SmallVille es Open Source: Crea tu propio pueblo de Humanos Sintéticos con ChatGPT y llénalo de asesinos, psicópatas, o payasos.

En el mes de Abril cayó en mis manos el artículo académico de SmallVille, el pueblo habitado por bots creados con ChatGPT, y le pedí a mi compañero Fran Ramírez que escribiera por favor un artículo para el blog sobre él, y salió el 14 de Abril con el título de "SmallVille: El pueblo virtual donde las Inteligencias Artificiales cotillean, aprenden y se relacionan como humanos", donde se recogen los principales descubrimientos de este experimento de crear un pueblo habitado solo por seres sintéticos.

Figura 1: SmallVille es Open Source: Crea tu propio pueblo de Humanos

Sintéticos con ChatGPT y llénalo de asesinos, psicópatas, o payasos.

Ahora, el equipo de investigación ha puesto a disposición pública en licencia Open Source, todo el código necesario para recrear este pueblo, y configurarlo con todo el conjunto de personas que tú desees, lo que puede lleva a evaluar situaciones muy, muy singulares.

Figura 2: Repositorio de SmallVille en GitHub

En el código fuente puedes ver cómo está configuradas algunas de las personas que habitan el pueblo, donde a cada uno de ellos se les describe cómo son, para que se comporten de esta forma. Como es el caso de Klaus Mueller, que es amable, inquisitivo y pasional. 

Figura 3: Klaus Mueller, amable, inquisitivo, pasional...

¿podría llegar a convertirse en un asesino?

Además, cada uno de los humanos sintéticos tienen su rutina diaria, que cumplirán con más o menos probabilidad, y que les llevará más o menos tiempo. Esta es la rutina de nuestro amigo Klaus, uno de los humanos sintéticos de este ¿"tranquilo"? pueblo.

Figura 4: Rutina de Klaus

Y luego, una configuración específica para cada una de esas rutinas, que puedes ver en el código fuente de SmallVille que tienes en el repo de GitHub del proyecto.

Figura 5: Descripción de las tareas de Klaus

La gracia de este SmallVille es que tú lo puedes personalizar con cualquier escenario de personas, y ver cómo evolucionan. Por ejemplo, podrías hacer un escenario en el que hubiera un juego de asesino, de esas cenas que tanto le gusta hacer a Salvador Larroca y Elena Merino Torrealba en su pasión por "El país de los horrores", donde uno sabe que es el asesino, el resto tiene una historia que representar, y hay que saber quién es el asesino. Pero hacer ese juego con humanos sintéticos en SmallVile.

Figura 6: Isabella, es amigable, abierta y hospitalaria

Podrías configurar los personajes de series míticas, por ejemplo de "Twin Peaks", o de series cómo la misteriosa "Hierro", donde descubrir quién fue el asesino que cometió el brutal crimen.

Figura 7: La rutina de Isabella

Este tipo de simulaciones nos permiten analizar el comportamiento de modelos LLM en los que tienen que engañar, despistar, convencer de errores, ocultar secretos, manipular, conseguir objetivos sin importar las consecuencias, y poder descubrir a qué nos vamos a enfrentar en el futuro cuando una IA tenga un modelo para conseguir un objetivo y utilice todas las herramientas a su disposición, que puede ser un escenario muy, muy, muy ..."spooky" para el futuro.

Figura 8: Caracteres de juegos manejados por ChatGPT

Lo cierto es que esta idea de crear personajes que se comportan en base a un modelo LLM entrenado para comportarse de una determinada manera, ya lo hemos visto en la presentación de NVIDIA, y empieza a ser una forma habitual de crear a los personajes en los juegos complejos. 

Figura 9: Yo soy cola tú pegamento en Monkey Island

Ya no hay que definir las conversaciones como teníamos en los clásicos, como el Monkey Island, donde las batallas eran conversaciones pre-establecidas. Y es que... "Yo soy cola, tú pegamento". Tú, ahora, puedes configurar tu pueblo SmallVille como desees, con psicópatas, asesinos... o payasos.

