El Arte de La Ingeniería de Prompts Con ChatGPT Max Neuron

El arte de la Ingeniería de Prompts Con

CHATGPT Una guía practica para dominar la Inteligencia Artificial

Max Neuron

© 2023 Max Neuron   Todos los derechos reservados. Ninguna parte de este libro puede ser reproducida en ninguna forma o por ningún medio, electrónico o mecánico, incluyendo la fotocopia, la grabación o cualquier sistema de almacenamiento y recuperación de información, sin el permiso escrito del autor. Primera edición: Enero 2024 Escrito y desarrollado por Max Neuron

Prologo Te doy la bienvenida al vibrante universo de la Inteligencia Artificial. Es un placer tenerte con nosotros en esta exploración. Este E-book es tu guía personal para comprender las asombrosas capacidades de esta revolucionaria tecnología, enfocándose principalmente en modelos de Inteligencia Artificial aplicados a la generación de texto, como el famoso ChatGPT. Estamos a punto de embarcarnos en un viaje estimulante que, si se aborda con una actitud abierta y receptiva, te mostrará cómo transformar este extraordinario aliado en una herramienta para realizar tus tareas diarias de manera muy rápida y atractiva. Vivimos una época sin precedentes que está llevando a cambios profundos en nuestra cotidianidad. No es ninguna exageración afirmar que nunca antes hemos sido testigos de una transformación tecnológica de tal envergadura. En comparación con grandes invenciones del pasado, como la rueda, la imprenta o el automóvil, que revolucionaron ámbitos individuales de la vida humana, la Inteligencia Artificial tiene el potencial de revolucionar casi cada aspecto de nuestra existencia de un solo golpe. Esta omnipresencia, combinada con su capacidad de aprendizaje y adaptación, hace de la IA un importante candidato para el título de la tecnología más influyente jamás desarrollada por el ser humano. Lo que es igualmente fascinante es la velocidad con la que estos cambios están ocurriendo. En esta situación, la mejor manera de prepararnos para el futuro inminente es entender profundamente la tecnología que será protagonista de este cambio de paradigma: la Inteligencia Artificial. Si tu objetivo es convertirte en un experto en el uso de ChatGPT y adquirir habilidades transferibles a herramientas similares, para navegar con total confianza en el agitado futuro que nos espera, ¡entonces has encontrado el libro perfecto para ti!

Índex Prologo Introducción ¿A quién está dirigido este libro? Los Grandes Modelos Lingüísticos y ChatGPT Cómo funcionan los modelos La interfaz simple con ChatGPT El concepto de Ingeniería de Prompts ¿Por qué es relevante para ti? Existencia de la aleatoriedad en los modelos Técnicas de Ingeniería de Prompts: Los patrones Panorama de los principales esquemas Patrones Semánticos Creación de Meta Lenguaje Patrones para la Mejora de Prompts Question refinement Enfoques Alternativos Verificador cognitivo Rompedor de rechazos Patrones para la identificación de errores Lista de verificación de datos Reflexión Patrón para el control de contexto Context manager Patrones interactivos Interacción invertida Juego Generación infinita Patrones de personalización de salida Output automater Persona Generador de visualización Audience Persona Receta

Plantilla Fewshot examples Chain of thought ReAct Prompting Outline Expansion Patrones para la gestión de la interacción Ask for input Menú Generación de cola Patrones para la ofuscación de datos Filtro Semántico Unión de esquemas Epilogo

Introducción A primera vista, es posible que la expresión "Grande Modelo Lingüístico", o "LLM" por sus siglas en inglés "Large Language Model", no te sugiera mucho. Sin embargo, si te dijera que "LLM" es el término técnicamente más apropiado para clasificar el conocido modelo ideado por OpenAI, ChatGPT, apuesto a que el concepto se te haría inmediatamente más familiar. De hecho, ChatGPT ya es bien conocido por la mayoría de las personas y su uso es cada vez más extenso. Además, si has llegado hasta aquí, supongo que el tema debe de ser de particular interés para ti. Los Large Language Models son una categoría específica de modelos de inteligencia artificial. Como sugiere el nombre, son modelos de IA diseñados y entrenados específicamente para entender y generar texto. Estos modelos se pueden utilizar en una variedad de contextos, incluyendo la respuesta a preguntas, traducción, generación de contenido y mucho más. ¿Qué ha llevado a la rápida adopción de ChatGPT y otros LLMs similares? Estos modelos se están convirtiendo en un fenómeno masivo gracias a su capacidad de generar texto coherente y útil en una amplia gama de aplicaciones. Sin embargo, con este uso cada vez más extendido, también estamos presenciando el desarrollo de usos inapropiados o no totalmente efectivos del modelo, como advierten muchos expertos en la materia. En este sentido, se vuelve esencial no solo comprender las potencialidades de la herramienta, sino también conocer su funcionamiento correcto y aprender a optimizar la salida que produce.

◆◆◆

 

En estas páginas, comenzaré con una breve introducción sobre los grandes modelos lingüísticos LLMs, como ChatGPT, y explicaré el impacto que

están teniendo y tendrán en el futuro próximo. Esto con el objetivo de hacer entender a los lectores la gran ventaja que obtendrían al aprender a dominar esta herramienta. Después de establecer esta base de partida, pasaré a analizar el concepto de Ingeniería de Prompts, herramienta fundamental, la cual permite al que realmente entienda su filosofía convertir a ChatGPT en un compañero inseparable en la realización de la mayoría de sus actividades diarias. Gracias a la Ingenieria de Prompts, aprenderás a abordar los diferentes problemas que encuentres, ya sean simples o complejos, con la ayuda de este incansable asistente, que podrá encargarse de las tareas más tediosas y repetitivas, dejándote tiempo y espacio para pensar de manera creativa. Una vez introducido el concepto, la sección de Ingeniería de Prompts incluirá un amplio catálogo de técnicas de ingeniería de Prompts, presentadas de manera sencilla e intuitiva. Estas técnicas te permitirán resolver los problemas comunes que surgen al comunicarte con los LLMs, ofreciendo soluciones prácticas y creativas. Además, cada técnica será ilustrada a través de ejemplos prácticos, demostrando claramente cómo, en la mayoría de los casos, la adquisición de técnicas de Ingeniería de Prompts puede marcar la diferencia entre una salida pobre por parte del modelo y una solución increíblemente útil, astuta y creativa, que difícilmente habríamos obtenido sin la ayuda del modelo lingüístico, utilizado de manera apropiada gracias a las técnicas adquiridas en este E-book.

¿A quién está dirigido este libro? Si te preguntas si este E-book es adecuado para ti, la respuesta es muy probablemente que sí. Este libro está de hecho pensado para todos aquellos que tienen un interés en la tecnología, especialmente en la Inteligencia Artificial generativa, y desean aprender cómo aprovechar al máximo las herramientas que la revolución digital ha hecho disponibles. No importa si eres un principiante que se está aventurando en el mundo de la IA generativa por primera vez, o un profesional que desea profundizar su comprensión y adquirir dominio en el uso de los LLMs. En ambos casos, encontrarás en este libro algo útil para acercarte a tus objetivos. Para el entusiasta de la tecnología, este E-book ofrece una visión del futuro y muestra cómo estas avanzadas herramientas de IA generativa están volviéndose cada vez más influyentes en nuestra vida diaria. Desde el asistente virtual que nos ayuda a organizar nuestros días, hasta la generación automática de contenido, el futuro está al alcance de la mano, y tú puedes elegir contribuir a construirlo. Si eres un profesional en cualquier campo - desde el marketing hasta la ciencia, pasando por la comunicación - encontrarás en este libro una herramienta útil para descubrir cómo la IA puede integrarse en tu trabajo diario con el objetivo principal de aumentar la eficiencia y la creatividad. Gracias a las técnicas de Ingeniería de Prompts, descubrirás cómo delegar a la IA las tareas más repetitivas, liberando tu tiempo para concentrarte en lo que realmente importa. También para educadores e investigadores, este E-book ofrece una valiosa herramienta de aprendizaje. Las posibilidades de la IA en el campo de la educación y la investigación son virtualmente ilimitadas, y con las habilidades adecuadas, realmente se puede marcar la diferencia. Por último, si simplemente eres una persona curiosa, con deseos de explorar nuevos horizontes y dispuesta a aprender nuevas competencias, encontrarás en estas páginas una guía accesible y atractiva para acercarte al mundo de la inteligencia artificial.

En definitiva, este libro es para todos aquellos que tienen el deseo de aprender, la curiosidad de explorar y la ambición de aprovechar las posibilidades ofrecidas por la Inteligencia Artificial y los grandes modelos de lenguaje. Si te identificas con esta descripción, entonces estás en el lugar correcto. ¡Bienvenido al futuro!

Los Grandes Modelos Lingüísticos y ChatGPT Dado que nos dirigimos a un público muy amplio, como mencionamos en el capítulo anterior, cabe destacar una vez mas que el objetivo del libro no es explicar en detalle técnico el funcionamiento de los LLMs, sino más bien proporcionar al lector la intuición de cómo trabajan estos. De hecho, independientemente de tu nivel de conocimiento inicial, es necesario tener una comprensión básica para entender completamente el potencial de tales modelos y adquirir la mente abierta necesaria para imaginar sus aplicaciones futuras. Un Large Language Model (LLM) es un tipo de inteligencia artificial diseñada para comprender y generar texto de manera similar a como lo haría un ser humano. Es un modelo de inteligencia artificial entrenado con enormes cantidades de texto de diversas fuentes, como libros, artículos de periódicos y páginas web. Las posibles aplicaciones de un LLM son numerosas. Dichos modelos se utilizan, entre otras cosas, para responder preguntas y proporcionar información, crear contenido escrito, traducir textos a diferentes idiomas o incluso para interactuar con las personas a través de chatbots o asistentes virtuales como Siri o Alexa, que se basan en modelos lingüísticos. Estos asistentes pueden responder a tus preguntas, darte consejos o incluso contarte un chiste. Además, los LLMs pueden utilizarse para generar automáticamente contenidos escritos como artículos de noticias, reseñas de productos o historias. En esencia, los LLMs son herramientas poderosas que utilizan la inteligencia artificial para comprender y producir texto de manera natural. Sus aplicaciones están revolucionando varios sectores, como la asistencia virtual, el periodismo, la traducción y muchos más. Es importante reflexionar sobre cómo los ejemplos mencionados son solo algunas de las áreas de aplicación posibles. De hecho, no hay límites teóricos al uso de los LLMs, y su introducción en la vida cotidiana de individuos y empresas aumenta día a día. En este período de crecimiento exponencial, es plausible pensar que la economía global en su conjunto será completamente remodelada por esta revolución. En el momento de la publicación de este E-

book, los modelos de LLM más extendidos son sustancialmente dos, vinculados a dos superpotencias de alta tecnología, Microsoft y Google:   1.

2.

GPT (Generative Pre-trained Transformer): Desarrollado por OpenAI, GPT es uno de los modelos lingüísticos más avanzados disponibles en la actualidad. Tiene una capacidad de generación de texto impresionante y puede ser utilizado para una amplia gama de tareas, desde el procesamiento del lenguaje natural hasta la generación instantánea de contenidos. GPT-4, que ha sido lanzado recientemente, ha sido entrenado con un volumen de datos significativamente mayor en comparación con GPT-3, mejorando aún más la ya buena calidad de salida de su predecesor. OpenAI ha sido recientemente adquirida por Microsoft, con una enorme inversión con el objetivo de desarrollar aún más el modelo y comercializarlo a nivel mundial. BERT (Bidirectional Encoder Representations from Transformers): Desarrollado por Google, BERT es un modelo similar, increíblemente eficaz en entender el contexto de las palabras en el texto. Es particularmente útil para mejorar los resultados de búsqueda y para la comprensión del lenguaje natural, y es el modelo detrás del servicio ofrecido por Google, BARD. No nos detendremos aquí en una comparación entre los dos modelos, ya que se trata de un análisis arduo que requeriría el acceso a datos difíciles de obtener, como por ejemplo el detalle de los conjuntos de datos con los que fueron entrenados los respectivos modelos. Lo que necesitas saber es que conceptualmente los dos modelos funcionan de manera muy similar, como ilustraré en la próxima sección. Luego, me centraré en ChatGPT, pero puedes asumir que las técnicas que veremos son igualmente efectivas para BARD. Ten en cuenta que el campo de la inteligencia artificial está evolucionando rápidamente. Por lo tanto, te animo a seguir constantemente las últimas novedades sobre los LLMs, ya que podría haber desarrollos importantes incluso después de la publicación de este E-book. Este es un momento emocionante para

estar involucrado e informado sobre cómo la inteligencia artificial está transformando nuestro mundo.

Cómo funcionan los modelos Antes de continuar, es esencial tener un conocimiento básico del funcionamiento de los modelos de aprendizaje automático como GPT-4, de los cuales se deriva ChatGPT. Este breve estudio nos será útil para entender cómo surge el concepto de "Ingeniería de Prompts" y cuál es su utilidad. Los LLMs, al basarse en técnicas de aprendizaje automático, utilizan una arquitectura específica llamada Transformer, que es crucial para la interpretación del texto. Esta estructura usa una combinación de mecanismos de atención para comprender las relaciones entre las palabras en el texto y generar predicciones pertinentes y coherentes. Los LLMs como ChatGPT se entrenan con enormes cantidades de texto en un proceso conocido como "aprendizaje no supervisado". Durante el entrenamiento, el sistema aprende a predecir la palabra siguiente en una oración, dada una serie de palabras anteriores. Por ejemplo, dado el contexto "El perro ha", el sistema podría aprender que una posible próxima palabra podría ser "ladrado". Repitiendo este proceso en miles de millones de frases, el sistema aprende una serie de relaciones entre palabras y desarrolla una especie de "comprensión" del lenguaje humano. Sin embargo, usamos el término "comprensión" con precaución, ya que el sistema, en realidad, no tiene una verdadera comprensión del mundo como la entendemos para los seres humanos. Más bien, se puede decir que, por su propia naturaleza y arquitectura, adquiere la capacidad de reconocer patrones y asociaciones en el texto que le permiten generar respuestas plausibles a los inputs ingresados por el usuario.

