Upload via hfc (batch)

Uploaded using hfc tool

.gitattributes

@@ -293,3 +293,18 @@ subir/Curso[[:space:]]Práctico[[:space:]]de[[:space:]]C/09-Finalizando[[:space:
 prompt-engineering/10-Ventana[[:space:]]de[[:space:]]contexto[[:space:]]y[[:space:]]modelo[[:space:]]de[[:space:]]atención[[:space:]]en[[:space:]]LLMs.mp4 filter=lfs diff=lfs merge=lfs -text
 prompt-engineering/1-Cómo[[:space:]]estructurar[[:space:]]prompts[[:space:]]efectivos[[:space:]]con[[:space:]]rol,[[:space:]]enfoque,[[:space:]]límites[[:space:]]y[[:space:]]contexto.mp4 filter=lfs diff=lfs merge=lfs -text
 prompt-engineering/11-Técnicas[[:space:]]de[[:space:]]grounding[[:space:]]para[[:space:]]consultas[[:space:]]legales[[:space:]]con[[:space:]]LLMs.mp4 filter=lfs diff=lfs merge=lfs -text
+prompt-engineering/17-Configuración[[:space:]]de[[:space:]]temperatura[[:space:]]y[[:space:]]Top[[:space:]]P[[:space:]]en[[:space:]]Google[[:space:]]AI[[:space:]]Studio.mp4 filter=lfs diff=lfs merge=lfs -text
+prompt-engineering/16-Creación[[:space:]]de[[:space:]]agentes[[:space:]]personalizados[[:space:]]con[[:space:]]IA[[:space:]]para[[:space:]]empresas.mp4 filter=lfs diff=lfs merge=lfs -text
+prompt-engineering/15-Prompt[[:space:]]chaining[[:space:]]dividir[[:space:]]tareas[[:space:]]complejas[[:space:]]en[[:space:]]pasos[[:space:]]independientes.mp4 filter=lfs diff=lfs merge=lfs -text
+prompt-engineering/14-Modelos[[:space:]]de[[:space:]]razonamiento[[:space:]]de[[:space:]]ChatGPT[[:space:]]y[[:space:]]cadenas[[:space:]]de[[:space:]]pensamiento.mp4 filter=lfs diff=lfs merge=lfs -text
+prompt-engineering/19-Creación[[:space:]]de[[:space:]]prompts[[:space:]]detallados[[:space:]]para[[:space:]]generación[[:space:]]de[[:space:]]imágenes[[:space:]]con[[:space:]]IA.mp4 filter=lfs diff=lfs merge=lfs -text
+prompt-engineering/12-Cadena[[:space:]]de[[:space:]]pensamiento[[:space:]]y[[:space:]]verificación[[:space:]]con[[:space:]]múltiples[[:space:]]métodos[[:space:]]en[[:space:]]LLMs.mp4 filter=lfs diff=lfs merge=lfs -text
+prompt-engineering/2-Creación[[:space:]]de[[:space:]]prompts[[:space:]]efectivos[[:space:]]para[[:space:]]análisis[[:space:]]de[[:space:]]documentos[[:space:]]con[[:space:]]IA.mp4 filter=lfs diff=lfs merge=lfs -text
+prompt-engineering/20-Análisis[[:space:]]de[[:space:]]datos[[:space:]]de[[:space:]]e[[:space:]]commerce[[:space:]]con[[:space:]]ChatGPT.mp4 filter=lfs diff=lfs merge=lfs -text
+prompt-engineering/21-Evaluación[[:space:]]y[[:space:]]validación[[:space:]]de[[:space:]]respuestas[[:space:]]de[[:space:]]LLM[[:space:]]con[[:space:]]criterios[[:space:]]precisos.mp4 filter=lfs diff=lfs merge=lfs -text
+prompt-engineering/22-Plantillas[[:space:]]de[[:space:]]prompts[[:space:]]para[[:space:]]correos[[:space:]]de[[:space:]]seguimiento[[:space:]]empresarial.mp4 filter=lfs diff=lfs merge=lfs -text
+prompt-engineering/3-Cómo[[:space:]]interpretan[[:space:]]los[[:space:]]LLM[[:space:]]el[[:space:]]significado[[:space:]]de[[:space:]]las[[:space:]]palabras.mp4 filter=lfs diff=lfs merge=lfs -text
+prompt-engineering/4-Cómo[[:space:]]definir[[:space:]]roles[[:space:]]efectivos[[:space:]]en[[:space:]]prompts[[:space:]]de[[:space:]]IA.mp4 filter=lfs diff=lfs merge=lfs -text
+prompt-engineering/6-Comparación[[:space:]]práctica[[:space:]]de[[:space:]]ChatGPT,[[:space:]]Claude,[[:space:]]Gemini[[:space:]]y[[:space:]]Microsoft[[:space:]]Copilot.mp4 filter=lfs diff=lfs merge=lfs -text
+prompt-engineering/7-Técnicas[[:space:]]zero[[:space:]]shot[[:space:]]y[[:space:]]few[[:space:]]shot[[:space:]]para[[:space:]]prompts[[:space:]]efectivos.mp4 filter=lfs diff=lfs merge=lfs -text
+prompt-engineering/8-Estructura[[:space:]]de[[:space:]]prompts[[:space:]]con[[:space:]]etiquetas[[:space:]]XML[[:space:]]para[[:space:]]IA.mp4 filter=lfs diff=lfs merge=lfs -text

a/1-Efecto Dunning Kruger y manejo del miedo al hablar en público.m3u

@@ -0,0 +1,3 @@
+#EXTM3U
+#EXTINF:-1,1-Efecto Dunning Kruger y manejo del miedo al hablar en público
+https://huggingface.co/2999a/platzo/resolve/main/Curso de Oratoria para Hablar en Público/1-Efecto Dunning Kruger y manejo del miedo al hablar en público.mp4

a/10-Gestión del Tiempo con Diapositivas en Presentaciones Públicas.m3u

@@ -0,0 +1,3 @@
+#EXTM3U
+#EXTINF:-1,10-Gestión del Tiempo con Diapositivas en Presentaciones Públicas
+https://huggingface.co/2999a/platzo/resolve/main/Curso de Oratoria para Hablar en Público/10-Gestión del Tiempo con Diapositivas en Presentaciones Públicas.mp4

a/11-Proceso de Asilo y Reasentamiento para Refugiados.m3u

@@ -0,0 +1,3 @@
+#EXTM3U
+#EXTINF:-1,11-Proceso de Asilo y Reasentamiento para Refugiados
+https://huggingface.co/2999a/platzo/resolve/main/Curso de Oratoria para Hablar en Público/11-Proceso de Asilo y Reasentamiento para Refugiados.mp4

a/12-Diseño de Brasieres Basado en Datos Reales de Mujeres.m3u

@@ -0,0 +1,3 @@
+#EXTM3U
+#EXTINF:-1,12-Diseño de Brasieres Basado en Datos Reales de Mujeres
+https://huggingface.co/2999a/platzo/resolve/main/Curso de Oratoria para Hablar en Público/12-Diseño de Brasieres Basado en Datos Reales de Mujeres.mp4

a/13-Técnicas de Memoria para Hablar en Público.m3u

@@ -0,0 +1,3 @@
+#EXTM3U
+#EXTINF:-1,13-Técnicas de Memoria para Hablar en Público
+https://huggingface.co/2999a/platzo/resolve/main/Curso de Oratoria para Hablar en Público/13-Técnicas de Memoria para Hablar en Público.mp4

a/14-Técnicas de Improvisación para Conferencias en Público.m3u

@@ -0,0 +1,3 @@
+#EXTM3U
+#EXTINF:-1,14-Técnicas de Improvisación para Conferencias en Público
+https://huggingface.co/2999a/platzo/resolve/main/Curso de Oratoria para Hablar en Público/14-Técnicas de Improvisación para Conferencias en Público.mp4

a/15-Técnicas de Manejo de Cámaras para Conferencistas.m3u

@@ -0,0 +1,3 @@
+#EXTM3U
+#EXTINF:-1,15-Técnicas de Manejo de Cámaras para Conferencistas
+https://huggingface.co/2999a/platzo/resolve/main/Curso de Oratoria para Hablar en Público/15-Técnicas de Manejo de Cámaras para Conferencistas.mp4

a/16-Técnicas para Generar Aplausos en Presentaciones Públicas.m3u

@@ -0,0 +1,3 @@
+#EXTM3U
+#EXTINF:-1,16-Técnicas para Generar Aplausos en Presentaciones Públicas
+https://huggingface.co/2999a/platzo/resolve/main/Curso de Oratoria para Hablar en Público/16-Técnicas para Generar Aplausos en Presentaciones Públicas.mp4

a/17-Técnicas para Hablar en Público en YouTube.m3u

@@ -0,0 +1,3 @@
+#EXTM3U
+#EXTINF:-1,17-Técnicas para Hablar en Público en YouTube
+https://huggingface.co/2999a/platzo/resolve/main/Curso de Oratoria para Hablar en Público/17-Técnicas para Hablar en Público en YouTube.mp4

a/18-Técnicas de Interactividad en Conferencias y Eventos.m3u

@@ -0,0 +1,3 @@
+#EXTM3U
+#EXTINF:-1,18-Técnicas de Interactividad en Conferencias y Eventos
+https://huggingface.co/2999a/platzo/resolve/main/Curso de Oratoria para Hablar en Público/18-Técnicas de Interactividad en Conferencias y Eventos.mp4

a/19-Edición Efectiva de Charlas Grabadas Consejos Prácticos.m3u

@@ -0,0 +1,3 @@
+#EXTM3U
+#EXTINF:-1,19-Edición Efectiva de Charlas Grabadas Consejos Prácticos
+https://huggingface.co/2999a/platzo/resolve/main/Curso de Oratoria para Hablar en Público/19-Edición Efectiva de Charlas Grabadas Consejos Prácticos.mp4

a/2-Evita pedir disculpas en presentaciones públicas.m3u

@@ -0,0 +1,3 @@
+#EXTM3U
+#EXTINF:-1,2-Evita pedir disculpas en presentaciones públicas
+https://huggingface.co/2999a/platzo/resolve/main/Curso de Oratoria para Hablar en Público/2-Evita pedir disculpas en presentaciones públicas.mp4

a/20-Hablar en Público en Inglés Supera el Miedo y Mejora tu Confianza.m3u

@@ -0,0 +1,3 @@
+#EXTM3U
+#EXTINF:-1,20-Hablar en Público en Inglés Supera el Miedo y Mejora tu Confianza
+https://huggingface.co/2999a/platzo/resolve/main/Curso de Oratoria para Hablar en Público/20-Hablar en Público en Inglés Supera el Miedo y Mejora tu Confianza.mp4

a/21-Elimina las muletillas y mejora tu comunicación en público.m3u

@@ -0,0 +1,3 @@
+#EXTM3U
+#EXTINF:-1,21-Elimina las muletillas y mejora tu comunicación en público
+https://huggingface.co/2999a/platzo/resolve/main/Curso de Oratoria para Hablar en Público/21-Elimina las muletillas y mejora tu comunicación en público.mp4

a/22-Creación de Video Viral en YouTube para Certificación.m3u

@@ -0,0 +1,3 @@
+#EXTM3U
+#EXTINF:-1,22-Creación de Video Viral en YouTube para Certificación
+https://huggingface.co/2999a/platzo/resolve/main/Curso de Oratoria para Hablar en Público/22-Creación de Video Viral en YouTube para Certificación.mp4

a/3-Cómo Mejorar tu Habilidad de Hablar en Público.m3u

@@ -0,0 +1,3 @@
+#EXTM3U
+#EXTINF:-1,3-Cómo Mejorar tu Habilidad de Hablar en Público
+https://huggingface.co/2999a/platzo/resolve/main/Curso de Oratoria para Hablar en Público/3-Cómo Mejorar tu Habilidad de Hablar en Público.mp4

a/4-Reglas para Mejorar tus Habilidades de Oratoria en Público.m3u

@@ -0,0 +1,3 @@
+#EXTM3U
+#EXTINF:-1,4-Reglas para Mejorar tus Habilidades de Oratoria en Público
+https://huggingface.co/2999a/platzo/resolve/main/Curso de Oratoria para Hablar en Público/4-Reglas para Mejorar tus Habilidades de Oratoria en Público.mp4

a/5-Adaptación de Conferencias según Audiencia y Contexto.m3u

@@ -0,0 +1,3 @@
+#EXTM3U
+#EXTINF:-1,5-Adaptación de Conferencias según Audiencia y Contexto
+https://huggingface.co/2999a/platzo/resolve/main/Curso de Oratoria para Hablar en Público/5-Adaptación de Conferencias según Audiencia y Contexto.mp4

a/6-Estructura Efectiva de Discursos Persuasivos.m3u

@@ -0,0 +1,3 @@
+#EXTM3U
+#EXTINF:-1,6-Estructura Efectiva de Discursos Persuasivos
+https://huggingface.co/2999a/platzo/resolve/main/Curso de Oratoria para Hablar en Público/6-Estructura Efectiva de Discursos Persuasivos.mp4

a/7-Errores Comunes en Presentaciones y Cómo Evitarlos.m3u

@@ -0,0 +1,3 @@
+#EXTM3U
+#EXTINF:-1,7-Errores Comunes en Presentaciones y Cómo Evitarlos
+https://huggingface.co/2999a/platzo/resolve/main/Curso de Oratoria para Hablar en Público/7-Errores Comunes en Presentaciones y Cómo Evitarlos.mp4

a/8-Uso eficaz del micrófono de mano en conferencias y videos.m3u

@@ -0,0 +1,3 @@
+#EXTM3U
+#EXTINF:-1,8-Uso eficaz del micrófono de mano en conferencias y videos
+https://huggingface.co/2999a/platzo/resolve/main/Curso de Oratoria para Hablar en Público/8-Uso eficaz del micrófono de mano en conferencias y videos.mp4

a/9-Cómo crear presentaciones efectivas y atractivas.m3u

@@ -0,0 +1,3 @@
+#EXTM3U
+#EXTINF:-1,9-Cómo crear presentaciones efectivas y atractivas
+https://huggingface.co/2999a/platzo/resolve/main/Curso de Oratoria para Hablar en Público/9-Cómo crear presentaciones efectivas y atractivas.mp4

a/vlc/1-Efecto Dunning Kruger y manejo del miedo al hablar en público.m3u

@@ -0,0 +1,4 @@
+#EXTM3U
+#EXTINF:-1,1-Efecto Dunning Kruger y manejo del miedo al hablar en público
+#EXTVLCOPT:sub-file=https://huggingface.co/2999a/platzo/resolve/main/Curso de Oratoria para Hablar en Público/1-Efecto Dunning Kruger y manejo del miedo al hablar en público.sub.vtt
+https://huggingface.co/2999a/platzo/resolve/main/Curso de Oratoria para Hablar en Público/1-Efecto Dunning Kruger y manejo del miedo al hablar en público.mp4

a/vlc/2-Evita pedir disculpas en presentaciones públicas.m3u

@@ -0,0 +1,4 @@
+#EXTM3U
+#EXTINF:-1,2-Evita pedir disculpas en presentaciones públicas
+#EXTVLCOPT:sub-file=https://huggingface.co/2999a/platzo/resolve/main/Curso de Oratoria para Hablar en Público/2-Evita pedir disculpas en presentaciones públicas.sub.vtt
+https://huggingface.co/2999a/platzo/resolve/main/Curso de Oratoria para Hablar en Público/2-Evita pedir disculpas en presentaciones públicas.mp4

prompt-engineering/12-Cadena de pensamiento y verificación con múltiples métodos en LLMs.mp4

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:1a0773c1df6c9b8511d6ad17a869870a44bf0632b8e240840c16a790420f7128
+size 190984196

prompt-engineering/14-Modelos de razonamiento de ChatGPT y cadenas de pensamiento.mp4

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:fbc4fb1be3a583d797dcb46a2d37435cf4a8e3d2113fc18dbd72b06b0df4b6a9
+size 299487439

prompt-engineering/15-Prompt chaining dividir tareas complejas en pasos independientes.mp4

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:68b1d897b76eedfc6a262ea042d3cd9227de5189e72b1798648de5ac29378136
+size 280298541

prompt-engineering/16-Creación de agentes personalizados con IA para empresas.mp4

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:014ecc5e4aca8c7070f3904ec67bc5be98e98ac0bd32ba0ee69e27af11a8606a
+size 593883121

prompt-engineering/17-Configuración de temperatura y Top P en Google AI Studio.mp4

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:afb135a1b34239c438337a4d120b71a9809dfa88b42a2887552f87d015a0f6a6
+size 280787552

prompt-engineering/17-Configuración de temperatura y Top P en Google AI Studio.sub.vtt

