Encadenamiento de avisos

El encadenamiento de instrucciones es una potente técnica utilizada para gestionar tareas complejas dividiéndolas en una serie de instrucciones más pequeñas e interconectadas para un modelo de Inteligencia Artificial (IA). En lugar de depender de una sola instrucción masiva para resolver un problema de varios pasos, se crea una cadena en la que el resultado de una instrucción se convierte en la entrada de la siguiente. Este enfoque modular mejora la fiabilidad, la transparencia y el rendimiento general de los sistemas de IA, en particular de los grandes modelos lingüísticos (LLM). Permite construir flujos de trabajo sofisticados que pueden incluir lógica, herramientas externas e incluso varios modelos de IA diferentes.

Cómo funciona el encadenamiento de avisos

En esencia, el encadenamiento de instrucciones orquesta una secuencia de llamadas a uno o varios modelos de IA. El proceso sigue un flujo lógico: se envía una solicitud inicial al modelo, se procesa su respuesta y se extrae la información clave de esa respuesta para construir la siguiente solicitud de la secuencia. Este ciclo continúa hasta que se alcanza el objetivo final. Esta metodología es esencial para construir agentes de IA capaces de razonar y actuar.

Este enfoque permite la descomposición de tareas, en la que cada paso de la cadena se optimiza para una subtarea específica. Por ejemplo, un prompt puede estar diseñado para la extracción de información, el siguiente para el resumen de datos y el último para la generación de textos creativos. Los marcos como LangChain están diseñados específicamente para simplificar el desarrollo de estas cadenas mediante la gestión del estado, las instrucciones y la integración de herramientas externas.

Aplicaciones reales

El encadenamiento de instrucciones es versátil y tiene muchas aplicaciones prácticas en el aprendizaje automático y la automatización de flujos de trabajo.

1. Agente automatizado de atención al cliente: Un usuario envía un ticket de soporte complejo.

   • Pregunta 1 (Clasificación): Un LLM analiza el mensaje del usuario para clasificar el problema (por ejemplo, "facturación", "técnico", "acceso a la cuenta").
   • Pregunta 2 (Recuperación de datos): Basándose en la clasificación "técnica", el sistema ejecuta un paso de Generación Mejorada de Recuperación (RAG). Una nueva solicitud pide a la IA que busque documentos relevantes en una base de conocimientos técnicos.
   • Pregunta 3 (Generación de respuesta): Los documentos recuperados se introducen en una última pregunta que indica al LLM que sintetice la información y genere una solución clara, paso a paso, para el usuario. Más información sobre la mecánica de los sistemas GAR.

2. Creación de contenidos multimodales: Un vendedor quiere crear una campaña en las redes sociales para un nuevo producto.

   • Pregunta 1 (Generación de texto): El vendedor proporciona los detalles del producto y pide a un LLM que genere cinco eslóganes de marketing pegadizos.
   • Consigna 2 (Generación de imágenes): El eslogan elegido se utiliza como semilla para una nueva pregunta dirigida a un modelo de conversión de texto en imagen, como Stable Diffusion, para crear la imagen correspondiente.
   • Pregunta 3 (Análisis de visión): Un modelo de visión por ordenador, como un modelo YOLO de Ultralytics entrenado a medida, podría utilizarse en un paso posterior para garantizar que la imagen generada cumple las directrices de la marca (por ejemplo, confirmando que está presente el logotipo correcto). Estos modelos pueden gestionarse y desplegarse a través de plataformas como Ultralytics HUB.

Encadenamiento de instrucciones frente a conceptos relacionados

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

• Ingeniería Prompt: Se trata de la práctica general de diseñar avisos eficaces. El encadenamiento de avisos es una técnica específica dentro de la ingeniería de avisos que se centra en la estructuración secuencial de múltiples avisos.

• Estimulación de la cadena de pensamiento (CoT): El objetivo de CoT es mejorar el razonamiento de un LLM con una sola instrucción pidiéndole que "piense paso a paso". Por el contrario, el encadenamiento de instrucciones divide la tarea en varios pasos distintos, que pueden implicar diferentes modelos o herramientas en cada paso.

• Generación mejorada por recuperación (RAG): La RAG es una técnica mediante la cual una IA recupera información de una fuente externa antes de generar una respuesta. La RAG se utiliza a menudo como un paso específico dentro de una cadena de instrucciones más amplia, no como el mecanismo de encadenamiento en sí.

• Prompt Enriquecimiento: Consiste en añadir automáticamente contexto a la pregunta inicial del usuario antes de enviarla a la IA. Mejora una sola solicitud en lugar de orquestar el procesamiento secuencial de varias solicitudes interconectadas.

• Prompt Tuning: Un método de ajuste fino eficiente de parámetros (PEFT ) que aprende "indicaciones suaves"(incrustaciones) durante el entrenamiento del modelo. Se trata de una técnica de personalización del modelo, 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 de IA avanzados como los LLM e incluso integrarlos con otros sistemas de IA, incluidos los utilizados para la clasificación de imágenes o la segmentación de instancias. Esto 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. El despliegue de modelos especializados que pueden formar componentes de dichas cadenas se ve facilitado por plataformas integrales. Puede explorar una variedad de tareas de visión artificial que pueden integrarse en estos flujos de trabajo avanzados.