Upload folder from C CLI

Uploaded via hf-downloader C client

.gitattributes

@@ -57,3 +57,21 @@ Chobits[[:space:]]-[[:space:]]11[[:space:]]\[BD-1080p\]\[Cast+Jap+Subs\].mkv fil
 Chobits[[:space:]]-[[:space:]]12[[:space:]]\[BD-1080p\]\[Cast+Jap+Subs\].mkv filter=lfs diff=lfs merge=lfs -text
 Chobits[[:space:]]-[[:space:]]13[[:space:]]\[BD-1080p\]\[Cast+Jap+Subs\].mkv filter=lfs diff=lfs merge=lfs -text
 Chobits[[:space:]]-[[:space:]]14[[:space:]]\[BD-1080p\]\[Cast+Jap+Subs\].mkv filter=lfs diff=lfs merge=lfs -text
+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
+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
+11-Técnicas[[:space:]]de[[:space:]]grounding[[:space:]]para[[:space:]]consultas[[:space:]]legales[[:space:]]con[[:space:]]LLMs.mp4 filter=lfs diff=lfs merge=lfs -text
+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
+16-Creación[[:space:]]de[[:space:]]agentes[[:space:]]personalizados[[:space:]]con[[:space:]]IA[[:space:]]para[[:space:]]empresas.mp4 filter=lfs diff=lfs merge=lfs -text
+15-Prompt[[:space:]]chaining[[:space:]]dividir[[:space:]]tareas[[:space:]]complejas[[:space:]]en[[:space:]]pasos[[:space:]]independientes.mp4 filter=lfs diff=lfs merge=lfs -text
+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
+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
+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
+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
+20-Análisis[[:space:]]de[[:space:]]datos[[:space:]]de[[:space:]]e[[:space:]]commerce[[:space:]]con[[:space:]]ChatGPT.mp4 filter=lfs diff=lfs merge=lfs -text
+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
+22-Plantillas[[:space:]]de[[:space:]]prompts[[:space:]]para[[:space:]]correos[[:space:]]de[[:space:]]seguimiento[[:space:]]empresarial.mp4 filter=lfs diff=lfs merge=lfs -text
+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
+4-Cómo[[:space:]]definir[[:space:]]roles[[:space:]]efectivos[[:space:]]en[[:space:]]prompts[[:space:]]de[[:space:]]IA.mp4 filter=lfs diff=lfs merge=lfs -text
+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
+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
+8-Estructura[[:space:]]de[[:space:]]prompts[[:space:]]con[[:space:]]etiquetas[[:space:]]XML[[:space:]]para[[:space:]]IA.mp4 filter=lfs diff=lfs merge=lfs -text

1-Cómo estructurar prompts efectivos con rol, enfoque, límites y contexto.mp4

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:21b9513d8021d1a4f81f486bc96754a8be0f6d3f14b2b70f9d841bef18b5c10f
+size 62102000

1-Cómo estructurar prompts efectivos con rol, enfoque, límites y contexto.sub.vtt

