido voy a ir, por ejemplo, voy a elegir Singapur,
26:58
por ejemplo, me voy a ir a Singapur y ahí veremos que una
27:01
de las cosas que había dicho anteriormente, que los servicios
27:03
va a depender de la región en la que estemos, como en cualquier
27:06
nube, no? Entonces aquí si queremos
27:08
trabajar con notebook, pues podemos tenemos un notebook que
27:11
podemos abrirlo directamente para la parte de I a podemos
27:14
preparar los dataset, podemos hacer el entrenamiento.
27:17
Y una cosa interesante vale, es decir, si nosotros cogemos un
27:19
modelo por ejemplo de having FACE, queremos hacer un fine
27:22
Unit, pues lo que podemos cargar aquí de tal forma que nosotros
27:25
podemos re entrenar modelos desde aquí mismo con este
27:27
servicio. Cuando vayamos a entrenar, pues
27:29
le podemos decir Oye. ¿Este este es el código de
27:32
entrenamiento que quiero, eso sería otra parte, vale?
27:34
¿En la que sí tengo código que yo quiero aportar, no?
27:38
Con este código entrenar este modelo bla bla y al final tengo
27:40
resulto la parte de de SMLSML es un servicio que lo que permite,
27:47
por ejemplo, es clasificación de texto, ya estos son modelos que
27:50
están definidos y yo lo que tengo es una interna.
27:54
Sí, no están basados en ninguno. Son modelos internos, vale en el
27:57
que tú, por ejemplo, pasas los data sets.
27:59
Y a partir del Dataset ya tú te puedes dejar.
28:02
Te puedes descargar el modelo personalizado, vamos a decir
28:05
reentrenado con tu propio dataset.
28:07
Vale y te lo podrías descargar y poder usar en cualquier momento.
28:10
¿Cuál es la ventaja de de este servicio?
28:13
Pues que al final cuando tú generas un modelo ya lo que
28:17
puedes hacer es decirle que te monte el API Rest para poder
28:21
invocarlo. Entonces ya todo eso queda
28:24
encapsulado dentro del propio servicio.
28:26
Es decir, ya tú tienes un API en el cual puedes empezar a llamar.
28:29
Y a empezar a consumir y a decirle al modelo que que que
28:32
empiece a funcionar. ¿No tienes que montártelo por
28:34
detrás, vale? Esto es una de las de las
28:36
ventajas que podemos tener con este modelo, a diferencia por
28:38
ejemplo de perdón de este servicio, a diferencia por
28:41
ejemplo de si usas una máquina virtual tradicional, pues que al
28:44
final tienes que quedarte tú el API para poder para poder
28:46
invocarlo. No vale, pues sería una de las
28:50
de las características de este servicio.
28:52
Vale, sería bastante, bastante interesante.
28:55
¿Más información sobre el servicio pues como en todo
28:57
siempre vale, siempre hay que consultar documentación,
29:00
especialmente cuando trabajamos con APIS que le digan a Rafa o
29:03
Alex si tienen que consultarla y generarla, no, bueno, pues más
29:08
cosillas no? ¿Si tiramos de este modelo un
29:13
poquito hacia arriba, vale, si vamos desarrollando servicios
29:17
con este modelo, qué vemos? Por ejemplo aquí tenemos una,
29:20
esto es una captura únicamente vale, pero lo que vemos es que
29:23
tenemos. Una serie de imágenes que
29:25
parecen, pues piezas mecánicas, no estas.
29:29
Estas piezas mecánicas lo que se van a encargar es en el modelo
29:32
anteriormente y lo que hablamos ahora es de poder detectar
29:37
fallos en este. En estas imágenes vale en fallos
29:40
mecánicos. Posibles fallos mecánicos en
29:42
estas imágenes. ¿Cómo lo hacemos?
29:46
Uno de los modelos muy característicos que ya hablamos
29:49
en el época de anterior, pero. Lo vuelvo a repetir.
29:52
Vale, uno de los modelos más potentes que tenemos a nivel de
29:55
de Huawei cloud son los modelos pango.
29:57
Los modelos pango dijimos que eran modelos multimodales y que
30:01
pueden ser a nivel. ¿Se pueden especializar en a
30:03
nivel de industria? No, y están formados no por un
30:06
modelo, sino por un conjunto de modelos internamente.
30:09
Frank STOP modelos o no pensos también.
30:11
No estos modelos. Son son ya de de Huawei, vale, y
30:15
son de Huawei cloud. Y estos modelos pues lo que se
30:19
hacen es ad hoc para una industria determinada.
30:21
Vale, o sea, al final son modelos que son muy, muy
30:24
específicos. Sí, son modelos realmente
30:27
industriales y de alto nivel que están formados, te digo, como
30:30
decía, por diferentes submodelos y muchos de ellos a la vez,
30:36
vale. Que muchos de esos modelos en
30:39
los que forman el pangus pueden ser modelos fundacionales.
30:42
Vale ser modelos muy básicos, pero que como fueron funcionando
30:45
unos con otros, pues que eran modelos cada vez más grandes en
30:47
anterior. En el podcast anterior hablamos
30:49
de del modelo pango pango weather, no para previsión del
30:52
tiempo. ¿Ese pango era para poder
30:55
prever, predecir los tifones YY tener mayor precisión a la hora
31:01
de detectar su posible movimiento y salirnos de lo de
31:05
lo tradicional, no? Pues en este caso tenemos el
31:07
modelo pangu que se basa ya en visión por computador para poder
31:11
detectar posibles fallos en infraestructuras ferroviarias.
31:16
En este caso lo que vemos aquí son fotos, determinadas
31:20
infraestructuras y lo que vemos es si el modelo cuando le
31:24
pasemos una foto va a detectar si falla algo o no, que por
31:28
ejemplo en esta imagen la del medio fácilmente nosotros vemos
31:30
que falta un tornillo. ¿Aquí falta un tornillo, Eh?
31:33
En la parte en. ¿Porque tú lo dices, EH, yo?
31:37
Lo veo porque ya lo lo he visto, vale, pero que falta que falta
31:41
un tornillo. Entonces al final lo que va a
31:44
haber el modelo es pasándolo en un set de imágenes, pues ir
31:47
detectando posibles errores. Si evolucionamos esto, vale y
31:51
creamos algo en el cual pues podamos manejar esto fácilmente.
