Encadenamiento de avisos

Cómo funciona el encadenamiento de instrucciones

La idea central que subyace al encadenamiento de tareas es la descomposición de tareas. Un problema complejo, que podría ser difícil de resolver con precisión para una IA en un solo paso, se divide en subtareas más pequeñas y manejables. Cada subtarea se aborda mediante una solicitud específica dentro de la cadena. La IA procesa la primera pregunta, genera un resultado, y este resultado (o una versión procesada del mismo) se convierte en parte de la entrada para la segunda pregunta, y así sucesivamente. Este proceso paso a paso guía a la IA a través de la tarea, asegurando que cada etapa se basa lógicamente en la anterior. Este método contrasta con el intento de resolver todo el problema utilizando una única instrucción, a menudo compleja y menos fiable. Los marcos como LangChain se utilizan habitualmente para implementar este tipo de cadenas, simplificando la orquestación de estos procesos de varios pasos. El flujo de información entre los avisos es clave para el éxito de la cadena.

Beneficios y aplicaciones

El encadenamiento de instrucciones ofrece varias ventajas para desarrollar sistemas de IA sofisticados:

• Mayor precisión y fiabilidad: Desglosar las tareas reduce la complejidad en cada paso, lo que conduce a resultados intermedios y finales más precisos. Este refinamiento paso a paso minimiza la posibilidad de errores o alucinaciones de la IA.
• Control y depuración mejorados: Cada paso de la cadena puede controlarse, evaluarse y depurarse individualmente, lo que facilita la localización y solución de problemas en comparación con la solución de problemas de una única solicitud monolítica. Esto se alinea con las mejores prácticas en MLOps.
• Gestión de la Complejidad: Permite a la IA abordar tareas que requieren múltiples etapas de razonamiento, recuperación de información o transformación que serían demasiado complejas para una sola instrucción. Esto es crucial para construir agentes de IA avanzados.
• Modularidad y reutilización: Los avisos individuales o las subcadenas pueden reutilizarse potencialmente en distintos flujos de trabajo, lo que fomenta la eficacia en el desarrollo. Esta modularidad es un principio básico de la ingeniería de software.

Ejemplos del mundo real:

1. Automatización de la atención al cliente: A chatbot utiliza el encadenamiento de avisos para gestionar una consulta de usuario.
   • Pregunta 1: Analiza la petición del usuario para identificar la intención y las entidades clave (p. ej., nombre del producto, tipo de incidencia).
   • Pregunta 2: Utiliza las entidades extraídas para buscar en una base de conocimientos artículos o preguntas frecuentes relevantes para la resolución de problemas.
   • Pregunta 3: Resume la información recuperada basándote en el problema específico del usuario.
   • Prompt 4: Genera una respuesta clara y empática al usuario incorporando el resumen.
2. Integrar la visión y el lenguaje para informar: Generar un informe descriptivo a partir de una imagen captada por un sistema de seguridad.
   • Pregunta 1 (Entrada: Imagen): Utiliza una Ultralytics YOLOde detección de objetos para identificar los objetos y su ubicación(cajas delimitadoras).
   • Pregunta 2 (Entrada: Lista de objetos): Introduce la lista de objetos y ubicaciones detectados en un LLM para generar un resumen textual descriptivo de la escena.
   • Pregunta 3 (Entrada: Resumen de la escena + Contexto): Utiliza la descripción de la escena y el contexto adicional (por ejemplo, hora, ubicación) para generar un informe estructurado del incidente utilizando las capacidades de generación de texto. Esto combina la visión por ordenador y el procesamiento del lenguaje natural (PLN).

Encadenamiento de instrucciones vs. Conceptos relacionados

Es útil distinguir el encadenamiento de avisos de otras técnicas similares:

• Ingeniería de instrucciones: Es la práctica general de diseñar instrucciones eficaces para los modelos de IA. El encadenamiento de instrucciones es una técnica específica dentro de la ingeniería de instrucciones, que se centra en la estructuración secuencial de múltiples instrucciones.
• Estimulación de la Cadena de Pensamiento (CoT): El objetivo de la CoT es mejorar la capacidad de razonamiento de un LLM con un único estímulo, pidiéndole que "piense paso a paso". Por el contrario, el encadenamiento de estímulos divide la tarea en varios pasos de estímulo distintos, que pueden implicar diferentes modelos o herramientas en cada paso.
• Generación Mejorada por Recuperación (GAR): La RAG es una técnica en la que un modelo de IA recupera información relevante de una fuente de conocimiento externa antes de generar una respuesta. La RAG se utiliza a menudo como un paso específico dentro de una cadena de instrucciones más amplia (por ejemplo, la búsqueda en la base de conocimientos en el ejemplo de atención al cliente). Más información sobre los sistemas RAG.
• Enriquecimiento de la pregunta: Consiste en añadir automáticamente contexto o detalles a la petición inicial del usuario antes de enviarla a la IA. Aunque mejora una sola petición, no implica el procesamiento secuencial de varias peticiones interconectadas, como ocurre con el encadenamiento.
• Ajuste de las instrucciones: Un método de ajuste fino eficiente de parámetros (PEFT ) que implica el aprendizaje de "avisos suaves" específicos(incrustaciones) en lugar de la elaboración de avisos de texto. Es una técnica de entrenamiento de modelos, distinta de la estructura de ejecución en tiempo de ejecución del encadenamiento de avisos.

El encadenamiento de instrucciones es un potente método para estructurar interacciones con modelos avanzados de IA, como los LLM, e incluso para integrarlos con otros sistemas de IA, como los utilizados para la clasificación de imágenes o la segmentación de instancias. Hace que las tareas complejas sean más manejables y mejora la fiabilidad de los resultados en diversas aplicaciones de aprendizaje automático, desde el análisis básico de datos hasta sofisticados sistemas de IA multimodal. Plataformas como Ultralytics HUB facilitan la formación y el despliegue de modelos que podrían formar parte de esas cadenas.