@@ -0,0 +1,77 @@
+WEBVTT
+
+00:00:00.379 --> 00:00:03.659
+Si la inteligencia artificial no te entiende, es porque no te estás logrando
+
+00:00:03.659 --> 00:00:07.639
+comunicar bien. Abre ChatGPT, mira el último mensaje que enviaste y lo
+
+00:00:07.639 --> 00:00:12.979
+vas a reescribir en la siguiente estructura: rol, enfoque, memoria y límites. Aquí
+
+00:00:12.979 --> 00:00:16.500
+te va un ejemplo: «Actúa como especialista en marketing en B2B». Ese
+
+00:00:16.500 --> 00:00:20.099
+es el rol. «Vas a crear una publicación en LinkedIn acerca de mi
+
+00:00:20.100 --> 00:00:24.099
+producto». Ese es el enfoque. «La publicación no puede tener más de
+
+00:00:24.100 --> 00:00:28.760
+ciento cincuenta caracteres y debe usar un lenguaje simple, concreto y coloquial». Esos
+
+00:00:28.760 --> 00:00:32.360
+son los límites. Y, por último, tenemos el contexto, donde le voy
+
+00:00:32.360 --> 00:00:35.540
+a explicar de qué trata mi producto. «Mi producto es un software as
+
+00:00:35.540 --> 00:00:38.840
+a service que automatiza el proceso contable de tu empresa». Un poco
+
+00:00:38.840 --> 00:00:42.819
+más complejo y difícil de pensar, y seguramente que lo último que le
+
+00:00:42.819 --> 00:00:47.360
+dijiste a ChatGPT no tenía toda esa información. Complémntala. Con esto pasarás
+
+00:00:47.360 --> 00:00:52.040
+de resultados genéricos a respuestas acertadas y completas. Al terminar el curso, podrás
+
+00:00:52.040 --> 00:00:56.819
+pasar de procesos a instrucciones claras que las entienda cualquier persona, pero
+
+00:00:56.819 --> 00:01:00.399
+más importante, que lo entienda un LLM. Sabrás elegir el modelo y el
+
+00:01:00.399 --> 00:01:04.998
+enfoque correcto dependiendo de la tarea que quieres solucionar. Podrás descomponer problemas
+
+00:01:05.000 --> 00:01:08.659
+complejos en cosas más pequeñas y definir cuál es el prompt o la
+
+00:01:08.659 --> 00:01:12.419
+técnica de prompting correcta para poder llegar al resultado que esperas. Podrás
+
+00:01:12.419 --> 00:01:18.279
+calibrar entre creatividad y precisión, sabiendo si estás dando demasiada información al modelo
+
+00:01:18.279 --> 00:01:21.859
+o si tienes la información necesaria para llegar al resultado que esperas
+
+00:01:21.860 --> 00:01:26.739
+sin tener ninguna alucinación. Este curso no es de código. Aprenderás los fundamentos
+
+00:01:26.739 --> 00:01:29.279
+de crear un buen prompt. Y la verdad es que la inteligencia
+
+00:01:29.279 --> 00:01:34.479
+artificial cambia cada semana, pero con estos fundamentos aprenderás a navegar todos esos
+
+00:01:34.479 --> 00:01:37.979
+cambios. Yo soy Juan Pablo Rojas, chief product officer de Platzi, y
+
+00:01:37.979 --> 00:01:40.220
+te veo en la siguiente clase.
+

10-Ventana de contexto y modelo de atención en LLMs.mp4

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:4edb88139aa7130fd29d571bbd66eeb505a92460b4ddcbcb38e75146f45baba4
+size 330081450