31:55
Dijimos en el power de anterior, OYE, tenemos soluciones en las
32:00
que se pueden ver problemas con los trenes, pues este es justo
32:04
este ejemplo. Vale, voy a quitar el sonido y
32:05
lo voy a comentar yo para poder ir viéndolo.
32:08
Simplemente vale, avísame si se ve correctamente, pero creo que
32:11
aquí el tren directamente entra en su en su aparcamiento, por
32:17
así decirlo, una vía que tiene por debajo y esa vía tiene
32:21
montada una Cámara. Que es un robot está robotizado
32:24
y toda esa parte de inteligencia artificial se va a meter en la
32:29
en la nube con el modelo anteriormente el modelo pango
32:31
que vimos anteriormente. Esto va sacando fotos, vale
32:34
directamente de cada uno de los de toda la parte inferior de
32:38
orden, sí y directamente, pues va a a reportar si existen
32:44
fallos en la infraestructura, en la parte mecánica del tren, si
32:48
existen fallos, pues habrá que retirar ese tren.
32:51
¿Y pues tomar las medidas oportunas, si es un fallo grave
32:54
o si no es un fallo grave, pues podrá seguir circulando y ya se
32:57
se notará para poder arreglarlo en el futuro, que bueno, aquí
33:01
vemos como como falla, como falla, se ve mal formación ese
33:05
tren probablemente no pueda seguir circulando, pero el robot
33:08
sigue pasando esto mejora o qué o qué vemos?
33:11
¿Qué puntos vemos que son positivos?
33:13
Pues mira, si hace más de 16000 inspecciones de este tipo
33:17
prácticamente. Diariamente.
33:20
Entonces al final metemos trenes, sacan fotos, esas fotos
33:23
se procesan y hasta que no se tome una decisión, el tren no
33:26
vuelve a circular. ¿Esto al final si lo tuvimos que
33:29
hacer manualmente, pues sería algo algo de locos, no?
33:32
Si ya lo hacemos de esta forma, pues es una de las aplicaciones
33:37
que tenemos con los modelos pangus aplicado a una industria
33:40
determinada, que en este caso es la industria de los de los
33:42
trenes. Es brutal el curro, que todo
33:45
esto es increíble. Sí, pero aquí para poder llegar
33:51
a este escenario, lo que sí que tenemos que tener es 1° de
33:54
confianza brutal en la tecnología, porque si no o sea.
33:58
Bueno y está entrenado, y. Haber llegado después de un
34:04
entreno brutal y de una entiendo y una varificación ahí brutal de
34:09
que realmente esto es así. Sí, sí, justo al final estos
34:12
modelos no pueden estos, estos servicios no se pueden poner en
34:15
en producción si no están totalmente probados, no, es
34:18
decir, que que vayamos nosotros con un high in face lo
34:21
entrenemos y al final ya pongamos esto en producción no,
34:23
al final esto requiere verificación constante, adaptar
34:27
por ejemplo a cada tipo de trenes, porque a lo mejor hay la
34:30
parte inferior de cada tren, va a ser diferente, no así, no
34:32
tiene por qué ser igual, pero al final lo que es importante es
34:37
que esta tecnología ya existe, se está aplicando.
34:40
Y se utiliza en China directamente, o sea que ya hoy
34:42
por hoy se está, se está utilizando y la red.
34:44
Cierto, claro, esto acabará en aviones y acabarán todo.
34:47
Sí, teniendo en cuenta que la red piroviaria de de China a
34:51
nivel pues es es de la es la parte del mundo a nivel, sobre
34:56
todo de alta de alta velocidad. Bueno, esto al final lo que hace
34:59
es reducir mucho detectar muchas cosas antes de que ocurran.
35:03
O sea, al final puede haber un error o no de ella, pero al
35:07
final. Ya solo poder automatizar todo
35:10
esto me parece increíble. Si a mí a mí me preocupa,
35:14
supongo que esto ya lo tendréis solventado y cada vez menos.
35:16
¿Los modelos alucinan, no? ¿Entonces, cómo cómo alucinaría
35:20
una? O sea, es un poco raro.
35:23
Tampoco es más. No, no, no, pero yo entiendo que
35:29
no suelo echar fotos. Yo creo que la I aquí está para
35:31
identificar fallos, sí. Para identificar sí una una
35:34
noxinación en este caso, pues al final el que termina alucinando
35:37
es el conductor y los pasajeros no, porque al final si esto si
35:39
esto va mal, pues al final podemos tener un problema muy
35:42
grande. Entonces al final todo lo que
35:44
decíamos, estos modelos están muy entrenados.
35:46
Sucedería lo mismo que lo veremos tan bien que lo
35:48
pensamos. Que tiene menos repercusión,
35:50
pero cuando fallas en la predicción de un tifón, que
35:52
puede ser devastador, pues también sucede lo mismo.
35:55
¿Lo que pasa es que como no estás subido en nada, puedes tú
35:57
estar, tienes más margen de maniobra, no?
35:59
Pero también puede ser también igualmente catastrófico si falla
36:02
la predicción, entonces, bueno, pues estos modelos y si como
36:06
dices tú rafa, tienen que estar muy bien entrenados, tienen que
36:09
estar muy bien verificados y el confiar en la parte mecánica
36:12
también, que hace esa prueba, no el robot, que esa solución, ese
36:15
brazo que se moda correctamente, etcétera.
36:17
¿Entonces al final? Podríamos decir que esto ya es
36:21
una de las primeras convergencias que hay entre ella
36:24
y. ¿Y robótica?
36:25
Parte robótica. ¿Si quizá quizá no es la
36:27
primera, pero es una aplicación más de ella, no?
36:29
Es decir, una parte, una aplicación más de un modelo que
36:32
a priori es sencillo, que es vamos detectar fallos o analizar
36:39
imágenes. Visión por computador.
36:40
¿Se lleva hablando muchos años de ello, no?
36:42
Pero al final es es es una parte más en la que aplicando
36:45
diferentes tipos, diferentes capas y diferentes tecnologías,
36:48
evolucionamos y damos un paso más adelante.
36:50
No más adelante, no sé, vamos a evolucionar.
36:54
Perfecto, esto es, es increíble. O sea la vamos a donde vamos.
36:59
¿Va a ser la leche? Sí, la leche.
37:02
Sí, sí, sí. La verdad que el futuro pues
37:04
pues pinta bastante bastante guay porque vamos, se ha ido
37:07
evolucionando en mucha, en muchos aspectos y la otra parte.