@@ -0,0 +1,413 @@
+WEBVTT
+
+00:00:00.100 --> 00:00:03.670
+¿Alguna vez has intentado hacer un café dos veces y te dan dos
+
+00:00:03.670 --> 00:00:08.740
+resultados totalmente distintos? Ah, una vez puede quedar perfecto, pero otras veces
+
+00:00:08.740 --> 00:00:12.540
+puede que quede muy fuerte o quede aguado o simplemente el sabor no
+
+00:00:12.540 --> 00:00:16.000
+esté en el lugar que querías. Al final, cuando haces un café
+
+00:00:16.000 --> 00:00:20.090
+tienes varias variables que controlan el resultado final y lo mismo pasa con
+
+00:00:20.090 --> 00:00:24.080
+la inteligencia artificial. Imagina que estás usando Gemini para escribir un correo
+
+00:00:24.080 --> 00:00:27.580
+para un cliente y ya tienes el prompt perfecto con el que tienes
+
+00:00:27.580 --> 00:00:31.140
+resultados profesionales. Lo que pasa es que unos días da los resultados
+
+00:00:31.140 --> 00:00:37.660
+que tú esperas, pero otras veces simplemente da resultados muy creativos o no
+
+00:00:37.660 --> 00:00:40.900
+da en el formato que le pediste originalmente. No has hecho nada.
+
+00:00:40.900 --> 00:00:44.260
+El prompt no ha cambiado. ¿Qué es lo que está pasando? Acá tienen
+
+00:00:44.260 --> 00:00:47.680
+que haber dos controles que son medio invisibles en la inteligencia artificial,
+
+00:00:47.680 --> 00:00:51.940
+pero que tenemos acceso a ellos cuando estamos interactuando con el playground de
+
+00:00:51.940 --> 00:00:55.440
+estas herramientas. En este caso voy a mostrarte estos ejemplos en Google
+
+00:00:55.440 --> 00:01:00.240
+AI Studio. Empecemos con la temperatura. La temperatura básicamente es como un termómetro
+
+00:01:00.240 --> 00:01:04.000
+alrededor de la creatividad que tiene el modelo al momento de generar
+
+00:01:04.000 --> 00:01:08.360
+el texto a partir de tu prompt. Bajos valores empiezan a dar resultados
+
+00:01:08.360 --> 00:01:12.300
+bastante consistentes, es decir, cada vez que lo usas el resultado es
+
+00:01:12.300 --> 00:01:16.420
+muy, muy parecido. Siempre es el mismo formato, siempre es acerca de la
+
+00:01:16.420 --> 00:01:21.820
+misma información y logra tener consistencia. Pero cuando lo aumentas, de repente
+
+00:01:21.820 --> 00:01:24.980
+los resultados pueden variar mucho porque al final es la temperatura de la
+
+00:01:24.980 --> 00:01:29.360
+creatividad. En algunos casos la consistencia va a ser apreciada, sobre todo
+
+00:01:29.360 --> 00:01:34.860
+cuando estamos buscando más precisión. Pero en otros casos esa consistencia puede resultar
+
+00:01:34.860 --> 00:01:38.220
+algo que nos sorprende, sobre todo en los trabajos en donde queremos
+
+00:01:38.220 --> 00:01:43.580
+que haya un trabajo más creativo. Por ejemplo, cuando queremos crear títulos acerca
+
+00:01:43.580 --> 00:01:47.220
+de un vídeo, de un artículo que escribimos, publicaciones en redes sociales.
+
+00:01:47.220 --> 00:01:52.180
+Ahí la creatividad importa. Pero si estamos haciendo un reporte financiero, acá lo
+
+00:01:52.180 --> 00:01:55.220
+que más importa es la consistencia. Pero para eso vamos a ir
+
+00:01:55.220 --> 00:01:58.960
+a un ejemplo. Tengo el siguiente prompt y lo vamos a llevar a
+
+00:01:58.960 --> 00:02:02.840
+Google AI Studio y vamos a hacer las pruebas. Vamos a hacer
+
+00:02:02.840 --> 00:02:06.790
+las pruebas en mover la temperatura a dos lugares extremos para poder ver
+
+00:02:06.790 --> 00:02:11.859
+cómo cambia y, a partir de esos resultados, tener una forma de
+
+00:02:11.860 --> 00:02:16.220
+ir probando cuál es la temperatura correcta según lo que nosotros queremos realizar.
+
+00:02:16.220 --> 00:02:20.210
+En este caso voy a empezar con una temperatura de cero punto...
+
+00:02:20.210 --> 00:02:23.160
+cero cinco y el prompt que voy a probar es: «Genera un cuento
+
+00:02:23.160 --> 00:02:26.680
+que se parezca a La Caperucita Roja, pero tu propia versión. Tienes
+
+00:02:26.680 --> 00:02:30.280
+doscientos cincuenta caracteres». Vamos a copiarlo porque la prueba la vamos a hacer
+
+00:02:30.280 --> 00:02:34.340
+también con Temperatura uno. Lo corremos y me dice: «En un bosque,
+
+00:02:34.340 --> 00:02:38.900
+Caperucita Verde llevaba pastel a su abuela. Un zorro astuto la engañó. La
+
+00:02:38.900 --> 00:02:42.660
+abuela y la Caperucita se salvaron gracias a un leñador». Y me
+
+00:02:42.660 --> 00:02:46.920
+generó una imagen, que vemos acá. Y a esto le vamos a decir
+
+00:02:46.920 --> 00:02:54.180
+Temperatura cero punto cinco. Cero punto cero cinco. Guardamos y vamos a
+
+00:02:54.180 --> 00:02:58.240
+crear un nuevo chat para que lo podamos comparar. Mismo prompt, pero Temperatura
+
+00:02:58.240 --> 00:03:02.220
+en uno. Correr. Y de repente acá me dice: «¡Claro! Aquí tienes
+
+00:03:02.220 --> 00:03:06.290
+mi versión. En un bosque mágico, Caperucita Verde, una joven intrépida llevaba a
+
+00:03:06.290 --> 00:03:09.660
+su abuela en una canasta de manzanas doradas. El lobo feroz con
+
+00:03:09.660 --> 00:03:15.300
+astucia intentó engañarla, pero Caperucita, con valentía, sin miedo, le pidió un acertijo.
+
+00:03:15.300 --> 00:03:18.400
+El lobo, frustrado, al no saberlo, huyó, y la abuela y Caperucita
+
+00:03:18.400 --> 00:03:23.100
+celebraron con manzanas y risas». Y de hecho me generó dos imágenes a
+
+00:03:23.100 --> 00:03:28.400
+partir de esta historia. Yo creo que acá ya vemos bastante como
+
+00:03:28.400 --> 00:03:34.100
+esa creatividad aumentó. Y esa creatividad no solamente se trata de innovar, porque
+
+00:03:34.100 --> 00:03:37.920
+al final no está innovando, sigue siendo un cuento demasiado parecido a
+
+00:03:37.920 --> 00:03:41.980
+la Caperucita Roja, pero de repente ya no le importó mucho que tuviera
+
+00:03:41.980 --> 00:03:47.220
+doscientos cincuenta caracteres. Hizo algo más largo que eso y fue más
+
+00:03:47.220 --> 00:03:52.040
+creativo en desarrollar la historia. Entonces, esta creatividad también tiende a hacer a
+
+00:03:52.040 --> 00:03:55.340
+que no necesariamente va a seguir al pie de la letra el
+
+00:03:55.340 --> 00:03:59.940
+prompt que le estamos dando. Tiene libertades para tomar decisiones e ir un
+
+00:03:59.940 --> 00:04:07.500
+poquito más allá. Este lo vamos a guardar como Temperatura una. Y
+
+00:04:07.500 --> 00:04:12.780
+lo guardamos. Y acá lo podemos comparar en nuestro historial. Si yo actualizo,
+
+00:04:12.780 --> 00:04:17.220
+tengo tempora-- temperatura cero punto cinco y puedo ver el cuento que
+
+00:04:17.220 --> 00:04:23.680
+me generó, muy básico. Temperatura uno. Puedo ver el cuento más avanzado que
+
+00:04:23.680 --> 00:04:27.800
+me generó. Mismo prompt, lo puedo experimentar en dos lugares y desde
+
+00:04:27.800 --> 00:04:32.140
+ahí puedo saber cuál es la temperatura exacta. Puedo ir moviendo entre cero
+
+00:04:32.140 --> 00:04:35.940
+y uno para ver qué cambios va generando, pero una buena regla
+
+00:04:35.940 --> 00:04:40.800
+de dedo que puedes tener es: si estás haciendo algo que necesita consistencia,
+
+00:04:40.800 --> 00:04:45.640
+que necesita precisión, temperaturas bajas van a ser mejor. Por ejemplo, en
+
+00:04:45.640 --> 00:04:49.280
+una de las clases estábamos analizando la ley y estábamos pidiéndole que nos
+
+00:04:49.280 --> 00:04:53.020
+diera las referencias exactas de los textos que nos estaba entregando. Y
+
+00:04:53.020 --> 00:04:57.800
+vimos que, aunque nos dio la referencia exacta, no nos lo dijo exactamente
+
+00:04:57.800 --> 00:05:01.580
+como estaba en el PDF. En este caso, bajar la temperatura para
+
+00:05:01.580 --> 00:05:04.860
+este caso de uso sería muy útil. Pero si vamos a hacer, de
+
+00:05:04.860 --> 00:05:09.780
+nuevo, publicaciones para redes sociales, la temperatura más alta va a ser
+
+00:05:09.780 --> 00:05:14.460
+muy importante. Imaginémonos un caso intermedio. ¿Qué pasa si quiero hacer una publicación
+
+00:05:14.460 --> 00:05:20.920
+de redes sociales basándome en un artículo científico? En ese caso, ni
+
+00:05:20.920 --> 00:05:23.540
+el cero ni el uno nos va a convenir, y vamos a tener
+
+00:05:23.540 --> 00:05:27.580
+que experimentar con los números intermedios para ver en qué punto conserva
+
+00:05:27.580 --> 00:05:32.620
+la precisión que buscamos, pero es suficientemente creativo para la tarea que le
+
+00:05:32.620 --> 00:05:35.900
+estamos dando. Ahora vamos a ir con el siguiente valor y lo
+
+00:05:35.900 --> 00:05:40.620
+vamos a hacer exactamente con el mismo prompt. Top-P. El Top-P lo encontramos
+
+00:05:40.620 --> 00:05:45.080
+en la parte avanzada de las configuraciones y se ve acá como
+
+00:05:45.080 --> 00:05:48.300
+Top-P. Y lo que va a hacer es que recordemos que al final
+
+00:05:48.300 --> 00:05:51.900
+esto es un modelo que va a predecir cuál es la palabra
+
+00:05:51.900 --> 00:05:54.840
+que debería ir después de la frase que nosotros dimos basado en el
+
+00:05:54.840 --> 00:05:57.880
+modelo de atención, en la-- en toda la ventana de contexto que
+
+00:05:57.880 --> 00:06:02.620
+tiene. Top-P lo que va a limitar es cuáles son el mundo de
+
+00:06:02.620 --> 00:06:05.760
+palabras al que va a acceder para poder crear el mensaje que
+
+00:06:05.760 --> 00:06:11.992
+está creando en este caso.Entonces, vamos a tener más diversidad de palabras cuando
+
+00:06:11.992 --> 00:06:15.952
+tenemos un Top-P alto, es decir, no van a ser tan repetitivas
+
+00:06:15.952 --> 00:06:18.852
+las palabras que usa o va a usar más sinónimos, va a sonar
+
+00:06:18.852 --> 00:06:23.612
+más sofisticado. Y cuando tenemos un Top-P muy bajo, va a irse
+
+00:06:23.612 --> 00:06:26.652
+a lo más seguro, a lo que es más probable, va a tener
+
+00:06:26.652 --> 00:06:30.732
+menos variedad de palabras. Hagamos el mismo ejercicio y empecemos con nuestro
+
+00:06:30.732 --> 00:06:37.712
+prompt diciéndole un Top-P de cero punto cero cinco. Lo corremos, vamos a
+
+00:06:37.712 --> 00:06:43.572
+ir guardándolo y le vamos a decir acá: «Top... P, cero punto
+
+00:06:43.572 --> 00:06:48.532
+cinco». Y me dice: «En un, en un bosque, Caperucita Verde llevaba pastel
+
+00:06:48.532 --> 00:06:52.772
+a su abuela». De hecho, acá se comió-- «Llevaba un pastel», no
+
+00:06:52.772 --> 00:06:55.872
+dijo. «Llevaba pastel a su abuela. Un zorro astuto la engañó y la
+
+00:06:55.872 --> 00:07:00.812
+abuela y la Caperucita se salvaron gracias a un leñador». Puede parecerse
+
+00:07:00.812 --> 00:07:04.992
+mucho lo que pasa cuando tenemos temperatura baja versus lo que tenemos con
+
+00:07:04.992 --> 00:07:09.452
+Top-P bajo. En tareas más complejas vamos a ver más diferencias, pero
+
+00:07:09.452 --> 00:07:13.591
+el punto es que estamos limitando la creatividad del modelo. En temperatura, literalmente,
+
+00:07:13.591 --> 00:07:16.392
+estamos viendo qué tanto se va a cernir por el prompt que
+
+00:07:16.392 --> 00:07:19.412
+le estamos dando. En Top-P, la creatividad va a ser guiada por la
+
+00:07:19.412 --> 00:07:23.952
+cantidad de palabras a la que tiene acceso. Y lo estamos guardando
+
+00:07:23.952 --> 00:07:26.782
+con el fin de poder comparar las versiones. Vamos a crear una nueva
+
+00:07:26.782 --> 00:07:34.792
+y en este caso vamos a tener nuestro prompt con un Top-P
+
+00:07:34.792 --> 00:07:40.572
+de uno. Lo corremos y miren, en este caso que tiene temperatura uno,
+
+00:07:40.572 --> 00:07:44.012
+Top-P uno, ya incluso se inventó un nombre. «Luna iba por el
+
+00:07:44.012 --> 00:07:46.572
+bosque por una cesta con su abuela. El lobo la siguió hasta la
+
+00:07:46.572 --> 00:07:51.262
+casa, lobo disfrazado. Intentó engañar a Luna, pero ella notó algo extraño.
+
+00:07:51.262 --> 00:07:55.252
+"Abuela, qué ojos tan grandes tienes", dijo Luna». Hizo un cuento mucho más
+
+00:07:55.252 --> 00:08:06.512
+sofisticado. Vamos a ponerlo acá como «Top uno». Top-P uno. También podemos
+
+00:08:06.512 --> 00:08:10.052
+combinar las dos configuraciones. Yo puedo llegar acá a crear un nuevo chat
+
+00:08:10.052 --> 00:08:13.192
+y decir: «Voy a tener un, una temperatura de cero punto cinco
+
+00:08:13.192 --> 00:08:17.812
+y un Top-P de cero punto cinco. De cero punto cero cinco». Mismo
+
+00:08:17.812 --> 00:08:20.352
+prompt. Y lo que va a pasar es que va a ser
+
+00:08:20.352 --> 00:08:23.772
+muy poco creativo y va a usar el universo de palabras más acotado
+
+00:08:23.772 --> 00:08:29.552
+que tiene. Van a haber muchas recomendaciones que dicen: «Si mueves la
+
+00:08:29.552 --> 00:08:33.572
+temperatura, no muevas el Top-P. Si mueves el Top-P, no muevas la temperatura».
+
+00:08:33.572 --> 00:08:37.332
+La realidad es que yo no sigo esas recomendaciones sin antes intentarlo
+
+00:08:37.332 --> 00:08:40.872
+para el problema que estoy tratando de solucionar. Volviendo a lo que les
+
+00:08:40.872 --> 00:08:44.872
+decía antes, un reporte financiero en donde quiero precisión y exactitud y
+
+00:08:44.872 --> 00:08:50.512
+estoy buscando más un análisis que el hecho de inventarse algo, yo bajo
+
+00:08:50.512 --> 00:08:54.132
+mucho la temperatura y bajo mucho el Top-P. Y en trabajos creativos,
+
+00:08:54.132 --> 00:08:57.492
+dependiendo de lo que quiero hacer a nivel creativo, juego con las dos
+
+00:08:57.552 --> 00:09:00.791
+para lograr el resultado que quiero. En este caso, en un bosque,
+
+00:09:00.792 --> 00:09:04.232
+Caperucita Verde llevaba pastel a su abuela, un zorro astuto la engañó, la
+
+00:09:04.232 --> 00:09:07.052
+abuela y Caperucita se salvaron. Gracias a un leñador. Ya estuvo, se
+
+00:09:07.052 --> 00:09:13.712
+acabó. Vamos a poner acá: «Temp cero punto cero cinco, Top-P cero punto
+
+00:09:13.712 --> 00:09:21.232
+cero cinco». Guardar. Ahí estuvo. Y tenemos acá todas las versiones que
+
+00:09:21.232 --> 00:09:26.052
+acabamos de crear para comparar y saber cuál es la configuración correcta al
+
+00:09:26.052 --> 00:09:29.152
+problema que estamos solucionando. Ahora te queda a ti probarlo con un
+
+00:09:29.152 --> 00:09:32.372
+problema que tienes en tu día a día. Piensa, ¿tienes un problema que
+
+00:09:32.372 --> 00:09:37.652
+necesita constancia y exactitud o tienes un problema creativo? Y a partir
+
+00:09:37.652 --> 00:09:42.092
+de eso, crea estos experimentos y cuéntanos en los comentarios cómo te termina
+
+00:09:42.092 --> 00:09:44.972
+ir solucionando un problema que tú tienes en tu día a día
+
+00:09:44.972 --> 00:09:46.351
+en tu trabajo.
+

prompt-engineering/19-Creación de prompts detallados para generación de imágenes con IA.mp4

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:77599947865bbd1ae12902b28f4d7633a7daeb8601ed38908069b3fcc85a7ba8
+size 216809608

prompt-engineering/19-Creación de prompts detallados para generación de imágenes con IA.sub.vtt

@@ -0,0 +1,266 @@
+WEBVTT
+
+00:00:00.320 --> 00:00:04.770
+Tú vas a abrir ChatGPT en ChatGPT 5, modelo auto, y vas a
+
+00:00:04.770 --> 00:00:07.500
+escribir: «Genera una imagen de una oficina moderna», y lo vas a
+
+00:00:07.500 --> 00:00:12.040
+enviar y vas a esperar que la imagen se genere. Ahora, ves este
+
+00:00:12.040 --> 00:00:17.380
+resultado y cuando dices una oficina moderna, ¿es lo que te imaginabas?
+
+00:00:17.380 --> 00:00:19.840
+Puede que para algunas personas sí, en mi caso no era lo que
+
+00:00:19.840 --> 00:00:23.419
+me imaginaba. Yo me imaginaba algo más como si estuviéramos hablando, no
+
+00:00:23.420 --> 00:00:26.040
+sé, de la oficina de Facebook o de Google, un open space un
+
+00:00:26.040 --> 00:00:31.680
+poco más caótico... Esto se ve como muy ordenado. Y es que
+
+00:00:31.680 --> 00:00:35.440
+cuando nosotros estamos haciendo un prompt para comunicarle a la inteligencia artificial cómo
+
+00:00:35.440 --> 00:00:40.400
+generar una imagen, debería ser como si nosotros estuviéramos en esa escena
+
+00:00:40.400 --> 00:00:44.140
+y estamos hablando por teléfono con alguien y queremos que esa persona que
+
+00:00:44.140 --> 00:00:47.500
+está al otro lado del teléfono se imagine la escena en la
+
+00:00:47.500 --> 00:00:52.700
+que nosotros estamos presentes. Tenemos que ser tan descriptivos como sea posible. La
+
+00:00:52.700 --> 00:00:56.560
+clave está en descomponer esa escena en la que estás presente en
+
+00:00:56.560 --> 00:01:01.280
+tres partes. La primera es el protagonista. No vas a decir «un perro
+
+00:01:01.280 --> 00:01:05.260
+grande». Vas a hablar del golden retriever que tiene un collar rojo,
+
+00:01:05.260 --> 00:01:08.780
+que es de una estatura mediana, que parece tener dos años de edad
+
+00:01:08.780 --> 00:01:11.780
+y que es muy juguetón. Es la diferencia entre decir: «Tráeme ese
+
+00:01:11.780 --> 00:01:14.880
+vaso de la cocina», a decir: «Por favor, tráeme el vaso azul que
+
+00:01:14.880 --> 00:01:18.760
+está al lado del microondas». La probabilidad de que ambas instrucciones traiga
+
+00:01:18.760 --> 00:01:24.100
+el vaso azul es... Existe o puede pasar, pero con la primera instrucción
+
+00:01:24.100 --> 00:01:29.080
+puede traerte cualquier vaso. En la segunda, estás siendo tan descriptivo que
+
+00:01:29.080 --> 00:01:32.140
+es certero que te van a traer el vaso que estabas esperando. Y
+
+00:01:32.140 --> 00:01:34.960
+el segundo factor en el que vas a descomponer esta escena en
+
+00:01:34.960 --> 00:01:38.960
+la que estás presente es el estilo visual. Y quiero que pienses acerca
+
+00:01:38.960 --> 00:01:43.640
+de este estilo visual como si fueran filtros de Instagram. ¿Cómo quieres
+
+00:01:43.640 --> 00:01:48.860
+que se vea esa imagen que estás presenciando? ¿Como una foto realista que
+
+00:01:48.860 --> 00:01:52.080
+acabas de tomar con tu celular? ¿O quieres que se vea como
+
+00:01:52.080 --> 00:01:56.320
+una caricatura? ¿O quieres que se vea como un personaje de Disney? El
+
+00:01:56.320 --> 00:02:01.620
+punto es describir lo que estás viendo a nivel de un filtro
+
+00:02:01.620 --> 00:02:05.280
+de Instagram, como una foto vieja, como una foto que fue tomada con
+
+00:02:05.280 --> 00:02:09.419
+un iPhone. Piensa en esto como si estuvieras pensando en el outfit
+
+00:02:09.419 --> 00:02:12.900
+que vas a llevar para una boda. No es lo mismo que digas:
+
+00:02:12.900 --> 00:02:14.880
+«Voy a salir a hacer ejercicio y voy a llevar ropa de
+
+00:02:14.880 --> 00:02:19.720
+ejercicio», a decir: «Voy a tener un traje formal con corbatín, con una
+
+00:02:19.720 --> 00:02:24.100
+camisa». Describir incluso los colores que están presentes. El estilo visual es
+
+00:02:24.100 --> 00:02:26.860
+lo que le va a dar vida a esa imagen que estás creando.
+
+00:02:26.860 --> 00:02:30.120
+Y el último componente que vas a usar para describir esta escena
+
+00:02:30.120 --> 00:02:34.600
+es la composición. Y acá quiero que imagines que eres el director de
+
+00:02:34.600 --> 00:02:40.600
+fotografía de esta película que te estás creando. La primera pregunta es
+
+00:02:40.600 --> 00:02:45.780
+si vas a describir una cena familiar, la foto que quieres tomar, ¿esa
+
+00:02:45.780 --> 00:02:49.460
+foto está al nivel de la mesa o quieres una foto desde
+
+00:02:49.460 --> 00:02:52.680
+la esquina del cuarto en donde se pueda ver todas las personas presentes
+
+00:02:52.680 --> 00:02:57.720
+y las expresiones que están haciendo? Incluso piensa en cómo está la
+
+00:02:57.720 --> 00:03:01.380
+iluminación de ese momento que estás viviendo. La luz está entrando por la
+
+00:03:01.380 --> 00:03:04.900
+ventana ooo la realidad es que estás en un lugar donde no
+
+00:03:04.900 --> 00:03:08.200
+hay ventanas y todas las luces vienen de el techo y es una
+
+00:03:08.200 --> 00:03:13.420
+luz blanca intensa que hace ver todo como muy despierto. El punto
+
+00:03:13.420 --> 00:03:17.980
+es que compongas ese lugar que estás viviendo a partir de dónde está
+
+00:03:17.980 --> 00:03:22.540
+ubicada la persona que está tomando la foto o está pintando o
+
+00:03:22.540 --> 00:03:27.520
+está creando la ilustración, y empieces a darle una atmósfera a ese lugar
+
+00:03:27.520 --> 00:03:31.020
+que, que estás presente. Y esa atmósfera se crea a partir de
+
+00:03:31.020 --> 00:03:34.820
+los detalles. Si yo te hablo de una cafetería, te vas a imaginar
+
+00:03:34.820 --> 00:03:38.240
+la cafetería más cercana que tienes a tu casa. Pero voy a
+
+00:03:38.240 --> 00:03:41.980
+agregar un par de detalles. En esta cafetería están hirviendo el agua y
+
+00:03:41.980 --> 00:03:46.340
+la tetera está sacando humo y está di-- nublando todo lo que
+
+00:03:46.340 --> 00:03:50.200
+estás viendo en ese momento. De repente, la imagen de la cafetería de
+
+00:03:50.200 --> 00:03:54.160
+tu casa cambió y le estás dando más detalles que te dan
+
+00:03:54.160 --> 00:03:58.380
+una ima-- una imagen visual de esa escena que yo estoy viviendo en
+
+00:03:58.380 --> 00:04:02.440
+ese momento. Con esto que te acabo de enseñar, volvamos a ChatGPT
+
+00:04:02.440 --> 00:04:06.580
+y hacemos un ejercicio práctico. Podríamos pensar en una versión básica de un
+
+00:04:06.580 --> 00:04:11.260
+prompt que sería «personas trabajando», pero ahí querría-- caeríamos en el error
+
+00:04:11.260 --> 00:04:16.680
+del inicio de esta clase. Entonces, hagamos un prompt más elaborado. Digamos: «Genera
+
+00:04:16.680 --> 00:04:22.360
+una imagen de cuatro profesionales diversos colaborando alrededor de una mesa redonda
+
+00:04:22.360 --> 00:04:27.000
+con laptops y documentos». Ahí estamos hablando del protagonista. Vamos a decirle que
+
+00:04:27.000 --> 00:04:30.840
+el estilo es de una fotografía corporativa moderna. Ese sería como el
+
+00:04:30.840 --> 00:04:34.680
+filtro que nos estamos imaginando, el filtro de Instagram. Y vamos a hablar
+
+00:04:34.680 --> 00:04:37.300
+de la composición, que sería una vista de un ángulo de cuarenta
+
+00:04:37.300 --> 00:04:40.940
+y cinco grados con luz d-- natural de oficina. De por sí, la
+
+00:04:40.940 --> 00:04:43.980
+luz natural de oficina tiende a ser un tipo de luz. Entonces,
+
+00:04:43.980 --> 00:04:48.720
+vamos a ver cómo lo interpreta. Ahora, una pregunta: ¿fue la imagen que
+
+00:04:48.720 --> 00:04:53.940
+te imaginaste? Para mí está muy cercana, pero, pues, esto es como
+
+00:04:53.940 --> 00:04:57.200
+cocinar, si a la primera no funciona, tenemos que ir probando, ir dándole
+
+00:04:57.200 --> 00:05:01.200
+feedback, diciendo más específico qué es lo que no salió bien de
+
+00:05:01.200 --> 00:05:04.800
+la imagen que generamos. Y cuando llegamos a la imagen que esperábamos, si
+
+00:05:04.800 --> 00:05:07.880
+quieres aprender más de prompting, pregúntale cuál hubiera sido el prompt que
+
+00:05:07.880 --> 00:05:13.180
+debí haber usado para generar esta imagen desde un inicio. Un dato más
+
+00:05:13.180 --> 00:05:18.660
+importante: trata de no ser contradictorio en tus instrucciones. Es decir, si
+
+00:05:18.660 --> 00:05:23.960
+le dices que cree una foto realista con estilo de caricatura, eso va
+
+00:05:23.960 --> 00:05:27.180
+a ser contradictorio. Y ahí es cuando la inteligencia artificial va a
+
+00:05:27.180 --> 00:05:32.230
+empezar a alucinar. ¿Quieres un estilo de caricatura o quieres una foto realista?
+
+00:05:32.230 --> 00:05:35.520
+Trata de no combinar esas cosas que podrían confundir al modelo para
+
+00:05:35.520 --> 00:05:39.360
+llegar más al resultado que estás esperando. Es como decirle a alguien que
+
+00:05:39.360 --> 00:05:43.420
+cante a todo volumen, pero en voz baja. No tiene sentido, ¿verdad?
+
+00:05:43.420 --> 00:05:45.900
+Ahora quiero que en la sección de comentarios me dejes la imagen de
+
+00:05:45.900 --> 00:05:49.260
+la escena en la que en este momento estás tomando la clase,
+
+00:05:49.260 --> 00:05:52.760
+pero que sea una imagen generada con ChatGPT. Pon la imagen y pon
+
+00:05:52.760 --> 00:05:53.840
+el prompt que usaste.
+

prompt-engineering/2-Creación de prompts efectivos para análisis de documentos con IA.mp4