10-Ventana de contexto y modelo de atención en LLMs.sub.vtt

@@ -0,0 +1,389 @@
+WEBVTT
+
+00:00:00.040 --> 00:00:04.160
+Estás leyendo un informe de cincuenta páginas acerca del performance de la empresa
+
+00:00:04.160 --> 00:00:08.600
+de los últimos dos años y ya vas por la página cuarenta,
+
+00:00:08.600 --> 00:00:12.800
+pero te cuesta recordar cuáles fueron las decisiones que se tomaron en enero
+
+00:00:12.800 --> 00:00:16.700
+de 2024. Era la información que estaba al inicio del reporte, la
+
+00:00:16.700 --> 00:00:21.400
+leíste, la entendiste, pero es que ya vas en la página cuarenta. Este,
+
+00:00:21.400 --> 00:00:23.800
+este problema que nos pasa a nosotros también le pasa a la
+
+00:00:23.800 --> 00:00:27.840
+inteligencia artificial cuando está teniendo que lidiar con contextos muy largos, con mucha
+
+00:00:27.840 --> 00:00:31.560
+información. Y ese problema está relacionado a un concepto llamado la ventana
+
+00:00:31.560 --> 00:00:35.460
+de contexto. La ventana de contexto en un LLM determina cuál es la
+
+00:00:35.460 --> 00:00:40.300
+cantidad de información que tiene capacidad de procesar y esto está acompañado
+
+00:00:40.300 --> 00:00:43.280
+con algo que ya hemos mencionado en clases pasadas, pero quiero explicar más
+
+00:00:43.280 --> 00:00:47.140
+a detalle, que es el modelo de atención. Entonces, recordemos, hablábamos de
+
+00:00:47.140 --> 00:00:52.010
+que la diferencia entre el teclado predictivo de WhatsApp y un LLM es
+
+00:00:52.010 --> 00:00:54.480
+que el teclado predictivo de WhatsApp solo va a buscar cuál es
+
+00:00:54.480 --> 00:00:58.080
+la palabra más probable que sigue después de que tú pongas «Hola», y
+
+00:00:58.080 --> 00:01:00.760
+no va a tener en cuenta ni la conversación que estás teniendo
+
+00:01:00.760 --> 00:01:03.620
+ni la intención del mensaje que vas a escribir. Es por eso que
+
+00:01:03.620 --> 00:01:06.700
+ese teclado predictivo no es capaz de escribir un mensaje completo o
+
+00:01:06.700 --> 00:01:11.400
+redactar un email. Pero un LLM sí tiene esa capacidad gracias al modelo
+
+00:01:11.400 --> 00:01:14.220
+de atención. Y el modelo de atención lo que hace es que
+
+00:01:14.220 --> 00:01:17.260
+le va a dar importancia a diferentes palabras que vaya a encontrar dentro
+
+00:01:17.260 --> 00:01:20.500
+del prompt para poder entender cuál es la intención y el significado
+
+00:01:20.500 --> 00:01:24.330
+de lo que quieres decir. Eso quiere decir que esta ventana de contexto
+
+00:01:24.330 --> 00:01:28.940
+importa muchísimo, porque el prompt, cuando iniciamos un nuevo chat, es el
+
+00:01:28.940 --> 00:01:33.960
+mensaje que nosotros vamos a enviar. Lo enviamos, el LLM nos responde y
+
+00:01:33.960 --> 00:01:37.660
+luego queremos enviar un nuevo mensaje. Uno pensaría que el nuevo mensaje
+
+00:01:37.660 --> 00:01:42.640
+es un prompt individual, pero no. Toda la conversación que estamos teniendo con
+
+00:01:42.640 --> 00:01:46.580
+el LLM es parte del prompt, y eso es la ventana de
+
+00:01:46.580 --> 00:01:50.500
+contexto. Es toda la información que estamos pidiéndole procesar y que solamente va
+
+00:01:50.500 --> 00:01:54.960
+aumentando conforme vamos incrementando la longitud del chat. Y esa no es
+
+00:01:54.960 --> 00:01:58.300
+la única forma de aumentar la ventana de contexto. Cada vez que nosotros
+
+00:01:58.300 --> 00:02:01.100
+subimos un archivo, como lo hicimos en las primeras clases con el