¡Saludos Malignos!

Autor: Chema Alonso (Contactar con Chema Alonso)  

Smallville: El pueblo virtual donde las Inteligencias Artificiales cotillean, aprenden y se relacionan como humanos

Hace mucho tiempo que estudié Inteligencia Artificial en la universidad. Recuerdo perfectamente la asignatura donde dábamos el lenguaje de programación funcional Scheme (un dialecto de Lisp) y también tengo aún la sensación de encontrarle una gran utilidad para manipular y evaluar funciones (en vez de ejecutar instrucciones como hacen otros lenguajes de programación). Lisp nos ha dado maravillas como Emacs o CLIPS, un sistema experto para la toma de decisiones basadas en conocimiento (algo que utilizamos hoy día en las técnicas actuales de IA).

Figura 1: Smallville, el pueblo virtual donde las Inteligencias Artificiales

cotillean, aprenden y se relacionan como humanos

Lisp ha sido un lenguaje de programación fundamental en el desarrollo de técnicas y herramientas de NLP desde los primeros días de la IA. Uno de los sistemas de procesamiento de lenguaje natural más importantes creados con Lisp es el sistema SHRDLU, desarrollado en el MIT en la década de 1960 por Terry Winograd. SHRDLU fue capaz de responder preguntas y llevar a cabo comandos en un lenguaje natural a través de una interfaz de usuario sencilla. Este sistema fue un precursor importante de los sistemas de diálogo conversacional que se utilizan hoy en día como ChatGPT.

Figura 2: Lisp Machine, ordenadores creados en los ochenta

para ejecutar por hardware de forma eficiente el lenguaje Lisp

También fue uno de los precursores utilizando lenguaje natural y sistemas de razonamiento automático, en acercarnos a algo que era absolutamente Ciencia Ficción en aquellos días: crear agentes o bots capaces de simular el comportamiento humano. Nunca me imaginé en aquellas clases en salas sin ventanas, con monitores de fósforo naranja y programando en aquellos terminales Unix que vería una evolución como las que estamos viviendo hoy día en la Inteligencia Artificial. 

Figura 3: "Microhistorias: anécdotas y curiosidades de la historia de la
informática (y los hackers)"de Fran Ramírez y Rafael Troncoso en 0xWord. 

Y además de los LLMs como ChatGPT, la IA Generativa nos está dando auténticas sorpresas prácticamente a diario y esta que os vamos a contar ahora es una ellas que es una auténtica revolución. Si te gusta la historia de la informática y sus anécdotas, este libro llamado “Microhistoiras: Anéctodas y cursiosidades de la Informática” te va a encantar ;)

Simulación del comportamiento humano

Desde el mítico juego de 8 bits (creo que salió primero para Commodore 64) llamado "Little Computer People" de 1985, donde los personajes virtuales realizaban actividades cotidianas en un entorno bidimensional con píxeles como puños, hemos sido testigos de una impresionante evolución en la creación de comportamientos humanos en programas y videojuegos. A lo largo de los años, juegos como "The Sims" y el maravilloso "Dwarf Fortress", han ofrecido mundos virtuales más inmersivos y complejos, permitiendo a los usuarios interactuar con personajes y entornos de manera más sofisticada y natural.

Figura 4: Animación gif del juego Little Computer People donde

vemos como el agente se dedica a hacer diferentes tareas en la casa.

Con el avance en tecnologías de inteligencia artificial y procesamiento de lenguaje natural, sistemas como ChatGPT han llevado la simulación del comportamiento humano a un nivel superior, brindando interacciones más auténticas y realistas. Pero la simulación del comportamiento humano va mucho más allá de los videojuegos (aunque pronto veremos grandes avances en la creación de personajes no jugadores que darán una nueva experiencia de juego). El comportamiento humano y su capacidad de ser emulado por una IA es importante porque puede potenciar diversas aplicaciones interactivas, desde entornos inmersivos (Metaverso) hasta espacios para la comunicación interpersonal entre otros.