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:f405d580976ba394c42964baa721cf5924e2f7708c59ea2a35ff517f561d7f84
+size 426968740

prompt-engineering/2-Creación de prompts efectivos para análisis de documentos con IA.sub.vtt

@@ -0,0 +1,590 @@
+WEBVTT
+
+00:00:00.080 --> 00:00:06.160
+Abre ChatGPT y escribe esta pregunta simple: explícame la fotosíntesis en tres oraciones.
+
+00:00:06.160 --> 00:00:09.420
+Presiona enter y observa qué es lo que ocurre. Ya que lo
+
+00:00:09.420 --> 00:00:12.840
+hiciste tú, ahora lo voy a hacer yo. Explícame qué es la fotosíntesis
+
+00:00:12.840 --> 00:00:17.240
+en tres oraciones. Y viene la respuesta. La fotosíntesis es el proceso
+
+00:00:17.240 --> 00:00:20.240
+mediante el cual las plantas, algas y algunas bacterias convierten la luz solar
+
+00:00:20.240 --> 00:00:24.080
+en energía química. Utilizan el dióxido de carbono del aire y el
+
+00:00:24.080 --> 00:00:28.660
+agua del suelo para producir glucosa, su alimento, y oxígeno como subproducto. Este
+
+00:00:28.660 --> 00:00:33.360
+proceso ocurre principalmente en las hojas, dentro de unas estructuras llamadas cloroplastos.
+
+00:00:33.360 --> 00:00:36.400
+Acaba de pasar lo que acabamos de pedir. En tres oraciones nos explicó
+
+00:00:36.400 --> 00:00:40.020
+qué es la fotosíntesis. Y eso que acabamos de enviarle, esa oración
+
+00:00:40.020 --> 00:00:45.060
+de explícame qué es la fotosíntesis en tres oraciones, se llama un prompt.
+
+00:00:45.060 --> 00:00:47.500
+Y es el mensaje o la instrucción que nosotros le damos a
+
+00:00:47.500 --> 00:00:51.400
+la inteligencia artificial para que de vuelta nos dé una respuesta, muy parecido
+
+00:00:51.400 --> 00:00:55.180
+como si estuviéramos hablando con WhatsApp, con una persona, pero en este
+
+00:00:55.180 --> 00:00:58.640
+caso estamos hablando con una máquina. ¿Qué está lo interesante? La calidad de
+
+00:00:58.640 --> 00:01:02.060
+esa respuesta va a definirse según la calidad de cómo formules tú
+
+00:01:02.060 --> 00:01:07.680
+la pregunta. Si eres muy vago diciendo: «Ayúdame con marketing», pues la inteligencia
+
+00:01:07.680 --> 00:01:10.500
+artificial va a darte una respuesta igual de vaga. Va a irse
+
+00:01:10.500 --> 00:01:13.120
+por muchos lugares y no va a saber exactamente qué es lo que
+
+00:01:13.120 --> 00:01:16.760
+tú quieres. En cambio, si eres específico como este prompt, que es
+
+00:01:16.760 --> 00:01:21.860
+simplemente una oración donde decimos: «Explícame la fotosíntesis en tres oraciones», pues va
+
+00:01:21.860 --> 00:01:24.820
+a ser mucho más cercano a lo que nosotros estamos esperando. De
+
+00:01:24.820 --> 00:01:29.220
+hecho, el resultado es exactamente a lo que esperábamos. Durante este curso quiero
+
+00:01:29.220 --> 00:01:33.400
+que pienses sobre los LLMs como si fuera un practicante. Y el
+
+00:01:33.400 --> 00:01:37.260
+curso, más allá de prompt engineering, va a enseñarnos cómo delegar de manera
+
+00:01:37.260 --> 00:01:42.040
+efectiva. El tema es que cuando delegamos a una persona, es fácil
+
+00:01:42.040 --> 00:01:45.080
+culpar a la persona por no hacer lo que nosotros esperábamos y no
+
+00:01:45.080 --> 00:01:49.320
+reflexionar sobre cómo lo hicimos nosotros. Durante este curso vamos a ver
+
+00:01:49.320 --> 00:01:54.260
+cuál es la forma más efectiva de ser claro, conciso y específico para
+
+00:01:54.260 --> 00:01:58.539
+que saquemos el mayor provecho de estas herramientas. Vamos a estar trabajando
+
+00:01:58.540 --> 00:02:03.800
+con cuatro herramientas: ChatGPT, Gemini, Claude y Microsoft Copilot. Y todo lo que
+
+00:02:03.800 --> 00:02:07.060
+vamos a aprender va a ser aplicable en todas. Este ejercicio que
+
+00:02:07.060 --> 00:02:10.500
+acabamos de hacer fue solo abrir ChatGPT y empezar a escribir. Si no
+
+00:02:10.500 --> 00:02:13.519
+has creado una cuenta, quiero que la crees y vamos a hacer
+
+00:02:13.520 --> 00:02:16.940
+el siguiente ejercicio en donde vamos a usar un reporte de McKinsey que
+
+00:02:16.940 --> 00:02:20.740
+te dejo acá abajo en los recursos, y vamos a aprender cómo
+
+00:02:20.740 --> 00:02:23.620
+sacar el mayor provecho a este tipo de herramientas para el uso que
+
+00:02:23.620 --> 00:02:26.560
+todo el mundo le da, generar un resumen. Pero ¿cómo lo podemos
+
+00:02:26.560 --> 00:02:29.560
+hacer de manera efectiva? Vamos a ver esta interfaz, que es la de
+
+00:02:29.560 --> 00:02:33.560
+ChatGPT. Quiero que nos familiaricemos muy rápido. Tenemos una barra lateral donde
+
+00:02:33.560 --> 00:02:37.960
+acá podemos ver, eh, nuevo chat. Ese botón lo vamos a estar usando
+
+00:02:37.960 --> 00:02:42.200
+todo el tiempo. Buscar entre todos los chats que tenemos, librerías, hora,
+
+00:02:42.200 --> 00:02:47.000
+GPTS y proyectos. Todas estas partes o configuraciones las vamos a ver luego.
+
+00:02:47.000 --> 00:02:50.400
+Y en el centro tenemos una caja de texto donde podemos escribir
+
+00:02:50.400 --> 00:02:55.829
+nuestros prompts. Y acá tenemos la opción de poder subir un archivo. Entonces,
+
+00:02:55.829 --> 00:02:58.340
+le voy a dar en el más, le voy a agregar fotos
+
+00:02:58.340 --> 00:03:05.280
+y archivos, y en esta parte me voy a ir a Descargas. Y
+
+00:03:05.280 --> 00:03:09.280
+en Descargas tengo el reporte de McKinsey del estado de arte de
+
+00:03:09.280 --> 00:03:13.740
+inteligencia artificial, que además está en inglés, y que me habla sobre cuál
+
+00:03:13.740 --> 00:03:17.440
+es el estado de inteligencia artificial en el 2025. Este reporte es
+
+00:03:17.440 --> 00:03:20.300
+de marzo, si no estoy mal. Y lo que vamos a hacer es
+
+00:03:20.300 --> 00:03:23.400
+que vamos a tratar de saber qué es lo valioso de este
+
+00:03:23.400 --> 00:03:30.540
+reporte para mí, sin necesidad de entrar a leerlo. Entonces, lo abro y
+
+00:03:30.540 --> 00:03:33.320
+quiero que pares un momento la clase y me dejes en los
+
+00:03:33.320 --> 00:03:39.260
+comentarios cuál sería la primera instrucción que tú harías. Escríbela en los comentarios,
+
+00:03:39.260 --> 00:03:43.140
+déjala ahí y continúas con la clase. Mi primera instrucción va a
+
+00:03:43.140 --> 00:03:50.240
+ser decirle de qué trata este archivo. Es más, voy a decirle este
+
+00:03:50.240 --> 00:03:52.960
+reporte, porque, pues, yo sé que es un reporte, yo sé que
+
+00:03:52.960 --> 00:03:58.840
+estoy subiendo, entonces lo voy a enviar y me genera la siguiente respuesta
+
+00:03:58.840 --> 00:04:02.160
+que, de hecho, ya la terminó de hacer y me dice: «El
+
+00:04:02.160 --> 00:04:06.900
+reporte es este, es de marzo 2025», no me había equivocado. Y analiza
+
+00:04:06.900 --> 00:04:10.760
+cómo las empresas están adaptando su organización, procesos y talento para aprovechar
+
+00:04:10.760 --> 00:04:15.440
+el valor de inteligencia artificial generativa y otras formas de AI. Y dice
+
+00:04:15.440 --> 00:04:19.440
+puntos claves, habla de esos puntos claves y luego me vuelve a
+
+00:04:19.440 --> 00:04:23.280
+decir, como en resumen, el documento muestra que la IA ya está siendo
+
+00:04:23.280 --> 00:04:26.620
+ampliamente difundida, pero las compañías aún están en una fase temprana de
+
+00:04:26.620 --> 00:04:31.120
+traducir ese uso impa-- en un impacto económico a gran escala, y que
+
+00:04:31.120 --> 00:04:34.480
+el éxito depende más de cambios organizacionales y de gestión que de
+
+00:04:34.480 --> 00:04:37.840
+la tecnología en sí. Y me dice si quiere que haga un resumen
+
+00:04:37.840 --> 00:04:41.620
+ejecutivo en una página en español. La verdad es que de por
+
+00:04:41.620 --> 00:04:46.480
+sí ya tenemos bastante texto, más corto que leer el reporte. Acá, si
+
+00:04:46.480 --> 00:04:49.640
+yo veo en Sources, voy a ver de dónde viene la información
+
+00:04:49.640 --> 00:04:53.000
+que me la está dando, pues viene del archivo que yo le subí.
+
+00:04:53.000 --> 00:04:56.400
+Y vamos a familiarizarnos con un par de cosas. Yo acá tengo
+
+00:04:56.400 --> 00:05:01.400
+una serie de botones en donde puedo copiar el resultado que me dio
+
+00:05:01.400 --> 00:05:03.760
+y, por ejemplo, acá yo lo puedo pegar y tengo el resultado
+
+00:05:03.760 --> 00:05:09.170
+exacto. Puedo decirle que fue una buena respuesta, que fue una mala respuesta.
+
+00:05:09.170 --> 00:05:12.700
+En general, este feedback le ayuda a ChatGPT a mejorar la calidad
+
+00:05:12.700 --> 00:05:18.260
+de sus respuestas en, en el tiempo. Puedo compartir esto, puedo generar este
+
+00:05:18.260 --> 00:05:22.560
+texto y compartirlo en un enlace, en redes sociales, etcétera. O puedo
+
+00:05:22.560 --> 00:05:27.660
+volverlo a generar, eh, y me dice qué modelo usó, que en clases
+
+00:05:27.660 --> 00:05:31.979
+futuras vamos a hablar un poco sobre los modelos y más acciones.
+
+00:05:31.980 --> 00:05:36.640
+Entonces, mi problema con este resumen es que sería lo que cualquiera me
+
+00:05:36.640 --> 00:05:40.400
+podría decir sobre el reporte, pero al fin y al cabo, yo
+
+00:05:40.400 --> 00:05:43.920
+hice una pregunta amplia, yo hice una pregunta vaga y me dio una
+
+00:05:43.920 --> 00:05:48.160
+respuesta vaga. ¿Qué tal si le cuento un poquito quién soy yo
+
+00:05:48.160 --> 00:05:52.400
+para ver si esto me, me empieza a decir más este reporte cómo
+
+00:05:52.400 --> 00:05:58.900
+me podría ayudar? Entonces, le voy a decir: «Ok, esto fue útil,
+
+00:05:58.900 --> 00:06:09.424
+pero quiero que me des...»Eh, los tres puntos más valiosos, valiosos para mí.
+
+00:06:09.424 --> 00:06:14.284
+Y le voy a decir: «Te cuento de mí». Eh... Soy Juan
+
+00:06:14.284 --> 00:06:27.884
+Pablo Rojas y soy el Chief Product Officer de Platzi, la EdTech más
+
+00:06:27.884 --> 00:06:42.484
+grande de Latinoamérica. Nosotros nos enfocamos en enseñar... programación, inteligencia artificial, diseño,
+
+00:06:42.484 --> 00:06:55.304
+marketing, negocios y todas las habilidades de tecnología que necesitan los profesionales de
+
+00:06:55.304 --> 00:06:59.184
+hoy en día. Y para hacer eso tengo el siguiente mensaje que
+
+00:06:59.184 --> 00:07:03.064
+escribí que es ok, esto es útil, pero quiero que me des tres
+
+00:07:03.064 --> 00:07:07.564
+puntos más valiosos para mí. Y esto nos funcionó muy bien cuando
+
+00:07:07.564 --> 00:07:11.874
+exp-- eh, pedimos que nos explicara la fotosíntesis, entonces hagámoslo acá. Pero tengo
+
+00:07:11.874 --> 00:07:16.384
+que decirle quién soy yo, porque, pues... De hecho, hagamos esto. Me
+
+00:07:16.384 --> 00:07:19.444
+va a ir a un nuevo chat, le voy a decir quién soy
+
+00:07:19.444 --> 00:07:25.724
+yo. Y me va a decir: «Es una gran pregunta», pero, pues,
+
+00:07:25.724 --> 00:07:30.564
+no sabe nada. Se fue por el lado más filosófico. Entonces, dentro de
+
+00:07:30.564 --> 00:07:35.843
+mis chats me devuelvo a donde estaba, volvemos con nuestro querido prompt
+
+00:07:35.844 --> 00:07:38.444
+y le voy a contar sobre mí, porque no sabe quién soy yo.
+
+00:07:38.444 --> 00:07:41.404
+Te cuento sobre mí. Soy Juan Pablo Rojas, soy el Chief Product
+
+00:07:41.404 --> 00:07:44.764
+Officer de Platzi, la EdTech más grande de Latinoamérica. Nosotros nos enfocamos en
+
+00:07:44.764 --> 00:07:49.224
+enseñar programación, inteligencia artificial, diseño, marketing, negocios y todas las habilidades de
+
+00:07:49.224 --> 00:07:52.904
+tecnología que necesitan los profesionales hoy en día. Entonces, me fui con algo
+
+00:07:52.904 --> 00:07:57.764
+un poquito más largo. Vamos a ver qué tan útil termina siendo.
+
+00:07:57.764 --> 00:08:01.544
+Lo enviamos. Me dio la respuesta y me dice: «Perfecto, Juan Pablo». Acá
+
+00:08:01.544 --> 00:08:04.584
+ya me está diciendo por nombre propio y todo. «Gracias por compa--
+
+00:08:04.584 --> 00:08:08.104
+contarme de ti, dado tu rol como Chief Product Officer en esta EdTech,
+
+00:08:08.104 --> 00:08:11.164
+estos son los tres pun-puntos importantes». Y me dice: «El verdadero valor
+
+00:08:11.164 --> 00:08:14.884
+del AI viene del rewiring, no en casos aislados, el talento del y
+
+00:08:14.884 --> 00:08:18.523
+el reskilling son el cuello de botella y gobernanza y confianza en
+
+00:08:18.524 --> 00:08:22.564
+AI son claves para escalar». Y me da como más texto, pero se
+
+00:08:22.564 --> 00:08:26.544
+fue muy largo. Y luego me dice: «En resumen, integrar la inteligencia
+
+00:08:26.544 --> 00:08:31.884
+artificial en la experiencia completa de aprendizaje, capate-- cap-capitalizar la ola de reskilling
+
+00:08:31.884 --> 00:08:35.864
+masivo y diferenciarse como líderes en ética y gobernanza en AI, son
+
+00:08:35.864 --> 00:08:40.604
+los supre-- aprendizajes más estratégicos que este reporte te aporta. ¿Quieres que te
+
+00:08:40.604 --> 00:08:44.303
+arme una traducción de estos puntos en un plan accionable para Platzi?»
+
+00:08:44.364 --> 00:08:46.764
+Y, pues sí, sí, quiero que me arme un plan. Acá tengo un
+
+00:08:46.764 --> 00:08:50.804
+prompt, va a leerlo mientras nos genera la respuesta. Le digo: «Me
+
+00:08:50.804 --> 00:08:53.144
+suena lo del plan, pero quiero que me lo des en un bullet
+
+00:08:53.144 --> 00:08:56.784
+points concretos, concisos y accionables», porque es que esta vaina de que
+
+00:08:56.784 --> 00:08:59.254
+me esté dando tanto texto, la verdad es que ya n-no lo voy
+
+00:08:59.254 --> 00:09:02.004
+a leer. O sea, si quiero... O sea, a estas alturas ya
+
+00:09:02.004 --> 00:09:05.704
+me hubiera leído el reporte, ¿no? Y le digo: «No me expliques todo
+
+00:09:05.704 --> 00:09:09.784
+el contexto, dime el insight y la recomendación directa. Si tengo preguntas,
+
+00:09:09.784 --> 00:09:13.624
+te las haré. No superes más de quinientos caracteres». Entonces ahora ya me
+
+00:09:13.624 --> 00:09:16.484
+dio una respuesta, porque como les dije al inicio de la clase,
+
+00:09:16.484 --> 00:09:19.924
+esto es hablar como en WhatsApp. No quieres que tu amigo te mande
+
+00:09:19.924 --> 00:09:23.844
+una pared de texto, quieres que sea un poquito más conversacional la
+
+00:09:23.844 --> 00:09:28.284
+cosa. Entonces, claro, aquí te va en bullets directo y accionable. Personalización total,
+
+00:09:28.284 --> 00:09:33.984
+implementar inteligencia artificial para rutas de aprendizaje adaptativas y tutores virtuales. Esa
+
+00:09:33.984 --> 00:09:38.724
+suena interesante. Reskilling masivo, lanzar programas corporativos enfocados en inteligencia artificial, data de
+
+00:09:38.724 --> 00:09:44.444
+automatización. Confianza y ética, crear la línea de AI responsable. Eh... con
+
+00:09:44.444 --> 00:09:49.164
+cursos en compliance, riesgos y gobernanza. Ecosistema integral, integrar, eh, IA en la
+
+00:09:49.164 --> 00:09:53.104
+plataforma, generación de contenido, feedback y evaluación continua. ¿Quieres que te lo
+
+00:09:53.104 --> 00:09:56.344
+priorice en un roadmap de seis a doce meses? Pues la verdad es
+
+00:09:56.344 --> 00:09:59.213
+que yo no entendí muy bien a qué se refiere con esto.
+
+00:09:59.213 --> 00:10:03.824
+Y miren que cuando yo selecciono me dice: «Ask ChatGPT». Entonces, le voy
+
+00:10:03.824 --> 00:10:09.773
+a decir: «Explícame a qué te refieres con esto». Y le voy
+
+00:10:09.773 --> 00:10:14.664
+a decir: «Recuerda ser conciso», porque no quiero que me dé otra vez
+
+00:10:14.664 --> 00:10:18.473
+una pared de texto. Entonces, me dice: «Con AI responsible...». Voy a
+
+00:10:18.473 --> 00:10:21.824
+asumir que está en inglés. «Me refiero a crear en Platzi una línea
+
+00:10:21.824 --> 00:10:25.384
+de cursos y certificaciones sobre el uso responsable de AI, ética, privacidad
+
+00:10:25.384 --> 00:10:29.864
+de datos, cumplimiento regulatorio, sesgos y riesgos. Así posicionan a Platzi como referente
+
+00:10:29.864 --> 00:10:34.024
+en gobernanza en AI en Latam, diferenciándose de quienes solo enseñan la
+
+00:10:34.024 --> 00:10:38.644
+parte técnica». Acá ChatGPT no sabe que tenemos la escuela de, de inteligencia
+
+00:10:38.644 --> 00:10:42.504
+artificial donde ya tenemos cursos de esto, pero buenísimo porque quiere decir
+
+00:10:42.504 --> 00:10:46.124
+que estamos en línea. Y me dice: «¿Quieres que te sugiera el temario
+
+00:10:46.124 --> 00:10:49.544
+inicial para esa línea?» La verdad es que no. Con este último
+
+00:10:49.544 --> 00:10:54.704
+resultado y con esa explicación, me parece que logramos el objetivo de entender
+
+00:10:54.704 --> 00:10:57.744
+qué es lo que nos importa de este reporte. Y ya, por
+
+00:10:57.744 --> 00:11:06.694
+ejemplo, le puedo decir, eh, en qué página, eh... del reporte, del reporte
+
+00:11:06.694 --> 00:11:11.163
+está lo de ética de AI. Y que me diga la página
+
+00:11:11.164 --> 00:11:16.714
+en específico y ya puedo irme a leer exactamente donde yo quiero, eh...
+
+00:11:16.714 --> 00:11:19.564
+profundizar. Entonces, me dice alrededor de la página diez y once del
+
+00:11:19.564 --> 00:11:25.184
+PDF. Me voy a abrir mi PDF, lo tengo por acá y vamos
+
+00:11:25.184 --> 00:11:28.174
+a ir a la diez y once. Y en la parte diez
+
+00:11:28.174 --> 00:11:35.104
+y once me dice cómo se aplica en organizaciones. Un poco más sobre
+
+00:11:35.104 --> 00:11:40.624
+cómo funcionan las organizaciones, el shifting de, de responsabilidades y un poco
+
+00:11:40.624 --> 00:11:45.064
+más acerca de cómo, eh, se refiere sobre eso. Y acá me dice:
+
+00:11:45.064 --> 00:11:50.284
+«Habla sobre cómo los, eh, las organizaciones com-- trataron especialistas en cumplimiento
+
+00:11:50.284 --> 00:11:53.484
+de AI». Y por eso es que me está diciendo que ese es
+
+00:11:53.484 --> 00:11:59.284
+un tema importante a tratar. Ahora, durante esta clase fuiste viendo cómo
+
+00:11:59.284 --> 00:12:02.604
+yo hice el ejercicio. Quiero que pares y hagas el ejercicio tú con
+
+00:12:02.604 --> 00:12:06.904
+este mismo reporte contándole sobre ti hasta que llegues a un resultado
+
+00:12:06.904 --> 00:12:11.064
+que era justo lo que necesitabas. Y cuando llegues a ese punto, vas
+
+00:12:11.064 --> 00:12:14.544
+a escribir el siguiente prompt. ¿Cuál hubiera sido el prompt que debí
+
+00:12:14.544 --> 00:12:20.140
+decirte al inicio para lograr el resultado que logramos?Lo envías, y va a
+
+00:12:20.140 --> 00:12:24.799
+decirte cuál hubiera sido el prompt exacto que hubieras escrito para subir
+
+00:12:24.799 --> 00:12:28.620
+el reporte, darle este mensaje y llegar a la respuesta de manera directa,
+
+00:12:28.620 --> 00:12:33.120
+sin tener que darle tanto feedback. Ahora, todo este proceso que hicimos
+
+00:12:33.120 --> 00:12:38.259
+se llama prompt shadowing. Fuimos trabajando en conjunto con ChatGPT para llegar a
+
+00:12:38.259 --> 00:12:42.919
+donde queríamos llegar. Y está bien, funciona para cuando tenemos problemas nuevos.
+
+00:12:42.919 --> 00:12:46.820
+Si queremos que se replique esto para cada reporte que tenemos que leer
+
+00:12:46.820 --> 00:12:51.579
+o para cada artículo que queremos priorizar nuestro tiempo y saber si
+
+00:12:51.579 --> 00:12:56.079
+dedicar el tiempo ahí, pues con este prompt ya lo podríamos hacer. En
+
+00:12:56.079 --> 00:12:59.820
+mi caso, el resultado es: «Soy Juan Pablo Rojas, Chief Product Officer
+
+00:12:59.820 --> 00:13:05.440
+en Platzi». El, el enfoque que es Platzi. «Te paso este reporte McKinsey
+
+00:13:05.440 --> 00:13:07.579
+sobre el estado de AI. Quiero que lo leas y me des
+
+00:13:07.579 --> 00:13:12.079
+los tres insights más relevantes para mi rol y para Platzi. Recomendaciones accionables
+
+00:13:12.079 --> 00:13:15.579
+en bullets y referencias a las páginas donde se habla de ética,
+
+00:13:15.579 --> 00:13:20.460
+compliance y gobernanza de AI». Y me dice: «¿Quieres que tengas una plantilla
+
+00:13:20.460 --> 00:13:23.600
+más genérica?» La verdad es que no. Voy a usar este prompt,
+
+00:13:23.600 --> 00:13:27.880
+me voy a ir a un nuevo chat, voy a agregar el documento
+
+00:13:27.880 --> 00:13:32.579
+y voy a darle el prompt que me entregó ChatGPT. Si se
+
+00:13:32.579 --> 00:13:35.999
+dan cuenta, abro un nuevo chat cada vez que tengo una duda. Siéntanse
+
+00:13:35.999 --> 00:13:41.979
+libres, son gratis. Démosle enter y vamos a tener el resumen tal
+
+00:13:41.980 --> 00:13:47.099
+cual, los tres insights como yo los pedí, como necesitaba. Incluso me está
+
+00:13:47.099 --> 00:13:51.039
+dando la referencia de en qué parte del archivo lo está haciendo.
+
+00:13:51.039 --> 00:13:55.020
+Y todo en un solo prompt. Deja en los comentarios el prompt que
+
+00:13:55.020 --> 00:13:58.139
+te salió a ti. ¿Cuál fue el prompt con el que hubieras
+
+00:13:58.139 --> 00:14:03.999
+llegado al mismo resultado sin necesidad de tener una conversación uno a uno
+
+00:14:03.999 --> 00:14:06.699
+con ChatGPT para poder leer este reporte?
+