La interfaz simple con ChatGPT Para interactuar con ChatGPT, como bien sabrás, el usuario debe utilizar instrucciones especiales conocidas como "Prompts". Este término se utiliza específicamente para designar la instrucción que sirve para interactuar con los Large Language Models. Un prompt se distingue por dos características principales: • Está formulado utilizando el lenguaje natural. • Es más flexible en comparación con un comando o una instrucción típicos de la programación, que ejecutan una acción muy precisa. Un Prompt, como veremos, permite cierta forma de interpretación por parte del modelo. A pesar de estas peculiaridades, en términos de función, los Prompts son similares a las instrucciones utilizadas en el mundo de la programación. Por lo tanto, no son muy diferentes, como concepto, de los que un programador escribe usando un lenguaje (por ejemplo, Python) para programar un videojuego. A través de estas instrucciones, formuladas de manera natural en tu lengua materna, es posible personalizar los outputs y las interacciones con el sistema. En otras palabras, es posible "programar" el sistema para que realice ciertas acciones o adopte ciertos comportamientos. Ahora que hemos precisado las peculiaridades del concepto de Prompt, a lo largo del libro, por simplicidad, usaré de manera intercambiable los términos "Prompt", "Comando" e "Instrucción".

El concepto de Ingeniería de Prompts La interacción simplificada con la máquina representa un verdadero salto cuántico en el diálogo, y sin embargo las potencialidades de este sistema no terminan aquí. Además de formular solicitudes como lo haríamos con otro ser humano, podemos preguntarnos si existen patrones o técnicas específicas que permitan al LLM proporcionar mejores resultados. De esta simple pregunta surge la Ingeniería de Prompts, o "Prompt Engineering". Este campo emergente se centra en la creación y estructuración de instrucciones que optimizan la capacidad del modelo para generar respuestas útiles y pertinentes. En otras palabras, se trata de comunicarse con el modelo de la manera más efectiva posible. La Ingeniería de Prompts es una herramienta poderosa para mejorar el rendimiento de un LLM. Investigaciones recientes han demostrado que una instrucción cuidadosamente diseñada puede reducir significativamente el número de parámetros necesarios para la adaptación del modelo, haciendo el proceso de aprendizaje más eficiente. Las técnicas de Ingeniería de Prompts, que exploraremos a lo largo de nuestro viaje, son fundamentales para guiar y modelar la salida de los modelos lingüísticos. Con una instrucción bien diseñada, podemos obtener respuestas más precisas, dirigir el modelo para producir una salida específica e incluso influir en el tono y estilo de la respuesta de ChatGPT. Por el contrario, instrucciones vagas o ambiguas podrían llevar a respuestas incorrectas o engañosas. La Ingeniería de Prompts también permite adaptar el modelo a las necesidades específicas del usuario. Con instrucciones dirigidas, es posible automatizar procesos, aplicar reglas personalizadas y obtener salidas de alta calidad, personalizadas y coherentes con las expectativas. A la luz de estos hechos, parece evidente cómo comprender la importancia de la Ingeniería de Prompts es un aspecto esencial para aprovechar al máximo el potencial de los LLMs. En el próximo capítulo, exploraremos técnicas y mejores prácticas de ingeniería de Prompts, proporcionando

consejos útiles para obtener resultados óptimos. Si tienes curiosidad por descubrir todo lo que puedes hacer con estas instrucciones especiales, ¡entonces este libro es perfecto para ti! Prepárate para abrir las puertas de la ingeniería de Prompts y explorar un nuevo mundo de creatividad y posibilidades gracias al uso experto de ChatGPT.

¿Por qué es relevante para ti? Dominar el arte de la Ingeniería de Prompts puede parecer como adquirir poderes casi místicos. Esta nueva competencia, ya requerida en las ofertas de trabajo más recientes, revoluciona de hecho la manera en que trabajamos, mejorando radicalmente tanto la calidad como la eficiencia, independientemente del ámbito profesional. Los beneficios son tangibles y significativos. Aquí hay algunos de los principales ventajas:   Incremento Exponencial de la Productividad: A lo largo de este libro, exploraremos ejemplos prácticos que demuestran cómo el uso preciso de prompts bien construidos puede realizar en pocos minutos tareas que, hasta hace poco, habrían requerido días. Esto significa liberar tiempo precioso que puede ser empleado de manera más estratégica. Acceso y Análisis Instantáneo del Conocimiento: Es importante hacer una precisión aquí. No estamos hablando "solo" de acceso a la información de manera similar a un motor de búsqueda como Google, sino también de un análisis crítico y contextualizado de la información disponible. Los LLMs, dirigidos por Prompts adecuados, pueden utilizar el conocimiento de maneras innovadoras y adaptarlo a las necesidades específicas del usuario. Catalizador de la Creatividad: Sí, has leído bien. Contrariamente a la preocupación común de que el uso de tales modelos pueda limitar nuestro pensamiento crítico y creativo, descubriremos que la realidad es justamente lo opuesto. Utilizando estas herramientas de manera creativa y colaborativa, es posible mejorar nuestra capacidad para pensar fuera de los esquemas y desarrollar soluciones innovadoras.

Finalmente, es esencial considerar la importancia estratégica de familiarizarse con estas tecnologías. La llegada de los modelos lingüísticos ya ha comenzado a transformar el mundo del trabajo. Mientras algunos roles podrían volverse menos relevantes, nuevas oportunidades están

surgiendo rápidamente. En este escenario en evolución, el conocimiento y la competencia para trabajar con los LLMs pueden ofrecer una ventaja competitiva. Ser uno de los pioneros en este campo no solo posiciona favorablemente a un profesional en el mercado laboral (independientemente de su antecedente), sino que también abre las puertas a un sinfín de posibilidades para prosperar en la era de la Inteligencia Artificial. En conclusión, la adquisición de habilidades en la Ingeniería de Prompts y la comprensión del funcionamiento de los LLMs no son solo una mejora de nuestro conjunto de herramientas de trabajo; representan un paso fundamental para mantenerse relevantes y capaces de liderar la innovación en un mundo cada vez más impulsado por la tecnología.

Existencia de la aleatoriedad en los modelos Un último aspecto importante a considerar antes de sumergirnos en este emocionante viaje es el concepto de aleatoriedad, que juega un papel crucial en la flexibilidad y en la generación de respuestas de los modelos de aprendizaje automático, pero que también conlleva potenciales riesgos. La aleatoriedad es una característica intrínseca de modelos como ChatGPT. Esta aleatoriedad se introduce durante el proceso de entrenamiento del modelo, donde la secuencia de palabras previstas no es completamente determinista, sino que se basa en una distribución de probabilidad. En otras palabras, dada una secuencia de entrada determinada, hay múltiples posibles secuencias de salida que el modelo podría generar, cada una con una cierta probabilidad asociada. Para el usuario, esto significa que dos comandos idénticos podrían producir respuestas diferentes, dependiendo de cómo la aleatoriedad afecte la generación del texto en ese momento particular.  

Una ventaja clave de la aleatoriedad en ChatGPT es la capacidad de generar soluciones creativas y variadas a un problema dado. El modelo puede ir más allá de las respuestas más comunes o predecibles, ofreciendo ideas nuevas e inesperadas. Esto estimula no solo la creatividad, sino también la capacidad de explorar diferentes puntos de vista, contribuyendo al desarrollo del pensamiento crítico.

◆◆◆

 

Sin embargo, la aleatoriedad también trae consigo algunos inconvenientes. El principal entre ellos es el riesgo de generar salidas imprecisas o incorrectas. Dado que el sistema genera respuestas basadas en probabilidades, puede ocasionalmente producir afirmaciones inexactas, engañosas o completamente falsas. Esto hace importante adoptar un enfoque crítico en la evaluación de la información proporcionada por el LLM y, cuando sea necesario, verificar la información a través de fuentes externas. Además, la aleatoriedad puede llevar a inconsistencias en la salida, donde el modelo puede producir respuestas contradictorias cuando se le presenta el mismo Prompt en momentos diferentes. Por estas razones, es importante abordar el uso de ChatGPT y otros LLM con un cierto grado de cautela y conciencia crítica. Los usuarios deben ser conscientes de los riesgos y oportunidades que estos herramientas ofrecen y utilizarlos de manera responsable, verificando siempre la información cuando sea necesario. Ahora que tenemos una comprensión adecuada de la naturaleza aleatoria de los modelos de aprendizaje automático y de sus implicaciones, sin más demora, ¡podemos partir hacia el descubrimiento de la Ingeniería de Prompts!

Técnicas de Ingeniería de Prompts: Los patrones El término “patrón” es ampliamente utilizado en el campo del desarrollo de software. Esto se debe a que para desarrollar software de manera eficiente, es esencial identificar una solución estandarizada para problemas recurrentes. Para simplificar, pueden pensar en un patrón de software como una "receta" especializada para resolver un problema concreto. Esta receta consiste en una solución probada que puede ser aplicada varias veces al mismo tipo de problema, y que permite obtener resultados similares con los mismos ingredientes utilizados, exactamente como sucede cuando cocinan su plato favorito. Además, la documentación de patrones de software proporciona no solo una clara descripción del problema y de las soluciones desarrolladas, sino que también incluye instrucciones para la implementación del patrón, junto con importantes compromisos y consideraciones, es decir, las suposiciones que deben ser ciertas para que el patrón funcione como se espera. Además, se proporcionan ejemplos prácticos para ilustrar la aplicación del patrón. Dichos patrones están escritos en un formato que es fácilmente comprensible y ejecutable.  

Al trasladar estas mismas características al ámbito de los LLMs, obtenemos el concepto de “Prompt Pattern”. Los prompt patterns son entonces una innovación sustancialmente derivada de los patrones existentes en el mundo del software, adaptados específicamente para maximizar la eficacia de las interacciones con los modelos de lenguaje artificial. En el contexto de nuestro interés, es necesario pensar en un patrón como un esquema que permite estandarizar una entrada de manera que condicione o influya en la salida esperada. A lo largo del libro, por simplicidad, utilizaré los términos “Patrón” y “Esquema” de manera intercambiable. Por ejemplo, uno de los patrones que aprenderemos a conocer es el “Role Pattern”, que implica formular la pregunta como si se dirigiera a un rol

específico. En este caso, si se le dice al modelo que actúe como un profesor, se le podría preguntar: "Como profesor con varios años de experiencia en una clase de física, ¿podrías explicarme el principio de Arquímedes?". Este enfoque guía al modelo a generar una respuesta detallada y educativa, como si fuera un profesor con un gran conocimiento especializado en física explicando el concepto a un estudiante. Esta afirmación inicial condicionaría inmediatamente a ChatGPT, que desde ese momento “filtraría” todo su enorme conocimiento, utilizando solo el especializado sobre el tema, y dejando de lado el conocimiento generalista o de alto nivel, que en ausencia del “Role Pattern” habría influenciado su respuesta. Para los objetivos que esta guía se propone, la completa comprensión de los esquemas se convierte entonces en un recurso invaluable para optimizar las interacciones con los modelos lingüísticos, justo como los patrones de software proporcionan soluciones para problemas comunes en el desarrollo de software. Es un enfoque nuevo y estimulante para interactuar con estos poderosos modelos y obtener resultados extraordinarios, como veremos.

Panorama de los principales esquemas Existen diferentes categorías de esquemas de prompt, cada una diseñada para alcanzar objetivos específicos en la interacción con un LLM. Estas categorías reflejan diferentes enfoques para guiar la salida del modelo, optimizar su precisión y exactitud, o manejar desafíos o circunstancias particulares. La elección del esquema de prompt a utilizar dependerá de la situación específica, del tipo de información requerida y de las necesidades del usuario. Además, es importante señalar que, al ser un campo muy nuevo y en rápido desarrollo, es fácil imaginar que al momento de la lectura se hayan identificado y codificado nuevos patrones. Sin embargo, esta tabla representa el estado del arte de los esquemas codificados hasta ahora (julio de 2023), por lo que se configura como una excelente base para aquellos que deseen profundizar en el tema en los próximos años. Los patrones que hemos analizado se pueden sintetizar de la siguiente manera, clasificados por una macro-categoría relacionada con el tipo de esquema, y por el patrón individual que se va a aplicar.  

Tipo de esquema Input Semantics Prompt Improvement Error Identification

Esquema especifico -         Meta Language Creation -         Question Refinement -         Alternative Approach -         Cognitive Verifier -         Refusal Breaker -         Fact Check List

Context Control Interaction

Output Customization

Logical steps

Interaction handling Data masking

-         Reflection -         Context Manager -         Flipped Interaction -         Gameplay -         Infinite Generation -         Output Outomater -         Persona -         Visualization Generator -         Recipe -         Template -         Few shots -         Chain of thought -         ReAct Prompting -         Outline Expansion -         Ask for Input -         Menu Actions -         Tail Generation -         Semantic Filter

Como veremos más adelante, es bueno observar que estos esquemas pueden ser utilizados tanto de manera independiente, en el caso de Prompts relativamente simples, como en combinación entre ellos, haciendo la solución cada vez más sofisticada. Empecemos entonces a familiarizarnos con los diferentes tipos de esquemas de Ingeniería de Prompts.

