Noticias
Casos de uso básicos y avanzados
Google Gemini puede ayudarlo a crear contenido y cálculos para Google Sheets. Gemini puede servir como un generador de listas inteligente que produce contenido en una tabla para exportar a una hoja de Google, o sus respuestas pueden ayudarlo a diseñar fórmulas y funciones. Estos usos de Gemini ofrecen capacidades que van más allá de las capacidades estándar de autocompletar y corrección de Sheets.
VER: ChatGPT vs Google Gemini: una comparación en profundidad (TechRepublic)
Para las acciones siguientes, debe iniciar sesión en una cuenta activa de Google autorizada para utilizar Google Sheets y Google Gemini. Si utiliza una cuenta de Google Workspace para el trabajo o la escuela, es posible que deba comunicarse con un administrador para solicitar acceso a Gemini.
Una vez que tenga acceso, abra Gemini en cualquier navegador moderno para comenzar. Ingrese un mensaje en lenguaje natural y Gemini responderá. Las respuestas pueden diferir: es posible que dos personas que ingresan el mismo mensaje no reciban la misma respuesta.
Cómo obtener contenido de Gemini para una hoja de Google
Con Gemini, puede solicitar al sistema varias comparaciones y listas. Por ejemplo, una solicitud para comparar dos o más productos podría generar una tabla con una columna para cada producto y cada fila con una característica de comparación diferente. También puedes pedirle a Géminis listas de personas, lugares o cosas. Dado que Gemini acepta secuencias, primero podría preguntar:
List the 10 cities in the United States with the most annual rainfall.
Luego, después de recibir la respuesta inicial, vuelva a preguntar con:
Add a column for the population.
Las tablas que Gemini puede generar como respuesta varían mucho más que las secuencias de autocompletar convencionales disponibles en Google Sheets con Herramientas | Autocompletar | Habilitar la opción Autocompletar habilitada.
En Google Sheets, ingresa una serie predecible de letras alfabéticas, números, días de la semana, meses u otros patrones estándar en dos o más celdas. Luego seleccione las celdas y seleccione y extienda la esquina del cuadro para cubrir todo el rango de celdas a llenar. Por ejemplo, si escribe lunes en una celda y martes en una celda adyacente, puede seleccionar esas dos celdas y luego arrastrar el punto para llenar otras cinco celdas con las descripciones restantes de tres caracteres de los días de la semana en inglés.
Por el contrario, las tablas que puede pedirle a Gemini que cree pueden comprender una gama mucho más amplia de datos enumerables.
VER: Hoja de referencia de Google Gemini: ¿Qué es Google Gemini y cómo funciona?
Elija Exportar a hojas
Cuando una respuesta incluye una tabla, seleccione la opción Exportar a hojas en la esquina inferior derecha de la tabla. Esto exporta la tabla a una nueva hoja de Google. El sistema utilizará su mensaje como el nombre del archivo recién creado y la hoja inicial dentro del archivo. El contenido de la tabla se colocará en las celdas de la hoja, con los títulos de las columnas en la Fila A.
Mensaje “en una mesa”
Gemini suele formatear automáticamente las comparaciones y listas en una tabla. Cuando el sistema no haga esto, agregue la frase “en una tabla” a su solicitud. Esto haría que el mensaje mencionado anteriormente fuera:
In a table, list the 20 cities in the United States with the most annual rainfall.
Ver otros borradores o restablecer el chat
A veces, Géminis proporciona una respuesta parcial o una respuesta con un formato extraño. Por ejemplo, pruebe el mensaje:
List all 50 U.S. states sorted by population.
Géminis devolvió una tabla de 40 estados, lo cual es una respuesta incompleta. En otro ejemplo, se solicita:
List of elements by name and atomic weight.
En respuesta, Gemini produjo una lista formateada como un fragmento de código, no como una tabla. Cuando una respuesta no es la que espera, seleccione el botón Ver otros borradores para acceder a borradores alternativos. A veces, uno de esos borradores tendrá el formato de una tabla en lugar de un fragmento de código.
Otra opción cuando ocurre este tipo de error es iniciar un nuevo chat y luego intentarlo nuevamente con un mensaje reformulado. Esto puede devolver una respuesta más completa o con mejor formato.
VER: Cómo utilizar Google Gemini: una guía completa
Cómo obtener ayuda de Gemini con un cálculo de Google Sheets
Puede pedirle a Gemini que explique y proporcione ejemplos de fórmulas y funciones de Google Sheets. A diferencia de las páginas de ayuda de Google Sheets, que proporcionan detalles y un conjunto estático de ejemplos, puedes pedirle a Gemini varios ejemplos y una descripción detallada de cómo funciona una función.