prompt-engineering/20-Análisis de datos de e commerce con ChatGPT.mp4

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:d8015b1bd6d421232ba79875d33118e7387cc4762e9a54e639fa39de480e01d9
+size 269371002

prompt-engineering/20-Análisis de datos de e commerce con ChatGPT.sub.vtt

@@ -0,0 +1,344 @@
+WEBVTT
+
+00:00:00.100 --> 00:00:03.820
+No hemos explotado todas las capacidades que tienen los LLMs y una de
+
+00:00:03.820 --> 00:00:07.779
+esas es análisis de datos. Para esta clase vamos a usar chatGPT
+
+00:00:07.780 --> 00:00:10.080
+y en la parte de los recursos te dejo un Excel que en
+
+00:00:10.080 --> 00:00:12.959
+este momento te voy a mostrar. Es un Excel que tiene el
+
+00:00:12.960 --> 00:00:16.420
+reporte de ventas de un e-commerce. Todos los datos que ves acá están
+
+00:00:16.420 --> 00:00:18.800
+en dólares y lo que vas a ver es un reporte donde
+
+00:00:18.800 --> 00:00:23.880
+vemos ventas por mes y revenue. Luego tenemos las ventas y el average
+
+00:00:23.880 --> 00:00:27.360
+ticket size value. Y vemos los datos acá en texto y vemos
+
+00:00:27.360 --> 00:00:30.920
+las gráficas. Además, tenemos la base de datos de productos, que tenemos mil
+
+00:00:30.920 --> 00:00:37.060
+productos, tenemos mil clientes y tenemos noventa y nueve mil transacciones. De
+
+00:00:37.060 --> 00:00:41.260
+hecho, este Excel tiene un error y es con intención que vemos acá,
+
+00:00:41.260 --> 00:00:44.460
+que es una fórmula que no, en este caso en Excel no
+
+00:00:44.460 --> 00:00:48.300
+está funcionando bien, pero que en Google Sheets sí funciona. Y vamos a
+
+00:00:48.300 --> 00:00:52.160
+ver qué es lo que pasa cuando entramos a chatGPT y cargamos
+
+00:00:52.160 --> 00:00:56.580
+este archivo. Vamos a chatGPT, vamos a darle en el más, vamos a
+
+00:00:56.580 --> 00:01:00.380
+agregar fotos o archivos y le vamos a dar reporte de ventas.
+
+00:01:00.380 --> 00:01:08.400
+Cuando lo cargamos le vamos a decir: actúa como analista de datos. Y
+
+00:01:08.400 --> 00:01:12.060
+este rol puede ser el rol que tú escojas. Yo en este
+
+00:01:12.060 --> 00:01:15.240
+caso estoy probando analista de datos, pero quiero que en los comentarios me
+
+00:01:15.240 --> 00:01:18.940
+dejes que otros roles hacen este trabajo de ver reportes, de ver
+
+00:01:18.940 --> 00:01:24.060
+Excel, de ver incluso este tipo de datos en programación, como podría ser
+
+00:01:24.060 --> 00:01:28.720
+un data scientist. Y durante este ejercicio, aunque yo puse este rol,
+
+00:01:28.720 --> 00:01:32.030
+intenta poner ese rol que tú estás viendo en los comentarios del-- las
+
+00:01:32.030 --> 00:01:35.380
+otras personas que están tomando esta clase o los otros roles que
+
+00:01:35.380 --> 00:01:39.020
+te imagines. Y el que funcione es el que vas a usar en
+
+00:01:39.020 --> 00:01:42.899
+la próxima tarea que tú tengas dentro de tu trabajo. Y le
+
+00:01:42.900 --> 00:01:51.300
+vas a decir: «Lee el Excel y cuéntame qué encuentras». Lo enviamos y
+
+00:01:51.300 --> 00:01:54.480
+lo primero que quiero que veas es que al momento de enviarlo,
+
+00:01:54.480 --> 00:01:58.440
+chatGPT va a darme una previsualización de ese Excel, voy a poder ver
+
+00:01:58.440 --> 00:02:03.960
+cómo lo está interpretando. Acá puedo ver la primera tabla donde tenemos
+
+00:02:03.960 --> 00:02:08.160
+el-- los reportes y vemos que son tres tablas. Luego, acá arriba, yo
+
+00:02:08.160 --> 00:02:13.500
+puedo cambiar entre sheets, puedo ver los productos, puedo ver los clientes
+
+00:02:13.500 --> 00:02:17.460
+y puedo ver las transacciones. Y en transacciones puedo ver que para chatGPT
+
+00:02:17.460 --> 00:02:22.580
+sí fue clara la fórmula y la pudo resolver. Lo importante acá
+
+00:02:22.580 --> 00:02:26.280
+es que chatGPT no está viendo la fórmula, está viendo el resultado de
+
+00:02:26.280 --> 00:02:29.920
+la fórmula. Entonces, en este caso, estoy viendo literalmente los meses en
+
+00:02:29.920 --> 00:02:34.690
+las que ocurrieron esas transacciones. Esta transacción, que fue el veintidue-- el 26
+
+00:02:34.690 --> 00:02:38.700
+de febrero del 2024, la está ca-- clasificando en el mes de
+
+00:02:38.700 --> 00:02:43.460
+febrero. Luego veo que esta tarea es más difícil y está analizando. Y
+
+00:02:43.460 --> 00:02:47.900
+la forma en la que analiza es creando código de programación. Los
+
+00:02:47.900 --> 00:02:51.760
+LLMs no son buenos haciendo matemáticas, porque al final lo que hacen es
+
+00:02:51.760 --> 00:02:55.900
+entender nuestro lenguaje y generar texto. La forma en la que mitigan
+
+00:02:55.900 --> 00:02:59.940
+ese problema de matemáticas es que son muy buenos generando texto y el
+
+00:02:59.940 --> 00:03:04.840
+código es texto. Entonces, estos problemas los solucionan a partir de código.
+
+00:03:04.840 --> 00:03:08.100
+Generan el código, lo corren y el resultado de ese código es lo
+
+00:03:08.100 --> 00:03:13.280
+que usan para darnos la respuesta. Si tú sabes de programación, puedes
+
+00:03:13.280 --> 00:03:17.220
+ver el código, incluso puedes aprender muchas cosas cuando uno lee el código
+
+00:03:17.220 --> 00:03:21.040
+que genera la AI. Si tú no sabes programación, no te preocupes,
+
+00:03:21.040 --> 00:03:24.350
+no tienes que leer este código, no lo tienes que entender. Lo importante
+
+00:03:24.350 --> 00:03:26.540
+es saber que esta es la forma en la que soluciona los
+
+00:03:26.540 --> 00:03:30.860
+problemas. Sigue pensando y de hecho yo puedo ver que acá se quedó
+
+00:03:30.860 --> 00:03:34.880
+trabado. Pensó por veinte segundos, no siguió pensando y de hecho ya
+
+00:03:34.880 --> 00:03:39.180
+dio la tarea por hecho. Cuando te pasa esto, puedes dar en este
+
+00:03:39.220 --> 00:03:46.520
+ícono de pausa y cuando das en el ícono de pausa, va
+
+00:03:46.520 --> 00:03:49.700
+a decir que el análisis paró. ¿Qué podemos hacer para que vuelva a
+
+00:03:49.700 --> 00:03:54.600
+iniciar? Tenemos este ícono que parece como un refresh que dice: «Try
+
+00:03:54.600 --> 00:04:00.600
+again» y va a usar GPT-5. Le pico y le doy try again.
+
+00:04:00.600 --> 00:04:03.840
+Y con eso va a volver a correr. Nos entregó el resultado.
+
+00:04:03.840 --> 00:04:09.500
+Me dice: «Primeras veinte filas, qué es lo que encuentra, luego porcentajes nulos».
+
+00:04:09.500 --> 00:04:13.240
+Me dice: «Listo, ya analicé tu Excel, esto es lo que encontré.
+
+00:04:13.240 --> 00:04:19.300
+Estructura y calidad de datos, columnas detectadas, KPIs principales, tendencias, desglose de rankings,
+
+00:04:19.300 --> 00:04:26.479
+anomalías, archivos explorados, siguientes pasos». Entonces, el punto acá es que fuimos
+
+00:04:26.480 --> 00:04:30.340
+con un prompt muy ambiguo para que vieras que podría analizar el Excel,
+
+00:04:30.340 --> 00:04:33.800
+que es la-- el proceso que toma para analizarlo y cuáles eran
+
+00:04:33.800 --> 00:04:38.540
+los pasos que iba a hacer para poder leer este archivo. Lo importante
+
+00:04:38.540 --> 00:04:41.860
+acá es que va a crear código para solucionar los problemas que
+
+00:04:41.860 --> 00:04:47.680
+nosotros tengamos de análisis de datos. Incluso, yo le puedo decir: crea una
+
+00:04:47.680 --> 00:04:54.080
+gráfica de tendencia de ventas del 2024. Y él va a tomar
+
+00:04:54.080 --> 00:04:58.380
+el Excel, ya que lo entendió, va a crear una gráfica y lo
+
+00:04:58.380 --> 00:05:01.560
+importante acá es que tiene dos formas de crear la gráfica. Puede
+
+00:05:01.560 --> 00:05:04.840
+generar una imagen como lo hicimos en la clase pasada o puede generar
+
+00:05:04.840 --> 00:05:08.620
+la gráfica a partir de código. En este caso, puedes ver que
+
+00:05:08.620 --> 00:05:12.740
+pensó varias veces y que no logró hacer el análisis a la primera,
+
+00:05:12.740 --> 00:05:17.840
+pero eventualmente nos entregó las gráficas y entregó las gráficas creadas por
+
+00:05:17.840 --> 00:05:24.020
+código. Estas gráficas, tal cual, no son las generadas por lo que aprendimos
+
+00:05:24.020 --> 00:05:27.400
+en la clase pasada, sino son gráficas generadas desde ese código, que
+
+00:05:27.400 --> 00:05:30.720
+se ven más a lo que nosotros podríamos hacer en Excel. Y lo
+
+00:05:30.720 --> 00:05:35.340
+más importante acá, no necesariamente quiere decir que estas gráficas estén bien.
+
+00:05:35.340 --> 00:05:40.160
+Nosotros siempre debemos entrar a validar todo lo que genera chatGPT o cualquier
+
+00:05:40.160 --> 00:05:44.080
+LLM, como lo hemos visto en las clases pasadas. Si yo veo,
+
+00:05:44.080 --> 00:05:49.090
+me hizo una tendencia por conteo de registros que no se parece en
+
+00:05:49.090 --> 00:05:52.680
+nada a la gráfica de ventas que tenemos acá. Y eso también
+
+00:05:52.680 --> 00:05:57.620
+es porque mi prompt fue muy ambiguo. Si yo incluso veo por acá
+
+00:05:57.620 --> 00:06:04.027
+el pensamiento, dice: «No pudo encontrar una métrica...Entonces no encontró tampoco una
+
+00:06:04.027 --> 00:06:08.728
+columna que se llame Ventas, entonces trató de buscar por facturación o subtotal
+
+00:06:08.728 --> 00:06:13.067
+y se fue dando vueltas. En este caso, también es importante ser
+
+00:06:13.068 --> 00:06:17.568
+específicos en nuestros prompts. Si yo le hubiera dicho acá que la gráfica
+
+00:06:17.568 --> 00:06:21.668
+o la métrica por la cual debe ver el reporte es revenue,
+
+00:06:21.668 --> 00:06:26.048
+incluso si nosotros vemos acá en transacciones, vemos precio y le hubiera especificado
+
+00:06:26.048 --> 00:06:30.328
+que tiene que ir a transacciones y sacar desde ahí la sumatoria,
+
+00:06:30.328 --> 00:06:35.207
+pues hubiera hecho un mejor trabajo. El punto acá es que uses todo
+
+00:06:35.207 --> 00:06:38.988
+lo que ya aprendiste durante el curso para resolver el siguiente reto.
+
+00:06:38.988 --> 00:06:44.988
+Si tú fueras el chief marketing officer de este e-commerce, ¿dónde invertirías tu
+
+00:06:44.988 --> 00:06:51.008
+dinero para poder crecer el siguiente mes las ventas de este e-commerce?
+
+00:06:51.008 --> 00:06:53.728
+Vas a hacer el análisis y en los comentarios nos vas a dejar
+
+00:06:53.728 --> 00:06:58.048
+el resultado. ¿Dónde invertirías tú el dinero? Y si quieres acompañarlo de
+
+00:06:58.048 --> 00:07:03.168
+alguna gráfica o algún insight que hayas logrado obtener con ChatGPT pidiéndole actuar
+
+00:07:03.168 --> 00:07:06.587
+como un analista de datos, como un data scientist, como un experto
+
+00:07:06.587 --> 00:07:11.097
+en marketing, como un experto en ventas... lo que tú escojas. Pero nos
+
+00:07:11.097 --> 00:07:14.548
+vas a dejar en los comentarios el prompt que usaste, dónde invertirías
+
+00:07:14.548 --> 00:07:18.587
+el dinero y si quieres agregar alguna gráfica que hayas hecho para soportar
+
+00:07:18.587 --> 00:07:22.727
+el lugar donde invertirías. El punto acá es que uses todo lo
+
+00:07:22.728 --> 00:07:27.408
+que aprendiste dentro de este curso para so-- resolver el siguiente reto. Si
+
+00:07:27.408 --> 00:07:31.587
+tú fueras la persona a cargo de decidir dónde este e-commerce debería
+
+00:07:31.587 --> 00:07:36.568
+invertir el siguiente mes para incrementar las ventas, ¿cómo lo harías? ¿Cuál sería
+
+00:07:36.568 --> 00:07:39.948
+el lugar donde invertirías? En el resultado de tu análisis, quiero que
+
+00:07:39.948 --> 00:07:44.467
+lo pongas en la sección de comentarios. No nos digas dónde invertirías, si
+
+00:07:44.467 --> 00:07:48.248
+creaste algún gráfico para soportar esta teoría y que nos cuentes con
+
+00:07:48.248 --> 00:07:52.688
+qué prompt llegaste al resultado, qué rol le diste, cuál fue la instrucción,
+
+00:07:52.688 --> 00:07:56.008
+qué límites tenías que poner para llegar a lo que querías ver
+
+00:07:56.008 --> 00:08:00.138
+como resultado. E incluso cuéntanos si hiciste una cadena de prompts, un prompt
+
+00:08:00.138 --> 00:08:05.028
+chaining para resolver el problema, describe cuál fue la cadena y ponnos
+
+00:08:05.028 --> 00:08:07.688
+el último prompt que nos llevó a la re-- al resultado que nos
+
+00:08:07.688 --> 00:08:08.908
+estás compartiendo.
+

prompt-engineering/21-Evaluación y validación de respuestas de LLM con criterios precisos.mp4

