Ya conocemos que es el prompt engineering, la técnica utilizada para crear instrucciones claras y específicas que se dan al modelo de lenguaje para guiarlo sobre la respuesta que se espera que se genere como resultado.
Pero profundicemos un poco más en el tema. Entendiendo que un prompt es un texto o código usado para programar una tarea y que un prompt engineer es quién diseña las instrucciones dadas a los modelos de IA, podemos decir que el éxito de la IA generativa se basa en la optimización de técnicas de prompt engineering. Es decir, optimizar constantemente los datos de entrada y adaptarlos para reducir los sesgos, confusión y generar respuestas (imágenes, código, resúmenes de datos o texto) más precisas.
Al momento de crear las indicaciones para el modelo de IA, es necesario que los ingenieros del prompt tengan un enfoque reflexivo y logren optimizar la calidad y la relevancia de los resultados, lo que reduce significativamente la necesidad de revisar los datos manualmente y la edición después de la generación de contenido. Lo que, a la larga, ahorra tiempo y esfuerzos para que se logren los resultados que se desean.
Y es que, cuantas más información se le entregue a la IA, más se ajusten las fórmulas de las preguntas y se den más ejemplos adicionales a la IA, las respuestas serán más precisas. Por eso, es muy importante conocer las distintas técnicas que usan los prompt engineers para lograr los mejores resultados con la IA.
Son varias las técnicas que usan los ingenieros para hacer más eficaz el prompting para IA, como el ajuste de los parámetros del modelo y el muestreo top-k (una técnica de muestreo aleatorio con la que se puede generar texto de forma creativa), pero queremos hablar sobre las tres que requieren un poco más de conocimientos técnicos:
Esta función le da al modelo de machine learning una tarea para la que no fue entrenado de manera explícita. Es decir, implica hacer una petición al modelo de lenguaje sin proporcionarle un ejemplo específico. De este modo, la IA deberá recurrir a sus conocimientos preexistentes para, apoyándose en estos, generar una respuesta con base en su comprensión contextual.
Se trata de poner a prueba las capacidades de la IA para devolver resultados relevantes y adecuados sin basarse en ejemplos ofrecidos por el usuario con anterioridad. Pongamos un ejemplo:
Prompt: genera un análisis de sentimiento sobre el texto y clasifica según si es neutral, negativo o positivo. Este es el texto: El viaje fue genial. Hicimos grandes amigos por el camino y nos divertimos mucho.
Texto de salida: Sentimiento: positivo.
Aquí el modelo debe analizar los sentimientos que transmite el texto sin recibir previamente ejemplos específicos de otros textos y los sentimientos que evocan para entrenarse, así que se basa en su conocimiento existente para interpretar y categorizar el sentimiento del texto.
En este caso al modelo se le proporcionan algunos resultados de muestra que le ayudan a comprender lo que se le pide y que la respuesta sea más apropiada y se ajuste a los resultados deseados. Tomando el ejemplo de los sentimientos del texto anterior, se le pueden dar al modelo de lenguaje varios ejemplos (los que sean necesarios) que le sirvan de guía para comprender mejor el contexto.
Prompt: genera un análisis de sentimiento sobre el texto y clasifica según si es neutral, negativo o positivo. Estos son algunos ejemplos de textos y los sentimientos que evocan:
¡Esto es fantástico! – positivo
¡Esto es terrible! – negativo
¡Vaya, ese libro fue increíble! – positivo
¡Qué actuación tan espantosa! – negativo
Este es el texto: ¡Este postre es delicioso!
Esta es la técnica de instrucción más avanzada e implica guiar al modelo a través de pensamientos lógicos conectados, para que pueda pensar “paso a paso”. Gracias a esto, el modelo es capaz de dividir una tarea compleja en pasos pequeños, considerar diferentes aspectos de un problema y crear resultados más precisos. Veamos un ejemplo:
Prompt estándar: La cesta tiene 30 manzanas. Si se usan 20 manzanas para el almuerzo y se compran 6 adicionales en el mercado, ¿cuántas manzanas hay en la cesta?
Texto de salida: 11
Esta respuesta del modelo es incorrecta, pero si se le da una fórmula para dividir el problema, la respuesta será más acertada:
Prompt de cadena de pensamiento: La cesta tiene 30 manzanas. Si se usan 20 manzanas para el almuerzo y se compran 6 adicionales en el mercado, ¿cuántas manzanas hay en la cesta?
Aquí tienes un razonamiento, pero con peras y otras cantidades: La cesta tiene 50 peras. Si se usan 10 peras para el almuerzo y se compran 20 adicionales en el mercado, ¿cuántas peras hay en la cesta?
Número inicial de peras en la cesta: 50 peras
Peras utilizadas para el almuerzo: -10 peras
Peras traídas del mercado: +20 peras
Teniendo en cuenta estas cantidades:
50 peras (inicial) – 10 peras (usadas para el almuerzo) + 20 peras (traídas del mercado) = 60 peras.
Siguiendo ese razonamiento, resuelve el problema matemático de las manzanas.
Texto de salida:
Número inicial de manzanas en la cesta: 30 manzanas
Manzanas utilizadas para el almuerzo: -20 manzanas
Manzanas traídas del mercado: +6 manzanas
30 manzanas (inicial) – 20 manzanas (usadas para el almuerzo) + 6 manzanas (traídas del mercado) = 16 manzanas.
Hay 16 manzanas en la cesta.
Foto: Flux
Your email address will not be published. Required fields are marked *
Δ