Multimodal Generative AI

Obra académica y panorámica publicada en 2025 que aborda el salto evolutivo de la IA generativa desde los sistemas unimodales hacia arquitecturas integradas capaces de procesar y sintetizar simultáneamente texto, imagen, audio, vídeo, documentos complejos y datos de sensores. Está dirigida a estudiantes de posgrado, desarrolladores e ingenieros de software con nivel intermedio que posean conocimientos elementales de redes neuronales, machine learning y procesamiento de señales o datos multimedia.

El libro detalla los fundamentos de los Transformers multimodales y las técnicas de aprendizaje autosupervisado, analizando cómo se diseñan modelos generativos híbridos que integran modelos de difusión (diffusion models) con decodificadores autorregresivos mediante atención cruzada (cross-attention) y fusión de características. Además del núcleo algorítmico, examina casos de uso y arquitecturas en sectores verticales clave: análisis de imágenes biomédicas y diagnóstico clínico en salud, tecnologías educativas con aprendizaje adaptativo, sistemas de percepción para robótica y vehículos autónomos, así como los mecanismos de gobernanza necesarios para mitigar riesgos éticos, generación de deepfakes y vulnerabilidades de privacidad.

El volumen aporta una perspectiva interdisciplinar y orientada a soluciones del mundo real, enriquecida con análisis de casos y metodologías aplicadas en diferentes industrias reguladas. Aunque no funciona como un recetario guiado de programación paso a paso, proporciona esquemas estructurales y flujos de datos esenciales para comprender cómo se orquestan múltiples tipos de datos en arquitecturas empresariales. Resulta un recurso formativo muy valioso para arquitectos de software e investigadores que requieran una visión integral sobre cómo implementar IA generativa en escenarios complejos que van más allá del procesamiento de texto.