Definición
CLIP (Contrastive Language-Image Pre-training) es una red neuronal desarrollada por OpenAI que procesa datos de imagen y texto en un espacio vectorial común, permitiéndole aprender conceptos visuales directamente a través del lenguaje natural.Explicación
Mientras que los modelos tradicionales de visión artificial suelen requerir conjuntos de datos de imágenes preclasificados con categorías rígidas, CLIP, por el contrario, emplea un enfoque de aprendizaje contrastivo. Ha sido entrenado con cientos de millones de pares de imagen-texto extraídos de internet, lo que le permite al modelo discernir qué frases de texto se asocian con determinados contenidos visuales. Como resultado, CLIP domina la clasificación "Zero-Shot": puede categorizar con precisión imágenes que nunca ha visto durante su entrenamiento, simplemente midiendo su similitud semántica con el texto de entrada.CLIP constituye la base tecnológica de generadores de imágenes de vanguardia como DALL-E o Stable Diffusion, así como de sistemas de búsqueda multimodal avanzados. En el ámbito de las soluciones B2B y SaaS, este modelo se aplica principalmente en búsquedas inteligentes de imágenes, etiquetado automático (auto-tagging) y la clasificación de grandes volúmenes de colecciones multimedia no estructuradas.