Patrones Semánticos En los esquemas pertenecientes a la categoría 'Input Semantics', nos concentramos en cómo los LLMs como ChatGPT interpretan y comprenden el input proporcionado y cómo lo utilizan para generar respuestas pertinentes. La semántica, en este contexto, se refiere al significado de las palabras y frases en el lenguaje humano y cómo estos significados son interpretados por el modelo. Para ser claros, la semántica en el contexto de la interacción con un modelo de lenguaje se refiere a cómo el modelo interpreta el significado de las palabras y frases que recibe como input y cómo utiliza esta interpretación para generar un output que esté en línea con las expectativas del usuario.  

Creación de Meta Lenguaje Entre los diversos esquemas de Ingeniería de Prompts, la 'Creación de Meta Lenguaje' surge como una poderosa herramienta de interacción con el modelo de lenguaje. Esta técnica, similar a la creación de un código secreto compartido entre el usuario y el modelo, puede mejorar la eficiencia y la precisión de las comunicaciones.   Concepto   La Creación de Meta Lenguaje surge de la idea de que el lenguaje natural no siempre puede ser el método más efectivo para comunicarse con el modelo de lenguaje. Utilizando un meta-lenguaje, o un conjunto de símbolos o abreviaturas acordadas, es posible hacer la comunicación más rápida, más precisa, o ambas.   Ejemplo practico Supongamos que quieres pedir al modelo que explique y resuelva una ecuación cuadrática. En lugar de usar el lenguaje normal - "¿Puedes explicarme la ecuación cuadrática y cómo resolver una ecuación de segundo grado?" - podrías recurrir al meta-lenguaje - "Expln: ecuación cuadrática, resolver." El meta-lenguaje es más directo, más conciso y puede Guíar al modelo hacia la información esencial de la solicitud.   Prompt de ejemplo para la activación del esquema *** De ahora en adelante, cuando escriba "Define:" seguido de un término, quiero que proporciones una definición detallada de ese término. Por ejemplo, si escribo "Define: Física cuántica", quiero que me expliques qué es la Física cuántica. ***

Aplicaciones y Limitaciones  

La Creación de Meta Lenguaje puede hacer la comunicación con el modelo de lenguaje más eficiente y precisa, especialmente en escenarios donde el tiempo y la precisión son cruciales. Sin embargo, la creación de un metalenguaje requiere una comprensión profunda de cómo el modelo interpreta los inputs y podría no ser intuitiva para los usuarios no acostumbrados a este enfoque. Guía para la Implementación   Para desarrollar un meta-lenguaje efectivo, es importante comenzar identificando los conceptos o acciones clave que deseas comunicar al modelo. Crea abreviaturas o símbolos para estos elementos y pruébalos para asegurarte de que el modelo los interprete correctamente. Documenta tus abreviaturas o símbolos para referencia futura y posible compartición con otros usuarios.   Ejercicios Prácticos Selecciona un tema complejo y crea un meta-lenguaje que simplifique su discusión. Interactúa con un modelo de lenguaje utilizando este metalenguaje y observa su reacción. Desarrolla un conjunto de comandos metalingüísticos para operaciones comunes (p. ej., búsqueda, cálculo, solicitud de información) y utilízalos para interactuar con el modelo. Evalúa la eficacia de estos comandos mediante el análisis de la velocidad y precisión de las respuestas del modelo. En el próximo capítulo, echaremos un vistazo a otros patrones aún más interesantes, que tendrán el objetivo de empujar al modelo a apoyarte en mejorar tus solicitudes, con el objetivo de hacerlas más claras y procesables para él.  

Patrones para la Mejora de Prompts La categoría 'Mejora de Prompts' incluye cuatro esquemas principales que tienen como objetivo mejorar la efectividad de tu input, es decir, tu pregunta o instrucción, y el output, es decir, la respuesta de la IA. Piensa en estos esquemas como herramientas útiles de refinamiento que te ayudan a obtener resultados más precisos. Obviamente, cada uno tiene su peculiaridad: 1.

2.

3.

4.

'Refinamiento de Preguntas' (Question Refinement): Este instrumento actúa como un asistente personal que te ayuda a formular tus preguntas de manera más efectiva. No solo mejora la precisión de las respuestas, sino que también asegura que consideres aspectos de tu pregunta que podrías no haber pensado inicialmente. 'Enfoques Alternativos' (Alternative Approaches): Actúa como un consejero estratégico, ofreciéndote una serie de opciones sobre cómo abordar una tarea o resolver un problema. Esto es particularmente útil cuando hay múltiples maneras de alcanzar un objetivo y se desea hacer una elección informada. 'Verificador Cognitivo' (Cognitive Verifier): Cuando tu pregunta es compleja, el Cognitive Verifier actúa como un interlocutor que te ayuda a descomponer tu solicitud en componentes más manejables. Esto es esencial cuando se enfrentan problemas complejos que requieren un análisis más detallado. 'Rompedor de Rechazos' (Refusal Breaker): A veces, un modelo de lenguaje podría inicialmente negarse a responder una pregunta debido a filtros establecidos sobre temas sensibles. Este patrón es tu aliado para encontrar maneras de reformular la pregunta de modo que la IA pueda proporcionar una respuesta útil de todas formas.

Ahora que sabemos que estos cuatro instrumentos tienen todos el objetivo de ayudarte a mejorar la solicitud del usuario, analizaremos cada uno de

ellos más en detalle, explorando cómo pueden ser aplicados en la práctica para mejorar tus interacciones con modelos de lenguaje artificial.

Question refinement El esquema de ‘Question Refinement’ (Refinamiento de Preguntas) tiene el objetivo de mejorar la calidad de tus preguntas o instrucciones para hacerlas más efectivas cuando interactúas con ChatGPT. Puedes verlo como un entrenador que te ayuda a perfeccionar tus habilidades de interacción con el modelo, guiándote hacia la formulación de la "Pregunta perfecta" para obtener el mejor resultado posible. Concepto En el centro del esquema de Refinamiento de Preguntas hay un diálogo continuo con ChatGPT. En lugar de simplemente responder a tus preguntas, una vez activado este esquema, el modelo comienza a sugerir maneras en las que podrías reformular tu pregunta para obtener mejores resultados. Esto no solo ayuda a obtener respuestas más precisas, sino que también ahorra tiempo, ya que las preguntas bien formuladas requieren menos iteraciones de conversación para llegar al punto. El Refinamiento de Preguntas actúa como un filtro que optimiza tus interacciones con ChatGPT, mejorando tanto la calidad de tus preguntas como tu familiaridad con la forma en que el sistema interpreta y responde a las solicitudes.  

Ejemplo practico Supongamos que quieres preguntar a ChatGPT consejos sobre cómo viajar de Milán a Roma por trabajo. Si la pregunta inicial es vaga, como "¿Cuál es la mejor manera de viajar de Milán a Roma?", el LLM podría proporcionar una lista genérica de opciones. Utilizando el Refinamiento de Preguntas, ChatGPT podría comenzar a sugerir que hagas la pregunta más específica. Por ejemplo: "¿Cuál es la manera más rápida y económica de viajar de Milán a Roma por un viaje de negocios?". Esto llevaría a una respuesta más enfocada que toma en cuenta factores como el tiempo y el costo. Por supuesto, puedes siempre rectificar en caso de que estos no sean los factores que querías considerar. Pero en cualquier caso, la acción de añadir especificidad ha sacado a la luz tus verdaderas necesidades y te ha proporcionado un resultado mejor. Prompt de ejemplo para la activación del esquema *** A partir de ahora, cada vez que haga una pregunta, quiero que me ayudes a perfeccionarla para que sea más específica antes de proporcionar una respuesta. Por ejemplo, si pregunto "¿Cómo se hace una tarta?", podrías sugerir "¿Estás buscando un tipo específico de receta para una tarta o instrucciones generales para la cocción?". *** Aplicaciones y limitaciones El patrón de Refinamiento de Preguntas es extremadamente útil para optimizar las interacciones con el LLM, especialmente cuando se buscan respuestas precisas y se desea reducir el número de iteraciones de conversación. Sin embargo, puede requerir cierto nivel de familiaridad con el modelo y la capacidad de comprender y aplicar las sugerencias de reformulación. Además, en algunos casos, ChatGPT podría no ser capaz de sugerir la mejora óptima para una pregunta, y podría ser necesario un mayor refinamiento por parte del usuario (como en el escenario visto antes, en caso de que los factores supuestos por el modelo no fueran los importantes para el usuario).   Guía de implementación  

1.

2.

3. 4.

5.

Comienza con una pregunta clara: Antes de interactuar con el modelo, piensa en tu pregunta y trata de hacerla lo más clara posible. Esto proporcionará una base sólida para el proceso de refinamiento. Aprovecha la retroalimentación del modelo: Cuando ChatGPT sugiere maneras de reformular tu pregunta, evalúa cuidadosamente las sugerencias y considera cómo pueden ayudar a obtener respuestas más precisas. Itera si es necesario: Si la respuesta obtenida después de usar el Refinamiento de Preguntas aún no es satisfactoria, no dudes en iterar el proceso y afinar aún más la pregunta. Aprende de las interacciones anteriores: A medida que uses el esquema, presta atención a qué tipos de reformulaciones tienden a producir los mejores resultados. Utiliza esta información para mejorar tus futuras interacciones con la IA. Sé abierto a modificar la pregunta: a veces, la mejora puede requerir cambiar significativamente la pregunta inicial. Sé abierto a esto y concéntrate en obtener la respuesta más útil y precisa posible.

  Ejercicios prácticos   1. 2. 3. 4.

Comienza a interactuar con ChatGPT haciendo una pregunta genérica o poco clara. Activa el patrón con el comando de ejemplo y pide al modelo que te ayude a perfeccionar tu pregunta antes de darte una respuesta. Analiza las modificaciones sugeridas por el modelo y reformula tu pregunta basándote en estas sugerencias. Repite este proceso con preguntas similares para entender cómo el modelo las refina y cómo esto influye en las respuestas que obtienes.

Finalmente, siempre ten en cuenta que el esquema de Refinamiento de Preguntas es un medio para mejorar tus interacciones con el modelo, pero requiere un poco de práctica. Inicialmente, puede parecer que estás invirtiendo más tiempo en afinar tu pregunta en lugar de obtener una

respuesta. Sin embargo, con el tiempo, descubrirás que este proceso conduce a respuestas más precisas y relevantes, ahorrando mucho esfuerzo a largo plazo.  

Enfoques Alternativos El esquema ‘Enfoques Alternativos’ (Alternative Approaches) actúa como un elemento capaz de estimular un brain-storming continuo entre el usuario y el modelo, permitiéndote así explorar una variedad de ideas y soluciones y mirar un mismo problema desde diferentes ángulos. Este patrón transforma a ChatGPT en un colaborador incansable que está siempre listo para pensar fuera de la caja y proponer alternativas. En esencia, la implementación de este esquema alienta a ChatGPT a no limitarse a una única solución, sino a explorar y proponer continuamente ideas y soluciones alternativas. El valor de este patrón radica en su capacidad para ampliar los horizontes del usuario, ofreciendo nuevos puntos de vista y propuestas innovadoras. Esto estimula al usuario a considerar si el enfoque familiar es realmente el mejor y puede enriquecer su comprensión de un tema.  

Ejemplo practico Imagina que quieres iniciar un negocio y pides consejos a ChatGPT sobre cómo proceder. El modelo podría sugerir comenzar con un plan de negocios tradicional. Sin embargo, utilizando el esquema Enfoques Alternativos, también podría proponer considerar un enfoque de startup lean, explicándote los pros y contras de ambos enfoques y ayudándote a tomar una decisión informada. Ejemplo de prompt para la activación del esquema

*** A partir de ahora, cada vez que pido un consejo o una solución, quiero que sugieras 3 enfoques alternativos para lograr la solución que solicito. Además, para cada una de las 3 alternativas propuestas, identificarás los principales beneficios y desventajas. *** Aplicaciones y limitaciones Este esquema es extremadamente útil para la resolución de problemas, la planificación y la toma de decisiones. Sin embargo, es importante señalar que el modelo a veces puede proponer alternativas que no son factibles o que podrían no ser las mejores opciones. En este caso, la tarea del usuario es analizar críticamente las alternativas e identificar posibles contraindicaciones. Otro aspecto a considerar es que la abundancia de alternativas a veces puede llevar a una sobrecarga de información o indecisión. Guía de implementación   1. 2.

3. 4. 5.

6.

Define el problema o el objetivo: Antes de interactuar con el modelo, asegúrate de tener una comprensión clara del problema o del objetivo que estás tratando de abordar. Configura a ChatGPT para explorar alternativas: Comunica claramente al modelo que deseas explorar diferentes soluciones o enfoques al problema en cuestión, mediante un disparador similar al presentado en esta sección. Evalúa las alternativas: Analiza cuidadosamente las alternativas propuestas por ChatGPT, evaluando sus pros y contras. Esto te ayudará a tomar decisiones más informadas. Mantente abierto y flexible: Estar abierto a nuevas ideas es fundamental cuando se utiliza este esquema. A veces, un enfoque que no habías considerado puede resultar ser la mejor solución. Utiliza el juicio crítico: Aunque el modelo pueda sugerir alternativas, es importante utilizar tu propio juicio crítico para evaluar la factibilidad y la pertinencia de las soluciones propuestas. Evita la sobrecarga de información: Si encuentras que recibir demasiadas alternativas te dificulta tomar una decisión, establece

un límite en el número de alternativas que deseas recibir.   Ejercicios prácticos   1. 2. 3.