Por ejemplo, si desea obtener más información sobre una de las nuevas funciones que Google agregó a Hojas de cálculo en marzo de 2023, puede preguntar:
How do I use the WRAPCOLS function in a Google Sheet? Can you give an example of how I might use it to group a list of employee names into groups of 4 people each?
La respuesta de Géminis incluyó, en secuencia:
- Una descripción de cómo se utiliza la función.
- Una fórmula de muestra para agrupar una lista en un conjunto de cuatro.
- Un ejemplo con nombres de demostración.
- Consejos adicionales, como cómo manejar filas adicionales o combinar WRAPCOLS con otras funciones.
Para explorar funciones adicionales de Google Sheets, es posible que se le solicite:
Are there other Google Sheets functions that achieve something similar?
Géminis tiende a ofrecer algunas otras funciones que ayudan con aspectos relacionados de su tarea inicial.
Además, Gemini puede ayudarte a crear la fórmula exacta que necesitas, pero puede ser un proceso de prueba y error. Por ejemplo, supongamos que desea analizar datos meteorológicos para identificar cuántos días el viento fue predominantemente del oeste. Primero, pruebe con un mensaje inicial detallado.
I have a Google Sheet with data in cells F2 through F367. The data is all numbers, from 0 to 359, and represents wind direction, with 0 being the north and 270 being the west. I would like a formula to indicate the percentage of days that the wind is from the west, where the value is anywhere between 240 and 270 degrees. Can you provide that?
La respuesta devolvió una fórmula =CONTAR.SI que arrojó un error. Después de una revisión rápida de la función, vuelva a preguntar, esencialmente pidiéndole a Gemini que vuelva a intentarlo:
I think the range indicator portion needs to be different. Maybe a logical AND not a text field?
Esta vez, la respuesta incluyó una fórmula =CONTAR.SI. Seleccione el botón Copiar código, cambie a Google Sheet, navegue hasta la celda de destino deseada y luego elija Editar | Pegar para agregar la fórmula. Esta vez, con algunos ajustes, el fragmento de código funcionó como se deseaba.
Y esa es una buena idea de cómo debes trabajar con Géminis. Si la respuesta inicial satisface sus necesidades, ¡genial! Pero siempre tómese el tiempo para verificar la exactitud de los resultados y esté preparado para preguntar nuevamente (y hacerlo de manera diferente) para evocar una respuesta más relevante, útil o precisa.
¿Puede Gemini crear tablas en Google Sheets?
¡Sí! Como se describió anteriormente, si la aplicación Gemini crea una tabla, va acompañada de un botón Exportar a hojas que abre la tabla en una hoja de cálculo.
Alternativamente, mientras estás en Google Sheets, puedes hacer clic en el botón “Preguntar a Gemini” en la parte superior derecha de la pantalla, que aparece como un destello blanco en un círculo azul. Luego se abrirá un panel con algunas sugerencias, incluido el botón “Crear una tabla”. Después de hacer clic aquí, puede reemplazar el texto de ejemplo con el suyo propio para crear su mensaje. También puedes escribir un mensaje desde cero sin utilizar una sugerencia.
Al presionar la pequeña flecha diagonal debajo de la tabla, Gemini la generará y la moverá a la hoja de cálculo.
¿Cómo accedo a Gemini en Google Sheets?
Si ha iniciado sesión en una cuenta de Google con Gemini habilitado, verá el botón “Preguntar a Gemini” junto a su foto de perfil en la parte superior derecha de la pantalla. Al hacer clic, se abrirá un panel con un cuadro donde puede escribir un mensaje relacionado con su hoja.
¿Gemini está disponible en todas las versiones de Google Sheets?
Gemini es un complemento pago para cualquier persona con una cuenta de Google Workspace.
Si tienes una edición Business, cuesta $24 por mes, por usuario, si pagas mensualmente, y $20 por mes, por usuario, si pagas anualmente.
Si tiene una edición Enterprise, cuesta $ 36 por mes, por usuario, si paga mensualmente, y $ 30 por mes, por usuario, si paga anualmente.
Esto se paga además del precio de su cuenta de Google Workspace:
- Iniciador de Negocios: $7.20 por usuario, por mes.
- Estándar comercial: $14.40 por usuario, por mes.
- Negocios Plus: $21.60 por usuario, por mes.
