Ir al contenido

Generative Deep Learning: por qué la misma pregunta no da la misma respuesta

David Foster · O'Reilly, segunda edición, 2023
28 de febrero de 2026 por
Generative Deep Learning: por qué la misma pregunta no da la misma respuesta
Andrés Briñez

Foster recorre las familias una por una: autocodificadores variacionales, redes antagónicas, modelos autoregresivos, flujos, modelos basados en energía y difusión, y después el salto a los transformadores y a las aplicaciones. Cada capítulo trae un modelo pequeño que se entrena en una máquina común, y esa decisión de escala es la que hace que el libro enseñe algo.

Qué me llevé

Entender que generar es muestrear de una distribución cambió cómo contesto la pregunta más repetida en una reunión de gerencia: por qué ayer dijo una cosa y hoy dice otra. No es un error ni un problema de configuración, es el diseño. De ahí sale una decisión práctica que uso todo el tiempo: donde el negocio necesita la misma respuesta siempre, no va un generador, va una regla; y donde se quiere variedad, el generador es la herramienta correcta.

La comparación entre familias, que ordena por qué cada tipo de contenido terminó con un método distinto, y que sirve para no aplicar la moda de un dominio en otro donde no rinde.

Y el valor de construir lo pequeño. Ver el mecanismo funcionando en un modelo que cabe en un portátil es la forma más rápida de perderle el respeto reverencial a la tecnología, que es un requisito para poder decidir sobre ella.

Qué dejé fuera

Los capítulos de música y de modelos del mundo, entretenidos y muy lejos de cualquier cosa que me pidan. Y una limitación del género entero: el código de un libro así envejece al ritmo de las bibliotecas que usa, así que a los dos años la mitad de los ejemplos no corren. Las explicaciones, que son lo que uno viene a buscar, no envejecen.

# IA
Generative AI Design Patterns: treinta y dos nombres para cosas que ya se hacían
Valliappa Lakshmanan y Hannes Hapke · O'Reilly, 2025 (extracto)
WhatsApp