Introducción a la Inteligencia Artificial Generativa
- Juan Diaz
- 24 Apr, 2025
- 04 Mins de lectura
- Databricks
La Inteligencia Artificial Generativa se refiere a una categoría de inteligencia artificial que puede generar texto, imágenes, código, audio y otros formatos de contenido basados en datos de entrada o prompts. Utiliza potentes modelos de aprendizaje automático conocidos como modelos base, que están preentrenados en conjuntos de datos masivos y pueden ajustarse para una amplia gama de tareas específicas.
Uno de los tipos más prominentes de modelos base son los modelos de lenguaje grande (LLM). Estos modelos son capaces de entender y generar lenguaje humano. Herramientas como ChatGPT, Claude y modelos de Hugging Face o Meta son ejemplos de LLMs.
En el contexto de Databricks, la inteligencia artificial generativa se utiliza para acelerar tareas de datos, mejorar la interacción con los usuarios a través del lenguaje natural y crear asistentes o aplicaciones inteligentes. Este blog introduce conceptos fundamentales y técnicas esenciales para construir con inteligencia artificial generativa en Databricks.
Ilustración representando las capacidades de la Inteligencia Artificial Generativa — Imagen por Seanprai S. en Vecteezy
Introducción al Diseño de Prompts
Conceptos Básicos
Para comenzar, cubramos lo básico del diseño de prompts. El diseño de prompts se refiere al proceso de diseñar y refinar los prompts para optimizar la respuesta de un modelo de lenguaje (LM). Se trata de crear prompts que guíen al modelo hacia la generación de respuestas relevantes y precisas.
- Prompt: La entrada o consulta proporcionada al modelo de lenguaje para obtener una respuesta.
- Diseño de Prompts: La práctica de diseñar y refinar los prompts para optimizar la respuesta del modelo.
Componentes de un Prompt
Aquí están los componentes principales de un prompt:
- Instrucción: La tarea o pregunta que deseas que el modelo aborde.
- Contexto: Información adicional o antecedentes para ayudar al modelo a comprender mejor la tarea.
- Entrada: Los datos o ejemplos específicos proporcionados al modelo para ayudar a generar la respuesta.
- Salida: El resultado o respuesta esperada generada por el modelo.
Técnicas de Diseño de Prompts
Ahora, exploremos varias técnicas para el diseño de prompts que pueden ayudar a mejorar el rendimiento del modelo. En este blog, cubriremos algunas de las técnicas más comunes que puedes empezar a usar.
Prompts de Cero Ejemplos / Pocos Ejemplos
-
Prompt de cero ejemplos: Le das al modelo una tarea sin ejemplos. El modelo depende de su conocimiento preexistente para generar una respuesta. Aquí tienes un ejemplo simple de prompt:
Traduce la siguiente frase en inglés al español: ‘Hello, how are you?’
Escribe una consulta SQL de Databricks que analice los datos de clientes.
-
Prompt de pocos ejemplos: Le proporcionas al modelo algunos ejemplos de la tarea que deseas que realice. Aquí tienes un ejemplo de prompt: Aquí tienes un ejemplo más sencillo de un prompt de pocos ejemplos relacionado con Databricks:
Escribe una consulta SQL de Databricks. Aquí tienes algunos ejemplos:
- Una consulta que cuente los usuarios activos diarios de la tabla de eventos.
- Una consulta que calcule el valor promedio de compra por segmento de cliente.
- Una consulta que identifique los productos con mejor rendimiento por región.
Encadenamiento de Prompts
El encadenamiento de prompts implica dividir una tarea compleja en pasos más pequeños y manejables. Esto ayuda al modelo a concentrarse en cada paso y generar respuestas más precisas.
Primer Ejemplo:
Eres un experto en ingeniería de datos. Escribe un resumen para mi blog sobre cómo usar Databricks Community Edition.
¡Genial! Ahora escribe una introducción basada en este resumen.
Excelente. Ahora expande esto en una sección titulada “¿Por qué usar Databricks Community Edition?”,
Y continúa con prompts separados para cada sección posterior.
Segundo Ejemplo: (Dividir una tarea compleja en pasos más pequeños)
Si no sabes la respuesta, di que no lo sabes. > Evita adivinar. Sé factual.
Ahora escribe una introducción basada en ese resumen.
Expande esto en una sección titulada “¿Por qué usar Databricks Community Edition?”
Prompts de Cadena de Pensamientos
Similar al encadenamiento de prompts, los prompts de cadena de pensamientos le piden al modelo que explique su razonamiento o proceso de pensamiento en cada paso. Esto mejora la calidad y precisión de las respuestas. Si quieres que el modelo resuelva un problema matemático, podrías pedirle que explique su razonamiento en cada paso. Por ejemplo:
Si Susan tiene 5 años más que John, y John tiene 10 años, ¿cuántos años tiene Susan? Pensemos paso a paso para resolver este problema.
Pídele al modelo que razone paso a paso:
Quiero crear una pipeline de Delta Live Table en Databricks. Pensemos paso a paso.
Consejos y Trucos para el Diseño de Prompts
Los Prompts son Específicos al Modelo
Los diferentes modelos pueden responder de manera diferente al mismo prompt. Es importante experimentar con diferentes prompts y técnicas para encontrar lo que funcione mejor para tu caso de uso específico.
- Diferentes modelos pueden requerir formatos de prompt diferentes.
- Diferentes casos de uso pueden beneficiarse de diferentes estilos de prompt.
- Cada modelo tiene sus propios puntos fuertes y débiles.
- El desarrollo iterativo es clave: prueba, ajusta y prueba nuevamente.
- Ten en cuenta el sesgo y las alucinaciones en las respuestas del modelo.
Formatear los Prompts Ayuda
Usar un formato específico para tus prompts puede ayudar al modelo a comprender mejor la tarea y generar respuestas más precisas. Por ejemplo:
- Usa viñetas, listas numeradas o delimitadores claros.
- Solicita formatos de salida estructurados como: HTML, JSON o Markdown
Formatear tanto el prompt como la respuesta esperada ayuda a reducir la ambigüedad.
Guía al Modelo para Obtener Mejores Respuestas
Puedes mejorar la calidad de la respuesta guiando explícitamente al modelo:
Si no sabes la respuesta, di que no lo sabes.
Evita adivinar. Sé factual.
Proporciona una respuesta concisa en 2-3 frases. Condensa esta explicación.
No supongas género, edad o intención. Evita pedir datos personales como números de SSN o teléfonos.
Piensa paso a paso.
Hazme preguntas una a la vez y espera mi respuesta.
Guía al Modelo para Obtener Mejores Respuestas
Guía al modelo especificando requisitos, como pedirle que evite suposiciones o que sea conciso.
Beneficios y Limitaciones del Diseño de Prompts
Beneficios
- Simple y eficiente.
- Resultados predecibles.
- Salidas personalizadas.
Limitaciones
- La salida depende del modelo utilizado.
- Limitado por el conocimiento preentrenado.
- Puede requerir múltiples iteraciones.
- Puede requerir conocimiento específico del dominio.