Las indicaciones no son órdenes: diseñar la entrada y la salida de los LLM
Primera entrega de una serie sobre cómo usar LLM. El autor explica que los modelos potentes completan por su cuenta los datos que faltan en una petición vaga y devuelven textos bien redactados que pueden no coincidir con lo que se pretendía. La calidad del resultado depende también de qué se introduce, cómo se procesa y en qué formato se devuelve. Un buen prompt define los límites que el modelo no debe rellenar: premisas, pregunta exacta, distinción entre correlación y causalidad, hipótesis alternativas y alcance de la conclusión.
Qué significa
Al pedir a un LLM un análisis, conviene indicar las premisas, la pregunta concreta y hasta dónde puede llegar la conclusión. Por ejemplo, en lugar de «explica esto», pedir que separe hechos observados de interpretaciones y que no confunda correlación con causa.
Fuentes originales
Resumen de Hoy en IA. Pulsa una fuente para leer la noticia completa en su idioma original.
- #LLMタグLeer la noticia completa en #LLMタグ