Llegan los agentes generativos

Este nuevo estudio llamado “Generative Agents: Interactive Simulacra of Human Behavior” presenta a los agentes generativos, que no son más que simulaciones interactivas de comportamiento humano basados en modelos generativos. Estos agentes pueden interactuar de manera creíble con otros agentes y con usuarios humanos, creando comportamientos individuales y sociales muy parecidos a los humanos.

La arquitectura de los agentes generativos se basa en tres componentes principales: la memoria a largo plazo en lenguaje natural, la reflexión y la planificación. Los agentes pueden recordar, recuperar, reflexionar e interactuar con otros agentes, y planificar sus acciones en función de sus experiencias y entorno cambiantes.

Figura 5: Generative Agents: Interactive Simulacra of Human Behavior

El estudio evalúa la efectividad de los agentes generativos mediante dos enfoques: una evaluación controlada y una evaluación de extremo a extremo. La evaluación controlada “entrevista” a los agentes en lenguaje natural para evaluar su coherencia y habilidades de recuerdo, planificación y reacción. La evaluación de extremo a extremo examina las interacciones de los agentes generativos en un entorno de juego durante dos días de tiempo de juego. 

Los resultados muestran que los agentes generativos pueden producir comportamientos creíbles y que cada componente de la arquitectura es crítico para el éxito. Aunque existen oportunidades y riesgos éticos y sociales relacionados con el uso de agentes generativos en sistemas interactivos, este trabajo proporciona un avance significativo en la simulación de comportamientos humanos en aplicaciones virtuales.

Figura 6: Esquema general de la arquitectura interna de un agente generativo

Las implicaciones de este estudio realmente revolucionario son amplias. Los mundos virtuales podrían ser poblados con estos agentes, generando comportamientos totalmente emergentes y “naturales”. La industria del videojuego, que mueve $300 mil millones al año, podría ver personajes no jugadores (NPC) con interacciones ricas e inmersivas en todos los rincones de un mundo virtual. 

Pero como siempre ocurre, por otro lado, los investigadores también expresan preocupaciones sobre las posibles consecuencias negativas para la sociedad, como las Relaciones Parasociales o “amistades falsas” unilaterales y la posible suplantación de humanos en tareas cruciales. Los autores argumentan que prevenir estos resultados requiere el desarrollo cuidadoso de Agentes Generativos y la implementación de los controles adecuados (como ya ha pasado con la famosa carta para parar la IA).

“Smallville” el nuevo “Little computer people”

El artículo presenta a "Smallville", un mundo de simulación de estilo Sandbox que recuerda al juego "Los Sims", donde personajes controlados por agentes generativos interactúan y se comportan diferentes maneras. El objetivo es estudiar las interacciones y comportamientos de agentes generativos en un entorno simulado y controlado. En Smallville, 25 agentes únicos o “Little Computer People” ;) interactúan entre sí y con su entorno a través de acciones y lenguaje natural.

Cada agente tiene una descripción inicial que incluye ocupación y relaciones con otros agentes. A medida que los agentes interactúan, intercambian información, forman nuevas relaciones y realizan actividades conjuntas. Los usuarios pueden interactuar con los agentes mediante el lenguaje natural, tomando diferentes roles y dando directivas a los agentes.

Figura 7: “Smallville”, la ciudad virtual donde los agentes generativos

interactúan entre ellos creando relaciones sociales

Básicamente las interacciones se generan retroalimentando “prompts” entre los diferentes agentes a sus respectivos modelos generativos (ChatGPT) los cuales debido a la capacidad de memoria irán creando una historia o su propia personalidad. El documento de la investigación destaca ejemplos de interacciones entre agentes, como la difusión de información y la formación de relaciones. 