+
+00:02:01.100 --> 00:02:05.780
+reporte de McKinsey, eso también entra dentro de la ventana de contexto. Esto
+
+00:02:05.780 --> 00:02:09.459
+quiere decir que es muy fácil que la ventana de contexto crezca
+
+00:02:09.520 --> 00:02:13.040
+por continuar un chat hasta que ya no dé más y no te
+
+00:02:13.040 --> 00:02:17.140
+responda más, o por subir muchos documentos, con muchas páginas, con mucha
+
+00:02:17.140 --> 00:02:22.520
+información que debe ser procesada para resolver o responder el siguiente mensaje que
+
+00:02:22.520 --> 00:02:26.180
+le acabas de enviar al LLM. Esta ventana de contexto se mide
+
+00:02:26.180 --> 00:02:31.340
+por algo llamado tokens. Y los tokens son una interpretación del LLM de
+
+00:02:31.340 --> 00:02:35.700
+las palabras o de la-- del prompt completo que nosotros estamos enviando.
+
+00:02:35.700 --> 00:02:39.240
+Y digo interpretación porque no es como que el LLM va a cortar
+
+00:02:39.240 --> 00:02:41.980
+exactamente en todos los espacios y va a decir: «Ah, pues este
+
+00:02:41.980 --> 00:02:46.100
+prompt tiene diez palabras, entonces son diez tokens». La verdad es que no.
+
+00:02:46.100 --> 00:02:50.350
+Funciona más como un cocinero que sabe exactamente con cada ingrediente cómo
+
+00:02:50.350 --> 00:02:53.620
+cortarlo y dónde cortarlo y de qué manera cortarlo para poder preparar una
+
+00:02:53.620 --> 00:02:57.720
+receta. En este caso, un LLM en su entrenamiento agarra todas las
+
+00:02:57.720 --> 00:03:01.640
+sutilezas de los diferentes lenguajes con los, con los que es entrenado para
+
+00:03:01.640 --> 00:03:04.940
+decidir dónde hacer los cortes, con tal de agarrar las sutilezas que
+
+00:03:04.940 --> 00:03:09.040
+importan. Por ejemplo, en español tenemos el signo de interrogación de apertura y
+
+00:03:09.040 --> 00:03:12.740
+el signo de interrogación de cierre, cosa que en inglés solo existe
+
+00:03:12.740 --> 00:03:16.880
+el signo de interrogación de cierre. En español, esto nos permite saber dónde
+
+00:03:16.880 --> 00:03:20.080
+inicia la pregunta y dónde termina, y esto lo va a tomar
+
+00:03:20.080 --> 00:03:23.880
+como un token. Con esta explicación lo que debes saber es que las
+
+00:03:23.880 --> 00:03:28.240
+ventanas de contexto tienen un límite de tokens. Por ejemplo, ChatGPT tiene
+
+00:03:28.240 --> 00:03:33.020
+una ventana de contexto de ciento veintiocho mil tokens, que aproximadamente tienden a
+
+00:03:33.020 --> 00:03:37.079
+ser trescientas páginas de un libro. Y esto no quiere decir que
+
+00:03:37.080 --> 00:03:41.340
+no puedas subir un libro de quinientas páginas a ChatGPT e interactuar con
+
+00:03:41.340 --> 00:03:45.140
+él, sino que esto nos enfrenta a un problema llamado en inteligencia
+
+00:03:45.140 --> 00:03:49.100
+artificial la aguja en un pajarro. Es decir, tiene mucha información y tiene
+
+00:03:49.100 --> 00:03:53.359
+que usar otros métodos para obtener esa información y encontrar justo el
+
+00:03:53.360 --> 00:03:56.560
+dato que nos importa de la pregunta que estamos haciendo. Esto va a
+
+00:03:56.560 --> 00:04:01.800
+incrementar la probabilidad de que hayan alucinaciones o que la inteligencia artificial
+
+00:04:01.800 --> 00:04:06.500
+olvide o pierda la atención de ciertos detalles que sí le estamos diciendo,
+
+00:04:06.500 --> 00:04:10.520
+pero que simplemente por la cantidad de información no está logrando capturar.
+
+00:04:10.520 --> 00:04:13.460