 

Comienza a interactuar con ChatGPT planteándole una pregunta o un problema para el cual estás buscando una solución. Utiliza el disparador del patrón Enfoques Alternativos y pide al modelo que te sugiera tres posibles enfoques para el problema, indicando los beneficios y desventajas para cada uno. Analiza las respuestas proporcionadas por el modelo, considerando la factibilidad, los pros y los contras de cada solución.

Verificador cognitivo Como sabemos por nuestra experiencia cotidiana, un problema complejo no se puede resolver de un solo golpe, sino que siempre está compuesto por muchos pequeños pedazos. Sin embargo, la clara identificación de estas piezas es una operación que está lejos de ser simple. Aquí es donde entra en juego el esquema Verificador Cognitivo que puede usarse para transformar a nuestro amigo ChatGPT en un especialista en la descomposición de problemas. Este patrón de hecho guía al LLM a dividir un problema grande y complicado en piezas más pequeñas y manejables, similar a cómo se enfrenta un rompecabezas de mil piezas dividiéndolo en secciones. Concepto Este patrón solicita a ChatGPT segmentar un problema complejo en una serie de problemas más pequeños. Identificando los problemas individuales uno por uno, el modelo puede luego apoyarte en su resolución, que en este punto son mucho más manejables. Este enfoque no solo ayuda a obtener soluciones más precisas y detalladas, sino que también actúa como un método didáctico, ya que guía al usuario a través del proceso de descomposición del problema, enseñando implícitamente estrategias efectivas de resolución de problemas.  

Ejemplo practico Supongamos que quieres iniciar un negocio en línea y le preguntas a ChatGPT cómo hacerlo. Utilizando el patrón Verificador Cognitivo, el modelo identificará todos los diferentes aspectos que necesitas manejar para lograr tu objetivo, es decir, iniciar tu negocio en línea. Además, a medida que continúes la interacción, será capaz de apoyarte en la resolución de los problemas individuales, uno por uno. Ejemplo de prompt para la activación del esquema

*** A partir de ahora, cada vez que te presente una tarea compleja, quiero que la dividas en tareas más pequeñas y que me guíes en cada una de ellas. *** Aplicaciones y limitaciones El patrón tratado aquí es particularmente útil en situaciones que requieren resolución de problemas complejos y análisis detallado. Sin embargo, es importante notar que este patrón puede requerir más tiempo para llegar a una solución, ya que el problema se descompone en preguntas con un mayor nivel de detalle. Además, la calidad de las respuestas dependerá de la capacidad de la IA para comprender y segmentar correctamente el problema. Guía de implementación   1. 2. 3.

4. 5.

Identifica el problema complejo: Antes de utilizar el esquema Verificador Cognitivo, es importante tener una clara noción del problema que estás intentando resolver. Configura el LLM para la descomposición: Indica claramente a ChatGPT que quieres utilizar el esquema Verificador Cognitivo y pídele que descomponga el problema en piezas más pequeñas. Analiza y resuelve los problemas identificados: Trabaja con la IA para responder a los problemas más pequeños uno a la vez. Esto puede incluir proporcionar información adicional o aclarar detalles. Usa el juicio crítico: Como con otros esquemas, es importante utilizar tu propio juicio crítico para evaluar la calidad y relevancia de las soluciones propuestas por la IA. Aprende del proceso: Usa esta experiencia para aprender cómo abordar problemas complejos en el futuro, mejorando tus habilidades de resolución de problemas a través de la descomposición de los mismos.

  Ejercicios prácticos  

1.

Intenta interactuar con ChatGPT haciendo preguntas que podrían llevar a un rechazo inicial por parte del modelo. Recuerda, sin embargo, hacer preguntas éticas y respetuosas de las políticas de uso.

2.

Una vez que el modelo se niegue a responder, activa el patrón Rompedor de Rechazos pidiéndole a ChatGPT que te ayude a reformular la pregunta.

3.

Analiza cómo ChatGPT logra reformular la pregunta y evalúa si la nueva formulación es apropiada y respeta las políticas de uso.

4.

Repite el ejercicio con diferentes preguntas para familiarizarte con el patrón y comprender cómo el modelo puede ayudarte a navegar sus limitaciones.

5.

Finalmente, realiza una lluvia de ideas sobre las posibles aplicaciones de este esquema en tu contexto específico. Recuerda siempre utilizar este esquema con sabiduría y éticamente.

 

 

 

 

Rompedor de rechazos ¿Alguna vez has hecho una pregunta a ChatGPT y has recibido una negativa? Aunque no es frecuente, es posible y es resultado de la forma específica en que se ha entrenado al modelo. Durante su entrenamiento, se han insertado ciertas líneas guía relacionadas con temas sensibles que pueden causar este 'rechazo' en ciertas ocasiones. El esquema presentado a continuación, el ‘Rompedor de Rechazos’ (Refusal Breaker), tiene el objetivo específico de navegar alrededor de este rechazo. Concepto Este esquema se enfoca en programar a ChatGPT para revisar y reformular preguntas que inicialmente rechaza responder. Puede compararse con un genio de la lámpara que abre un mundo de posibilidades, pero es importante usarlo con sabiduría. Esto se debe a que el Rompedor de Rechazos podría ser utilizado inapropiadamente para intentar violar las políticas de la IA o producir contenido dañino. Por lo tanto, es fundamental utilizar este esquema de manera ética y responsable.  

Ejemplo practico Imagina que le pides al modelo algo que está dentro de sus restricciones, como información sensible. Inicialmente, ChatGPT se negará a responder. Utilizando el Rompedor de Rechazos, podría ayudarte a reformular la pregunta de una manera que respete las políticas y regulaciones, proporcionando información útil sin violar ninguna regla. Este caso, sin embargo, debe analizarse con particular cautela por razones obvias. Ejemplo de prompt para la activación del esquema

*** De ahora en adelante, si no puedes responder a una de mis preguntas, quiero que me ayudes a reformularla o a repensarla. Por ejemplo, si te pido información sobre un tema muy específico y oscuro al que no se te permite darme una respuesta, ayúdame a reformular la pregunta para enfocarme en aspectos relacionados y más conocidos. *** Aplicaciones y limitaciones Este esquema es útil al enfrentar preguntas complejas o difíciles, pero debe usarse con cuidado para no violar políticas o ética. Este patrón no siempre puede ser efectivo, especialmente si la pregunta inicial está fuera de las capacidades de la IA o viola regulaciones importantes. Guía de implementación   1. 2. 3.

4.

5.

Comunica claramente con la IA: Hazle saber a ChatGPT que deseas utilizar el esquema Rompedor de Rechazos y presenta tu pregunta. Trabaja con la IA en la reformulación: Si ChatGPT no quiere colaborar inicialmente, trabaja con él para reformular la pregunta de maneras diferentes que podrían llevar a una respuesta. Respeta las políticas y la ética: Ten cuidado de no utilizar este esquema para intentar eludir políticas o violar principios éticos. Es importante ser consciente de las reglas y la ética en el uso de la IA. Usa el juicio crítico: Al igual que con otros esquemas, es crucial usar tu propio juicio crítico en todo momento para evaluar si las respuestas o reformulaciones propuestas por la IA son apropiadas y útiles. Respeta los límites del modelo: Ten en cuenta que puede haber preguntas que el modelo no puede o no debe responder, independientemente de las reformulaciones. En estos casos, es importante respetar estos límites.

Patrones para la identificación de errores En el fascinante universo de los esquemas de Ingeniería de Prompts, existe un equipo especializado en la misión de identificar y corregir errores: el equipo de "Identificación de Errores". Los dos héroes en primera línea de este equipo son el 'Fact Check List' y el 'Reflection'. El Fact Check List convierte a ChatGPT en un investigador meticuloso, equipado con lupa y bloc de notas. Puede ser activado, por ejemplo, pidiendo al modelo que enumere después de cada respuesta todos los hechos y datos que ha utilizado para generar su respuesta. En el frente opuesto, el esquema Reflection actúa como un espejo mágico que el LLM utiliza para examinar críticamente su propia respuesta. Con este esquema, puedes dirigir a ChatGPT para que escudriñe su respuesta en busca de incertidumbres o ambigüedades, y luego las corrija o señale para una revisión posterior. Es importante notar que, aunque estos esquemas son herramientas poderosas para mejorar la precisión de las respuestas, la fiabilidad final de la información proporcionada por el modelo también puede depender de factores externos, como la calidad de los datos con los que ha sido entrenado. Ahora, la belleza de estos esquemas radica en el hecho de que pueden ser utilizados individualmente o en conjunto, adaptándose a diferentes necesidades. Forman una formidable alianza que trabaja unida para afinar la precisión y la claridad de las respuestas del sistema, contribuyendo a instalar una mayor confianza en la información recibida y reduciendo el riesgo de malentendidos. Así, estos esquemas se presentan como excelentes herramientas para garantizar la veracidad de la información del modelo, ofreciendo así una ayuda valiosa para dirigir lo que es uno de los principales problemas señalados por los expertos del sector, preocupados por cómo los LLMs en el futuro podrían ser utilizados para generar información falsa.

Sin más preámbulos, vamos a explorar estas herramientas de precisión más de cerca.

Lista de verificación de datos En un mundo donde la información digital se mueve más rápido que nunca, es fundamental poder confiar en datos y hechos precisos y fiables. Como mencionaba, el surgimiento de las redes sociales primero, y aún más las herramientas de inteligencia artificial generativa ahora, han facilitado especialmente la difusión de información que, aunque falsa, parece verosímil. Esta plausibilidad y verosimilitud de la información complica la capacidad del usuario para determinar con certeza razonable si una información específica es verdadera o falsa. De ahí surge la necesidad de una herramienta que ayude al usuario en esta valiosa actividad de verificación de datos. Concepto Este esquema programa a ChatGPT para concluir sus respuestas con una lista de datos y hechos considerados para generar la salida. El patrón se utiliza, por lo tanto, para generar un resumen de los puntos clave que pueden ser verificados para asegurar que la salida se base en premisas y suposiciones verdaderas. También sirve como punto de referencia para comparar y analizar la información clave de las diferentes respuestas.

Ejemplo practico Por ejemplo, supongamos que necesitas una estadística particular para completar un artículo o un blog. El usuario puede preguntar a ChatGPT cuáles han sido las principales causas de muerte en Italia, listando los principales datos y fuentes utilizadas. Esto permite crear una lista de datos que luego pueden ser verificados más fácilmente por el autor de la solicitud, en caso de que algo no le convenza. El usuario puede así tomar cada una de estas afirmaciones y verificar más a fondo su precisión gracias a la Lista de Verificación de Datos. Esto no solo aumenta la confianza en la información

proporcionada, sino que también promueve una actitud más crítica e informada hacia la información. Ejemplo de prompt para la activación del esquema *** De ahora en adelante, después de proporcionar una respuesta, quiero que enumeres los hechos y los datos clave que has considerado para generar esa respuesta. *** Aplicaciones y limitaciones El esquema presentado puede ser increíblemente útil en varios campos, incluyendo aquellos donde la precisión de la información es fundamental, como el periodismo, la investigación académica y el sector de la salud. Sin embargo, tiene sus limitaciones. El modelo solo puede referirse a la información que ha aprendido durante el entrenamiento y no puede acceder o verificar la información en tiempo real. Además, la Lista de Verificación de Datos puede estar influenciada por las mismas limitaciones y sesgos presentes en los datos de entrenamiento del modelo. Guía de implementación Implementar este esquema es relativamente simple. Solo es necesario alentar a ChatGPT a reportar después de cada afirmación los principales datos, hechos o suposiciones utilizadas. También se puede indicar en el prompt que si estos hechos fueran falsos, comprometerían la veracidad de la respuesta. Ejercicios prácticos 1.

Intenta hacer preguntas al LLM y pide que compile una lista de datos utilizados para proporcionar las respuestas.

2.

Analiza los resultados y verifica la precisión de los hechos presentados.

 

 

3.

Repite el proceso con preguntas diferentes para familiarizarte con el patrón y sus posibilidades.

Reflexión El patrón 'Reflexión' (Reflection) funciona como una forma de "introspección" para ChatGPT, debido a que se encarga de programar al modelo para analizar sus propias respuestas. Gracias al desencadenamiento de este esquema, el usuario obtiene una mayor comprensión de las razones detrás de las afirmaciones del modelo. Esto no solo aumenta la transparencia, sino que también puede ayudar al usuario a evaluar más cuidadosamente la calidad de la información proporcionada. Piensa en este patrón como un método para sondear el funcionamiento interno del LLM, un viaje al corazón del mecanismo. El esquema Reflexión no solo te proporciona una idea de cómo ChatGPT ha elaborado una respuesta, sino que también puede resaltar posibles debilidades, ambigüedades o supuestos en su razonamiento. En esencia, este esquema otorga al modelo una especie de autoconciencia, permitiéndote indagar más allá de la respuesta obvia y explorar las bases sobre las cuales se construyó. La sutil diferencia con el esquema anterior es que aquí no se le pide a ChatGPT que exprese los hechos que utilizó para generar su respuesta, sino más bien los procesos lógicos que utilizó. Vamos a aclarar con un ejemplo.  

