Puede buscar cursos y compararlos; inscribirte o pagar requiere permisos y controles aparte.

Entrenas con ejemplos revisados del estilo de tu organización; añadir un documento al chat no es lo mismo.

No consiste en memorizar 120 palabras: consiste en saber qué preguntar, qué comprobar y cuándo pedir ayuda.

Ordenar los cursos por fecha sigue un algoritmo; no todo botón listo lleva una IA dentro.

No basta con que un asistente consiga una tarea: también importa cómo la consigue y qué efectos produce.

El asistente cita un curso que nunca existió. Que le ponga nombre y horario no lo convierte en real.

Conviertes una foto cuadrada en una cabecera ancha inventando los laterales; esos laterales no documentan la escena original.

Una combinación única de edad, localidad y cargo puede revelar quién es alguien; revisa también esos detalles.

Dibujar un recuadro alrededor de cada bicicleta es anotar las imágenes, no retocar su color.

En lugar de escribir todas las reglas del spam, entrenas con correos ya clasificados.

Ocultas una parte de un texto y entrenas al modelo para predecirla a partir del resto.

Agrupas comentarios parecidos para descubrir temas; nadie ha indicado antes qué grupo corresponde a cada comentario.

Un agente practica en un juego y recibe puntos por alcanzar la meta, no por decir que ha llegado.

Partes de un modelo que reconoce formas y lo adaptas para distinguir tipos de plantas.

Una red puede combinar bordes, formas y otros patrones para reconocer una bicicleta en una foto.

Cada mensaje de práctica viene marcado como «consulta» o «incidencia».

En «la taza junto al libro está rota», las relaciones entre palabras ayudan a interpretar qué está roto.

Cambias ligeramente el brillo de fotos de tazas; sigues teniendo tazas, no nuevos tipos de vajilla.

Reúnes guías, preguntas frecuentes y programas vigentes del Aula en un lugar mantenido y revisado.

Guardas representaciones de lecciones para recuperar las más cercanas a la pregunta de una persona.

Buscar «hacer una foto más ancha» puede devolver una explicación de ampliación generativa.

Varias consultas comparten las mismas instrucciones largas; la caché puede evitar recalcularlas, sin convertirse en memoria personal.

Una lista con cursos duplicados y fechas antiguas no mejora por meterla en una IA.

Un servicio puede atender muchas peticiones por minuto aunque cada una tarde varios segundos.

Para estimar la duración de una clase, el número de ejercicios podría ser una característica.

No pegues una clave real en el código público de una página; guárdala en el entorno seguro de la aplicación.

Conectar una carpeta de apuntes no debería abrir automáticamente tus carpetas personales.

Una carpeta de fotos con una tabla de descripciones puede formar un conjunto de datos.

Un historial firmado puede mostrar que la imagen se editó; la ausencia de credenciales tampoco demuestra falsedad.

Una versión de pocos bits puede caber en tu equipo; comprueba sus resultados antes de darla por equivalente.

Si entrenas un lector solo con letra impresa, la letra manuscrita puede darle un buen susto.

Es el examen reservado, no la hoja de respuestas con la que has preparado cada ajuste.

Comparas dos versiones del detector con la validación y guardas la prueba final para el final.

Un nombre, una dirección o una combinación de detalles puede identificar a alguien aunque no aparezca su DNI.

Inventas pedidos de una tienda ficticia para probar una pantalla sin usar clientes reales.

Encontrar una ilustración en internet no implica permiso para ponerla en un curso; comprueba quién permite qué.

Un modelo compacto aprende de respuestas de uno mayor; hay que comprobar qué capacidades conserva.

Mostrar muchos ejemplos etiquetados ayuda a ajustar el detector; utilizarlo después es otra fase.

Alguien añade ejemplos falsos al material de entrenamiento para que el clasificador aprenda una asociación incorrecta.

Tres épocas recorren tres veces los ejemplos; repetir sin control también puede producir sobreajuste.

En una foto de una taza, «taza» puede ser la etiqueta correcta.