+En la siguiente clase vamos a hacer un ejercicio con Gemini. ¿Por qué
+
+00:04:13.460 --> 00:04:16.940
+escogimos Gemini? Porque Gemini es el que tiene la ventana de contexto
+
+00:04:16.940 --> 00:04:20.480
+más grande en este momento. Estamos hablando de un millón de tokens, que
+
+00:04:20.480 --> 00:04:25.760
+son más de ciento veinte mil páginas. Eso aliviana el problema porque
+
+00:04:25.760 --> 00:04:29.740
+va a poder indexar un libro de trescientas páginas sin ningún problema y
+
+00:04:29.740 --> 00:04:34.320
+poder agregar cualquier prompt y cualquier conversación, porque nuestra ventana de contexto
+
+00:04:34.320 --> 00:04:38.440
+es mucho más amplia que eso. Pero acá hay un truco. Todos los
+
+00:04:38.440 --> 00:04:42.500
+modelos grandes de lenguaje que tienen una ventana de contexto tan grande,
+
+00:04:42.500 --> 00:04:46.960
+son capaces de analizar toda esa información, pero entran en un nuevo problema,
+
+00:04:46.960 --> 00:04:50.220
+y es que conforme va aumentando la ventana de contexto después de
+
+00:04:50.220 --> 00:04:54.920
+ciento veintiocho mil tokens, la eficiencia del modelo empieza a degradarse. ¿Esto qué
+
+00:04:54.920 --> 00:04:58.500
+quiere decir? Que seguimos teniendo el problema en donde es capaz de
+
+00:04:58.500 --> 00:05:02.900
+olvidar o alucinar información acerca del documento que vamos a analizar. Además de
+
+00:05:02.900 --> 00:05:06.120
+alucinar u olvidar información, lo que puede empezar a pasar también es
+
+00:05:06.120 --> 00:05:09.740
+que se confunda entre las tareas que le estás dando. Entonces, tú puedes
+
+00:05:09.740 --> 00:05:13.360
+coger un mismo chat de, de ChatGPT, de Gemini o de Claude
+
+00:05:13.360 --> 00:05:18.120
+y puedes pedirle que actúe diferentes roles, puedes seguir combinando tareas dentro del
+
+00:05:18.120 --> 00:05:21.380
+mismo chat, pero hay una probabilidad de que el modelo de atención
+
+00:05:21.380 --> 00:05:25.560
+empiece a confundirse. Primero le dijiste que actuara como un researcher e hiciera
+
+00:05:25.560 --> 00:05:29.860
+una investigación sobre el calentamiento global, y luego le dijiste que hiciera
+
+00:05:29.860 --> 00:05:34.100
+el labor de un social media manager para hacer contenido en redes sociales.
+
+00:05:34.100 --> 00:05:37.039
+Es probable que en ese cambio de rol y que la ventana
+
+00:05:37.040 --> 00:05:41.700
+de contexto por ir incrementando, empiece a equivocarse y no haga tan bien
+
+00:05:41.700 --> 00:05:46.440
+el trabajo como social media manager, porque sigue pensando que debe actuar
+
+00:05:46.440 --> 00:05:50.720
+como researcher que está investigando sobre el cambio climático. O de plano, el
+
+00:05:50.720 --> 00:05:54.360
+tercer error que podemos identificar es que empieza a olvidar las instrucciones.
+
+00:05:54.360 --> 00:05:58.380
+Es decir, le dijimos que me diera resúmenes de quinientas palabras que fueran
+
+00:05:58.380 --> 00:06:02.420
+pragmáticos, concisos, que fueran accionables, y de repente se vuelve a poner
+
+00:06:02.420 --> 00:06:07.480
+poético, se vuelve a poner a decirme cosas larguísimas y pareciera que se
+
+00:06:07.480 --> 00:06:11.452
+le están olvidando las cosas.[Clics]. Hay formas de mitigar esto. Lo
+
+00:06:11.452 --> 00:06:14.952
+primero es que el modelo siempre va a dar más atención a lo
+
+00:06:14.952 --> 00:06:18.572
+último que está en el prompt. Entonces, si se está alargando mucho
+