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:343eada4113ceb47823ea9db0a18d8c64888cf69d90f3d2f5276b36dd0bca706
+size 327121338

prompt-engineering/21-Evaluación y validación de respuestas de LLM con criterios precisos.sub.vtt

@@ -0,0 +1,383 @@
+WEBVTT
+
+00:00:00.140 --> 00:00:03.620
+Lo último que te quiero enseñar es cómo puedes evaluar las respuestas de
+
+00:00:03.620 --> 00:00:08.299
+un LLM. Y acá tenemos dos tipos de evaluación. La primera es
+
+00:00:08.300 --> 00:00:13.380
+nuestra evaluación con nuestro criterio, con lo que nosotros esperamos cuando estamos usando
+
+00:00:13.380 --> 00:00:17.680
+los LLMs. Pero la segunda tipo de evaluación es cuando un LLM
+
+00:00:17.680 --> 00:00:22.060
+evalúa la respuesta de otro LLM. Lo único es que ese segundo tipo
+
+00:00:22.060 --> 00:00:24.820
+no lo podemos ver si no tenemos todavía un criterio de lo
+
+00:00:24.820 --> 00:00:28.620
+que estamos esperando. Lo primero que debemos preguntarnos con nuestro prompt es si
+
+00:00:28.620 --> 00:00:31.419
+es una tarea que voy a solucionar solo una vez, o es
+
+00:00:31.420 --> 00:00:34.540
+una tarea que tiene cierta recurrencia o voy a solucionar más de una
+
+00:00:34.540 --> 00:00:37.800
+vez. No es lo mismo hacer una consulta a la ley como
+
+00:00:37.800 --> 00:00:42.060
+lo hicimos en clases pasadas, versus crear un prompt que me permita redactar
+
+00:00:42.060 --> 00:00:45.180
+el asunto de los correos que tengo que enviar todas las semanas
+
+00:00:45.180 --> 00:00:48.780
+a mis clientes. Para el segundo caso, lo primero que tenemos que tener
+
+00:00:48.780 --> 00:00:53.640
+en mente para evaluar ese prompt es la consistencia. Cada vez que
+
+00:00:53.640 --> 00:00:56.360
+hacemos un prompt para el caso de uso donde voy a crear el
+
+00:00:56.360 --> 00:01:00.380
+asunto del correo que envío a todos mis clientes todas las semanas,
+
+00:01:00.380 --> 00:01:04.700
+debo asegurarme que las modificaciones que hago a ese prompt son consistentes a
+
+00:01:04.700 --> 00:01:08.580
+través de probarlo más de una vez. En promedio, tú deberías probar
+
+00:01:08.580 --> 00:01:13.120
+el prompt con diferentes contenidos diez veces y ver que en todas esas
+
+00:01:13.120 --> 00:01:16.620
+diez veces, todos los casos de uso que tienes se cubren y
+
+00:01:16.620 --> 00:01:22.520
+el resultado es lo que necesitas las diez veces que lo pruebas. Puede
+
+00:01:22.520 --> 00:01:26.420
+que sea nueve veces, ocho veces, está bien. Lo importante es que
+
+00:01:26.420 --> 00:01:29.740
+sepas que no puedes confiar simplemente en el asunto que va a generar
+
+00:01:29.740 --> 00:01:32.860
+y enviar el correo, sino que siempre vas a tener que validar
+
+00:01:32.860 --> 00:01:36.560
+que el asunto es lo que tú esperabas y ahí sí enviar el
+
+00:01:36.560 --> 00:01:40.860
+correo. Debes perseguir llegar a ese diez de diez y con eso
+
+00:01:40.860 --> 00:01:44.050
+la automatización queda hecha y no te tienes que volver a preocupar por
+
+00:01:44.050 --> 00:01:47.840
+esta tarea. Los otros tres criterios a tener en cuenta dependen de
+
+00:01:47.840 --> 00:01:52.020
+los problemas que vamos a solucionar. El primero es precisión, y volvemos a
+
+00:01:52.020 --> 00:01:55.720
+lo mismo. Si nosotros estamos creando un cuento o una historia, estamos
+
+00:01:55.720 --> 00:02:00.440
+haciendo un brainstorming, la precisión no es tan importante. Pero si estamos haciendo
+
+00:02:00.440 --> 00:02:03.880
+un análisis de un contenido, haciendo un análisis de un archivo, creando
+
+00:02:03.880 --> 00:02:08.280
+un reporte, basándonos de un-- de una reunión para sacar los accionables o
+
+00:02:08.280 --> 00:02:13.660
+el resumen y enviárselo a diferentes personas, la precisión se vuelve relevante.
+
+00:02:13.660 --> 00:02:17.100
+Y cada vez que modifiques tu prompt, vas a tener que probarlo con
+
+00:02:17.100 --> 00:02:23.160
+diez reuniones distintas, validar que la precisión es consistente y ahí sí
+
+00:02:23.160 --> 00:02:28.260
+poder generar la automatización que estás persiguiendo. El tercer factor es la relevancia.
+
+00:02:28.260 --> 00:02:31.750
+El contenido que me está generando es lo que yo estoy pidiendo.
+
+00:02:31.750 --> 00:02:35.400
+Por ejemplo, si genero un informe, se está enfocando en las partes claves
+
+00:02:35.400 --> 00:02:38.940
+del informe que me importan o está divagando y está yéndose por
+
+00:02:38.940 --> 00:02:42.060
+las cosas que no deberían ir en este reporte o en este informe
+
+00:02:42.060 --> 00:02:45.460
+basado en la información que le pasé. Y volvemos a lo mismo,
+
+00:02:45.460 --> 00:02:49.140
+cada modificación la vamos a probar diez veces, vamos a evaluar la relevancia
+
+00:02:49.140 --> 00:02:54.060
+del resultado y con esto podemos confiar en la automatización. Por último,
+
+00:02:54.060 --> 00:02:58.220
+vas a evaluar la claridad. Y este último criterio, yo siempre lo pienso
+
+00:02:58.220 --> 00:03:01.520
+en qué tan bueno es el resultado basado en los límites que
+
+00:03:01.520 --> 00:03:05.280
+le di a mi prompt. ¿Está manteniendo la cantidad de caracteres que yo
+
+00:03:05.280 --> 00:03:08.120
+le pedí? ¿Está usando el lenguaje o la-- o el tono o
+
+00:03:08.120 --> 00:03:12.340
+la voz del mensaje que yo le estoy pidiendo? Esta parte es poder
+
+00:03:12.340 --> 00:03:16.220
+evaluar que el resultado y su formato se mantienen en lo que
+
+00:03:16.220 --> 00:03:21.340
+yo escribí dentro del prompt. Con estos cuatro criterios puedes pasar un prompt
+
+00:03:21.340 --> 00:03:25.020
+de un chat que usas una vez a algo más sofisticado, un
+
+00:03:25.020 --> 00:03:30.000
+GPT, un agente o una automatización en N8N que permita que tú te
+
+00:03:30.000 --> 00:03:34.239
+desentiendas del problema. Lo importante va a ser que evalúes este prompt
+
+00:03:34.240 --> 00:03:38.440
+cada semana. Puedes confiar en la automatización, pero los modelos van cambiando todo
+
+00:03:38.440 --> 00:03:41.800
+el tiempo y son cambios que no es de un modelo antiguo
+
+00:03:41.800 --> 00:03:46.380
+a un modelo nuevo, sino que las empresas que construyen estos modelos van
+
+00:03:46.380 --> 00:03:49.740
+cambiando ciertas características que no le avisan a las personas que los
+
+00:03:49.740 --> 00:03:55.280
+usamos. Entonces, siempre estamos con la predisposición de que el modelo, aunque sigue
+
+00:03:55.280 --> 00:04:02.960
+llamándose igual, GPT-4, GPT-5, Opus 4.1 o Sonnet, puede comportarse ligeramente diferente
+
+00:04:02.960 --> 00:04:06.500
+de una semana a otra. Y por eso es importante entender que nuestro
+
+00:04:06.500 --> 00:04:09.980
+ca-trabajo cambió. Aunque ya no eres tú el que está enviando ese
+
+00:04:10.020 --> 00:04:14.120
+correo cada semana, ahora tu trabajo es verificar que eso que hizo la
+
+00:04:14.120 --> 00:04:18.120
+inteligencia artificial lo está haciendo de manera correcta y, si no, corregir
+
+00:04:18.120 --> 00:04:22.520
+el prompt y poder volver a confiar en esa automatización. Ahora vamos a
+
+00:04:22.520 --> 00:04:26.320
+ir al segundo caso de uso, donde usamos un LLM para evaluar
+
+00:04:26.320 --> 00:04:30.320
+la respuesta de otro. Y para este ejercicio vamos a volver a la
+
+00:04:30.320 --> 00:04:34.440
+clase en donde trabajamos con la ley de entidades crediticias. Y si
+
+00:04:34.440 --> 00:04:37.680
+recuerdan, todo eso lo hicimos en Gemini. Vamos a volver al chat en
+
+00:04:37.680 --> 00:04:41.600
+Gemini y vamos a ver que teníamos nuestros archivos arriba, que teníamos
+
+00:04:41.600 --> 00:04:45.420
+el anexo sesenta y tres, el diario de la federación y la ley.
+
+00:04:45.420 --> 00:04:49.040
+Le habíamos dicho que se comporte como un asistente legal, que únicamente
+
+00:04:49.040 --> 00:04:53.520
+basaran las respuestas en el documento adjunto, y que si no sabía la
+
+00:04:53.520 --> 00:04:58.760
+información, nos respondiera que no tenía esa información. Y más adelante, en
+
+00:04:58.760 --> 00:05:03.800
+nuestro chat le habíamos dicho que, si había información sobre custodia de la
+
+00:05:03.800 --> 00:05:07.660
+información, nos dijo que el diario de la federación sí tenía, y
+
+00:05:07.660 --> 00:05:12.460
+validamos si la ley de instituciones crediticias mencionaba algo. Y nos decía que
+
+00:05:12.460 --> 00:05:15.920
+no. Vamos a copiar ese término y nos vamos a ir a
+
+00:05:15.920 --> 00:05:19.979
+ChatGPT a validar si es verdad que la ley de instituciones de crédito
+
+00:05:19.980 --> 00:05:23.540
+no tiene nada que ver con custodia de la información. Vamos a
+
+00:05:23.540 --> 00:05:27.100
+ir a ChatGPT, vamos a subir la ley, que también te la estoy
+
+00:05:27.100 --> 00:05:30.460
+dejando en los recursos para que sea más fácil encontrarla. Acá la
+
+00:05:30.460 --> 00:05:41.340
+vemos. Y le vamos a decir: «Dentro del archivo adjunto hay información sobre
+
+00:05:41.340 --> 00:05:47.140
+custodia de la información». Acá podría haber inf-- ambigüedad. Voy a decirle:
+
+00:05:47.140 --> 00:05:53.160
+«Hay, eh, alguna ley sobre custodia de la información». Con eso no repetimos
+
+00:05:53.160 --> 00:05:56.420
+la palabra y no tenemos chance de que se confunda el modelo.
+
+00:05:56.420 --> 00:05:59.040
+Esto lo voy a hacer en el modelo en auto, es decir, él
+
+00:05:59.040 --> 00:06:03.050
+va a decidir qué tan complejo es este problema y lo enviamos.[Comienza la grabación]
+
+00:06:03.050 --> 00:06:06.420
+En este caso, ChatGPT me está diciendo: «Sí, dentro del archivo aparece
+
+00:06:06.420 --> 00:06:09.580
+normativa sobre custodia y conservación de la información en el marco de la
+
+00:06:09.580 --> 00:06:13.500
+ley de instituciones de crédito». Voy a tomar esta información que me
+
+00:06:13.500 --> 00:06:18.180
+da acá, que de hecho me está diciendo: «Mire, lo encuentra en el
+
+00:06:18.180 --> 00:06:22.030
+archivo que usted me subió». Y me dice: «En resumen, la ley
+
+00:06:22.030 --> 00:06:25.740
+sí regula la custodia y conservación de la información, obligando a las instituciones
+
+00:06:25.740 --> 00:06:29.960
+a mantener registros claros, confiables y protegidos. ¿Quieres que te extraiga la
+
+00:06:29.960 --> 00:06:34.400
+información puntual?» No lo vamos a hacer, vamos a tomar esta información y
+
+00:06:34.400 --> 00:06:37.060
+vamos a irnos ahora con Gemini y vamos a validar si esa
+
+00:06:37.060 --> 00:06:41.480
+información está presente en nuestro chat, donde ya le dijimos que si no
+
+00:06:41.480 --> 00:06:45.140
+existe esa información, nos diga que no existe. Entonces, le voy a
+
+00:06:45.140 --> 00:06:55.100
+decir en este chat: «¿Puedes validar si esta información es correcta? Valídala sobre
+
+00:06:55.100 --> 00:07:07.840
+la ley de instituciones, tituciones de crédito, crédito». Entonces, acá instituciones nos
+
+00:07:07.840 --> 00:07:14.780
+quedó mal escrita. Instituciones, listo. Y vamos a poner la información. Acá tenemos
+
+00:07:14.780 --> 00:07:19.040
+nuestro prompt completo, que tiene tanto el artículo ciento veinticuatro como el
+
+00:07:19.040 --> 00:07:23.700
+artículo setenta y nueve. Está haciendo el análisis y dice: «De acuerdo con
+
+00:07:23.700 --> 00:07:27.920
+los documentos adjuntos a la ley, la información proporcionada es correcta». Ya
+
+00:07:27.920 --> 00:07:32.300
+está la información que le dimos. En este caso, quiero que veas cómo
+
+00:07:32.300 --> 00:07:37.320
+usamos dos LLMs para validar si la información que estábamos buscando estaba
+
+00:07:37.320 --> 00:07:41.280
+o no estaba. Originalmente, Gemini nos dijo que no, y esto fue porque
+
+00:07:41.280 --> 00:07:45.800
+se fue a buscar literalmente los términos, no agarró la sutileza sino
+
+00:07:45.800 --> 00:07:49.260
+fue a ver si había algo que refería a esa información, pero no
+
+00:07:49.260 --> 00:07:54.280
+bajo esos términos en específico. Cuando nos fuimos a ChatGPT, encontramos la
+
+00:07:54.280 --> 00:07:58.700
+información que podría referirse a eso y ya validamos si esa información la
+
+00:07:58.700 --> 00:08:02.980
+había alucinado ChatGPT o si en efecto estaba y simplemente no la
+
+00:08:02.980 --> 00:08:06.700
+había encontrado porque no eran los términos exactos. Esta forma de validar es
+
+00:08:06.700 --> 00:08:09.740
+muy útil porque no implica tener que leer toda la ley para
+
+00:08:09.740 --> 00:08:16.740
+saber si Gemini o Claude o ChatGPT están alucinando. Y tampoco confía únicamente
+
+00:08:16.740 --> 00:08:20.660
+en las técnicas de prompting que usamos para asegurarnos de que solo
+
+00:08:20.660 --> 00:08:24.500
+basara la información en los documentos que le entregamos. Con esto, la próxima
+
+00:08:24.500 --> 00:08:27.659
+vez que escribas un prompt, no te quedes con la primera respuesta.
+
+00:08:27.660 --> 00:08:32.780
+Crea variaciones, valídalas, prueba sistemáticamente con todas las herramientas que te he dado
+
+00:08:32.780 --> 00:08:36.360
+durante el curso, con el fin de encontrar el flujo de trabajo
+
+00:08:36.360 --> 00:08:41.880
+que mejor funciona según el problema que estás automatizando. E incluso, antes de
+
+00:08:41.880 --> 00:08:45.180
+pensar en automatizar o antes de pensar en solucionar un problema con
+
+00:08:45.180 --> 00:08:51.860
+inteligencia artificial, hazte la pregunta: ¿Ese problema necesita inteligencia artificial? Porque ya viste
+
+00:08:51.860 --> 00:08:54.860
+que no es un trabajo sencillo y te puedes quedar mucho tiempo
+
+00:08:54.860 --> 00:08:58.879
+haciendo este proceso cuando la realidad es que ese problema no necesitaba ser
+
+00:08:58.880 --> 00:09:00.680
+algo que se solucionara con AI.
+

prompt-engineering/22-Plantillas de prompts para correos de seguimiento empresarial.mp4

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:c545a7005cc6b43de948c85eabcf7e4f34694c2eb3514b0d8ddf7a9612c5fb18
+size 130956834

prompt-engineering/22-Plantillas de prompts para correos de seguimiento empresarial.sub.vtt

@@ -0,0 +1,167 @@
+WEBVTT
+
+00:00:00.080 --> 00:00:03.740
+Hasta este punto ya aprendiste cuál es la estructura base de un prompt.
+
+00:00:03.740 --> 00:00:07.310
+Aprendiste que no son reglas de oro, sino también aprendiste cómo funciona
+
+00:00:07.310 --> 00:00:11.340
+el modelo de atención, el espacio vectorial y cómo las palabras importan para
+
+00:00:11.340 --> 00:00:14.940
+ir modificando ese prompt con el fin de llegar a ese resultado.
+
+00:00:14.940 --> 00:00:20.900
+También vimos varias técnicas de prompting, desde zero shot, free shot, self-consistency, cadena
+
+00:00:20.900 --> 00:00:25.240
+de pensamiento e incluso llegamos a ver cómo manejar largas ventanas de
+
+00:00:25.240 --> 00:00:29.440
+contexto para evitar que el modelo alucine o que olvide instrucciones y qué
+
+00:00:29.440 --> 00:00:33.380
+hacer cuando nos enfrentamos a este problema. Acá abajo en la sección
+
+00:00:33.380 --> 00:00:38.380
+de recursos voy a dejarte diferentes plantillas. Estas plantillas son para diversos problemas
+
+00:00:38.380 --> 00:00:41.140
+a los que te vas a enfrentar. Son una pieza de inspiración
+
+00:00:41.140 --> 00:00:45.100
+para que tú puedas solucionar diferentes de esos problemas, pero también para que
+
+00:00:45.100 --> 00:00:48.640
+tú las modifiques y las adaptes al contexto de tu trabajo. Para
+
+00:00:48.640 --> 00:00:52.240
+esto quiero mostrarte una de las plantillas. Con eso te enseño a usarlas
+
+00:00:52.240 --> 00:00:56.240
+y te sientes libre de modificarlas. Esta plantilla que tenemos acá es
+
+00:00:56.240 --> 00:00:59.200
+para redactar un correo de seguimiento a un cliente a partir de una
+
+00:00:59.200 --> 00:01:03.920
+reunión. Tenemos: eres un asistente de redacción comercial que compone correos claros,
+
+00:01:03.920 --> 00:01:08.500
+concisos y respetuosos, y su tarea es redactar un correo de seguimiento posterior
+
+00:01:08.500 --> 00:01:11.660
+a una reunión con el cliente con un resumen breve, acuerdos y
+
+00:01:11.660 --> 00:01:16.880
+próximos pasos concretos. Tenemos acá nuestra etiqueta del contexto, que inicia y termina
+
+00:01:16.880 --> 00:01:21.539
+acá, y tenemos el nombre del cliente, nombre de la empresa, fecha
+
+00:01:21.540 --> 00:01:26.020
+de la reunión y notas de la reunión. Esto que ves acá entre
+
+00:01:26.020 --> 00:01:29.339
+llaves es la información que debes reemplazar. La puse en amarillo para
+
+00:01:29.340 --> 00:01:33.340
+que sea más evidente. Y luego tenemos los límites, que van a establecer
+
+00:01:33.340 --> 00:01:37.700
+cuál es el output que estamos esperando, el resultado del LLM, que
+
+00:01:37.700 --> 00:01:41.320
+sea máximo de ciento cincuenta o doscientas palabras, que tenga una estructura con
+
+00:01:41.320 --> 00:01:46.420
+asu-- con asunto, saludo, párrafo, agradecimiento, lenguaje simple y directo, una voz
+
+00:01:46.420 --> 00:01:50.860
+que contenga cohesión y cortesía y que entregues solo el correo final sin
+
+00:01:50.860 --> 00:01:56.400
+notas ni explicaciones. Vamos a llevarnos este prompt a Claude y vamos
+
+00:01:56.400 --> 00:02:00.080
+a poner la información acerca de una reunión ficticia que tengo por acá
+
+00:02:00.080 --> 00:02:05.000
+para que veamos cómo funciona. Entonces, el nombre del cliente va a
+
+00:02:05.000 --> 00:02:12.700
+ser Francisco García, Francisco García. La empresa va a ser Innovatech. Entonces, le
+
+00:02:12.700 --> 00:02:22.060
+vamos a decir acá Innovatech. Innova, Innova con una N, Innovatech. La
+
+00:02:22.060 --> 00:02:29.160
+fecha de la reunión va a ser 12 de agosto del 2025. 2025.
+
+00:02:29.160 --> 00:02:32.320
+Y vamos a tener las notas de la reunión que yo tomé
+
+00:02:32.320 --> 00:02:36.100
+para que pueda construir el correo. Entonces, digo, la reunión se llevó a
+
+00:02:36.100 --> 00:02:39.920
+cabo con el director de operaciones, que sería este Francisco, responsable de
+
+00:02:39.920 --> 00:02:44.880
+marketing de Innovatech. Se discu-- se discutieron estas cosas, estos son los accionables
+
+00:02:44.880 --> 00:02:50.180
+y se acordó una comunicación para tal día. Entonces, en este caso
+
+00:02:50.180 --> 00:02:54.530
+dice 30 de septiembre, en realidad no es 30 de septiembre, eh, 30
+
+00:02:54.530 --> 00:02:59.960
+de agosto, perdón, lo vamos a dejar para octubre. Y con esto
+
+00:02:59.960 --> 00:03:05.800
+lo vamos a enviar. Si te diste cuenta, mientras piensa, reemplazamos las variables
+
+00:03:05.800 --> 00:03:08.940
+con la información que yo tenía acerca de mi reunión y desde
+
+00:03:08.940 --> 00:03:15.540
+ahí simplemente envié y puedo ver el resultado. El asunto tengo acá, el
+
+00:03:15.540 --> 00:03:19.299
+correo que pedí, saludos cordiales y me pide que yo ponga mi
+
+00:03:19.300 --> 00:03:23.420
+nombre, mi cargo y mis datos de contacto. Con eso ya tengo un
+
+00:03:23.420 --> 00:03:27.240
+prompt que me soluciona un problema. Ahora, este prompt no es el
+
+00:03:27.240 --> 00:03:29.360
+tono que se usa en tu empresa o no es la forma en
+
+00:03:29.360 --> 00:03:33.820
+la que tú hablas, siéntete libre de modificar este prompt a lo
+
+00:03:33.820 --> 00:03:36.960
+que se acomode para tu caso de uso. Y con esto ya estás
+
+00:03:36.960 --> 00:03:41.060
+preparada para tomar el examen del curso, aprobarlo y compartir tu certificado
+
+00:03:41.060 --> 00:03:43.760
+en LinkedIn para que todo el mundo sepa que ya estás lista para
+
+00:03:43.760 --> 00:03:47.299
+crear prompts en cualquier reto que tengas en tu trabajo. Yo soy
+
+00:03:47.300 --> 00:03:50.620
+Juan Pablo Rojas, chief product officer de Platzi, y fue un placer acompañarte
+
+00:03:50.620 --> 00:03:54.400
+durante este curso. Escribe todo lo que vas aprendiendo en los comentarios
+
+00:03:54.400 --> 00:03:57.340
+y continuamos la conversación. Estaré respondiéndolos todos.
+

prompt-engineering/3-Cómo interpretan los LLM el significado de las palabras.mp4

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:f633a58cc6808c4e430af6e368fac303bc0697115f6d77055972f4a6669c5ea8
+size 339952820

prompt-engineering/3-Cómo interpretan los LLM el significado de las palabras.sub.vtt

