Resultados estructurados

Los resultados estructurados se refieren a una metodología en inteligencia artificial en la que se exige estrictamente que las respuestas del modelo se ajusten a un formato de datos predefinido, normalmente un esquema JSON. En los modelos de lenguaje a gran escala (LLM) tradicionales, la generación de texto se basa en la predicción probabilística de tokens, lo que a menudo da lugar a texto no estructurado y de formato libre. Al utilizar salidas estructuradas, los desarrolladores pueden garantizar que un sistema de IA devuelva datos predecibles y legibles por máquina, eliminando la necesidad de scripts de análisis sintáctico poco fiables y de un manejo complejo de los errores.

Comprender la diferencia entre los resultados estructurados y el modo JSON

Aunque las primeras versiones de la IA generativa ofrecían un «modo JSON» básico, esto solo aseguraba que el resultado fuera un JSON válido, sin garantizar que contuviera las claves específicas o los tipos de datos solicitados. Los resultados estructurados resuelven esto mediante una técnica denominada «decodificación restringida». Durante la generación, el motor de inferencia filtra el vocabulario del modelo en cada paso, ocultando los tokens que infringirían el esquema proporcionado por el desarrollador. Esto garantiza un 100 % de cumplimiento del esquema.

El concepto de «llamada a funciones» (uso de herramientas) está estrechamente relacionado con esta metodología. Si bien la llamada a funciones permite a los modelos determinar cuándo ejecutar una herramienta externa, depende por completo de salidas estructuradas para rellenar con precisión los parámetros requeridos por la herramienta sin generar datos erróneos.

Adopción en el sector y marcos de trabajo

Entre 2024 y 2025, los principales proveedores de IA incorporaron las salidas estructuradas como una característica nativa para mejorar la fiabilidad de los sistemas empresariales. . Por ejemplo, la API de resultados estructurados de OpenAI permite a los desarrolladores definir esquemas rigurosos utilizando Pydantic en Python Zod en JavaScript. Del mismo modo, los resultados estructuradosAnthropic ClaudeAnthropic y las herramientas de resultados estructuradosGoogle ahora admiten la aplicación estricta de esquemas para solicitudes complejas.

Los ecosistemas de código abierto también aprovechan marcos como vLLM y Outlines para ofrecer metodologías de decodificación con restricciones para modelos personalizados creados con PyTorch.

Aplicaciones en el mundo real

La implementación de resultados estructurados transforma las respuestas ambiguas de la IA en datos de modelización predictiva aplicables. Entre los principales casos de uso se incluyen:

• Canales de extracción de datos: las empresas utilizan resultados estructurados para extraer entidades específicas (como nombres de candidatos, importes de facturas y fechas) de documentos sin procesar y no estructurados, e incorporarlas directamente a bases de datos SQL sin necesidad de introducir los datos manualmente.
• Agentes de IA autónomos: los flujos de trabajo basados en agentes se basan en datos estructurados para desenvolverse en software complejo. Un agente puede analizar la consulta de un usuario y generar una carga útil JSON bien definida que active una API externa, ampliando las operaciones de forma segura a través de sistemas como Databricks Model Serving.

Resultados estructurados en visión artificial

Aunque son un tema muy debatido en el procesamiento del lenguaje natural, los resultados estructurados constituyen el principio operativo fundamental de la visión artificial. Los modelos de visión no generan texto de formato libre; producen de forma nativa tensores altamente organizados que representan coordenadas, clases y puntuaciones de confianza . Por ejemplo, modelos de vanguardia como Ultralytics evalúan una imagen y devuelven datos espaciales con un formato estricto , lo cual es ideal para una implementación fluida del modelo en entornos periféricos de baja latencia.

El siguiente fragmento de código muestra lo fácil que es extraer datos estructurados detección de objetos resultados obtenidos mediante el ultralytics paquete:

from ultralytics import YOLO

# Load the recommended Ultralytics YOLO26 model
model = YOLO("yolo26n.pt")

# Perform inference to generate structured visual data
results = model("image.jpg")

# The model strictly outputs structured bounding box objects
for box in results[0].boxes:
    print(f"Class ID: {box.cls}, Confidence: {box.conf}, Coordinates: {box.xyxy}")

Al salvar la brecha entre la lógica probabilística de la IA y los requisitos determinísticos del software, los resultados estructurados constituyen un componente fundamental para crear sistemas escalables y listos para la producción en la Ultralytics y más allá.