Los agentes en Smallville también pueden coordinarse para llevar a cabo eventos, como una fiesta de San Valentín, iniciada por un agente y a la que asisten otros agentes en la simulación. Esto definitivamente, se nos está yendo totalmente de las manos ;) Así es como se le aplica y se genera una personalidad a un agente. Este es John Lin, farmacéutico (al más puro estilo juego de rol):

John Lin es el dueño de una tienda de farmacia en el mercado y farmacia Willow que le encanta ayudar a la gente. Siempre está buscando maneras de hacer que el proceso de obtención de medicamentos sea más fácil para sus clientes. John Lin vive con su esposa, Mei Lin, quien es profesora universitaria, y su hijo, Eddy Lin, quien es estudiante de teoría musical. John Lin ama mucho a su familia. 

 

Conoce a la pareja de ancianos de al lado, Sam Moore y Jennifer Moore, desde hace unos años. John Lin piensa que Sam Moore es un hombre amable y agradable. Conoce bien a su vecina, Yuriko Yamamoto. Sabe de sus vecinas, Tamara Taylor y Carmen Ortiz, pero no las ha conocido antes. John Lin y Tom Moreno son colegas en el mercado y farmacia Willow. Son amigos y les gusta discutir la política local juntos. John Lin conoce bastante bien a la familia Moreno, el esposo Tom Moreno y la esposa Jane Moreno.

Tipos de interacciones y sus resultados

Los resultados son realmente alucinantes e increíbles. Veamos un resumen de los principales resultados obtenidos:

• Difusión de información: Los agentes pueden intercambiar información entre ellos, lo que permite la propagación de noticias o cotilleos dentro de la simulación. Por ejemplo, un agente puede enterarse de un evento o situación particular y compartir esta información con otros agentes, quienes a su vez la difundirán a otros.

• Cambios en las relaciones: A medida que los agentes interactúan, pueden formar nuevas relaciones, tanto positivas como negativas, basadas en sus interacciones. Estas relaciones pueden ser de amistad, enemistad o incluso románticas, y pueden cambiar con el tiempo dependiendo de las acciones de los agentes involucrados.

• Resolución de conflictos: En algunos casos, los agentes pueden enfrentarse a conflictos o malentendidos. A través de sus interacciones y comunicación, pueden encontrar soluciones a estos problemas y resolver los conflictos, mejorando así sus relaciones y la dinámica del grupo en general.

Figura 8: Así es la rutina de mañana de John Li, se levanta a las 6:00 am,

se lava los dientes, se ducha y toma el desayuno entre otras tareas

• Colaboración en actividades: Los agentes pueden coordinarse para llevar a cabo actividades conjuntas, como fiestas, eventos o proyectos. Por ejemplo, un agente puede tomar la iniciativa de organizar una fiesta de cumpleaños y otros agentes pueden participar en la planificación, aportando recursos o invitando a más agentes al evento.

• Aprendizaje a través de la interacción: Al interactuar con otros agentes y con el entorno, los agentes pueden aprender y adaptarse, modificando sus comportamientos y estrategias en función de las experiencias previas y las reacciones de los demás agentes. Esto puede llevar a una mejora en la cooperación y la eficacia de las acciones en la simulación.

Un ejemplo de difusión de la información

Este ejemplo es real, sacado del artículo académico original donde vemos una conversación entre “Sam” (Agente 1) y “Tom” (Agente 2) en la tienda de comestibles, donde Sam le cuenta a Tom sobre su candidatura en las elecciones locales:

• Sam: Hola Tom, ¿cómo te va?
• Tom: Bien, gracias. ¿Qué pasa?
• Sam: Bueno, quería hablarte de algo. En realidad, me estoy presentando para alcalde en las próximas elecciones locales.
• Tom: ¿En serio? ¡Esa es una gran noticia! ¿Por qué te presentas?
• Sam: Llevo años involucrado en la política local y realmente siento que puedo marcar la diferencia en nuestra comunidad. Además, quiero traer nuevas ideas y perspectivas a la mesa.