37:10
Importante plan fue, creo que fue ya no me acuerdo el nombre
37:16
como es que hace unos días pedía disculpas porque se iban.
37:21
A. A.
37:21
¿A cargar, no sé cuántos, pues? Sí, entonces con esto yo veo
37:26
también que que bueno, lo que vamos a hacer es no, no vamos a
37:29
cargar puestos de trabajo, pero sí que vamos a a cambiar.
37:32
Vamos la verdad. Hay diferentes análisis, no que
37:35
por ahí al final fuera ya del club, pero si es verdad que.
37:39
Determinan que se van a desaparecer unos puestos, pero
37:42
aparecerán otros. Entonces al final realmente
37:44
desaparecerán puestos que de trabajo puede que sí, puede que
37:48
no, no, no tenemos sales relación, vale, pero sí es
37:50
verdad que hoy aparecerán otros el.
37:54
Tema no es que se vayan a que el problema no es que desaparezcan.
37:58
También desaparecieron en la con la Revolución Industrial, pero
38:01
al aparecer nuevos, entonces lo que tienes que hacer es pues
38:04
adaptarte a este cambio. Será bueno, sí, sí será eso.
38:08
El otro ejemplo vale, y ya que estamos también con con los
38:10
trenes, pues vamos a ver otro ejemplo de trenes.
38:13
Vale, en este caso ya no tanto centrados en la propia seguridad
38:16
del tren en sí, sino de la propia infraestructura
38:19
ferroviaria. ¿Se ve el vídeo también?
38:21
No, este es un proyecto que se está llevando.
38:24
Este. ¿Se ve un proyecto en el Este?
38:27
Es un proyecto en el que eran en Sudáfrica, creo recordar, y
38:31
también se está llevando también a a Europa, no a creo que en
38:34
Londres también se está llevando y es un proyecto para poder.
38:37
¿Proteger una parte que es muy atractiva últimamente, que es la
38:42
propia red ferroviaria, es decir, todo, la toda la
38:45
tecnología que hay, el cobre que puede tener diferentes
38:48
materiales, no solo este tipo de elementos, sino proteger todo
38:51
esto no porque la las incursiones, robos y demás no es
38:54
algo solo que suceda, por ejemplo en España que sucede,
38:58
sino en otros países también sucede entonces proteger esto es
39:01
fundamental, no? Entonces, si la ferroviaria es
39:05
muy grande. Pues tienes muchos puntos que
39:08
son vulnerables. Entonces lo que se está metiendo
39:10
con este tipo de tecnología es poder hacerlo de forma
39:14
automática, es decir, o detectar que te van a robar o que está
39:18
una posible incursión en la vía en la vía ferroviaria de manera
39:23
automática y que usando herramientas de inteligencia
39:26
artificial se seas capaz de detectar, por ejemplo, que
39:29
están, pues escavando que han roto el perímetro y que esa y
39:34
lo. ¿Cuando están entrando, pues que
39:36
realmente la intención es robar esa ese por por diferentes
39:39
patrones, no? Entonces lo que lo que se
39:41
muestra en este vídeo es simplemente no, simplemente
39:45
vale, o sea, aquí se puede ver cómo está tiroteado como el
39:48
sitio al final desaparece los bandas.
39:49
Cloud está totalmente vandalizado, entonces lo que se
39:53
intenta hacer es vale, pues utilizando tecnología pasada en
39:56
la nube con otros departamentos también de dentro de Huawei, ya
39:59
no solo Huawei cloud vale, sino. ¿Sabemos que al final Huawei es
40:04
una empresa muy grande, tiene diferentes divisiones, Huawei
40:06
cloud es una de ellas, vale, pero al final cuando trabajamos
40:09
con 10 tipos de hardware o con tipo de de soluciones, pues es
40:12
importante hacer una simbiosis en diferentes tecnologías, no?
40:18
En este sentido, pues el proyecto va a intentar proteger
40:23
toda esa toda esa infraestructura, eso es lo
40:26
importante. ¿Y cómo lo usamos?
40:28
Bueno, pues al final tenemos soluciones que puede ir a un
40:31
premio. Soluciones que pueden en la nube
40:34
y soluciones que al final lo que lo que intentan es, pues
40:37
disminuir la latencia lo en lo más posible.
40:40
Vale enlazo aquí vale, no tiene, no, no está relacionado con este
40:44
producto, pero nosotros tenemos productos ciertamente para poder
40:47
reducir esa latencia. Hablamos por ejemplo de cloud
40:50
pon, por ejemplo, lo que es una solución ad hoc para poder
40:53
crearlo, por ejemplo para para para hospitales, no, al final
40:58
cuando estamos en hospitales tenemos que tener las tensas muy
41:00
bajas. Lo digo vitales porque sí, vale,
41:03
porque al final son son sistemas críticos, pero ahí tenemos que
41:06
tener la tensión muy bajas. Aquí se puede ver en la
41:09
apagatura haber una imagen en la que se ve como una posible
41:12
incursión porque podemos la obra para sí, parecen obras, pero que
41:16
están excavando de la de la infraestructura y eso puede ser
41:21
un posible robo. Entonces cuando llegas a alarma
41:23
de que el suelo está temblando, al final pues eso no está hecho
41:26
con sensores. Sino estar yo directamente con
41:29
con inteligencia artificial, ver o a través de las cámaras ver
41:33
que hay posibles detecciones de posibles incursiones.
41:37
Vale, esto, como digo, es que el proyecto surge en Sudáfrica,
41:43
pero hablamos de mira, en Sudáfrica estamos hablando de
41:46
620 km, que hay que proteger y hay robos continuamente.
41:49
Entonces eso es bastante bastante importante y una
41:54
subdivisión muy grande. Al final esto lo que se va a
41:57
llevar. Se va a llevar a a Londres y
42:00
veremos que este proyecto, pues en alguna de las soluciones que
42:03
está aquí, pues se llevará exactamente igual a a una
42:08
solución en London. Vale esto ya sabemos de is
42:10
london, en el cual pues al final sufren exactamente lo mismo.
42:14
¿Igual, pues no es 111 proyecto una un problema que afecte solo
42:18
por ejemplo, a determinados países, sino que nos afecta a
42:21
todos YY cada vez más no? Bueno, simplemente esto.
42:25
Sea un poco de ejemplo que lo vean.
