¿Qué es la ingeniería rápida?

La regla básica es que las buenas instrucciones equivalen a buenos resultados. La IA generativa se basa en el refinamiento iterativo de diferentes técnicas de ingeniería rápida para aprender eficazmente de diversas entradas y adaptarse para minimizar los sesgos y la confusión y producir respuestas más precisas.

Los ingenieros de instrucciones desempeñan un papel fundamental en la elaboración de consultas que ayudan a los modelos de IA generativa a comprender no solo el lenguaje, sino también los matices y la intención detrás de la consulta. Una instrucción de alta calidad, minuciosa y bien informada, a su vez, influye en la calidad del contenido generado por IA, ya sean imágenes, código, resúmenes de datos o texto.

Es necesario un enfoque reflexivo para crear instrucciones para cerrar la brecha entre las consultas sin procesar y las respuestas significativas generadas por IA. Al ajustar las instrucciones efectivas, los ingenieros pueden optimizar significativamente la calidad y relevancia de las salidas para resolver tanto para lo específico como para lo general. Este proceso reduce la necesidad de revisión manual y edición posterior a la generación, lo que en última instancia ahorra tiempo y esfuerzo para lograr los resultados deseados.

La ingeniería rápida es fundamental porque influye directamente en la calidad, relevancia y precisión de los resultados de la IA generativa. Una instrucción bien elaborada ayuda a garantizar que la IA comprenda la intención del usuario y produzca respuestas significativas, minimizando la necesidad de un posprocesamiento extenso. A medida que los sistemas de IA generativa se adoptan más ampliamente en todas las industrias, una guía de ingeniería rápida sirve como clave para desbloquear todo su potencial al cerrar la brecha entre las consultas sin procesar y los resultados procesables.

Los modelos de IA generativa se basan en arquitecturas transformadoras que les permiten captar las complejidades del lenguaje y procesar grandes cantidades de datos a través de redes neuronales. La ingeniería rápida de IA ayuda a moldear los resultados del modelo y a garantizar que la IA responda de manera significativa y coherente. Varias técnicas de ingeniería de instrucciones ayudan a garantizar que los modelos de IA generen respuestas útiles, incluida la tokenización, el ajuste de parámetros del modelo y el muestreo top-k.

La ingeniería rápida está resultando vital para liberar todo el potencial de los modelos fundacionales que impulsan la IA generativa. Los modelos fundacionales son modelos de lenguaje grandes (LLM) construidos sobre arquitectura transformadora y empaquetados con toda la información que necesita el sistema de IA generativa.

Los modelos de IA generativa operan con base en el procesamiento de lenguaje natural (PLN) y utilizan entradas de lenguaje natural para producir resultados complejos. Las preparaciones de ciencia de datos subyacentes, las arquitecturas transformadoras y los algoritmos de machine learning habilitan a estos modelos para comprender el lenguaje y luego empleen enormes conjuntos de datos para crear salidas de texto o imágenes.

La IA generativa de texto a imagen, como DALL-E y Midjourney, emplea un LLM en sintonía con difusión estable, un modelo que destaca en la generación de imágenes a partir de descripciones textuales. Una ingeniería rápida eficaz combina los conocimientos técnicos con una profunda comprensión del lenguaje natural, el vocabulario y el contexto para producir salidas óptimas con pocas revisiones.

Las técnicas de ingeniería rápida implican estrategias para guiar los modelos de IA generativa en la producción de los resultados deseados. Estas técnicas incluyen zero-shot prompting, en donde al modelo se le asigna una tarea en la que no ha sido entrenado explícitamente, y few-shot prompting, que proporciona al modelo resultados de muestra para aclarar las expectativas. Otra técnica clave es chain-of-thought prompting, que desglosa tareas complejas en un razonamiento paso a paso para mejorar la comprensión y precisión de la IA. Estos enfoques ayudan a garantizar que el modelo de IA genere respuestas más coherentes y relevantes.

El principal beneficio de la ingeniería rápida es la capacidad de lograr resultados optimizados con un esfuerzo mínimo de posgeneración. Los resultados de la IA generativa pueden tener una calidad mixta, lo que a menudo requiere que profesionales calificados los revisen y modifiquen. Al elaborar instrucciones precisas, los ingenieros de instrucciones se cercioran de que la salida generada por IA se alinee con los objetivos y criterios deseados, lo que reduce la necesidad de un extenso posprocesamiento.

También es competencia de estos ingenieros comprender cómo obtener los mejores resultados de la variedad de modelos de IA generativa en el mercado. Por ejemplo, escribir instrucciones para GPT-3 o GPT-4 de Open AI difiere de escribir instrucciones para Google Bard. Bard puede acceder a la información a través de la Búsqueda de Google, por lo que se le puede indicar que integre información más actualizada en sus resultados. Sin embargo, ChatGPT es la mejor herramienta para ingerir y resumir texto, ya que esa era su principal función de diseño. Las instrucciones bien elaboradas guían a los modelos de IA para crear respuestas más relevantes, precisas y personalizadas. Debido a que los sistemas de IA evolucionan con el uso, las instrucciones de alta ingeniería hacen que las interacciones a largo plazo con la IA sean más eficientes y satisfactorias.