+00:06:18.572 --> 00:06:22.872
+tu chat dentro de ChatGPT, Gemini o Claude, es importante que le recuerdes
+
+00:06:22.872 --> 00:06:26.532
+los factores importantes que quieres que tenga en cuenta para resolver la
+
+00:06:26.532 --> 00:06:30.072
+tarea que le vas a poner ahora. Esto lo que hace es poner
+
+00:06:30.072 --> 00:06:33.052
+esa información de últimas en la ventana de contexto y, por ende,
+
+00:06:33.052 --> 00:06:36.872
+el modelo de atención le va a dar más prioridad. Lo segundo es
+
+00:06:36.872 --> 00:06:41.132
+que si significa algo en, en nuestro idioma, significa algo para el
+
+00:06:41.132 --> 00:06:46.572
+LLM. Entonces, el uso de mayúsculas, el repetir la información múltiples veces, el
+
+00:06:46.572 --> 00:06:49.832
+uso de signos de exclamación, también van a optimizar el modelo de
+
+00:06:49.832 --> 00:06:54.532
+atención para que tenga más cuidado con las instrucciones que le estamos repitiendo
+
+00:06:54.532 --> 00:06:58.372
+o que estamos usando este tipo de técnicas que significan algo en
+
+00:06:58.372 --> 00:07:03.912
+nuestro lenguaje y van a significar algo para el LLM. Y por último,
+
+00:07:03.912 --> 00:07:08.052
+es que hagas preguntas o identifiques contradicciones. Si le pediste que te
+
+00:07:08.052 --> 00:07:11.892
+diera un reporte, volviendo al reporte de los últimos dos años de la
+
+00:07:11.892 --> 00:07:15.852
+empresa, por cada departamento y solo te habla de tres departamentos, eso
+
+00:07:15.852 --> 00:07:19.592
+ya es una señal de que no está logrando controlar la ventana de
+
+00:07:19.592 --> 00:07:23.472
+contexto y está empezando a olvidar o alucinar información. Y ahí lo
+
+00:07:23.472 --> 00:07:26.312
+que te recomiendo es que la información que te haya servido hasta ese
+
+00:07:26.312 --> 00:07:29.432
+punto del chat, la agarres, te la lleves a un nuevo chat
+
+00:07:29.432 --> 00:07:32.472
+y empieces una nueva tarea en una ventana de contexto limpia con la
+
+00:07:32.472 --> 00:07:37.792
+información que importa. Lo más importante de todo esto es que la
+
+00:07:37.792 --> 00:07:41.852
+información que ingresas tiene que ser la necesaria para resolver el problema. Si
+
+00:07:41.852 --> 00:07:44.992
+ingresas información de más, vas a caer en el problema de la
+
+00:07:44.992 --> 00:07:49.552
+aguja en el pajar, y puede que la inteligencia artificial, el LLM, empiece
+
+00:07:49.552 --> 00:07:53.092
+a alucinar y se pierda entre todo el contexto. Imagínate esta ventana
+
+00:07:53.092 --> 00:07:57.122
+de contexto como un escritorio, y los tokens como la cantidad de páginas
+
+00:07:57.122 --> 00:08:01.392
+que puedes tener visibles en el escritorio. Si solo puedes poner diez
+
+00:08:01.392 --> 00:08:05.062
+y tienes veinte, chances hay de que se pierda la información. Porque, ¿cómo
+
+00:08:05.062 --> 00:08:08.722
+priorizas cuáles son las diez que vas a poder ver? Lo importante
+
+00:08:08.722 --> 00:08:13.992
+es identificar la información correcta, optimizar la m-venta ventana de contexto al máximo
+
+00:08:13.992 --> 00:08:17.452
+y, desde ahí, poder tener mecanismos con los que identifiques en qué
+
+00:08:17.452 --> 00:08:20.672
+momento empezó a alucinar u olvidar la información para que puedas empezar un
+
+00:08:20.672 --> 00:08:24.452
+nuevo chat, reorganices tu mesa con las hojas y pongas la información
+
+00:08:24.452 --> 00:08:26.491
+que importa para la tarea que quieres solucionar.
+