42:27
Vale aquí, pues se ve, por ejemplo, que se empieza a
42:29
martillar el suelo y se ve como el sistema ya empieza a detectar
42:33
esas posibles fluctuuencias hay una fluctuación, hay una alarma
42:38
y por inteligencia artificial, pues eso, al final se lanza y el
42:41
equipo ya puede ir a visualizar lo que está pasando.
42:45
Vale, simplemente esto es para que lo para que viesen el equipo
42:47
de iniciativa vale más cositas. Hablamos también ya que hablamos
42:52
de trenes. Vamos a hablar también de
42:54
aviones, no hablamos de la en la demo pasada, hablamos de bueno
42:59
en el podcast pasado perdón, hablamos de de smart city, smart
43:03
campo, pues yo tengo aquí la maqueta aquí detrás, pero vamos
43:07
a ir un poco más allá, que es el smart airport, no el smart
43:11
airport. Al final lo que va a ser cuando
43:13
solo llegamos y hoy que también día, pues cada vez tenemos más
43:15
noticias de la aviación, pues es también importante tener en
43:20
cuenta cómo se hace la propia gestión de la del.
43:23
¿Del propio aeropuerto no? Zona aire, zona Tierra.
43:26
¿Vale, entonces, si no vamos a la zona aire en la donde
43:28
aterrizan los aviones y dónde podemos colocar?
43:31
Aparcar los aviones de forma eficiente, no de forma
43:34
eficiente, quiere decir que el avión lo podemos situar en un
43:37
punto en el cual pues se pueda repostar rápido y salir lo antes
43:40
posible, no, esa es pues una eficiencia que se hace también
43:44
con una solución de smart. E en China, pues esto se hace
43:47
bastante, se usa esta estas soluciones de manera continuada.
43:52
Además, la parte de Tierra, por ejemplo, pues podemos prever
43:55
dónde va a haber más aglomeraciones de personas.
43:58
Y esto tenía mucha utilidad durante, por ejemplo, el COVID
44:00
no es decir, había personas en determinadas, o sea, esto al
44:05
final, pues son determinadas soluciones que que pueden ser
44:09
muy muy interesantes. No sé qué les parece.
44:13
Madre mía. ¿Otra dimensión?
44:16
Yo creo que esto de Huawei cloud y la I a de de Huawei ya está
44:21
pidiendo otra dimensión. Más que nada, pues lo que
44:22
decíamos que comentaba Rafa también y comentabas que es
44:26
vincular toda la parte de ella con industria, infraestructura y
44:30
demás. O sea, esto nos da un paso más
44:33
adelante. Sí, el el el punto clave aquí es
44:37
cómo vincular modelos determinados o que puede.
44:39
¿Nosotros pensamos, bueno, pues son modelos muy básicos, pero
44:41
cómo darles una vuelta de tuerca para poder aplicarlos a una
44:44
industria determinada? Y ahí justo está como el valor,
44:48
no el más, la la utilidad real que puede aplicarse en la en la
44:52
sociedad, que al final lo que queremos es pues tener productos
44:55
y evoluciones continuas y poder tener, pues por ejemplo, puede
44:59
detectar fácilmente. ¿Dónde puede haber una
45:02
aglomeración? Pues al final esto es importante
45:03
en un aeropuerto para poder, por ejemplo, abrir otro control de
45:06
seguridad. Somos expertos en.
45:12
Ya te digo, ya te digo ya hace 2 semanas pringué hace una semana
45:16
brinqué 2 días en el aeropuerto de París, ya les hubiera venido
45:19
bien esto a ellos y sobre todo la huelga de controladores que
45:22
pillé, en fin, no, no, no me está, me está ahí.
45:28
¿Sí, ya, bueno es, al final son son determinadas soluciones que
45:31
que es interesante, no? Esto también, pues por ejemplo
45:34
se puede utilizar pues para para diferentes sectores.
45:38
Por ejemplo, nosotros no hemos hablado, pero muchas partes que
45:40
tienen que ver con con nuestro data center, con todo lo que
45:43
tiene que ver con la parte de energía, porque al final todo
45:47
esto nos guste o no, pues requiere cierta y cuando
45:51
entrenamos modelos de inteligencia artificial pues
45:53
sabemos que estamos consumiendo mucha energía.
45:55
Al final cada modelo pues requiere.
45:57
Bueno, pues una gran cantidad de energía para poder utilizar.
46:01
Nosotros lo que tenemos también son los data Center, pues
46:04
certificados como grin Energy al final utilizan renovables para
46:07
poder utilizar esa esa esa energía que nosotros tanto
46:11
utilizamos para computación tradicional o para re entrenar
46:15
modelos. No vale, pues más soluciones que
46:19
podemos. Estamos viendo aplicaciones de
46:22
la I a EH por un tubo. De la I a por un tubo.
46:25
Sí, esta se usa para, por ejemplo, investigación sobre el
46:29
a DN vale también para poder detectar y poder elaborar
46:33
medicamentos que puedan ser pues más beneficiosos para para la
46:37
salud. ¿Pero al final le pongo el
46:40
vídeo, vale, yo lo voy explicando, que lo que se trata
46:43
es simplemente digo, simplemente pues que me entienden, vale?
46:47
Es poder analizar a nivel de a DN, poder ver qué qué moléculas
46:52
son las que pueden ser más susceptibles de de poder ser
46:57
modificadas o poder detectar desarrollar medicamentos que
47:02
vayan acorde a una parte determinada.
47:05
Y lo que vamos a hacer aquí es utilizar modelos de inteligencia
47:10
artificial. Obviamente ni soy experto en
47:12
trenes ni soy experto en en a DN vale.
47:16
O sea, al final lo que hacemos es aplicar soluciones que ya los
47:19
expertos nos dicen que son necesarias.
47:21
Y a partir de ahí, pues tener una una ganancia.
47:25
Nosotros y los expertos. ¿Cómo miden la ganancia?
47:27
Pues básicamente en tiempo de coste.
47:30
Vale, al final vemos que los costes de poder hacer esto, si
47:32
lo hacemos de manera tradicional, tanto en tiempo
47:35
capital humano como en tiempo de time to market, como el que dice
47:39
no el tener un producto final, pues se extiende mucho.
47:42
¿Y si lo hacemos a utilizando inteligencia artificial?
47:45
¿Al final lo que vamos a tener es justo, lo voy a poner aquí,
47:47
vale? Y justo lo que queríamos ver, el
47:50
tiempo que tardamos en sacar algo vale, entonces todo.
