Gen Engineering & Prompt Engineering

Las herramientas basadas en IA son cada vez más frecuentes y accesibles, ya no es un campo teórico, sino que este tipo de herramientas empiezan a dar respuesta a problemas específicos y complejos, en lenguaje natural. La IA generativa tiene el potencial de revolucionar las experiencias de los clientes y la productividad de los empleados. 

La disponibilidad de estos modelos LLM y otros modelos básicos está democratizando el acceso a la IA para la comunidad más amplia de desarrolladores/as, que no necesitan ser expertos en “deep learning”. 

La forma de trabajar de muchos equipos está cambiando. Estos modelos requieren instrucciones en lenguaje natural contextuales, específicas y personalizadas para generar el resultado deseado. Esto implica que los equipos de desarrollo, de ingeniería, data scientist, etc. deben escribir instrucciones claras, concisas e informativas. El Gen Engineering se está convirtiendo en una habilidad que los equipos de desarrollo deben dominar

Hablar de Gen Engineering como habilidad en general está bien, pero sin embargo es un término demasiado amplio, abstracto y que engloba desde las habilidades del desarrollo de aplicaciones tradicionales, incluida la arquitectura escalable, la integración de sistemas empresariales, la comprensión de los requisitos del usuario, etc… a nuevas capacidades como de Prompt Engineering como:

  • Elección del LLM adecuado en función del precio/rendimiento y los resultados deseados.
  • Ser lo más específico posible: los modelos de IA son capaces de entender e interpretar una amplia gama de instrucciones, ya sean texto, código, diferentes idiomas, etc… Sin embargo, siguen siendo “imperfectos” y pueden malinterpretar instrucciones que no son lo suficientemente específicas. Para que el modelo genere una respuesta relevante es importante adaptar las indicaciones específicamente al resultado deseado.
  • Contextual prompts: proporcionar información contextual: tono, perspectiva, persona… a los modelos es básico para mejorar la calidad, relevancia y efectividad de los resultados.
  • Proporcionar ejemplos: los ejemplos pueden ayudar a los modelos a entender qué se está pidiendo. Los ejemplos actúan como instrucciones para el modelo.
  • Chain-of-thought prompting: es una técnica para mejorar las capacidades de razonamiento de los modelos LLM. Funciona dividiendo un problema complejo en pasos más pequeños y luego solicitando al modelo LLM que proporcione un razonamiento intermedio para cada paso. Esto ayuda al LLM a comprender el problema más profundamente y a generar respuestas más precisas e informativas. 

La IA generativa ya no es una innovación, es una commodity clave que seguirá desarrollándose para siempre y perfeccionándose constantemente a medida que la usemos e interactuemos con ella. 

La revolución GenEng estará liderada por profesionales que comprendan cómo aprovechar e integrar mejor las tecnologías de IA generativa en las aplicaciones.

Referencias:

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *