Tres partes: entender qué hay dentro de un modelo de lenguaje, usar modelos ya entrenados para tareas concretas, y entrenar o ajustar los propios. Alammar lleva años explicando estas arquitecturas con dibujos y aquí se nota: hay diagramas que hacen en una página lo que otros libros no logran en un capítulo.
Qué me llevé
El criterio que más uso: buena parte de lo que llega pedido como inteligencia artificial es en realidad clasificación o búsqueda, y se resuelve con vectores y un umbral, sin generar una sola palabra. Sale más barato, se mide con números, se audita caso por caso y no alucina. Cuando alguien quiere un asistente que conteste y lo que necesita es encontrar el documento correcto, decirlo a tiempo es el mayor favor que se le puede hacer.
La explicación de las unidades de texto y los vectores como base de todo lo demás. Entender que el modelo no ve palabras sino números explica por qué se equivoca con un número de cédula, con un código de producto o con una placa, y eso son la mitad de los datos de una empresa.
Y el agrupamiento por temas, que es la forma más rápida que conozco de leer mil comentarios o mil solicitudes de soporte antes de decidir qué vale la pena automatizar.
Qué dejé fuera
Los capítulos de ajuste fino, que necesitan una tarjeta gráfica y un conjunto de datos etiquetado que casi ninguna empresa mediana tiene. Es la parte menos reutilizable del libro. Y una nota sobre el formato: un libro tan visual envejece bien en los conceptos y mal en las capturas de pantalla, que ya no corresponden a ninguna herramienta actual.