47:54
Al final lo vamos a medir en el tiempo que tardemos y en el
47:57
coste que supone, no, entonces al final si el tiempo antes era
48:00
de años y ahora hablemos de meses, pues ya tenemos un coste
48:04
que se vaya a reducir y una ventaja que que sacamos a la
48:07
sociedad relativamente. ¿Rápido, no?
48:10
¿Y luego? Pues el coste, el coste.
48:12
Estamos hablando de que hay una reducción del 70%.
48:15
Obvio, si al final tenemos una reducción al menos mínimo vale,
48:19
si antes tardamos años, vamos a hablar que años son 2 o 24
48:22
meses, que ahora vamos en un mes, pues ahora estamos ganando
48:24
23 meses, no de de de tiempo. Habrá muchos pacientes que que
48:29
estarán deseando que esto funcione.
48:31
Porque claro, y de nuevo. Se recortan los tiempos de una
48:34
forma alucinante. Sí y sobre todo tema de
48:37
enfermedades y tal. Yo lo que he leído es que con
48:39
esto se va a acelerar el el descubrimiento de de soluciones
48:43
médicas a lo bestia. ¿Lo único que claro que no
48:47
seamos, no creamos que esto va a ser en nada porque tenemos a la
48:52
quién le quita el chiringo a las farmacias?
48:53
¿Sabes a las farmacéuticas entonces?
48:56
Será será en combinación con al final serán herramientas que
49:00
utilicen las farmacéuticas para poder desarrollar esto o
49:03
investigadores que puedan usar esos modelos.
49:04
¿Por qué? Porque al final lo que hablamos
49:06
de nuevo, si se fijan ahí en el en el literal, pone pangu drag
49:10
model. Es decir, de nuevo estamos
49:11
hablando de de un modelo pangu que se que es está orientado a
49:16
la parte de análisis de de moléculas y medicamentos, lo de
49:20
drag, moléculas y medicamentos. Vale, vale, al final la
49:23
traducción, pero bueno, que al final es, es es importante que
49:26
que lo tengamos en cuenta. Y no al final, pues como vemos
49:30
vemos toda la aplicación de los modelos pangus, lo que suponen o
49:33
lo que están suponiendo es una mejora tanto en tiempos como en
49:38
en costes, vale, es decir, y al final un producto que que es
49:42
extremadamente, pues útil y eficiente.
49:44
Vale la otra solución que tenemos del modelo pango vale,
49:48
es lo el el pango weather. Yo lo he, lo he puesto lo porque
49:53
sí, el pango weather es el pango, el pango del del tiempo y
49:56
yo lo he puesto porque la. En el ejemplo anterior vale, es
50:00
decir, en el podcast anterior, perdón, vimos que este modelo es
50:04
es lo que se utilizaba. Este modelo se lo he dejado ya
50:07
de se ha dejado de alimentar con datos, vale, pero lo que se hace
50:11
por ejemplo, con este modelo es poder predecir, por ejemplo,
50:14
vamos a Madrid y se sigue manteniendo esta demo
50:17
simplemente porque es útil, vale, pero no se está
50:21
introduciendo datos nuevos, vale, entonces los datos que
50:24
tenemos son son antiguos, estamos hablando, creo que.
50:29
Ah, bueno, aquí tenemos datos de si me equivoco de justo puede
50:35
ser, sí, sí, este sería un poco los datos que tenemos.
50:39
Mira, pues sí se han, se están metiendo datos, se han metido
50:41
datos nuevos porque hasta ayer no tenía vale, pero bueno.
50:46
¿Al menos abriendo un ticket, pues está escalado, no?
50:49
¿Abriendo un ticket, EH, lo has dicho tú, EH?
50:51
Sí, sí. ¿Habiendo un ticket menos se ha
50:52
escalado, no? ¿Bueno, pues aquí vemos la
50:56
previsión que que vamos a hablar o que podemos tener desde el día
51:00
de hoy es día 14, no? Pues de hoy hasta hasta hasta el
51:06
resto de hasta el día 18 creo que estamos.
51:10
Tenemos temperatura aproximada a las 2:00 de la mañana.
51:14
Y luego podemos ver que si el día cuando se emita esto, pues
51:18
ver si esto realmente se hizo realidad, vale, entonces podemos
51:22
ver fecha lluvia, o sea el. El modelo está prediciendo
51:26
realmente lo que pasa, que en Madrid es muy fácil porque es
51:30
que no hay. ¿Nada, EH?
51:32
Ahora mismo, buscar algo más. Interesante vamos a ver, es que
51:36
ahora mismo vamos, vamos a ver a ver, no sé si está.
51:46
¿Pues lo mismo va a ser, pues muy fácil, no?
51:48
Porque al final no va a haber ni lluvia ni nada.
51:50
Entonces podemos irnos. Podemos ver también diferente.
51:53
Podemos ir a el nasea sepra es alado.
51:55
Este este modelo, este modelo es público, quiero decir, este este
51:58
servicio es público. Este servicio, esta URL es
52:01
pública, vale, por tanto la pueden ir con la pueden
52:03
consultar. Y hablamos también de por
52:06
ejemplo, una de las cosas guays que tiene es la el vector de los
52:09
vientos. Vale, cómo se van moviendo los
52:11
vientos. ¿Esto por ejemplo para
52:12
navegación para el tema de si el viento, cómo va aplicando el
52:17
viento? Pues también puede ser
52:18
interesante, por ejemplo, no que nos guste la vela, pues al
52:20
final, sabiendo los vientos y el movimiento de los vientos, pues
52:23
al final podemos predecir. Si podemos salir, si no podemos
52:26
salir, etcétera. Y la fuerza que va a tener el
52:28
viento vale. Por ejemplo, si nos centramos en
52:31
vamos a Madrid, por ejemplo, y nos centramos en un pues en
52:37
algunas zonas de Madrid, pues vemos que en Madrid hablamos que
52:40
vamos a tener, pues nada. Hablamos de de poquita velocidad
52:43
de viento. ¿Parece que va a haber algo más
52:46
en en Barcelona, que no? Yo le pondría que subiese que le
52:49
pusiese nudos, al menos para. Sí, para poder, pero bueno, es
52:56
una mejora ya que no tiene que ver con el pango, es simplemente
52:58
la interfagra, pero bueno, que que es interesante poder verlo y
53:02
que obviamente no es un parte metodológico, náutico,
53:05
aeronáutico, pero sí que es verdad que nos puede dar una
53:07
iniciativa. ¿Esto no valdría para para la
53:10
náutica, vale, pero este parte general se podría usar el pango
53:13
para eso? Probablemente sí, desconozco las
53:15
limitaciones de todas las limitaciones que puede tener,
53:17
pero probablemente se puede adaptar a a ese sector también.