@@ -0,0 +1,374 @@
+WEBVTT
+
+00:00:00.280 --> 00:00:04.000
+Imagina que eres el dueño de una biblioteca, tienes cientos de libros y
+
+00:00:04.000 --> 00:00:09.700
+necesitas encontrar uno que habla sobre cocina. ¿Cómo lo puedes lograr? Seguramente
+
+00:00:09.700 --> 00:00:15.020
+organizas la biblioteca por temáticas. Cocina va por acá, novelas van por acá,
+
+00:00:15.020 --> 00:00:19.160
+eh, todos los libros sobre programación van por acá, eh, todos los
+
+00:00:19.160 --> 00:00:22.660
+libros de historia van por allá. Estás usando una de las características de
+
+00:00:22.660 --> 00:00:26.940
+los libros para organizar tu biblioteca y, según tu necesidad, hacer más
+
+00:00:26.940 --> 00:00:31.640
+fácil encontrar ese libro. ¿Cierto? Los modelos de lenguaje hacen algo muy similar
+
+00:00:31.640 --> 00:00:35.860
+para poder entender el significado de las palabras dentro del lenguaje que
+
+00:00:35.860 --> 00:00:41.780
+nosotros hablamos. Asignan una ubicación matemática específica para cada una de esas palabras,
+
+00:00:41.780 --> 00:00:46.380
+como si fuera un GPS donde cada característica que tiene una palabra,
+
+00:00:46.380 --> 00:00:49.620
+y no solo la palabra como tal, sino su significado, lo que quiere
+
+00:00:49.620 --> 00:00:54.140
+decir dentro de una cultura, le permite lograr, ubicarla y hallarla en
+
+00:00:54.140 --> 00:00:59.500
+un espacio gigante de muchas dimensiones. Esta ubicación matemática precisa que ayuda al
+
+00:00:59.500 --> 00:01:03.780
+GPS a encontrar las palabras dentro de todos sus significados, se les
+
+00:01:03.780 --> 00:01:08.380
+llama embeddings o representación vectorial. Y piensa en esto como el ADN de
+
+00:01:08.380 --> 00:01:12.480
+una palabra. Es una secuencia de números que a la máquina, que
+
+00:01:12.480 --> 00:01:16.400
+habla en números, le va a permitir entender todo el significado de esa
+
+00:01:16.400 --> 00:01:21.500
+palabra y encontrarla y hallarla dentro de lo que queremos decir para
+
+00:01:21.500 --> 00:01:26.080
+entender ese prompt que nosotros estamos entregando. Por ejemplo, la palabra perro, que
+
+00:01:26.080 --> 00:01:30.040
+tiene las siguientes coordenadas: cero punto dos, menos cero punto cinco, cero
+
+00:01:30.040 --> 00:01:34.780
+punto ocho, cero punto tres y muchas más. Y un segundo. Si no
+
+00:01:34.780 --> 00:01:38.480
+te gustan las matemáticas, entiendo que esto pueda ser algo que asuste.
+
+00:01:38.480 --> 00:01:44.360
+Piénsalo como decir una dirección en un, en una ciudad en donde vives,
+
+00:01:44.360 --> 00:01:48.340
+son una forma de llegar allá. Y podemos tener la palabra gato
+
+00:01:48.340 --> 00:01:51.480
+que tiene cero punto veintiuno, menos cero punto cuarenta y ocho, cero punto
+
+00:01:51.480 --> 00:01:55.320
+setenta y nueve, cero punto treinta y uno. Y si lo ves,
+
+00:01:55.320 --> 00:02:01.780
+de hecho, las coordenadas se parecen, son muy cercanas. ¿Por qué? Pues básicamente
+
+00:02:01.780 --> 00:02:05.880
+porque estas dos palabras, aunque son diferentes, son letras diferentes, de hecho,
+
+00:02:05.880 --> 00:02:10.139
+entre perro y gato solo comparten la O, en su significado y lo
+
+00:02:10.139 --> 00:02:16.320
+que significan dentro de nuestro lenguaje y nuestra cultura son muy similares.
+
+00:02:16.320 --> 00:02:21.600
+Ambas son animales, ambos son mamíferos, ambos son domésticos. Y eso es lo
+
+00:02:21.600 --> 00:02:26.980
+que representa esta ubicación matemática que le asigna los LLMs a las
+
+00:02:26.980 --> 00:02:31.900
+palabras a través de los embeddings. Todo ese significado y qué tan cercanas
+
+00:02:31.900 --> 00:02:35.940
+están esas palabras. Vamos a ver otro ejemplo. Y para este siguiente
+
+00:02:35.940 --> 00:02:41.000
+ejemplo, quiero que tengas en mente lo siguiente. En este espacio matemático gigante,
+
+00:02:41.000 --> 00:02:44.440
+esa ubicación va a representar la cercanía de las palabras en su
+
+00:02:44.440 --> 00:02:49.860
+significado. Eso quiere decir que palabras con significados similares van a estar cerca.
+
+00:02:49.860 --> 00:02:54.480
+Rey está cerca de reina, hospital está cerca de médico, azul está
+
+00:02:54.480 --> 00:02:59.910
+cerca de rojo. Todos comparten muchas características que hacen que la cercanía en
+
+00:02:59.910 --> 00:03:04.560
+ese espacio matemático se dé. Y es raro pensar de esta manera,
+
+00:03:04.560 --> 00:03:09.600
+porque para nosotros esto es muy obvio o muy de sentido común. Pero
+
+00:03:09.600 --> 00:03:12.660
+para que los LLMs pudieran capturar la forma en la que hablamos
+
+00:03:12.660 --> 00:03:18.340
+y entenderla, teníamos que volverlo algo que matemáticamente funcionara. Y dentro del proceso
+
+00:03:18.340 --> 00:03:21.480
+de prompt engineering, lo que vamos a estar haciendo es traer algo
+
+00:03:21.480 --> 00:03:25.940
+que es de sentido común o muy del inconsciente, el consciente, y poder
+
+00:03:25.940 --> 00:03:29.470
+ponerlo en palabras y ser conscientes justamente de cuáles son las palabras
+
+00:03:29.470 --> 00:03:32.240
+que estamos usando. Este ejemplo no te va a poner otra vez los
+
+00:03:32.240 --> 00:03:35.420
+vectores y las matemáticas, no te preocupes, pero sí quiero que veas
+
+00:03:35.420 --> 00:03:41.660
+como, si ya entendemos que cada palabra en este espacio gigante dimensional captura
+
+00:03:41.660 --> 00:03:44.740
+el significado de esas palabras y las pone cerca o lejos según
+
+00:03:44.740 --> 00:03:50.740
+su significado, pues también puede capturar relaciones un poco más complejas. Entonces, imaginémonos
+
+00:03:50.740 --> 00:03:53.930
+que tenemos el vector de rey, la palabra rey ubicada en este
+
+00:03:53.930 --> 00:04:01.390
+espacio, eh, multidimensional. Y luego yo le resto hombre. Es raro porque nosotros
+
+00:04:01.390 --> 00:04:05.680
+en las palabras no restamos ni sumamos. Pero trata de imaginarlo, que
+
+00:04:05.680 --> 00:04:09.040
+a la palabra rey le estamos quitando el factor de que es hombre
+
+00:04:09.040 --> 00:04:12.520
+y ahora le vamos a agregar el factor que es mujer. Si
+
+00:04:12.520 --> 00:04:16.320
+yo te digo esto así, quiero que pares y en los comentarios me
+
+00:04:16.320 --> 00:04:25.220
+digas cuál es el resultado. Ya que lo pusiste en los comentarios,
+
+00:04:25.220 --> 00:04:28.380
+estoy muy seguro de que llegaste al mismo lugar al que llegaría un
+
+00:04:28.380 --> 00:04:32.760
+LLM. Y es que diría que rey menos hombre más mujer sería
+
+00:04:32.800 --> 00:04:37.320
+una reina. Si quitamos del factor rey, del significado rey, la palabra hombre
+
+00:04:37.320 --> 00:04:40.980
+y decimos que es una mujer, automáticamente pensamos en que estamos hablando
+
+00:04:40.980 --> 00:04:43.980
+de la reina. Y esta es la forma en la que ese espacio
+
+00:04:43.980 --> 00:04:49.500
+multidimensional, donde cada palabra y su significado es ubicado, puede llegar a
+
+00:04:49.500 --> 00:04:55.080
+usar operaciones matemáticas para incluso llegar a lugares o capturar relaciones más complejas
+
+00:04:55.080 --> 00:04:59.620
+de cómo nosotros nos comunicamos. Y para que puedas imaginarte un poco
+
+00:04:59.620 --> 00:05:04.200
+más cómo se ve este espacio vectorial, quiero mostrarte lo siguiente. Acá tenemos
+
+00:05:04.200 --> 00:05:06.979
+una herramienta que se llama el Embedding Projector, que lo que hace
+
+00:05:06.980 --> 00:05:10.320
+es tratar de mostrarnos de una manera gráfica cómo se ve este espacio
+
+00:05:10.320 --> 00:05:14.400
+multidimensional. Te estoy dejando el enlace en los recursos y quiero que
+
+00:05:14.400 --> 00:05:18.980
+tengas en cuenta una cosa. Primero, este proyector de embeddings solo funciona para
+
+00:05:18.980 --> 00:05:21.520
+palabras en inglés y lo siguiente que quiero que tengas en cuenta
+
+00:05:21.520 --> 00:05:25.240
+es que acá solo somos capaces de ver tres dimensiones, como si estuviéramos
+
+00:05:25.240 --> 00:05:30.460
+clasificando las palabras en tres características. Los LLMs hacen esto en muchas
+
+00:05:30.460 --> 00:05:35.100
+más. De hecho, estamos hablando de setecientas cuarenta y ocho, mil veinticuatro, dos
+
+00:05:35.100 --> 00:05:40.160
+mil cincuenta y seis di-dimensiones, algo que simplemente es imposible de imaginar.
+
+00:05:40.160 --> 00:05:43.980
+Probamos esto. Tenemos una nube donde cada uno de esos puntos son una
+
+00:05:43.980 --> 00:05:48.420
+palabra. Y en este caso, yo busqué queen, reina. Y podemos ver
+
+00:05:48.420 --> 00:05:56.180
+cómo palabras cercanas son Elizabeth, Anne, King, Mary, Princess, Catherine. Y esa cercanía
+
+00:05:56.180 --> 00:05:59.360
+la va a capturar de todo el entrenamiento que tienen los LLMs
+
+00:05:59.360 --> 00:06:03.496
+por detrás con toda la literatura que existe.Todo lo que hay acerca de
+
+00:06:03.496 --> 00:06:07.796
+liqui-- literatura y que está sin copyright en principio, lo va a
+
+00:06:07.796 --> 00:06:12.056
+usar para entrenarse y ese entrenamiento es para simular nuestra inteligencia, y lo
+
+00:06:12.056 --> 00:06:16.536
+primero que hace para simular la inteligencia es entender nuestro lenguaje y
+
+00:06:16.536 --> 00:06:19.896
+de esta manera lo entiende. Entonces, esto nos habla de que mucha de
+
+00:06:19.896 --> 00:06:24.196
+la literatura que existe, la palabra queen está cerca de Elizabeth, por
+
+00:06:24.196 --> 00:06:29.536
+la reina E-Elizabeth. Y acá podemos ver cómo se ilumina una parte de
+
+00:06:29.536 --> 00:06:33.476
+ese espacio vectorial y qué tan cercanas están las palabras que estamos
+
+00:06:33.476 --> 00:06:37.516
+viendo. Si yo me voy a queen, en específico, miren, por acá sale,
+
+00:06:37.516 --> 00:06:41.756
+eh, revenge sale por ahí, pero acá está Elizabeth y vemos que
+
+00:06:41.756 --> 00:06:45.836
+queen está por acá y luego princess está por acá, que gráficamente pareciera
+
+00:06:45.836 --> 00:06:48.556
+que está más cerca, pero si nos movemos vemos que se aleja
+
+00:06:48.556 --> 00:06:51.776
+porque pues son tres dimensiones. Pero esto nos da un poquito la idea
+
+00:06:51.776 --> 00:06:55.716
+de esto que estábamos hablando, cómo se ve gráficamente. ¿Y esto por
+
+00:06:55.716 --> 00:07:01.096
+qué es crucial para los LLM? Es básicamente la diferencia entre el teclado
+
+00:07:01.096 --> 00:07:05.656
+predictivo de cuando estás hablando por WhatsApp versus todo este sistema que
+
+00:07:05.656 --> 00:07:09.656
+te estoy explicando para que un LLM entienda nuestro lenguaje. Cuando yo escribo
+
+00:07:09.656 --> 00:07:13.146
+por WhatsApp, solo está prediciendo cuál es la siguiente palabra después de
+
+00:07:13.146 --> 00:07:18.416
+decir: «Hola». ¿Qué más uso cuando estoy escribiendo? No está buscando el significado
+
+00:07:18.416 --> 00:07:21.676
+de las palabras, no está viendo cuál es mi intención en el
+
+00:07:21.676 --> 00:07:27.216
+mensaje. Por eso el autocorrector no puede escribirme un correo. La diferencia con
+
+00:07:27.216 --> 00:07:31.496
+ChatGPT, los LLM o cualquiera de estas herramientas es que sí capturan
+
+00:07:31.496 --> 00:07:34.396
+la esencia de lo que estoy diciendo y tratan de buscar qué es
+
+00:07:34.396 --> 00:07:38.606
+lo que más sentido tiene dentro de mi comunicación. Si yo escribo:
+
+00:07:38.606 --> 00:07:42.536
+«El cielo es», lo que estoy haciendo es mover la atención de ese
+
+00:07:42.536 --> 00:07:46.836
+LLM hacia ese espacio vectorial que tiene que ver con el clima,
+
+00:07:46.836 --> 00:07:50.876
+y va a tener ese contexto alrededor del clima. Teniendo en cuenta esto,
+
+00:07:50.876 --> 00:07:54.776
+y que cada palabra que nosotros escribimos mueve la atención del LLM
+
+00:07:54.776 --> 00:07:59.196
+hacia un lugar de ese espacio vectorial, en la siguiente clase vamos a
+
+00:07:59.196 --> 00:08:03.916
+hablar sobre cómo asignarle un rol al LLM para poder cumplir una
+
+00:08:03.916 --> 00:08:07.026
+tarea en específico y cuál es su función, cuál es la razón para
+
+00:08:07.026 --> 00:08:10.236
+asignar un rol. Y conforme vamos avanzando en el curso, vamos a
+
+00:08:10.236 --> 00:08:13.606
+ver diferentes técnicas que lo único que hacen es jugar con ese modelo
+
+00:08:13.606 --> 00:08:17.296
+de atención y con lo que acabamos de ver del espacio vectorial
+
+00:08:17.296 --> 00:08:21.176
+para lograr resultados efectivos. Lo que quiero que te lleves de esta clase
+
+00:08:21.176 --> 00:08:24.296
+es que cada vez que vayas a escribir un prompt, pienses que
+
+00:08:24.296 --> 00:08:28.716
+cada palabra que estás colocando importa y que es muy importante entender el
+
+00:08:28.716 --> 00:08:32.536
+significado de las palabras cuando estamos escribiendo un prompt. Es por eso
+
+00:08:32.536 --> 00:08:36.756
+que siempre se recomienda que escribas prompts en tu lenguaje nativo, porque cuando
+
+00:08:36.756 --> 00:08:40.376
+estás hablando un lenguaje que no es tu lenguaje nativo, pueden haber
+
+00:08:40.376 --> 00:08:46.316
+muchos significados culturales o detalles de las palabras, sutilezas de las palabras que
+
+00:08:46.316 --> 00:08:49.436
+no vas a alcanzar a capturar tú solo. Y sí lo vas
+
+00:08:49.436 --> 00:08:52.176
+a lograr en el lenguaje con el que naciste, con el que empezaste
+
+00:08:52.176 --> 00:08:53.376
+a hablar.
+

prompt-engineering/4-Cómo definir roles efectivos en prompts de IA.mp4

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:26714ee48e359f075d96072c9f32271fd8a94edccb17d1c32ff8d048d1922520
+size 216507216

