Este año nos vemos en la PyConES 2025.

“Prototipando la educación post-IA con Python y Gradio”

Este finde he participado en el Nano Banana Hackathon de Google DeepMind.

El resultado es BananaMD, una aplicación web para ilustrar con imágenes generadas un archivo Markdown (diapositivas, documentos…). En los últimos años he elaborado todo mi material didáctico en este formato y me gusta que vaya acompañado de imágenes, aunque la mayoría sean únicamente ilustrativas. También suelo preferir cambiarlas de un curso a otro. Pero pensar el prompt, generarlas, enlazarlas… Lleva bastante tiempo. BananaMD automatiza mucho este proceso, generándote dos opciones entre las que elegir para cada imagen, con la posibilidad de editarlas con una simple instrucción y manteniendo un estilo de referencia. Puede actualizar y hacer nuevas propuestas de imágenes existentes, pero también crearlas de cero, ya sea a partir de una descripción que hayas dejado o creando una que sea coherente con el texto de la ubicación en la que se encuentra. Finalmente, te permite descargar el nuevo Markdown con las imágenes correctamente enlazadas y con un buen texto descriptivo en el campo “alt”.

El mejor consejo que se puede dar a cualquier persona que cree un producto que haga uso de LLMs: Utiliza solo modelos de pesos abiertos.

Uno de los casos de uso que me parecen más interesantes de los sistemas que tienen “Computer Use”, como Comet de Perplexity, son las pruebas de la experiencia de usuario (UX) de tus aplicaciones.

Donde estos sistemas se atascan a la hora de intentar seguir una historia de usuario, probablemente también se atasque un usuario humano real.

Desarrollar teniendo esto en cuenta me recuerda a las ideas de Francesco Tonucci sobre el diseño urbano: si una ciudad está pensada para que los niños puedan vivirla y recorrerla de forma autónoma, entonces será una ciudad mucho más segura, inclusiva y accesible para toda la ciudadanía, incluyendo a las personas con discapacidad.

¡Nuevo proyecto! Esta vez sobre aprendizaje y enseñanza usando Inteligencia Artificial.

Imagina que te apoyas en un modelo de IA para estudiar durante meses, pero cada conversación empieza de cero. El modelo te ayuda… pero no recuerda que ya dominas álgebra pero te atascas con trigonometría.

Cuando buscas sobre Inteligencia Artificial aplicada a educación, encuentras por todas partes lo mismo: prompts prefabricados, automatización de creación de actividades (y respuestas de esas actividades), correcciones automáticas (sí, pero no), la búsqueda del GPT perfecto… Fórmulas antiguas para un paradigma completamente nuevo. Alumnado buscando cómo la Inteligencia Artificial puede hacerle todas las tareas y docentes buscando exactamente lo mismo, pero a la vez queriendo que el alumnado no pueda hacerlo. Ya escribí una entrada en el blog hace un par de años dejando entrever los peligros de este enfoque, así que no voy a repetirme.

El trabajo de ingeniería de software siempre ha cambiado de forma continua, pero en los últimos dos años ese ritmo se ha disparado. Se especula continuamente con su completa automatización, pero creo que no se está incidiendo suficiente en la consecuencia inmediata de eso

Si ese trabajo se automatiza por completo, si verdaderamente cualquier producto informático puede crearse al vuelo, sin ningún tipo de supervisión… Entonces, no solo desaparecería el trabajo de ingeniería de software.