53:22
Marco sigue, pues estamos llegando, al final se me ya me
53:25
estoy quedando sin sin balas así.
53:28
Decirlo, sabemos que te guardas una muy potente.
53:30
Sabemos todo que estamos todos esperando la última bala que la
53:33
conocemos. Pero bueno, oye hasta ahora,
53:36
brutal, o sea. ¿Es que es eso?
53:41
Mucha gente habla de I a mucha gente habla de vamos a hacer
53:45
esto, incluso incluso las empresas están apostando y
53:49
dándole un. Un presupuesto de tropecientos
53:55
bueno, un budget brutal hasta para encontrar aplicaciones de
53:59
la I a y bueno, yo creo que allí garres soltaba que hasta 2028 va
54:04
a estar habiendo hype, pero que después va a haber una caída
54:06
brutal. Porque claro.
54:08
Inviertes, inviertes, pero no en algo que sea, digamos resolutivo
54:12
de verdad. O sea, pero inviertes.
54:14
¿Estás estás disparando a todo? Sí, pero a la.
54:16
¿Única este caso? Sí que estamos viendo, o sea en
54:18
este caso reales, o sea que es en este caso es lo que le falta
54:21
a tu gente, o sea, a las. Sí, sí, sí, ahora sí que es
54:25
cierto que estamos viendo cosas reales.
54:27
Sí, sí, a ver, al final cuando mostramos este tipo de cosas,
54:30
pues ya sabemos cómo funciona la I al final muchas veces, pues
54:33
para poder correr tienes que tener una infraestructura y al
54:36
final para ser más práctico, más vale grabar un vídeo, verlo,
54:39
mostrarlo y si luego queremos cacharrear, pues al final
54:41
podemos cacharrear con ello. ¿Este es otro ejemplo que quiero
54:45
que que vean que es interesante porque se trata de la ya I a
54:50
generativa a nivel de escena, vale, entonces vale, lo pongo en
54:52
contexto, tenemos un chatbot que ya hemos visto, un chatbot
54:55
realmente el LM? Que hemos visto la parte de
54:58
gráfica, la parte de diferentes modelos pango con visión por
55:01
computador. ¿Y ahora vamos, no vamos a
55:02
ponerlo todo en conjunto, pero sí que le vamos a usar el LDM
55:06
para generar escena 3D, no? Y entonces vamos a ver cómo a
55:09
partir de una interfaz gráfica básica de una interfaz, vamos de
55:13
Jatbot que le veíamos que genere una escena 3D de un desierto.
55:16
¿La genera directamente con movimiento, le decimos que
55:19
genere que le ponga vegetación, vale?
55:22
Ahí la cena se genera con vegetación y ahora le decimos
55:25
que yo cambie una ciudad. ¿Va a cambiar una ciudad un poco
55:28
bueno, extraña, no con edificios muy finos, pero bueno, a cambio
55:31
de la ciudad y ahora quieres que vamos, que homogenice un poco
55:35
los los resultados, la altura de los edificios y renderice mejor,
55:39
no? Bueno, parece ser que ha
55:40
renderizado bueno presión de los edificios y ahora.
55:45
Se nota se nota que que que que jolín, es que el tipo de
55:48
respuesta brutal se nota que es un vídeo.
55:50
¿Se nota que es un vídeo, no? Sí, sí, no.
55:51
Al final esto es estamos renderizando y al final sí puede
55:55
ser un vídeo, pero al final son modelos pango de generación.
55:59
¿Vale en este estudio? En este caso lo que estamos
56:02
hablando es de un producto que se llama meta Studio.
56:05
Vale, meta Studio es un producto que Rafa, creo que en Dublín no,
56:09
no está disponible. Pero en Turquía creo que sí.
56:12
Vale, entonces meta Studio es un producto que se usa o que se
56:17
puede usar y mola mucho para crear lo que llamamos Avatar
56:21
virtual. Vale, y está directamente
56:23
relacionado con esto, el Avatar virtual tú puedes crear es un
56:26
producto que tú puedes crear, tu propio Avatar y tu propio
56:29
Avatar. Al final, como tú dices, es un
56:32
vídeo, pero hay una parte de meta Studio que le puede dotar
56:35
de inteligencia artificial a tu Avatar virtual.
56:38
Qué quiere decir esta de. ¿La llamamos como capa, bilis,
56:41
no? ¿Al final, qué quiere decir
56:42
esto? Pues que si tú el texto es
56:44
triste, tu Avatar va a estar triste.
56:46
Si el texto va, hay que moverse o expresarse de una forma
56:49
determinada, pues tú, tu Avatar, también se va a mover de esa
56:52
forma, de esa forma, vale de esa forma.
56:54
Dependiendo de cómo entrenas a tu Avatar, pues puedes tener un
56:57
Avatar que se parezca mucho, mucho, mucho a TI en la forma de
57:00
hablar mucho, mucho a TI en la forma de gesticular.
57:03
¿Vale eso? Pues puede ser muy interesante y
57:05
es un producto que si lo quieres probar, está en Turquía.
57:08
Vale para que. Lo YY con este vocho se puede.
57:11
Se creo recordar que sí, que en Turquía podría podrías entrar si
57:14
no, pues a través de una de un de un enlace vale de un programa
57:20
que se llama Cloud Alliance. El programa de Cloud Alliance te
57:23
permite acceder a otras regiones que no es la tuya y ver
57:26
productos que no están en tu región.
57:29
Eso pues lo digo porque eso puede ser muy interesante y
57:32
tiene mucha, mucha aplicación hoy en día.
57:35
Vale, a ver, pero me has dicho antes que solo se podía en
57:39
Irlanda. No, en Irlanda no está
57:41
disponible. Creo recordar que porque por
57:43
temas regulatorios en Irlanda no está, no, no está disponible,
57:46
pero puedes acceder a través de en Turquía sí lo tienes
57:49
disponible. ¿Con capacidad de tener
57:52
teniencia artificial está en Asia, vale, pero que lo sepamos
57:55
que existe, vale? Vale, vale, tendré que me no sé
57:57
qué porras, porras. No lo vamos a poder probar.