Los ingenieros perspicaces de instrucciones que trabajan en entornos de código abierto están impulsando la IA generativa para hacer cosas asombrosas que no necesariamente forman parte de su alcance de diseño inicial y están produciendo algunos resultados sorprendentes en el mundo real. Por ejemplo, los investigadores desarrollaron un nuevo sistema de IA que puede traducir el lenguaje sin estar entrenado en un texto paralelo. Los ingenieros están realizando la incorporación de IA generativa en los juegos para involucrar a los jugadores humanos en una narración verdaderamente receptiva e incluso para obtener nuevos insights precisos sobre los fenómenos astronómicos de los agujeros negros. La ingeniería rápida será aún más crítica a medida que los sistemas de IA generativa crezcan en alcance y complejidad.

Las grandes organizaciones tecnológicas están contratando ingenieros de instrucciones para desarrollar nuevo contenido creativo, responder preguntas complejas y mejorar la traducción automática y las tareas de PLN. Las habilidades que los ingenieros de instrucciones deben tener incluyen:

• Familiaridad con los modelos de lenguaje grandes: comprender cómo funcionan los modelos de lenguaje grandes (LLM), incluidas sus capacidades y limitaciones, es esencial para elaborar instrucciones eficaces y optimizar los resultados de la IA.

• Sólidas habilidades de comunicación: la comunicación clara y eficaz es vital para definir objetivos, proporcionar instrucciones precisas a los modelos de IA y colaborar con equipos multidisciplinarios.

• La capacidad de explicar conceptos técnicos: los ingenieros de instrucciones deben poder traducir conceptos técnicos complejos en instrucciones comprensibles y articular el comportamiento del sistema de IA a los stakeholders no técnicos.

• Experiencia en programación (particularmente en Python): la competencia en lenguajes de programación como Python es valiosa para interactuar con API, personalizar soluciones de IA y automatizar flujos de trabajo.

• Una comprensión firme de las estructuras de datos y los algoritmos: el conocimiento de las estructuras de datos y los algoritmos ayuda a optimizar las instrucciones y a comprender los mecanismos subyacentes de los sistemas de IA generativa.

• Creatividad y una evaluación realista de los beneficios y riesgos de las nuevas tecnologías: la creatividad es importante para diseñar instrucciones innovadoras y eficaces, mientras que una comprensión realista de los riesgos ayuda a garantizar el uso responsable y ético de las tecnologías de IA.

Además de estas habilidades, los ingenieros de instrucciones pueden emplear técnicas avanzadas para mejorar la comprensión del modelo y la calidad de los resultados:

• Zero-shot prompting: esta técnica proporciona al modelo de machine learning una tarea en la que no se ha entrenado explícitamente. Pone a prueba la capacidad del modelo para producir resultados relevantes sin depender de ejemplos anteriores.

• Few-shot prompting: en este enfoque, el modelo recibe algunas salidas de muestra (intentos) para ayudarle a aprender lo que el solicitante quiere que haga. Tener un contexto en el que basarse ayuda al modelo a comprender mejor el resultado deseado.

• Chain-of-thought prompting (CoT): esta técnica avanzada proporciona un razonamiento paso a paso para que el modelo siga. Desglosar una tarea compleja en pasos intermedios, o "cadenas de razonamiento", ayuda al modelo a lograr una mejor comprensión del lenguaje y a crear resultados más precisos.

Si bien los modelos se capacitan en varios idiomas, el inglés suele ser el idioma principal empleado para capacitar la IA generativa. Los diseñadores de preguntas deben conocer a fondo el vocabulario, los matices, la redacción, el contexto y la lingüística, porque cada palabra de una pregunta puede influir en el resultado.

Los ingenieros de instrucciones también deben saber cómo transmitir de manera efectiva el contexto, las instrucciones, el contenido o los datos necesarios al modelo de IA.

Si el objetivo es generar código, un ingeniero de instrucciones debe comprender los principios de codificación y los lenguajes de programación. Quienes trabajan con generadores de imágenes deben conocer términos de historia del arte, fotografía y cine. Quienes generan el contexto lingüístico pueden necesitar conocer varios estilos narrativos o teorías literarias.

Además de una amplia gama de habilidades de comunicación, los ingenieros de instrucciones deben comprender las herramientas de IA generativa y los marcos de aprendizaje profundo que guían su toma de decisiones.

Un ingeniero de instrucciones diseña, prueba y perfecciona las instrucciones para optimizar el rendimiento de los modelos de IA generativa. Trabaja en estrecha colaboración con los sistemas de IA para crear consultas que obtengan respuestas precisas, relevantes y creativas. Sus responsabilidades incluyen comprender las capacidades y limitaciones de los diferentes modelos de IA, experimentar con técnicas avanzadas, como zero-shot y few-shot prompting, y colaborar con los equipos para aplicar la IA en escenarios del mundo real. Esencialmente, un ingeniero de instrucciones cierra la brecha entre la tecnología de IA y las aplicaciones prácticas.

Para obtener los mejores resultados de la IA generativa, los ingenieros de instrucciones deben centrarse en elaborar instrucciones claras, concisas y ricas en contexto. El uso de instrucciones y ejemplos específicos puede ayudar a guiar a la IA para generar el resultado deseado. Refinar iterativamente las instrucciones basadas en las respuestas del modelo permite a los ingenieros mejorar aún más los resultados. Además, comprender las limitaciones de los modelos de IA y adaptar las instrucciones en consecuencia puede evitar errores o resultados con sesgo. Por último, probar las instrucciones en varios escenarios ayuda a garantizar la solidez y la confiabilidad.

A medida que la IA generativa se hace más accesible, las organizaciones están descubriendo formas nuevas e innovadoras de emplear la ingeniería rápida para resolver problemas reales.