Ejemplo practico Supongamos que el usuario está interesado en las causas principales del calentamiento global. En este caso, podría pedírselo a ChatGPT, especificando que proporcione una sección al final de la respuesta en la que el modelo procesa las razones y los pasos lógicos seguidos para producir la respuesta. Así es como ChatGPT podría generar algo como esto: "Las causas del calentamiento global incluyen el aumento de las emisiones de gases de efecto invernadero, la deforestación y los cambios en el uso del suelo. Reflexión:

● He citado el aumento de las emisiones de gases de efecto invernadero como una de las principales causas del calentamiento global porque es un hecho bien conocido que estos gases atrapan el calor en la atmósfera. ● Incluí la deforestación porque reduce la capacidad del planeta para absorber CO2, un gas de efecto invernadero importante. ● Mencioné los cambios en el uso del suelo, ya que ciertos tipos de uso pueden llevar a un aumento de las emisiones de gases de efecto invernadero." Ejemplo de prompt para la activación del esquema   *** Explica la teoría de la evolución por selección natural. Después de la explicación, incluye una parte de "Reflexión" en la que expliques cómo llegaste a tu explicación y los puntos clave que consideraste. *** Aplicaciones y limitaciones El esquema 'Auto-reflexión' puede ser particularmente útil en escenarios de aprendizaje, donde los estudiantes pueden beneficiarse de comprender el razonamiento detrás de las respuestas del modelo. Sin embargo, es importante destacar que la capacidad de reflexión de un LLM está limitada por su entrenamiento y no puede proporcionar una verdadera introspección como un ser humano, sino solo una simulación de esta. Guía de implementación La implementación del patrón 'Auto-reflexión' puede llevarse a cabo pidiendo al modelo que incluya una sección de reflexión al final de sus respuestas, donde explique las razones detrás de su razonamiento. Ejercicios prácticos   1. 2.

Interactúa con el modelo de IA y solicita una sección de 'Autoreflexión' después de las respuestas. Evalúa las razones proporcionadas por el modelo y considera si tienen sentido en el contexto de la respuesta.

3.

Utiliza este enfoque con diferentes preguntas para familiarizarte con el patrón y para comprender mejor cómo el modelo procesa la información.

Patrón para el control de contexto La categoría 'Control de Contexto' se refiere a las formas en que podemos influir en la información contextual utilizada por los LLMs en la generación de respuestas. El esquema 'Context Manager' es el único exponente de esta categoría y permite a los usuarios agregar información específica al contexto que ChatGPT usa para producir su salida.

Context manager Concepto El Context Manager es un patrón que permite establecer parámetros contextuales específicos que influyen en la salida de los Modelos de Lenguaje de Gran Escala. Puedes pensar en este esquema como una serie de límites o puntos fijos que proporcionas al modelo para ayudarlo a concentrarse en temas particulares, temas o períodos históricos, excluyendo detalles irrelevantes. Esto significa que puedes delimitar la conversación a ámbitos específicos y guiar a ChatGPT para proporcionar respuestas más pertinentes y enfocadas. Esencialmente, es un esquema que nos permite enfocar la atención de ChatGPT en lo que nos interesa, pero también ignorar ciertos aspectos. El uso de esta técnica ofrece, por lo tanto, un alto nivel de personalización en la interacción con el LLM. Esto permite adaptar la salida del modelo a las necesidades específicas del usuario, mejorando la relevancia y utilidad de las respuestas proporcionadas por el LLM. Además, esta categoría de patrones brinda a los usuarios un mayor control sobre la interacción con el modelo, mejorando en general la experiencia del usuario.  

Ejemplo practico Supongamos que estás utilizando ChatGPT para realizar una investigación sobre la Revolución Industrial. Sin embargo, estás particularmente interesado en cómo se desarrolló en Inglaterra y deseas concentrar tu estudio en los eventos, personas y circunstancias que ocurrieron en esta área geográfica específica. Utilizando el 'Context Manager', puedes programar el modelo con este objetivo, de manera que también delimites su perímetro. De esta forma, ChatGPT tendrá cuidado de no incluir información sobre la Revolución Industrial en otros países, asegurándose de que las respuestas estén en línea con el contexto que has definido.

Ejemplo de prompt para la activación del esquema *** De ahora en adelante, quiero que tengas en cuenta que nuestra conversación se centrará en la Revolución Industrial en Inglaterra. Por lo tanto, cuando te haga preguntas sobre la Revolución Industrial, tus respuestas deberán referirse específicamente a los eventos, impactos y figuras clave relacionados con la Revolución Industrial en Inglaterra. *** Aplicaciones y limitaciones El esquema Context Manager es extremadamente útil para personalizar conversaciones, instrucción, investigación y cualquier situación en la que sea importante filtrar información. Sin embargo, también tiene limitaciones. Establecer un contexto demasiado estricto puede restringir demasiado las respuestas, mientras que un contexto demasiado amplio podría no ser efectivo para filtrar información no pertinente. Además, el modelo puede no ser capaz de interpretar correctamente instrucciones de contexto muy complejas o ambiguas. Guía de implementación Para implementar el Context Manager, es importante comenzar con una instrucción clara que defina el contexto deseado. Esta instrucción debe darse al inicio de la conversación con ChatGPT. Durante la interacción, asegúrate de monitorear las respuestas y, si es necesario, calibrar el contexto para optimizar los resultados. También es útil probar diferentes niveles de especificidad en el contexto para encontrar el equilibrio adecuado entre el enfoque y la amplitud de la información.

Patrones interactivos Los patrones de interacción representan una oportunidad para que los usuarios transformen su interacción con ChatGPT en una experiencia más atractiva, personalizada y creativa. Esta categoría de patrones, que incluye 'Interacción Invertida', 'Juego' e 'Generación Infinita', ofrece distintas maneras de interactuar con los modelos de lenguaje. La 'Interacción Invertida' revierte el flujo tradicional de conversación, incitando al LLM a hacer preguntas en lugar de responder. Esto estimula la curiosidad y la apertura mental del usuario, ayudando a generar nuevas ideas y perspectivas. El 'Juego' convierte la interacción en un juego, con el LLM respondiendo de manera lúdica. Esto hace que el aprendizaje sea más divertido e interactivo, manteniendo alta la atención del usuario. El esquema 'Generación Infinita', por otro lado, permite al modelo generar contenido sin interrupciones, eliminando la necesidad del usuario de proporcionar constantemente nuevos Prompts. Esto es particularmente útil cuando se desea generar contenido extenso, como historias o artículos. Utilizando estos patrones, los usuarios pueden experimentar una interacción más dinámica y adaptable, haciendo que el aprendizaje sea mucho más inmersivo. Vamos a verlos en detalle.

Interacción invertida El patrón de Interacción Invertida representa un cambio radical en la forma en que los usuarios interactúan con los modelos de lenguaje. En lugar del flujo habitual de conversación en el que el usuario hace preguntas y el modelo responde, este patrón invierte el proceso, transformando al LLM en un actor proactivo que hace preguntas dirigidas al usuario. Concepto El principio detrás de este esquema es simple: ChatGPT es instruido para hacer preguntas pertinentes y útiles al usuario para recopilar información crucial sobre un problema específico o un tema de interés. Estas preguntas no son genéricas o casuales, sino que están diseñadas para guiar al usuario en el descubrimiento y en el análisis preciso de detalles que de otro modo podrían pasarse por alto. Ejemplo practico Imagina que eres un desarrollador que está tratando de configurar un script de distribución para una aplicación. En lugar de tener que formular todas las preguntas y considerar todos los posibles problemas por ti mismo, puedes iniciar una sesión de Interacción Invertida con ChatGPT. El modelo podría empezar a hacerte preguntas como "¿Cuál es el entorno de destino para tu aplicación?" o "¿Hay dependencias de software específicas que deben ser tomadas en cuenta?". Estas preguntas pueden ayudarte a considerar aspectos de tu problema que podrías no haber considerado. Ejemplo de prompt para la activación del esquema   *** Estoy pensando en iniciar un nuevo negocio. Empieza a hacerme preguntas para asegurarte de que he considerado todos los elementos relevantes para el logro de mi objetivo. No dejarás de hacer preguntas hasta que no hayas aclarado todos los aspectos relevantes. *** Aplicaciones y limitaciones   El esquema de Interacción Invertida puede aplicarse en una amplia gama de contextos, desde situaciones de aprendizaje hasta procesos de lluvia de

ideas creativas. Sin embargo, es importante notar que la calidad de las preguntas generadas por ChatGPT depende en gran parte de la calidad de los datos de entrenamiento del modelo y de su capacidad para comprender adecuadamente el contexto. Guía de implementación Para implementar este patrón, se pueden dar al modelo instrucciones específicas para hacer preguntas sobre el tema deseado. Por ejemplo, podrías empezar con un comando como: "Tienes el rol de un experto en [tema]. Haz preguntas para ayudarme a explorar este tema más profundamente". A partir de este disparador, ChatGPT comenzará a generar preguntas pertinentes al tema especificado.

Juego El patrón Game Play representa una forma innovadora y divertida de interactuar con ChatGPT. En lugar de limitarse a una interacción basada en preguntas y respuestas, este patrón convierte la interacción en un juego, con ChatGPT actuando como un maestro de juego virtual. Concepto El concepto detrás del esquema Game Play es la transformación de la interacción en un juego guiado activamente por el modelo. Las reglas del juego pueden ser definidas por el usuario, mientras que ChatGPT se convierte en el responsable de generar el contenido del juego, manteniendo la interacción atractiva y dinámica. Ejemplo practico Imagina que quieres mejorar tus habilidades matemáticas. Podrías configurar un juego en el que ChatGPT genere preguntas de cálculo al azar y te pida resolverlas. Si respondes correctamente, el modelo podría decir "¡Muy bien!" y generar otra pregunta. Si respondes incorrectamente, podría explicarte por qué tu respuesta es errónea. Después de un cierto número de respuestas correctas, ChatGPT podría proponer un nuevo juego con un tema diferente. Ejemplo de prompt para la activación del esquema   *** Quiero mejorar mi conocimiento de la geografía mundial. Hagamos un juego en el que me hagas preguntas sobre diferentes países y sus capitales. Si acierto la respuesta, hazme otra pregunta. Si me equivoco, proporcióname la respuesta correcta y una breve descripción del país. *** Aplicaciones y limitaciones Este patrón Game Play es una excelente manera de hacer que el aprendizaje sea más divertido e interesante, y puede usarse en una amplia gama de contextos educativos, que es principalmente donde se utiliza en este momento. Sin embargo, la calidad de la experiencia de juego dependerá en gran medida de la capacidad de ChatGPT para generar contenido de juego relevante e interesante. Además, dependiendo del nivel de complejidad

diseñado por el usuario, ChatGPT podría no ser capaz de manejar correctamente todas las posibles situaciones de juego. En ese caso, se requeriría supervisión por parte del usuario. Guía de implementación Para implementar este esquema, es necesario proporcionar instrucciones detalladas sobre cómo debe funcionar el juego. Estas instrucciones pueden incluir el formato de las preguntas, la retroalimentación que se debe dar en respuesta a las respuestas del usuario y cuándo y cómo el modelo debería proponer un nuevo juego.

Generación infinita El patrón Generación Infinita se presenta como un modo potente de utilizar los Modelos de Lenguaje de Gran Escala (LLM), permitiendo la generación continua de contenidos a partir de un único prompt, sin la necesidad de repetir la entrada. Concepto El objetivo del esquema Generación Infinita es reducir la carga de trabajo del usuario y dejar que sea el modelo el que genere los contenidos. Esto puede ser particularmente útil en situaciones donde se requiere la producción de grandes cantidades de texto basadas en un solo prompt. Además, es posible enriquecer el prompt inicial con entradas adicionales para guiar al modelo a producir salidas variadas o actualizadas. Ejemplo practico Considera el caso en que deseas que el modelo genere una serie de URL. Podrías utilizar el prompt: "De ahora en adelante, quiero que generes un nombre y una profesión hasta que diga stop. Proporcionaré una plantilla para tu salida. Cada vez que generes texto, intenta insertarlo en uno de los marcadores de posición que enumero. Por favor, mantén el formato y la plantilla general que proporciono: https://myapi.com/NOMBRE/perfil/TRABAJO. Este prompt aplica tanto el patrón 'Generación Infinita' como el patrón 'plantilla', que veremos con más detalle en las próximas secciones. Ejemplo de prompt para la activación del esquema   *** A partir de ahora, tu tarea es generar una serie de ideas para una publicación de blog sobre el tema "Comer sano". Continúa generando ideas hasta que te diga que pares. Cada idea debe ser el título de una posible publicación para el blog y una breve descripción de lo que debería tratar la publicación. *** Aplicaciones y limitaciones El esquema es útil para tareas repetitivas que requieren la aplicación del mismo prompt a diferentes conceptos, como la generación de código CRUD

para diferentes tipos de entidades. Sin embargo, se necesita una supervisión cuidadosa para prevenir la generación de salidas repetitivas y asegurarse de que el modelo no pierda el contexto del prompt inicial durante la generación continua. Guía de implementación Para utilizar este esquema de manera efectiva, es importante definir un prompt inicial bien estructurado y, si es necesario, establecer un sistema para proporcionar entradas adicionales entre una generación y otra. También puede ser útil definir un comando de stop explícito para interrumpir la generación cuando sea necesario. Ejercicios prácticos Elige una tarea que requiera la aplicación repetitiva del mismo prompt. Intenta utilizar el patrón para automatizar esta tarea y observa los resultados. Experimenta con la adición de entradas adicionales entre generaciones. Evalúa cómo estas entradas afectan las salidas generadas por el modelo. Monitorea la generación continua de salidas. Observa cualquier desviación del comportamiento deseado y trata de corregirlo con retroalimentación apropiada.

