Ingeniería Prompt

Cómo funciona Prompt Engineering

La ingeniería de prontitud eficaz suele ser un proceso iterativo. Comienza con el análisis de los requisitos de la tarea y la comprensión de las capacidades y limitaciones del modelo de IA objetivo. A continuación, el ingeniero diseña una instrucción inicial, la prueba, evalúa el resultado y la perfecciona en función de los resultados. Este perfeccionamiento puede consistir en añadir instrucciones más específicas, proporcionar ejemplos(aprendizaje de pocos disparos), definir el formato de salida deseado (por ejemplo, JSON), establecer restricciones o ajustar el tono. Las técnicas clave se basan a menudo en principios del Procesamiento del Lenguaje Natural (PLN ) y requieren una cuidadosa consideración de cómo afecta la redacción al comportamiento del modelo, influido por sus datos de entrenamiento y su arquitectura, como el modelo Transformer descrito en el famoso artículo "Attention Is All You Need".

Principales técnicas de incitación

En la ingeniería de urgencia se suelen emplear varias estrategias:

• Indicación de cero: Pedir directamente al modelo que realice una tarea sin proporcionarle ejemplos previos. Se basa en los conocimientos previos del modelo adquiridos durante el entrenamiento. Véase Aprendizaje sin intervención.
• Pocos ejemplos: Incluir un pequeño número de ejemplos (pares de entrada-salida) directamente dentro del prompt para guiar al modelo en la tarea y formato deseados.
• Estimulación de la cadena de pensamiento (CoT): Animar al modelo a "pensar paso a paso" incitándole a desglosar su proceso de razonamiento antes de dar la respuesta final suele mejorar el rendimiento en tareas complejas.
• Instrucción de rol: Instruir al modelo para que adopte un personaje o rol específico (por ejemplo, "Actúa como un desarrollador experto en Python") para adaptar su estilo de respuesta y contenido.
• Especificación de la estructura de salida: Definir claramente el formato deseado para la salida, como solicitar una lista numerada, una tabla o código formateado en un lenguaje específico. Recursos como la OpenAI Prompt Engineering Guide ofrecen las mejores prácticas.

Aplicaciones reales

Una ingeniería rápida es fundamental para implantar con éxito muchas aplicaciones de IA:

1. Automatización del servicio de atención al cliente: Diseño de indicaciones para que los chatbots y los asistentes virtuales gestionen las consultas de los clientes con precisión, mantengan una voz de marca específica y escalen los problemas complejos adecuadamente. Las empresas utilizan estas técnicas para mejorar la experiencia del cliente, como se ve en plataformas como Zendesk AI.
2. Creación y resumen de contenidos: Creación de instrucciones para herramientas de IA Generativa (como las desarrolladas por Cohere o Anthropic) para generar textos de marketing, escribir correos electrónicos, resumir documentos largos(resumen de texto) o incluso generar fragmentos de código utilizando herramientas como GitHub Copilot.

Otras aplicaciones son los motores de búsqueda semántica, las herramientas educativas interactivas y los sofisticados análisis de datos mediante interfaces de lenguaje natural.

Ingeniería Prompt frente a conceptos afines

Es útil diferenciar la ingeniería rápida de los términos relacionados:

• Enriquecimiento de instrucciones: Se centra en aumentar automáticamente la instrucción inicial de un usuario con contexto adicional (por ejemplo, de una base de conocimientos utilizando RAG) antes de que llegue al LLM. La ingeniería de instrucciones es la elaboración manual de las instrucciones básicas.
• Ajuste de indicaciones: Una técnica de ajuste fino eficiente de parámetros (PEFT ) en la que se añaden incrustaciones aprendibles (indicaciones suaves) a la entrada del modelo y se optimizan, en lugar de elaborar indicaciones textuales.
• Ajuste: Consiste en actualizar las ponderaciones reales del modelo entrenándolo más en un conjunto de datos específico, adaptando el modelo en sí y no sólo la entrada de datos.

Aunque distintas, estas técnicas pueden ser complementarias. Por ejemplo, un prompt base bien diseñado podría enriquecerse automáticamente con datos recuperados antes de ser procesado por un modelo afinado. Los marcos como LangChain suelen integrar estos distintos enfoques.

Relevancia en visión por ordenador

Tradicionalmente menos importante en el campo de la visión por ordenador (CV ) que en el de la PLN, la ingeniería de instrucciones está adquiriendo cada vez más importancia con el auge de los modelos multimodales y los sistemas de visión con instrucciones. Modelos como CLIP, YOLO-World o YOLOE pueden realizar tareas como la detección de objetos o la segmentación de imágenes a partir de descripciones de texto. La elaboración de instrucciones de texto eficaces (por ejemplo, "detecta todos los "coches rojos" pero ignora los "camiones") es una forma de ingeniería de instrucciones crucial para guiar estos modelos de lenguaje visual. Plataformas como Ultralytics HUB facilitan la interacción con varios modelos, incluidos los modelos YOLO de Ultralytics, como YOLOv8 y YOLO11, en los que la definición de tareas a través de interfaces puede beneficiarse de los principios de la ingeniería de instrucciones, especialmente a medida que los modelos adquieren más capacidades interactivas.