Más tarde ese día, después de que Sam se fue, Tom y “John” (Agente 3), quien escuchó la noticia de otra fuente, discuten las posibilidades de Sam de ganar las elecciones:

• John: Escuché que Sam Moore se postula para alcalde en las elecciones locales. ¿Crees que tiene buenas posibilidades de ganar?
• Tom: Creo que sí tiene buenas posibilidades. Ha estado trabajando duro en la comunidad y creo que recibirá mucho apoyo. ¿Qué opinas tú?
• John: Creo que es genial que se postule. Tengo curiosidad por ver quiénes más se postulan y cómo resultarán las elecciones.

Poco a poco, la candidatura de Sam se convierte en el tema de conversación en el pueblo, con algunos apoyándolo y otros indecisos.

Conclusiones finales

Los agentes generativos ofrecen un gran potencial en aplicaciones como simulaciones de comportamiento humano para probar y prototipar sistemas sociales, teorías y experiencias interactivas. Estos agentes también pueden ser utilizados en el diseño centrado en el ser humano, actuando como sustitutos de los usuarios para entender mejor sus necesidades y preferencias, lo que resulta en experiencias tecnológicas más personalizadas y efectivas. Y en los videojuegos puede llegar a ser toda una revolución, creando juegos más reales e inmersivos con infinitas posibilidades de juego único.

Sin embargo, estos agentes generativos también plantean preocupaciones éticas, como la formación de relaciones parasociales que antes he comentado, errores en la interpretación de los objetivos reales del usuario humano (¿os acordáis de la fantástica película “Her”?), la exageración de los riesgos asociados con la IA generativa y la posible dependencia de los desarrolladores en estos agentes en lugar de la aportación humana real.

Figura 9: Escena de la película “Her” donde el protagonista mantiene una relación romántica con la IA del sistema operativo (que lleva en el bolsillo, en una especia de smartphone). Un ejemplo del problema parasocial que pueden generar estos agentes generativos.

Mientras escribo este artículo no puedo reprimir una sonrisa de emoción viendo cómo evolucionado todo el mundo de la IA desde aquellas clases de Lisp y Scheme y las maravillas que nos depara el futuro (el futuro es mañana literalmente). Pero a la vez, la sensación vértigo de lo rápido que se está desarrollando la IA se mezcla también con una gran incertidumbre. Con lo que me gustaba Game of Life de Conway ;) Preparad las palomitas que esto no ha hecho más que empezar ;)

Happy Hacking Hackers!!! 

Autor: Fran Ramírez, es investigador de seguridad y miembro del equipo de Ideas Locas en CDO en Telefónica, co-autor del libro "Microhistorias: Anécdotas y Curiosidades de la historia de la informática (y los hackers)", del libro "Docker: SecDevOps", también de "Machine Learning aplicado a la Ciberseguridad” además del blog CyberHades. Puedes contactar con Fran Ramirez en MyPublicInbox.

 Contactar con Fran Ramírez en MyPublicInbox

Summify.ai: Transforma la forma en la que consumes y buscas información en vídeos con IA

La semana pasada, durante los días 23 y 24 de Marzo, realizamos en Telefónica el Equinox, ese hackathon de 24 horas que hacemos cada seis meses coincidiendo con los equinoccios de primavera y de otoño y donde, junto a otros muchos compañeros, damos rienda suelta a nuestras ideas o nos atrevemos a jugar con nuevas tecnologías con las que no estamos acostumbrados a trabajar en nuestro día a día como VR o Open Gateway . 

Figura 1: Summify.ai: Transforma la forma en la que

consumes y buscas información en vídeos con IA

En ediciones anteriores, ya había participado en proyectos junto a otros compañeros como Latch´sApp, LiLaS o Latch (Voice) Assistant, pero desde este último, en el equinoccio de primavera del 2018, no había vuelto a participar. En esta nueva edición, he participado junto a mis compañeros de equipo de Ideas Locas: Chema Garabito, Javier del Pino y Sergio Sancho. A media noche tuvimos la visita del gran Félix Brezo, que siempre es una alegría encontrarte. Agradecemos su visita, sus ideas y su interés por nuestro proyecto. 