prompt-engineering/4-Cómo definir roles efectivos en prompts de IA.sub.vtt

@@ -0,0 +1,251 @@
+WEBVTT
+
+00:00:00.660 --> 00:00:04.840
+Piensa en la última vez que pediste ayuda. Cuando lo fuiste a hacer,
+
+00:00:04.840 --> 00:00:08.760
+¿fuiste a la primera persona que se te ocurrió o pensaste: «¿Quién
+
+00:00:08.760 --> 00:00:12.880
+sería la mejor persona que me podría ayudar a solucionar este problema?» La
+
+00:00:12.880 --> 00:00:17.340
+diferencia entre estas dos aproximaciones pueden variar muchísimo el resultado y qué
+
+00:00:17.340 --> 00:00:20.260
+tan efectiva es la ayuda que estás pidiendo. Si vas a la primera
+
+00:00:20.260 --> 00:00:25.080
+persona que se te ocurrió, chance hay de que, eh, llegues a
+
+00:00:25.080 --> 00:00:27.640
+la persona correcta que te pueda ayudar o que llegues a una persona
+
+00:00:27.640 --> 00:00:32.800
+que te diga: «Híjole, no sabría qué decirte, pero puedes preguntarle a
+
+00:00:32.800 --> 00:00:38.660
+fulanito». Es raro porque este proceso lo pensamos, escogemos a la persona y
+
+00:00:38.660 --> 00:00:42.380
+vamos a decirle qué necesitamos. No es como que llegamos a donde
+
+00:00:42.380 --> 00:00:46.120
+la persona y le decimos: «Oye, como tú eres eh, experto en marketing,
+
+00:00:46.120 --> 00:00:49.660
+quiero hacerte esta pregunta». Pero la verdad es que este proceso que
+
+00:00:49.660 --> 00:00:53.860
+hacemos, un poco inconsciente, es muy útil para la inteligencia artificial, como lo
+
+00:00:53.860 --> 00:00:57.920
+vimos en la clase pasada. Esto se llama el rol, y vamos
+
+00:00:57.920 --> 00:01:01.380
+a ver cómo lo podemos poner en práctica dentro de un prompt. Esta
+
+00:01:01.380 --> 00:01:05.899
+transformación no es casualidad. Como vimos al inicio, cuando nos preguntamos quién
+
+00:01:05.900 --> 00:01:09.620
+es la mejor persona que me podría ayudar, estamos optimizando a ir al
+
+00:01:09.620 --> 00:01:13.120
+área de conocimiento que más nos ayudaría para el problema que tenemos.
+
+00:01:13.120 --> 00:01:17.500
+En este caso, con la inteligencia artificial, estamos colocando el rol para que
+
+00:01:17.500 --> 00:01:23.440
+modifiquemos ese espacio vectorial y lo llevemos al lugar o al área
+
+00:01:23.440 --> 00:01:28.080
+de conocimiento que más nos ayudaría a solucionar este problema. Al final, estamos
+
+00:01:28.080 --> 00:01:33.320
+activando patrones específicos del lenguaje que el modelo aprendió durante su entrenamiento.
+
+00:01:33.320 --> 00:01:36.760
+Otra forma de pensarlo es como decirle a un empleado: «Este es tu
+
+00:01:36.760 --> 00:01:40.760
+job description». De repente, el empleado ya sabe cómo comportarse, desde qué
+
+00:01:40.760 --> 00:01:44.450
+lugar se espera abordar los problemas, entre otros factores que lo van a
+
+00:01:44.450 --> 00:01:48.320
+ayudar a triunfar en el trabajo que se le designó. Pasa lo
+
+00:01:48.320 --> 00:01:53.520
+mismo con los LLM. Veamos un ejemplo más, un poco más pequeño. Vamos
+
+00:01:53.520 --> 00:01:59.460
+a preguntarle en un nuevo chat: «¿Qué es el clima?». Cuando hago
+
+00:01:59.460 --> 00:02:03.780
+esta pregunta, me va a dar una respuesta genérica, donde me habla de
+
+00:02:03.780 --> 00:02:10.410
+condiciones atmosféricas... Me dice cosas básicas, como temperatura, precipitaciones, humedad, vientos, presión
+
+00:02:10.410 --> 00:02:19.240
+atmosférica, etcétera, etcétera, etcétera. Ahora hagamos un nuevo prompt. Digamos: «Actúa como climatólogo
+
+00:02:19.240 --> 00:02:27.859
+experto y explícame qué es el clima. Yo soy un niño de
+
+00:02:27.860 --> 00:02:32.800
+primaria». Y la respuesta la va a adaptar con la información que le
+
+00:02:32.800 --> 00:02:35.900
+dimos. Entonces, lo primero es que empieza a usar emojis, porque ya
+
+00:02:35.900 --> 00:02:38.130
+le dije que yo soy un niño, entonces asume que esto va a
+
+00:02:38.130 --> 00:02:42.300
+ser, eh, más entretenido para mí. Y me dice: «Como climatólogo te
+
+00:02:42.300 --> 00:02:45.980
+voy a explicar de manera sencilla. El clima es como la personalidad de
+
+00:02:45.980 --> 00:02:50.600
+un lugar en la Tierra». Si te das cuenta, estos cambios permitieron
+
+00:02:50.600 --> 00:02:56.000
+que la inteligencia artificial tomara más allá de que simplemente explicara algo diferente,
+
+00:02:56.000 --> 00:03:00.440
+usar diferentes herramientas del lenguaje para llegar a solucionar el problema. En
+
+00:03:00.440 --> 00:03:04.840
+este caso, está haciendo una analogía que, para un niño de primaria, haría
+
+00:03:04.840 --> 00:03:09.609
+más fácil explicar qué es el clima. Donde en mi ejemplo anterior,
+
+00:03:09.609 --> 00:03:13.480
+vemos una respuesta más genérica, más al estilo de Wikipedia. Acá quiero que
+
+00:03:13.480 --> 00:03:17.120
+pares la clase y vamos a hacer un ejercicio interesante. Si estás
+
+00:03:17.120 --> 00:03:20.200
+viendo esta clase, quiero que en los comentarios dejes cuál es tu rol
+
+00:03:20.200 --> 00:03:24.360
+en tu empresa y me des una descripción de cien caracteres de
+
+00:03:24.360 --> 00:03:28.620
+qué haces tú en ese rol. Veamos qué significan los roles en diferentes
+
+00:03:28.620 --> 00:03:32.040
+empresas y en diferentes lugares. Es muy divertido y una cosa que
+
+00:03:32.040 --> 00:03:36.160
+yo hago mucho con los LLM es preguntarles: «Para ti qué es un
+
+00:03:36.160 --> 00:03:40.420
+community manager». Y con eso logro llegar al entendimiento de qué es
+
+00:03:40.420 --> 00:03:44.800
+lo que el LLM interpreta por community manager y con eso saber si
+
+00:03:44.800 --> 00:03:48.600
+es el rol más indicado para el problema que quiero resolver. Muchas
+
+00:03:48.600 --> 00:03:51.420
+veces yo creo que para crear un guion para un TikTok, para un
+
+00:03:51.420 --> 00:03:57.160
+Reel, necesito el community manager, pero resulta que es mejor un guionista.
+
+00:03:57.160 --> 00:04:01.200
+Y solo lo voy a saber, no porque significa en el conocimiento común
+
+00:04:01.200 --> 00:04:06.180
+de las personas que tengo alrededor, sino porque entiende el LLM qué
+
+00:04:06.180 --> 00:04:10.740
+hace ese rol dentro de su entrenamiento. Con lo que aprendiste en este
+
+00:04:10.740 --> 00:04:15.520
+módulo, quiero darte la estructura de un prompt efectivo. Pero recuerda, esta
+
+00:04:15.520 --> 00:04:19.100
+estructura no es una regla de oro. Vimos que, con pequeños prompts logramos
+
+00:04:19.100 --> 00:04:23.419
+resultados de lo que esperábamos. Piénsalo más como la forma de qué
+
+00:04:23.420 --> 00:04:26.680
+preguntas hacerte para saber qué le hace falta a tu prompt para llegar
+
+00:04:26.680 --> 00:04:29.580
+al resultado que esperas. Y la primera ya la vimos, y es
+
+00:04:29.580 --> 00:04:33.680
+el rol. Al final, cuando seteamos un rol, estamos moviendo ese espacio vectorial
+
+00:04:33.680 --> 00:04:36.320
+al área de conocimiento que más nos va a ayudar a resolver
+
+00:04:36.320 --> 00:04:41.120
+este problema. El siguiente es el enfoque o la instrucción, y acá debe
+
+00:04:41.120 --> 00:04:46.120
+ser claro y conciso. Recuerda, debes usar las palabras correctas para decir
+
+00:04:46.120 --> 00:04:49.260
+lo que quieres decir. Y, en este caso, lo que debemos hacer es
+
+00:04:49.260 --> 00:04:53.380
+ser directos con qué es lo que necesitamos que resuelva el LLM.
+
+00:04:53.380 --> 00:04:58.040
+No es necesario pedir el favor, no es necesario agregar... palabras que decoren
+
+00:04:58.040 --> 00:05:01.720
+la instrucción. Entre más preciso seas, más efectivo va a ser el
+
+00:05:01.720 --> 00:05:05.720
+prompt. Lo siguiente es el contexto de la memoria, y acá piensa acerca
+
+00:05:05.720 --> 00:05:09.620
+de esto como cuál es la información que necesita esta persona, o
+
+00:05:09.620 --> 00:05:14.060
+en este caso el LLM, para resolver este problema. En nuestro ejercicio, el
+
+00:05:14.060 --> 00:05:17.760
+contexto era el reporte de McKinsey. Sin ese reporte, no hubiéramos podido
+
+00:05:17.760 --> 00:05:22.040
+llegar al resultado. Y los límites, piénsalos como cuál es la estructura de
+
+00:05:22.040 --> 00:05:26.060
+lo que estás esperando como resultado. ¿Quieres que sea un resumen? ¿Quieres
+
+00:05:26.060 --> 00:05:29.580
+que sea corto? ¿Quieres que sean bullet points? ¿Qué significa corto? Porque en
+
+00:05:29.580 --> 00:05:34.280
+un libro podríamos decir que ochenta páginas es un libro corto. Entonces,
+
+00:05:34.280 --> 00:05:39.120
+entre más específicos se hacen esos límites y haya menos ambigüedad donde especifiques
+
+00:05:39.120 --> 00:05:44.240
+número de caracteres, cuántas oraciones, cuántas palabras, y uses adjetivos que ayuden
+
+00:05:44.240 --> 00:05:49.540
+a llegar a ese, esa descripción que estás buscando, como «se accionable, sé
+
+00:05:49.540 --> 00:05:53.900
+conciso, sé pragmático», vas a lograr tener el resultado que estabas esperando
+
+00:05:53.900 --> 00:05:55.240
+en un solo prompt.
+

prompt-engineering/6-Comparación práctica de ChatGPT, Claude, Gemini y Microsoft Copilot.mp4

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:b49d881d5e80fa86521a6f950757beb4533c8ad6e9d245fc97a1f7a42d1ab3a3
+size 355141324

prompt-engineering/6-Comparación práctica de ChatGPT, Claude, Gemini y Microsoft Copilot.sub.vtt

@@ -0,0 +1,422 @@
+WEBVTT
+
+00:00:00.080 --> 00:00:07.700
+Tienes cuatro asistentes virtuales: ChatGPT, Claude, Gemini y Microsoft Copilot. En principio parecen
+
+00:00:07.700 --> 00:00:13.719
+iguales, pero no exactamente. Piensa que son cocineros con diferentes especialidades y
+
+00:00:13.720 --> 00:00:16.919
+en esta clase te voy a enseñar a compararlos y a elegir cuál
+
+00:00:16.920 --> 00:00:19.800
+es el que necesitas según la tarea que vas a resolver. Y
+
+00:00:19.800 --> 00:00:23.860
+antes de hacer el ejercicio para comparar las cuatro herramientas, vamos a pensar
+
+00:00:23.860 --> 00:00:26.780
+en un prompt. El prompt va a ser: ¿Cómo mejorar la productividad
+
+00:00:26.780 --> 00:00:29.840
+del equipo? Esa es la pregunta que vamos a hacer. Y antes de
+
+00:00:29.840 --> 00:00:34.680
+irnos a hacer esa pregunta, quiero que pienses qué esperarías como respuesta.
+
+00:00:34.680 --> 00:00:38.760
+Piensa tres elementos clave y déjalo en los comentarios. Te pedí hacer esto
+
+00:00:38.760 --> 00:00:41.140
+porque antes de ir a ver cuál es la respuesta que nos
+
+00:00:41.140 --> 00:00:45.640
+va a dar cada uno de estos LLMs, quiero que tengas un criterio,
+
+00:00:45.640 --> 00:00:49.380
+que tú sepas qué es lo que estás esperando como resultado para
+
+00:00:49.380 --> 00:00:53.990
+poder evaluar cuál es el resultado que más funciona para ti, porque esto
+
+00:00:53.990 --> 00:00:57.540
+es lo más frustrante de todo. No hay una herramienta que funcione
+
+00:00:57.540 --> 00:01:00.040
+perfecta para todos, y lo que te voy a enseñar acá es que
+
+00:01:00.040 --> 00:01:03.420
+lo puedas probar y tú decidas cuál es la herramienta que mejor
+
+00:01:03.420 --> 00:01:07.660
+te funciona a ti al momento de resolver un problema. Entonces, vas a
+
+00:01:07.660 --> 00:01:11.340
+abrir una cuenta gratis en las cuatro herramientas, en Gemini, en Claude,
+
+00:01:11.340 --> 00:01:16.480
+en ChatGPT y en Microsoft Copilot. Una vez tengas abierta la cuenta, vamos
+
+00:01:16.480 --> 00:01:19.500
+a ir a pegar un prompt. Para abrir las cuentas te voy
+
+00:01:19.500 --> 00:01:22.380
+a dejar en los recursos los enlaces de las cuatro herramientas, con eso
+
+00:01:22.380 --> 00:01:25.700
+es más fácil. Ya con las cuatro, vas a tenerlas en tu
+
+00:01:25.700 --> 00:01:31.140
+navegador, ahí listadas los cuatro tab abiertos, porque es importante hacer este experimento
+
+00:01:31.140 --> 00:01:34.400
+o el experimento que tú quieras hacer en el mismo momento, en
+
+00:01:34.400 --> 00:01:39.660
+el mismo día, porque los modelos cambian constantemente. Entonces, para poder compararlos y
+
+00:01:39.660 --> 00:01:43.460
+saber cuál es el mejor para lo que nosotros estamos esperando, es
+
+00:01:43.460 --> 00:01:47.620
+mejor siempre correr las comparaciones en el mismo momento. Y acá tengo mi
+
+00:01:47.640 --> 00:01:51.620
+prompt, que es cómo mejorar la productividad del equipo. Voy a enviarlo
+
+00:01:51.620 --> 00:01:56.140
+en las cuatro herramientas mientras van pensando. Y quiero que sepan, estoy haciéndolo
+
+00:01:56.140 --> 00:01:59.580
+en las versiones gratis, donde todas tenemos por lo menos un mensaje
+
+00:01:59.580 --> 00:02:04.100
+en la que podemos probar y podemos ver el resultado sin necesidad de
+
+00:02:04.100 --> 00:02:07.360
+pagar. Algo que hago yo es que voy probando cuáles son los
+
+00:02:07.360 --> 00:02:10.960
+problemas que tengo en mi mes, voy viendo cuál es la mejor herramienta
+
+00:02:10.960 --> 00:02:13.840
+y esa es la que pago durante ese mes. Si tengo el
+
+00:02:13.840 --> 00:02:17.840
+chance de estar con dos herramientas porque veo que me funciona para solucionar
+
+00:02:17.840 --> 00:02:21.800
+dos tipos de problema, pues ya se justifica cómo hacer esta inversión
+
+00:02:21.800 --> 00:02:26.060
+y por qué hacerla. Quiero que veamos algo. Ya tenemos las respuestas. ChatGPT
+
+00:02:26.060 --> 00:02:32.520
+me da seis ítems, bastante texto, luego Gemini me da un poco
+
+00:02:32.520 --> 00:02:37.940
+menos de ítems, son cuatro ítems. Luego tenemos Claude, muy parecidas, incluso acá
+
+00:02:37.940 --> 00:02:41.720
+se va por seis ítems también y luego tenemos Copilot. Y quiero
+
+00:02:41.720 --> 00:02:45.500
+que notes que si vamos a juzgar las respuestas por su formato, pues
+
+00:02:45.500 --> 00:02:48.500
+al final un mejor prompt podría hacer que el formato sea muy
+
+00:02:48.500 --> 00:02:52.380
+parecido. Podría haber dicho que me dieran cuatro o cinco o seis, que
+
+00:02:52.380 --> 00:02:57.260
+no usaran emojis, que fuera más pragmático, pero por eso hice el
+
+00:02:57.260 --> 00:03:01.760
+ejercicio de parar y pensar qué es lo que yo estoy esperando. Porque
+
+00:03:01.760 --> 00:03:05.340
+puede que yo lea esta respuesta de Microsoft Copilot y funcione para
+
+00:03:05.340 --> 00:03:10.460
+mí. Y entonces, este es mi go to. Al final, debemos tener algo
+
+00:03:10.460 --> 00:03:17.620
+en cuenta. Tenemos herramientas y tenemos modelos de LLMs. ChatGPT, Claude y
+
+00:03:17.620 --> 00:03:21.940
+Gemini son empresas que se dedican a crear modelos. En el caso de
+
+00:03:21.940 --> 00:03:25.760
+Claude, estamos hablando de la empresa Antropic y crean dos modelos: Opus
+
+00:03:25.760 --> 00:03:29.160
+y Sonnet, que luego vamos a ver un poco más a detalle qué
+
+00:03:29.160 --> 00:03:32.500
+significa cada uno de ellos. En el caso de Gemini, la empresa
+
+00:03:32.500 --> 00:03:37.180
+por detrás es Google. Y Google crea este modelo Gemini, que es Gemini
+
+00:03:37.180 --> 00:03:41.359
+2.5 Pro y, y Gemini 2.5 Flash, que igual vamos a ver
+
+00:03:41.360 --> 00:03:46.400
+en detalle qué significan. Luego tenemos ChatGPT, la empresa por detrás es OpenAI
+
+00:03:46.400 --> 00:03:50.460
+y los modelos que crea son GPT, que se versionan en uno,
+
+00:03:50.460 --> 00:03:54.380
+dos, tres, cuatro, y en este momento estamos en GPT cinco. En el
+
+00:03:54.380 --> 00:03:59.580
+caso de Microsoft, no tenemos un modelo creado por Microsoft. Microsoft usa
+
+00:03:59.580 --> 00:04:04.240
+los modelos de OpenAI llamados GPT, en este caso usa GPT cuatro y
+
+00:04:04.240 --> 00:04:07.180
+tenemos la opción de habilitar GPT cinco, como lo vemos en la
+
+00:04:07.180 --> 00:04:11.600
+parte de acá arriba. Pero Microsoft hace algo en especial, y es que
+
+00:04:11.600 --> 00:04:16.899
+pone una capa intermedia entre Copilot y el modelo llamada Prometheus. Esa
+
+00:04:16.899 --> 00:04:21.339
+capa lo que hace es orquestar el LLM con toda la información que
+
+00:04:21.339 --> 00:04:25.200
+tiene Microsoft. Si estás en un entorno empresarial, tiene acceso a tus
+
+00:04:25.200 --> 00:04:30.440
+correos y a tu OneDrive y puede usar esa información para dar respuestas.
+
+00:04:30.440 --> 00:04:34.460
+Si no estás en una empresa, solo estás usando Microsoft Copilot, utiliza
+
+00:04:34.460 --> 00:04:39.100
+por detrás el buscador de Bing cuando necesita información actualizada. Esa es la
+
+00:04:39.100 --> 00:04:45.180
+diferencia entre usar Microsoft Copilot con ChatGPT. Y, dependiendo de cuáles son
+
+00:04:45.180 --> 00:04:47.450
+las herramientas que uses en tu día a día, esto va a te--
+
+00:04:47.450 --> 00:04:50.600
+te va a impactar de mayor manera o de menor manera. Por
+
+00:04:50.600 --> 00:04:53.880
+ejemplo, todo lo que yo uso es la suite de Google Workspace. Y
+
+00:04:53.880 --> 00:04:57.560
+en este caso, cuando yo entro a Gemini, no necesariamente ya está
+
+00:04:57.560 --> 00:05:01.440
+conectado con eso, pero Gemini está presente en todas las aplicaciones de Google
+
+00:05:01.440 --> 00:05:06.420
+y puedo usarlo de una manera como más, eh, certera en los
+
+00:05:06.420 --> 00:05:10.560
+ambientes en donde lo necesito. Pero si yo quisiera llevarme ese contexto al
+
+00:05:10.560 --> 00:05:13.900
+chat de Gemini, pues me lo tengo que traer para hacerlo posible.
+
+00:05:13.900 --> 00:05:17.000
+Al final, cada una de estas herramientas tiene sus pros y sus contras
+
+00:05:17.000 --> 00:05:20.960
+y depende de cuál es el caso de uso que yo tengo.
+
+00:05:20.960 --> 00:05:25.140
+A lo que sí quiero darle doble clic es los modelos que tienen.
+
+00:05:25.140 --> 00:05:29.840
+En Gemini, puedes ver que tienes un selector arriba donde puedes escoger
+
+00:05:29.840 --> 00:05:36.040
+entre 2.5 Flash y 2.5 Pro, y me dice: «Rápido para cualquier ayuda
+
+00:05:36.040 --> 00:05:40.860
+o razonamiento, matemática y código». Luego en ChatGPT, en la versión paga,
+
+00:05:40.860 --> 00:05:49.020
+tienes bajo pensamiento, pensamiento y pro de la versión GPT cinco. En Claude,
+
+00:05:49.080 --> 00:05:53.420
+tienes la opción de escoger entre Opus 4.1 y Sonnet, e igual
+
+00:05:53.420 --> 00:05:58.160
+me dice: «Sonnet es inteligente, eficiente para el día a día». Y luego
+
+00:05:58.160 --> 00:06:02.719
+dice que es el más poderoso, Opus, el más grande para retos
+
+00:06:02.720 --> 00:06:07.000
+complejos. Y en Copilot no tengo opción de escoger, solo puedo escoger entre
+
+00:06:07.000 --> 00:06:12.350
+GPT cuatro o GPT cinco.Ya que pensaste en eso, la verdad es
+
+00:06:12.350 --> 00:06:16.810
+que puedes usar la misma analogía para pensar en estos modelos. La diferencia
+
+00:06:16.810 --> 00:06:21.290
+entre un modelo rápido versus un modelo para tareas complejas es la
+
+00:06:21.290 --> 00:06:25.909
+planificación o el razonamiento que hacen para resolver la tarea. En un modelo
+
+00:06:25.909 --> 00:06:31.150
+rápido no tenemos un tiempo de planeación, es decir, lanzamos una pregunta
+
+00:06:31.150 --> 00:06:35.430
+y responde de inmediato la respuesta que ya sea esté en su entrenamiento
+
+00:06:35.430 --> 00:06:39.770
+o haya obtenido de internet. En un modelo de tareas complejas o
+
+00:06:39.770 --> 00:06:43.170
+de razonamiento, lo que va a hacer es que va a obtener tu
+
+00:06:43.170 --> 00:06:46.950
+prompt y va primero a preguntarse: ¿Cuáles son los pasos que necesito
+
+00:06:46.950 --> 00:06:51.950
+hacer para resolver este problema? Esto se llama think step by step o
+
+00:06:51.950 --> 00:06:56.750
+cadena de pensamiento. Y antes, cuando no teníamos esta idea de modelos
+
+00:06:56.750 --> 00:07:00.950
+de razonamiento, teníamos que decirle en el prompt: «Piensa paso a paso cómo
+
+00:07:00.950 --> 00:07:06.510
+resolver el problema» para inducir esta planeación y que primero pensara cómo
+
+00:07:06.510 --> 00:07:11.390
+resolverlo y luego ejecutar esos pasos. Ahora no es necesario. Los modelos que
+
+00:07:11.390 --> 00:07:16.570
+resuelven problemas complejos hacen esto que es pensar el paso a paso
+
+00:07:16.570 --> 00:07:20.030
+y luego ejecutar ese paso a paso. Esto puede resultar en que es
+
+00:07:20.030 --> 00:07:26.170
+más demorada la respuesta e incluso en que puede, eh, costar más.
+
+00:07:26.170 --> 00:07:29.430
+Tenemos un módulo donde vamos a hablar de costos cuando estamos haciendo prompt
+
+00:07:29.430 --> 00:07:32.990
+engineering. Lo que te invito es que cuando vayas a hacer un,
+
+00:07:32.990 --> 00:07:36.610
+un prompt y tengas ese problema, pienses: ¿Esto es un problema en donde
+
+00:07:36.610 --> 00:07:39.170
+yo tengo que planear el paso a paso o es un problema
+
+00:07:39.170 --> 00:07:44.450
+que la respuesta es inmediata? Y si no es tan intuitivo, intenta siempre
+
+00:07:44.450 --> 00:07:47.370
+con el modelo más rápido y cuando veas que no estás llegando
+
+00:07:47.370 --> 00:07:51.570
+a la solución, pásate a probar en el modelo más complejo y ve
+
+00:07:51.570 --> 00:07:55.870
+si el problema que estás tratando de resolver se logra solucionar. Durante
+
+00:07:55.870 --> 00:07:59.370
+el curso, las técnicas de prompting te van a enseñar cuál es la
+
+00:07:59.370 --> 00:08:02.690
+forma de hacer prompts efectivos para los modelos rápidos y cuál es
+
+00:08:02.690 --> 00:08:07.250
+la forma de hacer pro-prompts efectivos para los modelos de razonamiento. Tu reto
+
+00:08:07.250 --> 00:08:11.490
+para esta clase es, primero, identifica una tarea real de tu trabajo.
+
+00:08:11.490 --> 00:08:15.130
+Segundo, vas a escribir un prompt claro. Recuerda lo que aprendimos en la
+
+00:08:15.130 --> 00:08:21.410
+clase pasada: rol, enfoque, contexto y límites. Tercero, vas a probarlo en
+
+00:08:21.410 --> 00:08:25.550
+las cuatro herramientas. Recuerda que es importante probarlo en el mismo día, en
+
+00:08:25.550 --> 00:08:29.990
+el mismo momento para poder comparar de manera efectiva. Cuarto, vas a
+
+00:08:29.990 --> 00:08:33.930
+evaluar los resultados con los criterios que aprendiste en esta clase. Y, por
+
+00:08:33.930 --> 00:08:37.130
+último, vas a escoger el modelo que mejor se adaptó para la
+
+00:08:37.130 --> 00:08:41.350
+tarea que le dejaste. Y déjame en los comentarios cuál fue el modelo
+
+00:08:41.350 --> 00:08:44.670
+que más funcionó para la tarea. Con esto, la próxima vez que
+
+00:08:44.670 --> 00:08:49.550
+necesites elegir entre ChatGPT, Claude, Gemini o Microsoft Copilot, ya tienes un método
+
+00:08:49.550 --> 00:08:53.830
+sistemático para saber cuál es el mejor para responder a un problema.
+
+00:08:53.830 --> 00:08:56.850
+Te diría que no te limites solamente porque se integra bien, como es
+
+00:08:56.850 --> 00:09:00.250
+el caso de Copilot con la suite de Microsoft o de Gemini
+
+00:09:00.250 --> 00:09:03.850
+con la suite de Google, sino que primero trates de resolver muy bien
+
+00:09:03.850 --> 00:09:07.790
+el problema y luego, si hay uno que se integra mejor, veas
+
+00:09:07.790 --> 00:09:12.270
+cuáles son las limitaciones que tiene frente al problema que estás resolviendo. Durante
+
+00:09:12.270 --> 00:09:16.090
+el curso vamos a estar usando los cuatro y vamos a ver,
+
+00:09:16.090 --> 00:09:20.010
+en cada uno de los ejercicios que hagamos, dónde brillan más, cuáles son
+
+00:09:20.010 --> 00:09:24.410
+las cualidades que mejor funcionan. Y también te invito, explora las interfaces
+
+00:09:24.410 --> 00:09:27.730
+de las cuatro herramientas. Lo más importante es saber dónde se cambian los
+
+00:09:27.730 --> 00:09:31.910
+modos-- los modelos, dónde puedo subir archivos y, en general, van a
+
+00:09:31.910 --> 00:09:36.550
+ser muy parecidos. En este curso no quiero explicarte la interfaz solo porque
+
+00:09:36.550 --> 00:09:40.130
+cambian todo el tiempo y lo importante ya lo aprendiste: cómo subir
+
+00:09:40.130 --> 00:09:43.830
+archivos, cómo escribir el prompt y dónde cambiar los modelos y qué significan
+
+00:09:43.830 --> 00:09:45.130
+esos modelos.
+