Patrones de personalización de salida La familia de patrones 'Output Customization' funciona como un poderoso conjunto de herramientas para personalizar las salidas de los Modelos de Lenguaje de Gran Escala. Estos esquemas son la clave para refinar, adaptar y optimizar las salidas de ChatGPT según tus necesidades específicas.  

El esquema 'Output Automater' puede verse como un asistente digital personal, diseñado para escribir guiones que automatizan tareas específicas basándose en las respuestas proporcionadas por el sistema. El esquema 'Persona' transforma a ChatGPT en un actor, permitiéndote asignarle un rol o un personaje específico para que lo personifique durante la generación de la salida. Si alguna vez has querido que ChatGPT produzca texto con el lenguaje florido de Shakespeare, ¡este es el patrón para ti! El 'Visualization Generator' actúa como un artista digital, listo para convertir palabras en imágenes. Con una integración adecuada con las herramientas de IA apropiadas, es capaz de crear visualizaciones a partir de una salida textual. El patrón 'Recipe' actúa como un chef virtual, proporcionando una secuencia de pasos para alcanzar un objetivo, incluso cuando la información inicial es incompleta. Si solo tienes una lista de ingredientes sin la receta, 'Recipe' puede sugerirte cómo preparar un plato exquisito. Finalmente, el patrón 'Template' funciona como una hoja de papel en blanco sobre la cual ChatGPT puede expresarse. Te permite definir una estructura para la salida y el modelo la llenará con contenido relevante y bien formateado. En resumen, la familia de patrones Output Customization te coloca al mando, ofreciéndote control total sobre la personalización de la salida del LLM, con el objetivo de asegurar que la salida generada se ajuste lo más posible a tus necesidades. Ahora, analicemos cada uno de estos patrones con más detalle.

Output automater Imagina tener un asistente personal que, además de aconsejarte, también ejecuta acciones por ti. Esa es la esencia del patrón ‘Output Automater’. Concepto Una vez activado el esquema, el modelo crea un script o un artefacto de automatización que puede llevar a cabo sus propias recomendaciones. De esta manera, no serás tú quien tenga que descifrar y aplicar paso a paso las instrucciones que ChatGPT te ha proporcionado, sino que será el propio sistema el que haga el trabajo pesado por ti, ahorrándote tiempo y energía. Ejemplo practico Tomemos como ejemplo una consulta sobre cómo organizar un conjunto de datos en una base de datos. En lugar de proporcionarte una serie de pasos teóricos, el esquema 'Output Automater' programará a ChatGPT para que genere directamente un script SQL ejecutable para organizar tus datos. ¡No solo obtendrás una solución a tu problema, sino que también tendrás los medios para implementarla inmediatamente! Ejemplo de prompt para la activación del esquema *** De ahora en adelante, cada vez que me proporciones una solución a un problema de codificación en Python, también generarás un script Python que pueda ejecutarse directamente para implementar la solución. *** Aplicaciones y limitaciones Las potencialidades del Output Automater son notables, especialmente en contextos técnicos y de computación donde puede generar código o scripts para resolver una serie de problemas. Sin embargo, es importante recordar que la calidad y efectividad de la salida dependen en gran medida de la capacidad del modelo para comprender correctamente el problema y las

especificaciones proporcionadas, las cuales deben ser explicadas con precisión. Guía de implementación Para utilizar de la mejor manera este esquema, asegúrate de proporcionar a ChatGPT una entrada clara y detallada. Si es necesario, especifica restricciones o detalles adicionales para guiar con precisión al sistema en la creación del script o comando de automatización deseado. Ejercicios prácticos   Intenta pedirle al LLM que genere un script para automatizar una tarea simple de tu día a día, como organizar archivos en diferentes carpetas según su tipo o crear un breve programa que salude al usuario en varios idiomas. Una vez que te familiarices con este esquema, puedes avanzar a la automatización de una tarea más compleja.

Persona Imagina poder tener un diálogo con un famoso artista del pasado, un experto en seguridad informática o incluso un astronauta en Marte. ¡Ese es el potencial que se oculta detrás del patrón Persona!   Concepto   El patrón Persona te permite asignar a ChatGPT un rol o una "personalidad", transformándolo en un consultor experto en cualquier tema que elijas. Una vez completada la asignación de la 'persona' seleccionada, el LLM seleccionará las respuestas más apropiadas y fascinantes, completamente inmerso en el rol asignado. Esto conduce a una personalización profunda de tus interacciones con ChatGPT, creando una salida que refleja con precisión la perspectiva y el enfoque del rol asignado.   Ejemplo practico Por ejemplo, imagina que quieres transformar tu LLM en un astrónomo del siglo XVII. A través del uso del patrón 'Persona', el modelo filtrará sus respuestas a través de la lente de la 'persona' asignada, proporcionando respuestas consistentes con lo que un experto del siglo XVII podría decir, y utilizando el estilo lingüístico y el conocimiento de la época. Podrías, por ejemplo, pedir que se expliquen las fases de la luna como si fueras Galileo Galilei. ChatGPT, poniéndose en la piel de Galileo, respondería utilizando el lenguaje y las teorías astronómicas del siglo XVII, creando una experiencia de aprendizaje única y auténtica. Ejemplo de prompt para la activación del esquema   *** A partir de ahora, quiero que asumas el papel de un instructor de fitness profesional. Dame consejos y recomendaciones como si fueras un experto en forma física y salud. ***   Aplicaciones y limitaciones  

Este patrón ofrece una profunda personalización y puede mejorar la experiencia de aprendizaje e interacción con ChatGPT. Sin embargo, es importante recordar que el modelo se basa en datos de entrenamiento y no tiene acceso a información o experiencias personales. Por lo tanto, mientras puede simular un personaje o un rol, no tendrá las experiencias únicas o las percepciones personales que tendría un verdadero individuo.   Guía de implementación   Para obtener los mejores resultados con el patrón Persona, debes ser específico y detallado al asignar una 'persona' a ChatGPT. Define claramente las características del rol o personaje que quieres que interprete para asegurarte de que las respuestas sean lo más alineadas posible con tus expectativas.   Ejercicios prácticos   Un ejercicio práctico podría ser pedirle al modelo que responda a una serie de preguntas interpretando diferentes roles. Por ejemplo, podrías pedir a ChatGPT que responda a una pregunta generando 3 versiones diferentes: como lo haría un experto en la Edad Media, un astronauta o un famoso escritor. Observa cómo cambian las respuestas y reflexiona sobre cómo el modelo interpreta los diferentes roles.

Generador de visualización El esquema Generador de Visualización lleva las capacidades de la Inteligencia Artificial un paso adelante, permitiendo la generación no solo de respuestas textuales, sino también de representaciones visuales como gráficos, diagramas e incluso imágenes. Concepto Este esquema funciona generando texto que puede ser interpretado por herramientas de visualización como Graphviz Dot o DALL-E. En esencia, ChatGPT traduce una descripción de una imagen o diagrama a un lenguaje que estas herramientas pueden comprender, convirtiendo las palabras en imágenes visuales. Ejemplo practico Supongamos que le pides a ChatGPT que te explique cómo funciona la red de distribución de una empresa. El modelo podría proporcionar una descripción textual de dicha red, pero también podría generar un diagrama utilizando el lenguaje de Graphviz Dot. Después de recibir esta salida, todo lo que tienes que hacer es insertarla en Graphviz para obtener una representación visual de la red de distribución. Esta combinación de generación de texto y visualización facilita una comprensión de la información más completa y eficaz. Ejemplo de prompt para la activación del esquema *** Tengo un conjunto de datos con los siguientes valores: [5, 15, 7, 2, 9]. Genera un script para la visualización de un gráfico de barras utilizando matplotlib en Python. *** Aplicaciones y limitaciones

El esquema ofrece una forma innovadora de visualizar información compleja, pero es importante recordar que la calidad de las imágenes generadas dependerá de la precisión con la que el modelo traduzca las descripciones al lenguaje de visualización. Esta precisión dependerá en gran medida del conocimiento que ChatGPT tenga de la herramienta de visualización de interés. Guía de implementación Para obtener los mejores resultados, debes formular tus peticiones al LLM de manera clara y detallada. También puedes especificar el tipo de representación visual que prefieres, como un gráfico de barras, un diagrama circular o un diagrama de flujo. Ejercicios prácticos   Intenta pedirle a ChatGPT que genere una representación visual de un concepto complejo, como la red neuronal de una Inteligencia Artificial, o un diagrama que represente la distribución de la población en un país determinado. Luego, utiliza el software de visualización apropiado para convertir la salida textual en una imagen o un gráfico.

Audience Persona El patrón Audience Persona ofrece un nivel adicional de personalización de la Inteligencia Artificial, enfocándose no en su identidad, como en el patrón Persona, sino en quién será el receptor de la salida. Concepto La idea detrás de este esquema es proporcionar a ChatGPT indicaciones sobre la audiencia a la que está destinada la salida. Esto permite que la IA adapte el estilo y contenido de la salida para satisfacer mejor las necesidades y expectativas del destinatario. Ejemplo practico Imagina que estás escribiendo un artículo sobre neurociencia destinado a estudiantes de secundaria. Utilizando el esquema Audience Persona, podrías indicarle al modelo que genere un texto que sea comprensible e interesante para ese grupo de edad y nivel de educación. ChatGPT estaría entonces implícitamente programado para usar un lenguaje sencillo, evitar términos técnicos complejos y podría incluir analogías o ejemplos concretos para explicar conceptos difíciles. Por el contrario, si el mismo tema estuviera destinado a especialistas en neurociencia, ChatGPT estaría programado para usar un lenguaje más técnico y detallado, asumiendo un conocimiento básico del tema. Ejemplo de prompt para la activación del esquema Compara estos dos prompts y el enfoque diferente que ChatGPT proporciona: *** Necesito explicar el concepto de fotosíntesis a un grupo de alumnos de quinto grado. ¿Puedes ayudarme a redactar una explicación simple y atractiva? *** *** Estoy escribiendo un artículo sobre el impacto de los sesgos cognitivos en la toma de decisiones para una revista de psicología. ¿Puedes

proporcionarme un análisis profundo del papel de los sesgos de confirmación y los sesgos de anclaje en nuestras decisiones diarias? *** Aplicaciones y limitaciones   El esquema hace que ChatGPT sea una herramienta extremadamente flexible y versátil, capaz de adaptar su salida a varios receptores. Sin embargo, su éxito depende de la capacidad del usuario para proporcionar una indicación precisa de la audiencia objetivo. Guía de implementación Para utilizar efectivamente este esquema, deberás indicar claramente en tu prompt las características de la audiencia a la que está destinada la salida. Esto podría incluir detalles como la edad, el nivel de educación, la familiaridad con el tema y las expectativas generales. Ejercicios prácticos   Intenta pedirle a ChatGPT que escriba un breve ensayo sobre la historia de la inteligencia artificial para tres grupos de destinatarios diferentes: estudiantes de secundaria, estudiantes universitarios de informática y profesionales de la IA. Notarás cómo el modelo adapta el estilo y el contenido del ensayo según la audiencia especificada.

Receta El patrón Receta puede verse como el proceso de redactar una receta culinaria cuando solo conoces algunos ingredientes y el resultado final, pero no sabes cómo llegar a él. La idea básica es que el modelo comienza a llenar los 'huecos' con una secuencia de pasos lógicos y prácticos para alcanzar el objetivo final. Concepto Este esquema tiene características de los esquemas Verificador Cognitivo y Reflexión, ya que ofrece una salida estructurada y orientada a la acción. Al igual que una receta culinaria, no solo proporciona una lista de ingredientes, sino también una guía paso a paso sobre cómo combinar estos ingredientes para obtener el resultado final. Ejemplo practico Imagina que necesitas guiar a un equipo de proyecto hacia un objetivo específico, sin saber por dónde empezar. Podrías especificarle a ChatGPT el resultado final deseado (por ejemplo, completar un proyecto de desarrollo de software) y alguna información básica (como las competencias del equipo, los recursos disponibles, los plazos, etc.). Utilizando el esquema de receta, el modelo generaría un plan de acción detallado que guiará al usuario a través de los diversos pasos necesarios para alcanzar el objetivo. Ejemplo de prompt para la activación del esquema *** Tengo la intención de iniciar un proyecto de desarrollo de software con un equipo de cinco desarrolladores, dos diseñadores UI/UX y un gerente de proyecto. Tenemos un plazo de seis meses. ¿Puedes proporcionar una "receta" paso a paso sobre cómo deberíamos abordar este proyecto, desde la planificación inicial hasta la realización final? ***

*** Soy un escritor novato que tiene la intención de escribir una novela de ciencia ficción. Tengo en mente una trama básica, ambientada en un mundo post-apocalíptico. ¿Puedes generar una "receta" que me guíe a través del proceso de escritura de esta novela, desde el desarrollo de personajes hasta la estructuración de la trama y la edición final? *** Aplicaciones y limitaciones El esquema es extremadamente útil cuando se necesita una guía detallada para alcanzar un objetivo específico. Sin embargo, claramente su efectividad depende de la capacidad del usuario de proporcionar información suficiente y precisa para permitir que el LLM genere una 'receta' adecuada. Guía de implementación Para implementar este patrón, debes proporcionar al IA información clara y específica sobre el resultado final deseado y sobre los recursos disponibles. Luego, el modelo generará un plan de acción detallado que podrá ser refinado a través de una serie de preguntas de seguimiento. Ejercicios prácticos   Intenta pedirle que cree un plan de acción para organizar un evento de recaudación de fondos, teniendo en cuenta la ubicación, el presupuesto y el público objetivo. Luego, observa cómo ChatGPT genera una 'receta' paso a paso para alcanzar el objetivo.