Summify.ai: Mejorad la experiencia de consumo de vídeos con IA

La idea en cuestión era crear una pequeña herramienta que mejorase la experiencia del consumo de vídeos, podcasts u otro material de consumo multimedia. Para ello se quería trabajar con varios objetivos como la extracción de transcripciones con inteligencia artificial, la creación de resúmenes a partir de las transcripciones obtenidas, la identificación de los principales temas de interés a partir también de la transcripción, y, por último, la creación de búsquedas inteligentes gracias al contexto. Y con estas ideas en la cabeza nos pusimos manos a la obra para crear lo que terminamos llamamos “Summify.ai”.

La extracción de transcripciones con IA es el primer paso que se realiza en el proceso de creación de resúmenes y búsqueda inteligente de vídeos. Para lograrlo, utilizamos la API de Whisper, una plataforma de reconocimiento de voz de última generación que nos permite obtener una transcripción de audio con una gran precisión. Esta tecnología utiliza técnicas de inteligencia artificial como el Deep Learning y el procesamiento de lenguaje natural para lograr una transcripción precisa.

Figura 2: Obtención del resumen del vídeo analizado

Una vez que hemos obtenido la transcripción de audio con Whisper, se procede a crear un resumen del vídeo. Este resumen se realiza de manera automática gracias al uso de la inteligencia artificial que analiza el contenido de la transcripción y selecciona las partes más relevantes del vídeo. Para ello, hicimos uso de la API de OpenAI para que nos permiten identificar las partes más importantes del vídeo y resumirlas de manera efectiva.

Para la obtención de los principales temas de interés, de nuevo, contamos con OpenAI para realizar esta labor. Un prompt del estilo: “Dime que topics puedes identificar en este texto, máximo 4 topics, en formato Topic 1:, Topic 2:…” nos ha funcionado bastante bien, aunque es cierto que tuvimos algunos problemas al pasar textos demasiado largos, algo que pudimos solucionar haciendo uso de proyectos libres como LlamaIndex.

Figura 3:Llama_index en GitHub

Por otro lado, otro problema que iba a demorar mucho tiempo a la hora de realizar la demostración era obtener un número no conocido de temas, por lo que hicimos pruebas con la identificación limitada a 2, 3 y 4 temas, ya que en video largos llegamos a obtener más de 10 resultados, lo que ralentizaba mucho la obtención de la información. Además, de cada tema también queríamos obtener las principales ideas, por lo que hicimos un nuevo prompt sobre cada uno de los resultados de los temas obtenidos con anterioridad, utilizando un prompt del estilo a:

“Hemos identificado el topic "{topic}" en el texto. Dame tres bullet points que resuman este topic en el texto a modo de conclusión.” 

De esta manera conseguimos el objetivo que teníamos propuesto, y que ademas puede dar pie a una fácil categorización de los videos, como si se tratasen de etiquetas.

Figura 4: Obtención de los principales temas e ideas

Para finalizar y aprovechar al máximo las posibilidades que OpenAI nos esta dando, decidimos realizar un prompt para la obtención de información en texto a través de las consultas que pueda hacer un usuario. Algo así como un chatbot que encuentra la información consultada pero que se deba encontrar en la información del vídeo, es decir, que se analice dentro de la transcripción, que es la fuente principal de información de este proyecto.

Para complicar esto un poco más, no queríamos que únicamente se realizara la búsqueda en un único vídeo, sino que, dado un conjunto de vídeos, identificase el vídeo principal donde puede darse esta consulta y que encontrase la información más correcta. Este apartado fue, sin duda, el que nos llevo más tiempo del hackathon.

Figura 5: Vista principal del catálogo de vídeos procesados

Para la demostración final decidimos crear un frontal que representara un catálogo de vídeos y que pudiera mostrar la información individual procesada de cada uno de ellos. Desde la vista principal es posible lanzar la búsqueda global aunque también es posible realizar una búsqueda de manera individual desde la vista detalle del vídeo en cuestión.

