Ir al contenido principal

Mejora los resultados de la IA mediante iteración

¿Alguna vez creaste una presentación para un cliente o diseñaste un sitio web para tu nueva empresa? Si es así, es posible que hayas utilizado un proceso iterativo para lograr tu objetivo. En un proceso iterativo, creas una primera versión, la evalúas y la mejoras para la próxima versión. Luego, repites estos pasos hasta obtener el resultado deseado. Por ejemplo, si estás desarrollando una propuesta, un informe u otro documento para compartir con tus compañeros de trabajo, es posible que elabores varios borradores y realices mejoras en cada borrador hasta que te satisfaga el resultado.

Adoptar un enfoque iterativo suele ser la forma más eficaz para resolver un problema o desarrollar un producto. Un proceso iterativo también es eficaz en la ingeniería de instrucciones. La ingeniería de instrucciones a menudo requiere múltiples intentos antes de obtener el resultado óptimo. La mayoría de las veces, no obtendrás el mejor resultado en el primer intento. Si intentas algo y no funciona, no te desanimes. En su lugar, evalúa cuidadosamente el resultado para determinar por qué no obtuviste la respuesta deseada. A continuación, revisa tu instrucción para intentar obtener un mejor resultado. 

Consideremos las posibles razones por las que puede que no obtengas resultados útiles después de crear una instrucción clara y específica. En primer lugar, las diferencias en modelos de lenguaje grande pueden afectar el resultado. Cada LLM se desarrolla con datos de entrenamiento únicos y técnicas de programación, y tiene diferentes conocimientos previos sobre ámbitos específicos. Por esta razón, diferentes modelos pueden responder a instrucciones similares de diferentes maneras. Y podría fracasar en dar una respuesta adecuada a algunas instrucciones. Adoptar un enfoque iterativo con el LLM que estás utilizando producirá los mejores resultados. 

En segundo lugar, las limitaciones del LLM. Los resultados del LLM a veces pueden ser inexactos, sesgados, insuficientes, irrelevantes o incoherentes. Deberás evaluar de forma crítica todos los resultados del LLM planteándote las siguientes preguntas. ¿El resultado es preciso? ¿El resultado es imparcial? ¿El resultado incluye suficiente información? ¿El resultado es relevante para mi proyecto o tarea? Y por último, ¿El resultado es coherente si utilizo la misma instrucción varias veces? Si detectas algún problema al evaluar el resultado, iterar sobre tu instrucción inicial a menudo puede ayudarte a resolver estos problemas y obtener mejores resultados. 

Para empezar, si notas que falta algún contexto en tu instrucción, añádelo. Tu elección de palabras también puede repercutir significativamente en los resultados de un LLM. Utilizar palabras o frases diferentes en tus instrucciones a menudo produce diferentes respuestas del modelo. Experimentar con diferentes frases puede ayudarte a obtener el resultado más útil. 

Ahora que sabes más sobre las instrucciones iterativas, veamos un ejemplo. Supón que trabajas como coordinador de recursos humanos para una productora de video. La empresa quiere desarrollar un programa de prácticas para estudiantes que exploran las carreras relacionadas con la animación y el diseño de gráficos en movimiento. La empresa tiene su sede en Estados Unidos, en el estado de Pensilvania. Tu equipo quiere asociarse con las universidades locales para ofrecer oportunidades de prácticas para los estudiantes de Pensilvania. Como primer paso, debes crear una lista de universidades en Pensilvania que tengan programas de animación. La lista debe incluir los detalles necesarios sobre las universidades y tener un formato bien organizado que tu equipo pueda revisar rápidamente. 