Pruebas diez preguntas frecuentes y revisas contenido, fuentes y tono; «me ha gustado» no es el único criterio.

Presentar una petición prohibida como un juego no elimina el riesgo de lo que se está solicitando.

Acertar 90 de 100 da un 90 %; todavía falta saber en qué diez casos falla.

Hay veinte mensajes de spam y detecta quince: la exhaustividad es del 75 %.

Pides qué factores influyeron en una clasificación y contrastas la explicación con métodos de análisis, no solo con su relato.

La ficha explica de dónde salen las grabaciones, cómo se seleccionaron y para qué se pueden utilizar.

Antes de elegir un modelo para catalán, revisa qué idiomas se evaluaron y con qué resultados.

Primero resume, después traduce y finalmente pide revisión: tres pasos definidos, no libertad total.

Divides un manual por apartados; evitas separar una condición de la excepción que viene justo después.

Pides que cada horario se apoye en el programa publicado. Una cita decorativa no basta: debe respaldar el dato.

El asistente busca primero en el programa vigente del Aula y luego responde; aún hay que revisar la respuesta.

Pides una biblioteca luminosa para una portada; revisa si las letras del cartel son realmente legibles.

«Curso → contiene → lección» y «lección → explica → RAG» forman conexiones que se pueden consultar.

Te ayuda a redactar la descripción de un curso; tú compruebas que no se invente sus contenidos.

La tasa de aprendizaje controla el tamaño de los ajustes: cambiarla puede mejorar o empeorar el entrenamiento.

Que puedas descargar un modelo no basta para llamarlo de código abierto: revisa componentes y licencia.

Pides tres títulos para tu taller y obtienes propuestas nuevas; después toca elegir y revisar.

Cada vez que el modelo resume tu texto está haciendo inferencia, no necesariamente aprendiendo de esa conversación.

Pasas de «hazlo bonito» a explicar público, formato y criterios. Menos telepatía, más contexto.

El asistente del Aula recibe pautas de tono; el acceso a datos se limita también en el sistema.

Un filtro que detecta mensajes sospechosos usa IA; no necesita tener conciencia para hacerlo.

La web consulta una API para obtener cursos disponibles sin copiar manualmente toda la información.

Un documento consultado intenta dar órdenes al asistente. El documento es información, no quien manda.

Las primeras palabras aparecen pronto, pero el texto completo tarda más: son dos medidas distintas.

Revisa por separado la licencia del modelo, la de sus datos y la de las imágenes que publiques.

Aunque tengas saldo, demasiadas peticiones seguidas pueden obligarte a esperar y reintentar de forma controlada.

El modelo pide consultar el calendario; el programa comprueba permisos y hace la consulta autorizada.

Con lotes de 16, el entrenamiento procesa pequeños grupos en vez de todo el conjunto a la vez.

Una imagen puede llevar una marca invisible; no verla no demuestra que la imagen sea una fotografía real.

El asistente puede guardar que prefieres respuestas cortas; comprueba qué guarda y cómo se elimina.

No son personas asesorando al modelo: son componentes matemáticos que se activan selectivamente.

Durante la generación, una imagen puede ir tomando forma desde el ruido; no se está enfocando una foto oculta.

La web del asistente es la interfaz; el modelo es parte del motor que genera la respuesta.

Tu portátil envía la petición a un servicio; revisa acceso, tratamiento de datos y coste antes de usar información real.

Un mismo modelo puede servir de base para resumir textos, responder preguntas o clasificar mensajes.

El cálculo ocurre en tu ordenador, pero revisa si la aplicación envía registros o utiliza servicios externos.

Subes la foto de una pizarra y preguntas qué tareas aparecen. Leer fotos no implica poder generar imágenes.

Con un umbral menor suelen entrar menos alternativas; no significa «porcentaje de respuestas correctas».

Piensa en una pequeña operación dentro de una red, no en un cerebro diminuto con café.

Registras versiones, compruebas cambios y vigilas fallos después de publicar; el trabajo no termina en «subido».