- Empresa: Precio individual a organización
VER: Gmail vs Google Workspace: diferencias clave para usuarios y empresas
¿Puede Gemini convertir el contenido de Google Docs en Google Sheets?
No, Gemini no puede transferir datos directamente entre aplicaciones de Google Workspace. Si tiene una tabla en un documento de Google y desea moverla a una hoja, puede resaltarla y copiarla, hacer clic en una celda de la hoja y luego pegarla. Si los datos pegados aparecen en una sola columna, haga clic en “Datos” y “Dividir texto en columnas” para dividir según un delimitador, como una coma o un espacio. También puedes utilizar ‘Preguntar a Gemini’ para generar una tabla en el mismo formato que la del documento describiendo su estructura.
Hay tantos trabajos de investigación de IA en estos días que es difícil destacarse. Pero un artículo ha programado mucha discusión en toda la industria tecnológica en los últimos días.
“Esto es lo más inspirador que he leído en IA en los últimos dos años”, escribió el fundador de inicio Suhail Doshi en X este fin de semana. Jack Clark, cofundador de Anthrope, presentó el periódico en la edición del lunes de su boletín de importación AI, que es leída de cerca por miles de investigadores de la industria.
Escrito por el investigador de Google David Silver y el científico informático canadiense Rich Sutton, el documento anuncia audazmente una nueva era de AI.
Los autores identifican dos épocas de IA modernas anteriores. El primero fue personificado por Alphago, un modelo de Google AI que aprendió a jugar el juego de mesa “Go” mejor que los humanos en 2015. El segundo es el que estamos en este momento, definido por ChatGPT de Opensei.
Silver y Sutton dicen que ahora estamos entrando en un nuevo período llamado “La era de la experiencia”.
Un gráfico del documento de investigación “Bienvenido a la Era of Experience”, de David Silver y Richard Sutton
David Silver, Richard Sutton
Para mí, esto representa un nuevo intento de Google de abordar uno de los problemas más persistentes de la IA, la escasez de datos de entrenamiento, al tiempo que va más allá de un enfoque tecnológico que OpenAi básicamente ganó.
La era de la simulación
Comencemos con la primera época, que, según los autores, era la “era de la simulación”.
En este período, aproximadamente a mediados de la década de 2010, los investigadores utilizaron simulaciones digitales para que los modelos de IA jueguen repetidamente para aprender a actuar como humanos. Estamos hablando de millones y millones de juegos, como ajedrez, póker, atari y “gran turismo”, jugados una y otra vez, con recompensas colgadas por buenos resultados, enseñando así a las máquinas lo que es bueno versus malo e incentivándolos para seguir mejor estrategias.
Este método de aprendizaje de refuerzo, o RL, produjo Alphago de Google. Y también ayudó a crear otro modelo de Google llamado Alphazero, que descubrió nuevas estrategias para el ajedrez y “ir”, y cambió la forma en que los humanos juegan estos juegos.
El problema con este enfoque: las máquinas entrenadas de esta manera funcionaban bien en problemas específicos con recompensas definidas con precisión, pero no podían abordar problemas más generales y abiertos con pagos vagos, según los autores. Entonces, probablemente no sea realmente completo.
La era de los datos humanos
La siguiente área fue lanzada por otro artículo de investigación de Google publicado en 2017. “La atención es todo lo que necesita” propuesta que los modelos de IA deben ser entrenados en montañas de datos creados por humanos de Internet. Simplemente permitiendo que las máquinas presten “atención” a toda esta información, aprenderían a comportarse como los humanos y desempeñarse tan bien como nosotros en una amplia variedad de tareas diferentes.
Esta es la era en la que estamos ahora, y ha producido ChatGPT y la mayoría de los otros potentes modelos y herramientas de IA generativos que se utilizan cada vez más para automatizar tareas como el diseño gráfico, la creación de contenido y la codificación de software.
La clave de esta época ha sido acumular la mayor calidad posible de datos generados por los humanos, y usar eso en el entrenamiento masivo y intensivo de cómputo se extiende a los modelos IMBue AI con una comprensión del mundo.
Mientras que los investigadores de Google iniciaron esta era de datos humanos, la mayoría de estas personas abandonaron la empresa y comenzaron sus propias cosas. Muchos fueron a OpenAI y trabajaron en tecnología que Ultimate produjo ChatGPT, que es, con mucho, el producto de IA generativo más exitoso de la historia. Otros comenzaron Anthrope, otra startup de IA generativa líder que ejecuta Claude, un poderoso agente de chatbot y IA.
