Ingeniería Avanzada de Prompt

Advanced Prompt Engineering

Qué hacer cuando el aprendizaje de poco tiro no es suficiente…

(Foto de Mike Tinnion en Unsplash)

La popularización de los grandes modelos de lenguaje (LLMs, por sus siglas en inglés) ha cambiado por completo la forma en que resolvemos problemas como humanos. En años anteriores, resolver cualquier tarea (por ejemplo, reformatear un documento o clasificar una oración) con una computadora requeriría crear un programa (es decir, un conjunto de comandos escritos precisamente según algún lenguaje de programación). Con LLMs, resolver este tipo de problemas no requiere más que una indicación textual. Por ejemplo, podemos indicarle a un LLM que reformatee cualquier documento a través de una indicación similar a la que se muestra a continuación.

Uso de indicaciones para reformatear un documento XML (creado por el autor)

Como se muestra en el ejemplo anterior, el formato de texto a texto genérico de los LLMs nos facilita resolver una amplia variedad de problemas. Ya vimos un vistazo de este potencial con la propuesta de GPT-3 [18], que mostró que los modelos de lenguaje lo suficientemente grandes pueden utilizar el aprendizaje de poco tiro para resolver muchas tareas con una precisión sorprendente. Sin embargo, a medida que la investigación en torno a los LLMs avanzaba, comenzamos a ir más allá de estas técnicas básicas (¡pero aún muy efectivas!) de indicación, como el aprendizaje de cero/poco tiro.

Los LLMs de seguimiento de instrucciones (por ejemplo, InstructGPT y ChatGPT) nos llevaron a explorar si los modelos de lenguaje podían resolver tareas verdaderamente difíciles. Es decir, queríamos utilizar los LLMs para algo más que simples problemas de juguete. Para ser útiles en la práctica, los LLMs deben ser capaces de seguir instrucciones complejas y realizar razonamientos de varios pasos para responder correctamente a preguntas difíciles planteadas por un humano. Desafortunadamente, este tipo de problemas a menudo no se pueden resolver utilizando técnicas básicas de indicación. Para obtener un comportamiento de resolución de problemas complejos de los LLMs, necesitamos algo más sofisticado.

(de [1, 2, 4, 7])

Expandiendo el alcance de lo que es posible…

(creado por el autor)

En una publicación anterior, aprendimos sobre métodos más fundamentales de indicación para LLMs, tales como…

We will continue to update Zepes; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

Inteligencia Artificial

Decodificando emociones Revelando sentimientos y estados mentales con EmoTX, un novedoso marco de inteligencia artificial impulsado por Transformer

Las películas son una de las expresiones artísticas más importantes de historias y sentimientos. Por ejemplo, en R...

Inteligencia Artificial

La Era de Gen AI Un Nuevo Comienzo

Introducción En el mundo de la tecnología en constante evolución, nos encontramos en el umbral de una nueva era, una ...

Inteligencia Artificial

Generar un texto rico en información para una interfaz cruzada sólida en LLMs con de-difusión

El fenómeno global de los productos LLM (Modelos de Lenguaje Grande), ejemplificado por la amplia adopción de ChatGPT...

Inteligencia Artificial

Aprendiendo el lenguaje de las moléculas para predecir sus propiedades

Este sistema de IA solo necesita una pequeña cantidad de datos para predecir propiedades moleculares, lo que podría a...