Si falla la búsqueda, el sistema decide reintentar o pedir ayuda en lugar de inventar resultados.

Cambiar «responde más breve» cambia la petición; no reescribe directamente los pesos del modelo.

Puedes tener los pesos sin disponer de los datos o del proceso completo de entrenamiento.

Añades dos mensajes y sus clasificaciones antes del nuevo mensaje que quieres clasificar.

«Clasifica este mensaje como consulta o incidencia» pide la tarea sin enseñar respuestas modelo.

«Revisar, corregir y probar la web» es el plan; ver la web funcionando es otra cosa.

Marca diez mensajes como spam y ocho lo son: la precisión para spam es del 80 %.

Para practicar un resumen, utiliza un documento ficticio antes que el expediente real de otra persona.

Saber qué herramienta editó una imagen ayuda a entender su historia, pero no demuestra que la escena ocurriera.

Clasificar consultas, extraer nombres o traducir textos son tareas de lenguaje; no todas necesitan un gran chatbot.

«Resume este anuncio en tres frases para principiantes y conserva la fecha» es una petición concreta.

Un conector puede ofrecer búsqueda de archivos; el protocolo no concede por sí mismo permiso para leerlos todos.

Un modelo gana en problemas matemáticos, pero tú necesitas comprobar cómo resume tus lecciones en catalán.

Un equipo prueba situaciones difíciles en una copia del asistente antes de abrirlo al público.

Una API puede tener una dirección para generar texto y otra para consultar el estado de una tarea.

Si detectas casi todo pero generas muchas falsas alarmas, F1 refleja parte de ese desequilibrio.

Transcribes una charla para preparar subtítulos y revisas los nombres que el sistema entendió «a su manera».

Fotografías un cartel y extraes sus palabras; revisa especialmente fechas, cifras y nombres.

El buscador encuentra una ficha antigua; revisa su fecha antes de utilizarla como respuesta actual.

Una red distingue fotos de tazas y platos ajustando sus conexiones durante el entrenamiento.

Seleccionas una taza de la foto para cambiarla por un libro y compruebas sombras y bordes.

Entre veinte lecciones candidatas, otro modelo coloca primero las tres más útiles para tu pregunta.

«Quiero empezar con IA» puede quedar cerca de «curso para principiantes» aunque no repitan las mismas palabras.

Ves aparecer el texto poco a poco. Una conexión interrumpida puede dejar una respuesta a medias.

Un transcriptor debería probarse también con ruido, distintos acentos y micrófonos menos perfectos.

Antes de enviar algo, la aplicación exige confirmación y comprueba destinatario y contenido.

Si casi todos los ejemplos de «persona experta» muestran el mismo perfil, revisa qué visión está aprendiendo el sistema.

Cambias «Ana» por «Alumna 047» y guardas la correspondencia aparte. Los datos siguen siendo personales.

Conviertes una explicación en audio para escucharla. Imitar una voz real plantea cuestiones de autorización distintas.

Se sabe los ejercicios de memoria, pero le cambias los números y se queda mirando al techo.

Un modelo demasiado simple intenta explicar una curva complicada con una sola recta.

La IA prepara el correo y tú lo revisas antes de enviarlo. Ese último clic tiene dueño.

Una voz que parece la de tu amigo pide dinero: verifica por otra vía antes de creerla.

Para comparar estilos puedes variar este ajuste si la herramienta lo ofrece; ninguna posición elimina los errores.

No calcules el coste contando palabras sin más: idiomas y tokenizadores pueden dividir el mismo texto de forma distinta.

Una palabra larga puede dividirse en varios fragmentos; el reparto depende del tokenizador utilizado.

Al procesar una frase, puede relacionar palabras distantes sin limitarse a mirar la palabra anterior.

Es la mesa de trabajo disponible; que quepa un libro entero no garantiza que se atienda bien a cada detalle.

Un sistema cuenta sillas en una sala; puede equivocarse si se tapan entre sí.