Historias relacionadas
Business Insider cuenta las historias innovadoras que desea saber
Business Insider cuenta las historias innovadoras que desea saber
¿Un google dis?
Muchos expertos en la industria de la IA, y algunos inversores y analistas en Wall Street, piensan que Google puede haber dejado caer la pelota aquí. Se le ocurrió este enfoque de IA, pero OpenAi y Chatgpt se han escapado con la mayoría de los botines hasta ahora.
Creo que el jurado todavía está fuera. Sin embargo, no puede evitar pensar en esta situación cuando los autores parecen estar disgustando la era de los datos humanos.
“Se podría argumentar que el cambio en el paradigma ha tirado al bebé con el agua del baño”, escribieron. “Si bien RL centrado en el ser humano ha permitido una amplitud de comportamientos sin precedentes, también ha impuesto un nuevo techo al rendimiento del agente: los agentes no pueden ir más allá del conocimiento humano existente”.
Silver y Sutton tienen razón sobre un aspecto de esto. La oferta de datos humanos de alta calidad ha sido superado por la demanda insaciable de los laboratorios de IA y las grandes compañías tecnológicas que necesitan contenido fresco para capacitar nuevos modelos y hacer avanzar sus habilidades. Como escribí el año pasado, se ha vuelto mucho más difícil y más costoso hacer grandes saltos en la frontera de IA.
La era de la experiencia
Los autores tienen una solución bastante radical para esto, y está en el corazón de la nueva era de la experiencia que proponen en este documento.
Sugieren que los modelos y los agentes deberían salir y crear sus propios datos nuevos a través de interacciones con el mundo real.
Esto resolverá el problema de suministro de datos persistente, argumentan, mientras ayudan al campo a alcanzar AGI, o inteligencia general artificial, un santo grial técnico donde las máquinas superan a los humanos en la mayoría de las actividades útiles.
“En última instancia, los datos experimentales eclipsarán la escala y la calidad de los datos generados por los humanos”, escriben Silver y Sutton. “Este cambio de paradigma, acompañado de avances algorítmicos en RL, desbloqueará en muchos dominios nuevas capacidades que superan a las que poseen cualquier humano”.
Cualquier padre moderno puede pensar en esto como el equivalente a decirle a su hijo que salga del sofá, deje de mirar su teléfono y salga afuera y juegue con sus amigos. Hay experiencias mucho más ricas, satisfactorias y más valiosas para aprender.
Clark, el cofundador antrópico, quedó impresionado por la chutzpah de esta propuesta.
“Documentos como este son emblemáticos de la confianza que se encuentra en la industria de la IA”, escribió en su boletín el lunes, citando “el sentido común de dar a estos agentes la independencia y la latitud suficientes para que puedan interactuar con el mundo y generar sus propios datos”.
Ejemplos y un posible disco final
Los autores flotan algunos ejemplos teóricos de cómo esto podría funcionar en la nueva era de la experiencia.
Un asistente de salud de IA podría fundamentar los objetivos de salud de una persona en una recompensa basada en una combinación de señales como su frecuencia cardíaca en reposo, duración del sueño y niveles de actividad. (Una recompensa en la IA es una forma común de incentivar a los modelos y agentes para que funcionen mejor. Al igual que podrías molestar a tu pareja para hacer más ejercicio diciendo que se fortalecerán y se verán mejor si van al gimnasio).
Un asistente educativo podría usar los resultados del examen para proporcionar un incentivo o recompensa, basado en una recompensa fundamentada por el aprendizaje de idiomas de un usuario.
Un agente científico con el objetivo de reducir el calentamiento global podría usar una recompensa basada en observaciones empíricas de los niveles de dióxido de carbono, sugiere Silver y Sutton.
En cierto modo, este es un retorno a la era anterior de simulación, que Google podría liderar. Excepto esta vez, los modelos y agentes de IA están aprendiendo del mundo real y recopilando sus propios datos, en lugar de existir en un videojuego u otro ámbito digital.
La clave es que, a diferencia de la era de los datos humanos, puede no haber límite para la información que se puede generar y recopilar para esta nueva fase de desarrollo de IA.
En nuestro período de datos humanos actuales, se perdió algo, argumentan los autores: la capacidad de un agente para autodescubrir su propio conocimiento.
“Sin esta base, un agente, sin importar cuán sofisticado, se convertirá en una cámara de eco del conocimiento humano existente”, escribieron Silver y Sutton, en una posible final final para OpenAi.