57:59
Bueno. Bueno, pues renderizamos la
58:02
escena. Y aquí pues al final pues va a
58:04
generar una China. Una chica China vale con
58:07
diferentes vestimentas. Y al final pues a partir de
58:12
ahora, pues le pediremos que cambie la forma de hablar.
58:16
Ese ese Avatar también puede hablar si tú le puedes dotar de
58:19
tu de tu tono de voz. ¿Le puede tocar desde diferentes
58:23
características, o sea, al final es algo que que se que se puede
58:26
utilizar para diferentes funcionalidades o disconfidentes
58:31
casos de uso, no? Aquí, por ejemplo, le pide que
58:34
haga algún arte marcial. Bueno es lo de menos, pero que
58:37
simplemente que lo lo que lo sepamos que cambie luego su
58:40
apariencia física a un hombre que se vista de forma
58:44
tradicional para poder hacer tai chi que bueno o sea, pues aquí
58:47
vemos cómo va cambiando su apariencia.
58:50
Realmente cuando hablamos con meta Studio, la la la lo diré.
58:55
El tiempo de respuesta a la latencia es relativamente baja.
58:58
Vale, entonces podemos ver cómo cómo va cambiando, porque los
59:01
avatares sí es verdad que están renderizados ya más cosillas.
59:06
Pues terminamos esto y. Estaba pensando yo que siempre
59:12
había querido hacer un videojuego con esto va a ser muy
59:14
fácil. ¿Qué miedo me DAS que?
59:17
¿Me va a mandar trabajo? Perfecto, nada, muy chulo, muy
59:21
chulo, realmente muy potente. Es que está a una velocidad
59:26
brutal. Sí, cada vez estamos generando
59:28
mayor cantidad de contenidos, mayor cantidad de
59:30
funcionalidades y suele ser bastante, bastante interesante.
59:34
Debito vale lo que dijimos anteriormente, la deuda que
59:36
teníamos pendiente el 31 de octubre tenemos para
59:39
registrarnos hasta para coger el voucher.
59:41
O sea, Rafa ya casi lo ha estado grabando los vouchers válidos
59:46
hasta el 31 de diciembre. Y nada.
59:48
Por mi parte queda una demo que era.
59:51
Creo que era la que estaban esperando.
59:54
Vale la. Estábamos ya que no vivíamos con
59:56
ella, que voy a ir. Moviéndome por la pantalla y es
1:00:00
la parte de del dron. Entonces este es el dron famoso
1:00:05
dron. Vale que es vamos, que es una
1:00:06
mosca, pero en un peda. Espera que no se le está, está
1:00:08
enfocando. Deja de compartir tu.
1:00:10
Pantalla. Por fin.
1:00:11
¿Entonces te vemos? Mejor vale, vamos a a dejar de
1:00:14
compartir pantalla. Ahora, ahora, ahora, el dron a
1:00:22
por él. Vale, se ve, no estoy vale, este
1:00:25
es el dron que parece una mosquillo, es un dron educativo,
1:00:28
vale cualquiera, pues al final se puede crear su dron, se puede
1:00:31
hoy en día en fácil al final, pero bueno, este dron es un
1:00:35
telo, vale que está power by y dejo t ahí, entonces nosotros
1:00:40
pues nos nos nos hicimos con uno de ellos, tenemos 3 realmente.
1:00:44
Y al final lo que lo que hace este dron es que te toda la
1:00:47
parte de aviónica, pues te la resuelve, entonces tú no tienes
1:00:52
que estar gestionando nada de aviónica.
1:00:53
¿Entonces tú le dices, sube y el dron sube, baja el dron baja
1:00:56
estrellate el dron se estrella, entonces bueno, al final suicida
1:01:00
sí le pones, le puedes estar volando y le pones que apague
1:01:02
los motores YY si qué es lo que qué es lo que vamos a hacer
1:01:05
básicamente, pero este más despacio no, entonces lo que
1:01:08
vamos a hacer es que el dron pues pues caiga no?
1:01:12
Y son resistentes porque los he tirado varias veces ya.
1:01:15
¿Entonces, aguantar, aguantar, EH?
1:01:17
Aguanta en golpes, no, entonces me voy a ir a al al Código yo.
1:01:21
¿Realmente este código está es público, está disponible, pero
1:01:24
la parte interesante voy a compartir 1 segundo vale 1
1:01:31
segundo voy a porque esto estos drones se conectan vía Wi-Fi,
1:01:36
vale? A levantamos la interfaz Wi-Fi y
1:01:39
al final, pues cuando el dron arranca, pues me me levanta una
1:01:45
una red privada y a través de esa red privada pues pues me
1:01:49
puedo conectar por temas de simplicidad, vale para no liarlo
1:01:52
mucho, pues lo que he hecho es correr el dron.
1:01:55
¿Todo en local, vale, pero realmente esto se podría correr
1:02:00
desde la nube? Vale, voy a levantar.
1:02:03
¿Me dices desde la nube, quieres decir que yo podría levantarte
1:02:05
el dron desde ahí? Desde mi después estás en
1:02:08
Madrid, yo estoy en Barcelona, yo te levanto el dron, tú me.
1:02:10
¿Podrías levantar el dron? De hecho está hecho para eso,
1:02:12
vale, pero voy a compartir para que veamos 1 segundo la la.
1:02:15
El código básicamente vale, es muy sencillo.
1:02:19
Lo que vamos a ver es se ve la pantalla.
1:02:22
O sea, ahora, bueno, ahora se te se ve un montón de pantallas, se
1:02:26
ve el logo. El code, ahora, ahora.
1:02:29
¿Aquí se ve el el dron, esta es la del dron, vale?
1:02:32
Esto es una web en la que ahora sí es verdad que podemos ver
1:02:35
perfectamente el fondo YY este es el dron, que yo que yo estoy
1:02:38
volando, vale el. Pedazo de Pantallazo, tenéis ahí
1:02:40
más guapo, Eh, perdón. ¿Esta esta es la Cámara, esta es
1:02:43
la Cámara del Dron, vale? Entonces al final yo lo que voy
1:02:46
a hacer es con una interfaz, me lo voy a alejar de mí.
1:02:49
¿Por seguridad está en la silla, vale entonces?
1:02:52
Le voy a dar a take off y el dron pues debería de empezar a
1:02:56
levantarse. Ahí estabas, pues entonces, como
1:02:57
esto es una web, pues podemos darle a que que suicide.