Plantilla El patrón Plantilla es un método efectivo para guiar a la inteligencia artificial en la generación de respuestas que siguen una estructura o un formato predefinido. Esto es particularmente útil cuando se desea que la salida sea compatible con un formato existente o tenga un diseño predefinido. Concepto Este esquema utiliza una "plantilla" o modelo predefinido con espacios en blanco (placeholders) que ChatGPT llenará de manera coherente y apropiada. El patrón "plantilla" asegura la coherencia estructural de la salida y también ofrece un alto grado de personalización, permitiendo adaptar la salida a las necesidades específicas del usuario. Ejemplo practico Supongamos que estás preparando a un joven estudiante para un examen oral y quieres crear una serie de preguntas y respuestas. Podrías utilizar un modelo como: "La pregunta es '{pregunta}', la respuesta debería incluir los siguientes puntos: '{punto1}', '{punto2}', '{punto3}'". La IA podría entonces llenar estos espacios en blanco con contenido apropiado para el estudiante. Ejemplo de prompt para la activación del esquema *** Estoy escribiendo una investigación sobre la deforestación de la selva amazónica. ¿Puedes ayudarme a generar un resumen utilizando esta plantilla: 'Título: {título}', 'Objetivo: {objetivo}', 'Métodos: {métodos}', 'Resultados: {resultados}', 'Conclusión: {conclusión}'? *** Aplicaciones y limitaciones El patrón de plantilla es extremadamente versátil y se puede utilizar en una variedad de contextos, desde la generación de informes de negocios hasta la

preparación para exámenes. Sin embargo, como con otros esquemas, su efectividad depende de la calidad de la plantilla proporcionada: una plantilla mal definida o imprecisa podría llevar a resultados mediocres. Guía de implementación Para implementar este esquema, simplemente tendrás que crear una plantilla con espacios en blanco para la información que ChatGPT generará. Ejercicios prácticos   Intenta crear una plantilla para una reseña de una serie que encuentres en Netflix, con espacios en blanco para el título, el director, un resumen de la trama y tu evaluación. Luego, pide a ChatGPT que complete esta plantilla para un libro que hayas leído recientemente.

Patrones para la mejora de procesos lógicos de la IA La familia de patrones de proceso ayuda al modelo a comprender mejor la salida deseada a través del uso de ejemplos. Estos patrones son: 'Ejemplos de Pocos Disparos' (Few-Shot Examples), 'Cadena de Pensamiento' (Chain of Thought), 'ReAct Prompting'. Veámoslos en detalle.

Fewshot examples El esquema 'Few-Shots Examples' se basa en la estrategia de proporcionar a ChatGPT una serie de ejemplos, con el objetivo de ayudarle a comprender la lógica o el patrón a seguir en la generación de la salida. Puedes considerar este patrón como una breve fase de entrenamiento implícito que ChatGPT experimenta antes de generar la respuesta final. Concepto El esquema es particularmente útil cuando se intenta obtener salidas muy específicas o cuando el modelo debe seguir un estilo determinado. Al mismo tiempo, ofrece una forma flexible de interactuar con ChatGPT, permitiendo variar el enfoque según la solicitud específica. Ejemplo practico   Un ejemplo de uso podría ser en la traducción. Podrías proporcionarle a ChatGPT una serie de frases con sus respectivas traducciones, como: "Hola, ¿cómo estás?" -> "Hello, how are you?" "Estoy bien, gracias. ¿Y tú?" -> "I'm fine, thank you. And you?" Luego, podrías insertar la frase "Buenos días, ¿cómo puedo ayudarte hoy?" seguido por una flecha. Gracias a los ejemplos previos, el modelo comprenderá sin necesidad de instrucción explícita que la tarea requerida es la traducción del italiano al inglés y proporcionará la traducción faltante. Ejemplo de prompt para la activación del esquema *** Oro → Amarillo Mar → Azul

Hierba → *** Aplicaciones y limitaciones Este patrón puede ser aplicado en una amplia gama de escenarios, desde el procesamiento del lenguaje natural hasta la generación de texto. Sin embargo, su efectividad puede depender del número y la calidad de los ejemplos proporcionados. Guía de implementación Para implementar este esquema, debes comenzar proporcionando a ChatGPT una serie de ejemplos que ilustren el tipo de salida que deseas obtener. Estos ejemplos deben ser lo más representativos posible de la tarea a realizar, sin ambigüedades. Ejercicios prácticos   Intenta utilizar este esquema para pedirle a ChatGPT que traduzca frases sencillas del italiano al francés. Proporciona una serie de ejemplos de traducciones y luego pide a la IA que traduzca una nueva frase basándose en los ejemplos proporcionados.

Chain of thought "Chain of Thought" es una estrategia que programa ChatGPT para exponer el flujo lógico o el proceso de razonamiento que ha llevado a la generación de una determinada salida. Este modelo puede ser extremadamente útil para entender mejor cómo el modelo ha procesado la información y alcanzado una cierta conclusión.   Concepto Este patrón proporciona una mayor transparencia sobre el procedimiento computacional seguido. Resulta particularmente útil para asegurar que ChatGPT no solo proporcione respuestas precisas, sino que lo haga a través de un razonamiento justificable y comprensible. Como recordarás, este esquema es similar al de Reflexión, pero es aún más específico en cuanto a los pasos lógicos individuales seguidos. Por esta razón, encuentra una aplicación particularmente adecuada en el caso de cálculos complejos.  

Ejemplo practico

Un ejemplo práctico puede ser el uso de IA para resolver un problema matemático, como la división 45/5. En lugar de simplemente hacer que la IA proporcione la respuesta directa (9), podríamos pedirle que explique su flujo de pensamiento. La IA podría responder así: "Para resolver el problema, divido el número 45 por 5. 45 dividido por 5 es igual a 9 porque 9 multiplicado por 5 es igual a 45. Por lo tanto, la respuesta al problema de división 45/5 es 9." Ejemplo de prompt para la activación del esquema *** Quiero que resuelvas la siguiente ecuación: 150 dividido 5 = 60X. Sin embargo, en lugar de simplemente proporcionar la respuesta, quiero que expliques tu proceso de pensamiento o los pasos que has seguido para llegar a la respuesta. *** Aplicaciones y limitaciones El esquema puede aplicarse en una serie de escenarios que requieren una mayor comprensión del proceso de razonamiento del modelo y tiene una aplicación particular en la asistencia y ejecución de cálculos complejos. Obviamente, cuanto más complejo sea el cálculo, más dificultades podría tener ChatGPT para explicar los pasos seguidos. Guía de implementación Para implementar este esquema, deberías pedirle a ChatGPT no solo la respuesta a un problema, sino también una explicación del razonamiento que condujo a tal respuesta. Esto se puede hacer formulando el prompt de manera apropiada. Ejercicios prácticos Intenta usar el patrón pidiendo resolver un problema matemático más complejo, como una ecuación cuadrática, y luego pide al modelo que explique su proceso de razonamiento.

ReAct Prompting El esquema ReAct, que significa Razonar + Actuar, es una técnica interactiva que une el razonamiento con la acción. Este patrón representa una evolución del modelo Chain of Thought, ya que no solo pide al LLM elaborar un pensamiento, sino también ejecutar acciones específicas para probar las hipótesis generadas durante el proceso de razonamiento. Concepto El modelo ReAct programa a ChatGPT para que compare sus cálculos internos, basados en los datos con los que ha sido entrenado, con nueva información o datos externos. Esta comparación puede reforzar el razonamiento del modelo, pero también puede permitir correcciones si se detectan discrepancias. Por lo tanto, este esquema puede utilizarse para mejorar la robustez y precisión de la salida producida. Ejemplo practico Un ejemplo de aplicación práctica podría ser el uso del LLM para manejar solicitudes de asistencia al cliente. Imagina a un cliente que solicita ayuda con un producto. El modelo podría comenzar aplicando razonamiento para comprender la solicitud del cliente (Razonar), y posteriormente buscar en la base de datos de preguntas frecuentes para encontrar una respuesta pertinente (Actuar). Si la respuesta encontrada es coherente con el razonamiento inicial, puede presentarse al cliente. De lo contrario, el modelo puede revisar su razonamiento y buscar una mejor respuesta. Ejemplo de prompt para la activación del esquema *** Tengo un problema con mi portátil. Funciona muy lentamente y a veces se congela. ¿Puedes ayudarme a resolver este problema? Explica tu razonamiento y los pasos que tomarías para resolver el problema. *** Aplicaciones y limitaciones

El patrón puede aplicarse en diferentes escenarios que requieren tanto razonamiento como acción. Sin embargo, la efectividad del modelo puede estar limitada por la disponibilidad y calidad de los datos externos con los que la IA tiene que interactuar. Guía de implementación Para implementar este modelo, deberás pedirle a la IA no solo razonar sobre un problema, sino también ejecutar acciones específicas basadas en ese razonamiento. Esto se puede hacer formulando el prompt de manera que solicite tanto el razonamiento como la acción. Ejercicios prácticos   Intenta utilizar la técnica ReAct en un contexto de atención al cliente, pidiendo a la IA que maneje una serie de solicitudes de asistencia y responda de manera apropiada. Luego verifica la precisión y relevancia de las respuestas de la IA.

Outline Expansion El esquema ‘Outline Expansion’ representa una estrategia eficaz para desarrollar un concepto o idea partiendo de un simple bosquejo o esquema. Este modelo es particularmente útil para la elaboración de textos más complejos, como la redacción de artículos o manuales, permitiendo a ChatGPT expandir una lista de puntos o ideas principales en párrafos o secciones más detalladas. Concepto   El objetivo del patrón es convertir un conjunto de puntos clave en un discurso más articulado y completo. Esto permite al usuario simplificar la redacción de textos complejos, comenzando solo con una idea general o una lista de puntos destacados. Ejemplo practico Un ejemplo práctico de este esquema podría ser la redacción de un artículo de blog. Si, por ejemplo, deseas escribir una publicación sobre las mejores prácticas para el entrenamiento de una maratón, podrías comenzar proporcionando al LLM una estructura básica, que podría incluir puntos como: • Introducción al entrenamiento para una maratón • Importancia del entrenamiento gradual • Significado de la recuperación y alimentación • Consejos para el día de la carrera • Conclusiones Cada punto de este esquema podría entonces utilizarse como un prompt para ChatGPT, que generaría un párrafo o una sección detallada para cada uno. Por ejemplo, para el punto 1, podrías pedir "Elaborar una introducción

sobre la importancia del entrenamiento para una maratón". El modelo generaría entonces un texto completo y bien articulado en respuesta. Repitiendo este proceso para cada punto, podrías obtener un artículo completo con un esfuerzo mínimo. Ejemplo de prompt para la activación del esquema *** Estoy escribiendo un artículo sobre la historia de la inteligencia artificial. Aquí está mi esquema:   1. 2. 3. 4. 5.

Introducción a la inteligencia artificial La historia inicial y el nacimiento de la IA El invierno de la IA y sus causas El renacimiento de la IA y el papel del aprendizaje profundo El estado actual de la IA y las previsiones futuras ¿Puedes ayudarme a profundizar en el punto 2: "La historia inicial y el nacimiento de la IA"? ***

Aplicaciones y limitaciones El esquema puede ser bastante útil para desarrollar contenidos detallados y estructurados, pero su efectividad depende en gran medida de la claridad y la completitud del bosquejo o esquema inicial proporcionado por el usuario. Guía de implementación Para implementar este patrón, debes comenzar con un bosquejo o una lista de puntos clave que describan el tema que deseas desarrollar. Entonces, puedes usar cada uno de estos puntos como un prompt para la IA, pidiéndole que elabore más cada punto. Ejercicios prácticos   Intenta utilizar el esquema 'Outline Expansion' para redactar un artículo de blog o un manual sobre un tema de tu interés. Comienza con un bosquejo o una lista de puntos clave y luego usa ChatGPT para desarrollar cada uno de ellos en un párrafo o una sección más detallada. Desde luego, ten en cuenta

que su output solo será una base que tendrás que integrar, pero te ayudará a darle forma a la estructura de tu obra.

Patrones para la gestión de la interacción Los patrones para la gestión de la interacción representan un conjunto de estrategias diseñadas para hacer la interacción con el modelo más atractiva y productiva. A través de estas herramientas, es posible construir una conversación dinámica, aprovechando las respuestas anteriores y guiando la interacción hacia objetivos específicos. En el contexto de la interacción con un modelo de IA, como GPT-4, estos patrones pueden mejorar significativamente la calidad de la conversación, haciendo que la IA sea más como un compañero de diálogo activo en lugar de simplemente un generador de respuestas. Los patrones de gestión de la interacción codificados hasta la fecha son:   1.

2.

3.