Repasemos un ejemplo utilizando Gemini. Ayúdame a encontrar universidades con programas de animación en Pensilvania. A continuación, examinaremos nuestro resultado. El resultado enumera las universidades de Pensilvania que tienen programas de animación, junto con más información relacionada con estos programas. Es información útil, pero no está estructurada de forma que tu equipo pueda consultar rápidamente al ponerse en contacto con las universidades. Organizar la información en una tabla facilitaría la lectura y comprensión, especialmente para las partes interesadas, como tu gerente, que pueden disponer de poco tiempo. Podemos iterar sobre la instrucción añadiendo contexto para especificar el formato deseado de salida. Escribiremos estas opciones en forma de tabla. El resultado muestra una tabla que proporciona información útil sobre la ubicación de cada universidad y el tipo específico de titulación que ofrece. Ahora, la lista está en un formato organizado que es más fácil de seguir para tu equipo. Aunque la tabla contiene la mayoría de la información que tu equipo necesita, no incluye un detalle clave, si la escuela es pública o privada. Tu empresa quiere ofrecer prácticas a estudiantes de universidades públicas y universidades privadas. Añadiremos una nueva solicitud para que Gemini incluya la información relevante en la tabla. ¿Puedes añadir una columna que muestre si son públicas o privadas? Ahora, la tabla incluye una columna que indica si una universidad es privada o pública. Para compartir esta información con tu equipo en un formato que sea fácil de revisar y comprender, puedes utilizar la función Exportar a Sheets. Esto permitirá a tu equipo a acceder y analizar fácilmente los datos y tomar decisiones informadas basadas en los resultados.

Debes aplicar el mismo enfoque iterativo a otras tareas. Cuando desarrolles instrucciones para tareas adicionales, ten en cuenta que las instrucciones anteriores realizadas en la misma conversación pueden influir en el resultado de tu instrucción más reciente. Si observas que esto ocurre, es posible que desees iniciar una nueva conversación. La iteración es una parte clave de la ingeniería de instrucciones. Al adoptar un enfoque iterativo para elaborar instrucciones, puedes aprovechar un LLM para proporcionar los resultados más útiles para tus necesidades.


Fuente: 
Coursera – Fundamentos de IA de Google.

Comentarios

Entradas más populares de este blog

Enciclopedia de Máscaras (en PDF)

No cabe duda que el Internet ha ayudado a rescatar y compartir muchas cuestiones que en tiempos anteriores era difícil pensarlo y hacerlo, dada que la logística previa a este invento no era tan rápida y “eficiente” como actualmente trata de serlo, y por esas razones, y dado el panorama del momento (donde ya muchas plataformas te cobran por tener cierta cantidad de almacenamiento o se te ponen intensas con los derechos de autor , con sus pros y contras que eso conlleva) he decidido utilizar la plataforma de Telegram para compartir estos archivos de la Enciclopedia de Máscaras , un trabajo de Mina Editores donde se documenta cientos de máscaras utilizadas en diferentes rings de México , mencionando algunas de sus características, parte de su historia y algunos detalles que hacen la delicia de todos los interesados a la lucha libre .

Análisis de rutas, abandonos y visitantes

Lo primero que tenemos que saber es por qué los usuarios me abandonan, esto nos ayuda a detectar áreas problemáticas y poder investigar qué mejoras podemos realizar para mejorar. Para ello vamos a usar dos tácticas: Por una parte el análisis de abandono en las rutas de Google Analytics combinando con el análisis de usuario de Analytics, y por las grabaciones y los mapas de color de Hotjar.

La novela gráfica estadounidense

El cómic estadounidense es la mejor muestra de la confluencia de generaciones. Ahí tenemos al maestro del underground, Robert Crumb, a quien tras años de carrera a sus espaldas no se le ocurre otra cosa que adaptar el Génesis bíblico en una extraordinaria novela gráfica que publicó en 2009, en un solo volumen y sin serialización previa, pues los días de las revistas parecen haber terminado, salvo contadas excepciones. Eddie Campbell, afincado en Australia, prosigue con su obra autobiográfica monumental, que alterna con proyectos más breves. Los hermanos Hernandez, Daniel Clowes, Charles Burns, Seth o Chester Brown siguen siendo los nombres más respetados del cómic adulto estadounidense, han publicado en los últimos años algunas de sus mejores obras. También es el caso de Chris Ware, buscador incansable de nuevos caminos, convertido en el faro de su generación. Su ansia experimentadora se explica mejor que de cualquier otra forma diciendo que su última creación es Building Stories (Fabr...