1:03:02
Ojo de raca, tío ha. Caído al sol a plomo.
1:03:06
Entonces yo lo que podría, lo que lo que estamos haciendo con
1:03:09
eso por temas de espacio, porque al final el dron nunca se sabe
1:03:13
muy bien. Tienes que mantenerlo muy bien y
1:03:15
como tengo no tengo un teclado, te tengo aquí un topo todo.
1:03:18
Sí, sí, sí. Pero lo que tú decías, Rafa al
1:03:20
final, si es verdad que esto funciona con una API, esto es
1:03:24
una llamada al API del dron constantemente y esto es una API
1:03:28
público que tú puedes empezar a llamar desde.
1:03:30
La web ah, oído perdona, perdona, he oído a navegantes,
1:03:35
mira qué demo más guapo podemos hacer que nosotros con un drone.
1:03:37
Ahí eso eso una, ahí lo dejo. Aquí hay una demo, comprar este
1:03:42
código. Te lo puedo pasar, vale, porque
1:03:45
realmente aquí lo que estamos haciendo es pasar el vídeo para
1:03:48
arriba. YY de nuevo, pues podemos volar
1:03:51
y podemos darle a que siga subiendo se leve y cada vez,
1:03:56
pues cuando se leve, pues que le damos ahí.
1:03:59
Cuidado. El techo, cuidado.
1:04:03
El techo. Parece.
1:04:09
La. Mosca ahora, Eh, sigue, sigue
1:04:12
mintiendo. Es que está muy bien hecho.
1:04:16
Bueno, como pueden ver, pues esto es el el efecto.
1:04:19
Ahora está boca abajo, vale, eso es que está boca abajo, pero
1:04:22
vamos, básicamente esta es un poco la la demo del dron está
1:04:24
hecho. Vale para que si alguien quiere
1:04:26
probarlo y tiene un drone que sea de este modelo, pues ya no
1:04:29
podría. Yo tengo el yo tengo el de JE
1:04:31
mini 2, no sé si va a funcionar, pero.
1:04:33
Ese no es educativo, no le no lo puedes programar, pero este es
1:04:36
un ese. Tendría que ser un telo parte
1:04:38
educativa. La verdad que hay 2 telos, uno
1:04:40
educativo y otro general, vale, pero los 2 se pueden programar.
1:04:44
No sé si exactamente si el mini 2 se puede, se.
1:04:47
Puede, ya lo probaré, pero pásame el código a la botella.
1:04:50
Eh, es público y está todo hecho con con APIS.
1:04:53
Vale el APIS del Drone y el APIS de y el API web ven aquí está
1:04:57
corriendo en mi en mi máquina local, pero esto lo suyo sería
1:05:01
que estuviese corriendo en una máquina virtual en.
1:05:04
La. No, y hay una cosa que no les he
1:05:08
comentado, pero aquí. Aquí está emitiendo vídeo, vale,
1:05:12
pero una de las partes. ¿Está haciendo streaming de
1:05:14
vídeo, no? Está haciendo tiene 2 sockets
1:05:16
para transmitir vídeos y aquí en una de las partes lo que se ve
1:05:20
es que está cargando un modelo de inteligencia artificial.
1:05:23
¿Vale? Y un modelo que el.
1:05:24
Modelo está cogiendo. Está cogiendo un mediapy fácil,
1:05:26
vale un mediapy para poder detectar gestos en las.
1:05:29
Manos. ¿Entonces, con esas gestos en
1:05:31
las manos que no está implementando ahora vale, porque
1:05:33
el drop lo tengo para que sea una una interfaz web está en el
1:05:37
código que está público, vale, está, vale?
1:05:40
¿Os lo vas a compartir? No, aquí está, aquí no os lo voy
1:05:42
a mostrar, pero que el código que lo que voy a publicar está
1:05:46
ya. ¿Este es el código, vale?
1:05:47
Y aquí hay un Hans flying local. Vale, este es bueno.
1:05:51
¿Cómo puedes volar el drone con tus manos con un modelo?
1:05:55
Que te detecta, claro, te detecta los gestos de la mano.
1:05:58
Que bueno, muy bien. Y luego hay un autopilot, este
1:06:02
autopilot lo que hace es seguir. Pues a ser a seres humanos,
1:06:06
básicamente a cualquier ser humano que se le cruce, pues lo
1:06:08
empieza a perseguir formal. Es es un algo así de río, no,
1:06:13
pero es así. Entonces es un dron defensivo en
1:06:17
ese caso. Entonces, como puedes ver,
1:06:18
dependiendo de cómo lo implementemos o qué hagamos
1:06:21
nosotros, pues el dron se va a comportar de una forma u otra, y
1:06:24
eso es lo que queríamos mostrar con con esto.
1:06:27
Se me ocurre, se me ocurre una una cosa muy fea.
1:06:29
A ver, este dron podía ir dando vueltas, detectar una cara.
1:06:34
Y pegarle un tiro a. Alguien no lo he dicho, pero
1:06:40
bueno, al final lo que puede hacer es simplemente un tiro,
1:06:43
pues al final con 1.1 pistola de agua mojarlo.
1:06:46
Sí, sí, sí, está guay o al. Gato si pega un gato y persigue
1:06:51
al gato y Tom va jugando con el gato mojándolo también.
1:06:54
Brutal, brutal, brutal, brutal. Bueno, esta la vamos a
1:06:57
compartir. Esta es muy, muy resultona.
1:07:03
¿Oye, fran, brutal, Eh? Felicidades por la presentación,
1:07:11
por las aplicaciones de todo esto de cloud y de la I a en
1:07:16
cloud y tal cosas tangenciales como hemos visto, o sea, cosas
1:07:22
con industria, trenes, cámaras en el tiempo.
1:07:26
Muy brutal. O sea muy, muy, muy, muy, súper
1:07:29
interesante. Y esto ya ha sido cum lado de
1:07:31
esto de Dron, que puedes manejarlo desde cualquier sitio
1:07:34
del mundo a través de APIS. O sea, muy guay, muy buena, la
1:07:38
verdad. Felicidades.
1:07:39
Muchas gracias, chicas. Pues pues nada, oye, seguimos en
1:07:44
contacto y sobre todo gracias por todo esta superlentio
1:07:47
querosamente. Vale, muchas gracias, chico.
1:07:50
Venga hasta luego chaito. Chao.