prompt-engineering/7-Técnicas zero shot y few shot para prompts efectivos.mp4

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:515771e1f591417b29b0918d24738c01b8f7ad5f6bf597e93f098a8afdc6e0e7
+size 339993634

prompt-engineering/7-Técnicas zero shot y few shot para prompts efectivos.sub.vtt

@@ -0,0 +1,386 @@
+WEBVTT
+
+00:00:00.240 --> 00:00:04.140
+Volvamos a la analogía del practicante en la oficina. Esta persona es brillante,
+
+00:00:04.140 --> 00:00:08.959
+es muy inteligente y tenemos que delegarle una tarea. Y puedes escoger
+
+00:00:08.960 --> 00:00:13.860
+dos opciones: decirle que haga la tarea así, no más. Le dices la
+
+00:00:13.860 --> 00:00:17.760
+instrucción y ya está. O puedes darle ejemplos de qué es lo
+
+00:00:17.760 --> 00:00:23.600
+que esperas como resultado. Esta decisión puede ser bastante sencilla o simple, pero
+
+00:00:23.600 --> 00:00:25.640
+sí va a ser la diferencia al momento en el que vas
+
+00:00:25.640 --> 00:00:29.680
+a usar un LLM. Y es la diferencia entre dos técnicas de prompting:
+
+00:00:29.680 --> 00:00:33.760
+zero shot y few shot. Empecemos con un ejemplo de zero shot,
+
+00:00:33.760 --> 00:00:37.720
+porque hay situaciones en donde simplemente dar la instrucción está bien. Le vamos
+
+00:00:37.720 --> 00:00:42.820
+a decir al practicante: «Traduce queso a francés». Así no más. No
+
+00:00:42.820 --> 00:00:48.330
+necesita un ejemplo. Es suficientemente claro para que el practicante nos responda <|agent|><|es|>
+
+00:00:48.330 --> 00:00:50.780
+Ahora, con few shot, vamos a ver cuáles son las tareas que
+
+00:00:50.780 --> 00:00:56.280
+necesitan de ejemplos, porque... sí hay tareas donde los ejemplos van a reducir
+
+00:00:56.280 --> 00:00:59.620
+la ambigüedad de la instrucción. Por ejemplo, si vamos a decirle al
+
+00:00:59.620 --> 00:01:05.269
+practicante que clasifique las emociones entre negativo y positivo, pues en principio, las
+
+00:01:05.269 --> 00:01:08.660
+emociones no son ni negativas ni positivas. Y sin duda, yo puedo
+
+00:01:08.660 --> 00:01:12.160
+dar mejores instrucciones que van a dar más claridad y reducir la ambigüedad
+
+00:01:12.160 --> 00:01:16.800
+de esta tarea que le estoy delegando. Pero dar ejemplos va a
+
+00:01:16.800 --> 00:01:20.710
+permitir que la ambigüedad llegue lo más cercano a cero y va a
+
+00:01:20.710 --> 00:01:24.899
+permitir detectar ciertos patrones que capaz no voy a ser capaz de
+
+00:01:24.900 --> 00:01:30.400
+poner en palabras dentro de mi prompt. Entonces, vas a clasificar las emociones
+
+00:01:30.400 --> 00:01:35.140
+en positivo o negativo. Un ejemplo de negativa es: tristeza, enojo y
+
+00:01:35.140 --> 00:01:43.300
+miedo. Un ejemplo de positivo es: alegría, felicidad y emoción. Con esto, doy
+
+00:01:43.300 --> 00:01:48.200
+una serie de ejemplos que van a permitir identificar patrones y mejorar
+
+00:01:48.200 --> 00:01:51.180
+el resultado que estoy esperando. Vamos a irnos a Claude y vamos a
+
+00:01:51.180 --> 00:01:53.820
+hacer un ejemplo un poco más aterrizado a lo que nos podríamos
+
+00:01:53.820 --> 00:01:57.460
+enfrentar en la vida real. En este ejemplo vamos a hacer una publicación
+
+00:01:57.460 --> 00:02:03.740
+de social media, en específico una publicación para Twitter o ahora X,
+
+00:02:03.740 --> 00:02:07.420
+y vamos a dar ejemplos que nos permitan llegar a una publicación que
+
+00:02:07.420 --> 00:02:11.400
+den alto engagement. Para este caso, los ejemplos que estoy agarrando es
+
+00:02:11.400 --> 00:02:14.580
+que me fui al Twitter de Freddy y cogí los tweets que más
+
+00:02:14.580 --> 00:02:19.070
+engagement tenían y los estoy colocando como ejemplo. Luego los tweets que,
+
+00:02:19.070 --> 00:02:23.650
+[chasquido] perdón Freddy, pero no tuvieron tanto engagement y los estoy colocando como
+
+00:02:23.650 --> 00:02:27.320
+ejemplo. Y vamos a ver cómo cambia los resultados si lo hacemos
+
+00:02:27.320 --> 00:02:30.680
+con zero shot o lo hacemos con few shot. Vamos a abrir un
+
+00:02:30.680 --> 00:02:34.100
+nuevo chat en Claude y vamos a partir de este prompt. Este
+
+00:02:34.100 --> 00:02:37.140
+prompt, la base no va a cambiar en los dos ejemplos para que
+
+00:02:37.140 --> 00:02:41.180
+podamos ver los resultados. «Actúa como social media manager y crea una
+
+00:02:41.180 --> 00:02:45.560
+publicación para Twitter sobre el impacto de la inteligencia artificial en el trabajo
+
+00:02:45.560 --> 00:02:50.220
+y el empleo que tenga alto engagement». Es más, podemos agregar acá
+
+00:02:50.220 --> 00:02:55.120
+una coma para el «que tenga tanto engagement». Al final, la puntuación es
+
+00:02:55.120 --> 00:02:58.600
+muy importante en los prompts porque determina mucho el significado de lo
+
+00:02:58.600 --> 00:03:03.020
+que queremos decir. Con esto, lo enviamos y vamos a ver cuál es
+
+00:03:03.020 --> 00:03:06.300
+el resultado que nos genera. «Aquí tienes una publicación de Twitter con
+
+00:03:06.300 --> 00:03:10.720
+alto potencial de engagement». Me entendió perfecto. Y acá me dice: «La IA
+
+00:03:10.720 --> 00:03:14.540
+no viene a robarnos el trabajo, viene a transformarlo. Mientras algunos roles
+
+00:03:14.540 --> 00:03:20.440
+desaparecen, emergen otros que ni imaginábamos. Prompt Engineers, AI Ethics Specialists, Human AI
+
+00:03:20.440 --> 00:03:24.520
+Collaboration Managers». Bla, bla, bla, bla, bla. Y me da una justificación
+
+00:03:24.520 --> 00:03:27.820
+de por qué es bueno. La verdad es que a mí no me
+
+00:03:27.820 --> 00:03:32.840
+encanta, me parece una publicación genérica que podría hacer cualquier social media
+
+00:03:32.840 --> 00:03:36.800
+manager y como que no sería algo a lo que yo le daría
+
+00:03:36.800 --> 00:03:42.780
+retweet. Ahora hagamos el ejemplo con few shot. Pongamos un par de
+
+00:03:42.780 --> 00:03:47.280
+ejemplos de contenido que yo sí le di favorito, le di retweet, que
+
+00:03:47.280 --> 00:03:49.480
+se alinea un poco más a lo que yo quiero decir, pero
+
+00:03:49.480 --> 00:03:53.120
+que... al final no hay muchas palabras que yo pueda agregarle a este
+
+00:03:53.120 --> 00:03:56.859
+prompt que vayan a capturar esa esencia. Y para eso tengo el
+
+00:03:56.860 --> 00:04:01.200
+ejercicio de los tweets de alto engagement y bajo engagement del Twitter de
+
+00:04:01.200 --> 00:04:05.500
+Freddy. Y lo voy a poner por acá. Veo tweets de alto
+
+00:04:05.500 --> 00:04:12.480
+engagement. Veo tres que son este de acá, este de acá y este
+
+00:04:12.480 --> 00:04:19.760
+de acá. Eeeh... Que va hasta por acá. Y ya empiezo a
+
+00:04:19.760 --> 00:04:23.660
+ver un patrón. Son tweets un poco más largos, uno tiene emojis, tienen
+
+00:04:23.660 --> 00:04:27.600
+datos un poco más duros, y luego tweets de bajo engagement. Son
+
+00:04:27.600 --> 00:04:33.760
+mucho más cortos y no tienen casi información. Yo podría poner esto como
+
+00:04:33.760 --> 00:04:37.740
+parte del prompt, pero incluso hay patrones que yo no estoy capturando
+
+00:04:37.740 --> 00:04:40.960
+como persona que le van a ayudar al LLM a hacer un mejor
+
+00:04:40.960 --> 00:04:47.400
+trabajo. Vamos a ver el resultado como social media manager. Acá tienes
+
+00:04:47.400 --> 00:04:52.060
+la-- el tweet. Dice: «Plot twist! La AI no va a robar tu
+
+00:04:52.060 --> 00:04:56.380
+trabajo, va a crear trabajos que ni sabíamos que existían. Hace quince
+
+00:04:56.380 --> 00:05:00.440
+años nadie era creador de contenido o especialista en UX. Hoy hay cincuenta
+
+00:05:00.440 --> 00:05:03.860
+millones. La pregunta no es ¿me van a reemplazar? Es cómo me
+
+00:05:03.860 --> 00:05:08.360
+voy a reinventar». Sin duda, la diferencia es gigante. Si yo me voy
+
+00:05:08.360 --> 00:05:12.180
+a ir y veo esto desde un criterio de persona que hace
+
+00:05:12.180 --> 00:05:16.450
+marketing, acá tengo algo genérico que no me da o me incita a
+
+00:05:16.450 --> 00:05:20.880
+la conversación, no lleva a que algo pase con el tweet cuando
+
+00:05:20.880 --> 00:05:24.420
+lo lea y de hecho, incluso tiene hashtags que podría ser algo de
+
+00:05:24.420 --> 00:05:30.680
+2015. Pero si me veo acá, el resultado que tengo, primero empieza
+
+00:05:30.680 --> 00:05:36.300
+con un hook muy claro. Segundo, me da una serie de datos específicos
+
+00:05:36.300 --> 00:05:41.210
+y me lleva a responder el tweet. Incluso si estoy de acuerdo,
+
+00:05:41.210 --> 00:05:45.200
+de seguro si soy un especialista en UX, voy a querer compartir esto
+
+00:05:45.200 --> 00:05:51.270
+y mostrar cómo, eeeh, cómo esto apoya la revolución que está pasando.
+
+00:05:51.270 --> 00:05:55.680
+Y de hecho, acá me dice los patrones que encontró, eh, dentro del
+
+00:05:55.680 --> 00:06:00.100
+contenido que le pasé. Como viste, few shot nos dio mejores resultados,
+
+00:06:00.100 --> 00:06:03.468
+pero la verdad es que-No es una mejor que otra, va a depender
+
+00:06:03.468 --> 00:06:06.078
+de la tarea. Te voy a dejar tres preguntas que te van
+
+00:06:06.078 --> 00:06:08.668
+a ayudar a decidir si es mejor few shot o zero shot para
+
+00:06:08.668 --> 00:06:12.928
+atacar un problema, pero en general te recomiendo que siempre intentes ambas
+
+00:06:12.928 --> 00:06:18.028
+cosas y veas cuál es el mejor resultado. Las preguntas son: ¿Hay ambigüedad
+
+00:06:18.028 --> 00:06:21.568
+en la tarea que voy a resolver? ¿Es una tarea que yo
+
+00:06:21.568 --> 00:06:27.448
+considero compleja? ¿Necesito precisión o replicar un formato en mi tarea? Si las
+
+00:06:27.448 --> 00:06:30.768
+tres respuestas son sí, lo más probable es que few shot sea
+
+00:06:30.768 --> 00:06:36.148
+la mejor solución. Pero ahora, también puedes equivocarte haciendo few shot y hay
+
+00:06:36.148 --> 00:06:39.728
+unas consideraciones que quiero que tengas en cuenta. La primera de las
+
+00:06:39.728 --> 00:06:45.028
+consideraciones en few shot prompting es cuántos ejemplos le damos. Muy pocos ejemplos
+
+00:06:45.028 --> 00:06:49.108
+no me va a permitir tener suficiente información para detectar patrones y
+
+00:06:49.108 --> 00:06:55.468
+reducir la ambigüedad del prompt. Demasiados ejemplos va a dar unos límites muy
+
+00:06:55.468 --> 00:06:59.408
+claros que cuando llegan casos que no están contemplados, no va a
+
+00:06:59.408 --> 00:07:03.508
+poder saber cuál es la respuesta correcta y va a empezar a alucinar.
+
+00:07:03.508 --> 00:07:06.528
+Los papers nos dicen que lo ideal es entre tres a siete
+
+00:07:06.528 --> 00:07:09.998
+ejemplos. Lo que yo te recomiendo es que pruebes, pero cada vez que
+
+00:07:09.998 --> 00:07:14.248
+pruebes un prompt, si tienes muchos casos de uso, lo pruebes con
+
+00:07:14.248 --> 00:07:17.628
+muchos casos de uso cada vez que hacemos el cambio al prompt, para
+
+00:07:17.628 --> 00:07:22.268
+poder ver dónde estamos fallando, qué patrones está identificando y dónde se
+
+00:07:22.268 --> 00:07:26.488
+está quedando corto. Ahora, no solo es el número de ejemplos, también es
+
+00:07:26.488 --> 00:07:30.828
+la variedad. Cuando estamos clasificando emociones o en este caso que estábamos
+
+00:07:30.828 --> 00:07:35.808
+viendo que queríamos reducir la ambigüedad de la palabra alto engagement, tenemos que
+
+00:07:35.808 --> 00:07:39.918
+mostrar lo que sí y lo que no. Es decir, mostramos qué
+
+00:07:39.918 --> 00:07:44.588
+es alto engagement con tres ejemplos y qué es bajo engagement con tres
+
+00:07:44.588 --> 00:07:50.228
+ejemplos. Con eso podemos dar más disposición a los patrones que estamos
+
+00:07:50.228 --> 00:07:56.798
+creando dentro del LLM. En clasificación de emociones positivas o negativas, debemos mostrar
+
+00:07:56.798 --> 00:07:59.818
+qué es positivo y qué es negativo, porque el hecho de solo
+
+00:07:59.818 --> 00:08:03.808
+mostrar el positivo o solo mostrar el negativo va a generar sesgos en
+
+00:08:03.808 --> 00:08:07.648
+el modelo que no van a reducir la ambigüedad. De nuevo, vamos
+
+00:08:07.648 --> 00:08:12.078
+a caer en ejemplos que no contemplan casos de uso que no pensamos
+
+00:08:12.078 --> 00:08:15.247
+al momento de crear la solución. Por último, y una cosa que
+
+00:08:15.248 --> 00:08:19.868
+debimos haber hecho mejor en nuestro prompt de, eh, redes sociales, es que
+
+00:08:19.868 --> 00:08:24.148
+el orden también importa. Se ha demostrado que el orden puede afectar
+
+00:08:24.148 --> 00:08:27.478
+en un-- de un cincuenta a un noventa por ciento la efectividad del
+
+00:08:27.478 --> 00:08:32.207
+prompt. Lo correcto es que los órdenes vayan aleatorios. Al final, lo
+
+00:08:32.207 --> 00:08:35.367
+que va de últimas en nuestro prompt es a lo que más atención
+
+00:08:35.367 --> 00:08:39.888
+le pone el LLM. Entonces, si solo tenemos lo negativo de últimas,
+
+00:08:39.888 --> 00:08:44.028
+podemos generar un sesgo. En nuestro caso, generó un gran tuit. Pero imagínate
+
+00:08:44.028 --> 00:08:46.568
+que este prompt lo vas a usar todos los días para cualquier
+
+00:08:46.568 --> 00:08:50.698
+tema que quieres crear contenido. En alguno de los temas, ese sesgo va
+
+00:08:50.698 --> 00:08:54.188
+a importar y va a darnos un resultado que no va a
+
+00:08:54.188 --> 00:08:58.168
+ser lo que nosotros esperábamos. Entonces, recuerda, en cuanto a orden, lo mejor
+
+00:08:58.168 --> 00:09:01.308
+es variarlo, que sea aleatorio. Uno sí, uno no, uno sí, uno
+
+00:09:01.308 --> 00:09:04.728
+no, uno sí, uno no. Y con eso vamos a optimizar la atención
+
+00:09:04.728 --> 00:09:07.648
+del modelo para este ejemplo que estamos tratando de resolver.
+

prompt-engineering/8-Estructura de prompts con etiquetas XML para IA.mp4

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:3cfeced360bc31a8c7dadc20667a33b87497f1868a70a0e5df0843cdc43acfce
+size 469380492