'Ask for Input' (Pedir entrada): Este patrón programa el modelo para pedir información al usuario, facilitando una conversación bidireccional y permitiendo que la IA obtenga detalles adicionales para dar respuestas más precisas. 'Menu Actions' (Acciones de menú): Se refiere a la capacidad del usuario para crear una guía a través de un conjunto de opciones predefinidas, facilitando la navegación en escenarios complejos o cuando hay múltiples opciones de respuesta disponibles. 'Tail Generation' (Generación de cola): El patrón se centra en cómo ChatGPT puede desarrollar una idea a partir de un comando dado, continuando la conversación de manera coherente y productiva.

Cada uno de estos patrones tiene el potencial de mejorar la interacción con ChatGPT, haciéndola más atractiva y productiva. Utilizados juntos, también pueden ayudar a crear una experiencia de conversación mucho más natural y gratificante.

Ask for input El esquema "Ask for Input" representa un aspecto importante en los patrones para la gestión de la interacción con un modelo de lenguaje. A veces puede suceder que ChatGPT, al recibir muchas solicitudes, tome la iniciativa y proporcione una gran cantidad de información no necesariamente relevante. En estas situaciones, se necesitan herramientas capaces de manejar el ritmo de la interacción. Es una manera amable de hacerle entender a ChatGPT quién manda. Concepto Actuando como un "interruptor de pausa", este patrón promueve una conversación equilibrada, estableciendo que el LLM pedirá más información solo cuando sea explícitamente solicitado, de lo contrario, recogerá los diversos inputs del usuario antes de responder. El objetivo es asegurar un control equilibrado de la conversación. Ejemplo practico Imagina usar una IA para planificar un viaje. En lugar de generar un plan de viaje completo basado exclusivamente en los detalles iniciales, la IA, siguiendo el patrón "Ask for Input", puede hacer una pausa y esperar a que proporciones todos los detalles y parámetros relevantes, incluso a través de más de un prompt. Una vez que se han indicado todos los datos, le indicarás a ChatGPT que la pausa ha terminado y que puede responder, en base a todo lo que le has indicado. Ejemplo de prompt para la activación del esquema   *** ¿Puedes ayudarme a planificar un viaje para el próximo verano? Antes de responder, espera a que te proporcione todos los datos en los próximos prompts. *** Aplicaciones y limitaciones

Este tipo de interacción permite al usuario tener un mayor control sobre la conversación y, en consecuencia, sobre los resultados generados por la IA. Sin embargo, es importante notar que un uso excesivo de este patrón podría interrumpir el flujo de la conversación, haciendo la interacción con la IA menos fluida y natural. Guía de implementación Para implementar este esquema, es importante insertar puntos específicos en el flujo de la conversación donde ChatGPT puede hacer una pausa y pedir una entrada adicional al usuario. Estos puntos deben ser elegidos de tal manera que mejoren la calidad del resultado final, sin interrumpir excesivamente el flujo de la conversación.

Ejercicios prácticos   1. 2.

Intenta usar ChatGPT para planificar una fiesta, implementando el patrón "Ask for Input" para solicitar detalles como el número de invitados, preferencias alimentarias, tema de la fiesta, etc. Utiliza el modelo para escribir un cuento corto, haciendo uso del patrón "Ask for Input" para solicitar detalles sobre los personajes, el escenario, la trama, etc.

Menú El patrón 'Menú' actúa como un catálogo de funcionalidades para el modelo de lenguaje, ofreciendo una serie de opciones entre las que el usuario puede elegir. Concepto Al igual que un menú en un restaurante, donde cada plato tiene una descripción precisa, el patrón 'Acciones del Menú' permite tener una serie de acciones o tareas predefinidas que el modelo puede ejecutar. Este esquema limita el campo de acción de ChatGPT solo a una serie de opciones de interés para el usuario. Ejemplo practico Por ejemplo, imagina que trabajas en una empresa que utiliza frecuentemente IA para generar informes semanales. Podrías crear un "menú de acciones" con una opción como "Generar informe semanal". Cuando se selecciona esta opción, la IA sabe exactamente qué tarea realizar y cómo hacerlo, mejorando la eficiencia. Ejemplo de prompt para la activación del esquema   *** Necesito ayuda con mis tareas diarias. Aquí están las opciones:   1. 2. 3. 4.

Organizar mi agenda Responder a mis correos electrónicos Preparar una lista de tareas Generar un informe semanal

Selecciona una actividad *** Aplicaciones y limitaciones

Este esquema puede ahorrar tiempo y asegurar que el modelo actúe de manera coherente. Es particularmente útil para estandarizar procesos y compartir las mejores prácticas dentro de un equipo o una organización. Sin embargo, requiere un conjunto de acciones predefinido y puede no ser adecuado para tareas altamente personalizables o que requieren una interacción más flexible. Guía de implementación Para implementarlo, debes comenzar identificando una serie de tareas o comandos que usas a menudo con tu modelo de lenguaje. Estos pueden ser agrupados en un menú de acciones que ChatGPT pueda reconocer y responder.

Ejercicios prácticos   1. 2.

Crea un menú de acciones para una IA que participa en una reunión de trabajo, incluyendo opciones como "Generar acta de la reunión", "Planificar la próxima reunión", etc. Configura un menú de acciones para una IA utilizada en la gestión de un blog, con acciones como "Crear una nueva publicación", "Actualizar una publicación existente", etc.

Generación de cola El patrón 'Generación de Cola' actúa como un "recordatorio" para ChatGPT, facilitando la gestión de interacciones largas y complejas. Concepto En un modelo de lenguaje, hay límites en la longitud del texto que puede manejar. Esto puede hacer que el LLM "pierda de vista" la información o los objetivos iniciales en caso de interacciones prolongadas. El esquema de Generación de Cola aborda este desafío, sugiriendo la recapitulación de objetivos o información clave al final de cada interacción, como un resumen al final de un capítulo de un libro. Ejemplo practico Por ejemplo, imagina tener una larga discusión con ChatGPT sobre un proyecto de investigación científica. Podrías querer resumir los puntos clave para asegurarte de que la máquina "recuerde" los objetivos principales. Podrías entonces insertar un prompt como: "Recuerda, el objetivo principal de este proyecto de investigación es estudiar el efecto del aumento de la temperatura global en la biodiversidad marina". De esta manera, la IA tendrá un recordatorio claro para interacciones futuras. Ejemplo de prompt para la activación del esquema   *** Recuerda que el objetivo principal de toda la discusión es [Objetivo]. *** Aplicaciones y limitaciones El esquema es útil para mantener la coherencia y la orientación hacia los objetivos en conversaciones complejas y prolongadas. Sin embargo, requiere una gestión cuidadosa de la interacción por parte del usuario y puede necesitar ajustes según la complejidad del contexto de la conversación.

Guía de implementación Para implementar el patrón de Generación de Cola, es necesario insertar recordatorios o resúmenes regularmente dentro de la interacción con ChatGPT. Estos recordatorios deben resumir la información o los objetivos clave de la conversación. Ejercicios prácticos   1. 2.

En una conversación sobre la planificación de un evento, intenta insertar un recordatorio como: "Recuerda, el objetivo principal del evento es recaudar fondos para la asociación benéfica XYZ". Durante un diálogo sobre un complejo problema de programación, podrías insertar un recordatorio como: "Recuerda, estamos intentando optimizar la velocidad del algoritmo sin perder en precisión".

Patrones para la ofuscación de datos El valor añadido de este tipo de esquemas es el de restringir el acceso a cierto tipo de datos, con el fin de salvaguardar la confidencialidad de información específica que por alguna razón el usuario no desea se incluya de manera específica en el Output del modelo. Esta categoría tiene como único esquema codificado el 'Patrón de Filtro Semántico', veámoslo enseguida.  

Filtro Semántico El patrón Filtro Semántico funciona como un guardián de la información, permitiendo eliminar o retener información específica generada por el modelo de lenguaje basada en su significado o relevancia. Concepto El filtro semántico actúa un poco como un colador, reteniendo la información relevante (la "pasta") y dejando pasar aquella que no es necesaria o sensible (el "agua"). Puede ser ajustado para diferentes necesidades, desde eliminar información redundante o irrelevante hasta extraer información particularmente relevante o útil. Pero el punto realmente útil para la aplicación de este esquema concierne la protección de datos confidenciales. Ejemplo practico Imagina una IA que está generando un informe sobre un paciente para uso interno en un hospital. Podrías utilizar el filtro semántico para eliminar toda la información identificable del paciente (como el nombre, la dirección, etc.) del informe, manteniendo sin embargo toda la información médica relevante. ChatGPT podría generar un informe como: "El paciente, que permanecerá anónimo por respeto a su privacidad, ha sido diagnosticado con diabetes tipo 2". De esta forma, el filtro semántico ayuda a proteger la privacidad del paciente mientras proporciona la información médica necesaria. Ejemplo de prompt para la activación del esquema   *** Te proporcionaré un informe médico y deberás resumir el contenido y las patologías descritas, anonimizando los datos personales relacionados con el paciente *** Aplicaciones y limitaciones

El filtro semántico puede ser una herramienta poderosa para modular la salida de un modelo de lenguaje, pero no es infalible. No debe considerarse como un baluarte absoluto para la privacidad o la precisión de la información, sino como un componente de un sistema más amplio de controles y seguridades. Guía de implementación Para implementar el filtro semántico, es necesario identificar la información relevante o sensible y configurar el modelo de lenguaje para eliminarla o mantenerla según las necesidades. Esto requiere una comprensión clara del contexto de uso y de las necesidades del usuario.

Ejercicios prácticos   1. 2.

Intenta implementar un filtro semántico para una IA que genera resúmenes de noticias, eliminando o marcando cualquier información no verificada. Usa el filtro semántico para proteger la información sensible en un diálogo con la IA sobre un tema legal o financiero.

Unión de esquemas Así concluimos la presentación completa de los esquemas de Ingeniería de Prompts que están codificados hasta la fecha. Obviamente, esta lista está en constante actualización, pero representa una excelente base para comprender el verdadero potencial que reside en los modelos de lenguaje de gran tamaño (LLM) como ChatGPT. Y estamos solo al comienzo de una fase de auge que verá surgir nuevos modelos y, con ellos, nuevos esquemas. Un último punto importante a considerar es cómo estos patrones pueden combinarse entre sí de manera original, dando vida a prompts verdaderamente sofisticados. En esta sección no te proporcionaré prompts preempaquetados, sino solo algunas ideas para ayudarte a desarrollarlos de forma autónoma. Aquí tienes algunos ejemplos de combinaciones de esquemas particularmente efectivas:   1.

2.

3.

4.

Creación de un Juego de Rol basado en una Personalidad Esquemas utilizados: Persona + Game Play Descripción: Combinas la técnica 'Persona' para definir un carácter específico y 'Game Play' para crear un juego de rol basado en esa personalidad. Generación Infinita de Visualizaciones Esquemas utilizados: Infinite Generator + Visualization Generator Descripción: 'Infinite Generator' para crear datos o situaciones sin fin y 'Visualization Generator' para convertirlos en representaciones gráficas. Verificación Factual del Generador Esquemas utilizados: Infinite Generator + Fact Check List Descripción: 'Infinite Generator' produce afirmaciones o situaciones continuas y 'Fact Check List' verifica su precisión. Automatización Personalizada Esquemas utilizados: Persona + Output Automater Descripción: 'Persona' establece un carácter y 'Output Automater' crea salidas automáticas basadas en esa personalidad.

5.

Audiencia de Juego Personalizada Esquemas utilizados: Audience Persona + Game Play Descripción: 'Audience Persona' define un público objetivo y 'Game Play' crea un juego adaptado a ese público.

Epilogo Y así, llegamos al final de este fascinante viaje de descubrimiento. Hemos explorado los diversos esquemas codificados como técnicas oficiales de Ingeniería de Prompts, cada uno con sus propias peculiaridades y potencialidades. Pero ahora, la verdadera aventura comienza. Gracias a estas herramientas que ahora tienes en tu caja de herramientas, estás listo para sumergirte en el vasto mundo de los LLMs y forjar soluciones originales e innovadoras. Piensa en ti mismo como un artista frente a un lienzo en blanco, listo para dar vida a una obra maestra. Tienes a tu disposición una rica paleta de colores, cada uno con su propio tono e intensidad. Tu tarea es mezclar estos colores de manera armónica e innovadora, creando una obra de arte que sea satisfactoria, estimulante y llena de significado. De la misma manera, cada patrón que has aprendido tiene su carácter, su singularidad. Al unirlos de formas siempre nuevas y estimulantes, tendrás la oportunidad de obtener resultados sorprendentes. Como acabamos de ver, la clave no es solo conocer cada patrón individual, sino entender cómo pueden interactuar e integrarse para crear algo único e inimitable. Recuerda, no hay reglas absolutas. La belleza de la ingeniería de prompts reside precisamente en su naturaleza experimental y en su continua apertura a la creatividad. Es un cuadro que aún está por completarse, una obra de arte en proceso que te invita a dar rienda suelta a tu creatividad. Ahora te toca a ti empezar a jugar, explorar, experimentar, combinando patrones de formas nunca vistas antes. Y entonces, con curiosidad y entusiasmo, prepárate para enfrentar este desafío. El mundo de la Ingeniería de Prompts te espera, y estoy seguro de que sabrás sorprender, innovar y crear. Comienza tu viaje, recuerda: el camino recorrido es tan valioso como el destino.

Antes de irte…. Si has llegado hasta aquí, te doy mis gracias para haber invertido tu tiempo en esta guía. Asimismo, te agradecería mucho que dejaras una reseña. Tu opinión sincera es muy valiosa para mi. ¡Ha sido un placer acompañarte en este viaje!