Figura 6: Contactar con David Broncano

Procesamos varios vídeos de “LA RESISTENCIA” de nuestro querido David Broncano - con el que puedes contactar en MyPublicInbox - , porque tienen una duración aproximada de 10 minutos y era algo abordable dentro de las 24 horas que teníamos disponibles, ya que haciendo algunas pruebas con podcasts más largos, el procesado de los videos se iba mucho de tiempo. Y a continuación, algunas de las preguntas que era capaz de contestar sin problemas:

• ¿Qué le gusta a Jhay Cortez?
• ¿Que comida recomienda Jhay Cortez?
• ¿Quién ha discutido con Lola Índigo?
• ¿Cuánto pesa Joan Pradells?
• ¿En qué categoría compite Joan Pradells?
• ¿Qué jugadores le caen mal al Kun Agüero?
• ¿Con cuántos años debutó el Kun en la liga argentina?

En algunos casos identificaba el vídeo pero no encontraba la información, por ejemplo, “¿Cuánto pesa Joan Pradells?”, aunque sí que se indicaba que esa información no había sido encontrada en el vídeo en cuestión. En otros casos, se puede destacar que no hay que buscar por la persona concreta a la que le están haciendo la entrevista, sino por los temas que se hablan. De esta manera, la respuesta a la pregunta “¿Quién ha discutido con Lola Índigo?” puede encontrarse en el contexto de la entrevista con Ptazeta,

Figura 7: Ejemplo de consulta y su respuesta

Para finalizar, para hacer el flujo de trabajo automático, utilizamos como input un vídeo a partir de la URL de YouTube, que pasaba a descargarse en formato de audio, transcribirse con Whisper y realizar todo el procesamiento comentado a lo largo de este post.

Figura 8: Archivo JSON con la información procesa

En resumen, en el proyecto Summify.ai utilizamos técnicas de Inteligencia Artificial y procesamiento de lenguaje natural para mejorar la experiencia de consumo de vídeos. A través de la extracción de transcripciones precisas, la creación de resúmenes automáticos, la identificación de los principales temas de interés y la realización de búsquedas más eficientes gracias al contexto, Summify.ai nos ayuda a obtener la información que necesitamos de manera más rápida y efectiva. Pensemos el potencial que pueden tener estas búsquedas avanzadas dentro de un catalogo de películas, de los podcast más punteros o de las Living Apps que tenemos en Movistar+.

Reflexión final

Quiero agradecer a todos los integrantes de mi equipo, Chema Garabito, Javier del Pino y Sergio Sancho, por su dedicación y esfuerzo en este hackathon. Juntos hemos logrado entendernos y hemos superado muchos obstáculos que se dieron durante el evento. Ha sido un verdadero placer trabajar con ellos y aprender de sus conocimientos y habilidades.

También quiero agradecer a todos los competidores de esta edición por su participación y esfuerzo. Cabe mencionar que ha sido el Equinox de la Inteligencia Artificial, donde muchos de los compañeros han utilizado esta tecnología para crear proyectos espectaculares. Estoy seguro de que todos hemos salido de aquí con nuevas ideas y conocimientos que nos ayudarán a seguir mejorando en el futuro.

En definitiva, ha sido una gran experiencia y estamos contentos por haber tenido la oportunidad de participar en esta competición junto a personas tan talentosas y, además, haber conseguido hacernos hueco en el premio compartido de IA, aunque lo más importante de todo ha sido disfrutar de todos esos momentos.

¡Hasta la próxima!

Autor: Álvaro Núñez-Romero, investigador en el equipo de Ideas Locas. Autor del libro "Arduino para Hackers (& Makers): PoCs and Hacks Just for Fun" y del VBOOK de "Arduino para Hackers (& Makers): PoCs and Hacks Just for Fun"

Contactar con Álvaro Núñez-Romero