11-Técnicas de grounding para consultas legales con LLMs.mp4

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:acb34aa16ab70d82694c0b971c19b025ef040af6d5ff98eb5bfb9909c6c11521
+size 436050296

11-Técnicas de grounding para consultas legales con LLMs.sub.vtt

@@ -0,0 +1,575 @@
+WEBVTT
+
+00:00:00.400 --> 00:00:04.090
+Imagina que eres un product manager en una institución financiera en México. Es
+
+00:00:04.090 --> 00:00:07.060
+una institución, digamos, un banco, y tienes la tarea de que vas
+
+00:00:07.060 --> 00:00:09.880
+a crear un nuevo canal para atención de usuarios, que es una aplicación
+
+00:00:09.880 --> 00:00:14.460
+móvil. Para poder proponer esto y que sea viable y te den
+
+00:00:14.460 --> 00:00:17.740
+la aprobación, tienes que hacer un business case, tienes que hacer una propuesta
+
+00:00:17.740 --> 00:00:20.380
+en donde consideres todas las cosas que tienes que tener en cuenta
+
+00:00:20.380 --> 00:00:24.220
+para construirla. Y una de las cosas que va a ser más difícil
+
+00:00:24.220 --> 00:00:28.000
+es entender la ley y la regulación que te aplica, y aunque
+
+00:00:28.000 --> 00:00:32.180
+tienes un equipo legal, pues este es un trabajo que, en específico, tú
+
+00:00:32.180 --> 00:00:35.740
+como product manager deberías un poco dominar esta ley para llegar con
+
+00:00:35.740 --> 00:00:39.540
+propuestas más maduras y que el equipo legal no esté tanto gastándose el
+
+00:00:39.540 --> 00:00:45.080
+tiempo en explicarte toda la ley financiera o de instituciones crediticias, sino
+
+00:00:45.080 --> 00:00:49.820
+que se gaste más ese tiempo en discutir cómo hacer posible la idea.
+
+00:00:49.820 --> 00:00:54.760
+Antes, lo que tenías que hacer para llegar ahí es convertirte en
+
+00:00:54.760 --> 00:00:59.360
+un abogado, ser un experto en la ley, e incluso caías en el
+
+00:00:59.360 --> 00:01:03.060
+problema de que mucho del vocabulario que se usa no necesariamente lo
+
+00:01:03.060 --> 00:01:06.780
+vas a entender o te va a costar entender-- a entenderlo o vas
+
+00:01:06.780 --> 00:01:09.920
+a interpretarlo mal. Pero justo esta es una de esas tareas en
+
+00:01:09.920 --> 00:01:13.690
+donde podemos utilizar un LLM y es una de esas tareas donde vamos
+
+00:01:13.690 --> 00:01:17.679
+a empezar a ver varias técnicas para solucionar el problema de la
+
+00:01:17.680 --> 00:01:22.300
+aguja en un pajar, para que nos aseguremos que la inteligencia artificial no
+
+00:01:22.300 --> 00:01:27.320
+va a alucinar, olvidar e inventar información, sino que de verdad nos
+
+00:01:27.320 --> 00:01:31.700
+sirva para la tarea que queremos cumplir. Y espera, la función acá no
+
+00:01:31.700 --> 00:01:35.000
+es reemplazar a un abogado. La función acá es poder avanzar más
+
+00:01:35.000 --> 00:01:38.200
+en el trabajo para usar el tiempo de los abogados de la empresa
+
+00:01:38.200 --> 00:01:42.320
+en lo que realmente va a traer mayor impacto. Entonces, vamos a
+
+00:01:42.320 --> 00:01:46.500
+irnos a Gemini, que es el LLM con la mayor ventana de contexto
+
+00:01:46.500 --> 00:01:49.620
+de un millón de tokens, y vamos a empezar a ver diferentes
+
+00:01:49.620 --> 00:01:53.880
+técnicas que nos van a ayudar a asegurarnos que no tengamos el problema
+
+00:01:53.880 --> 00:01:59.660
+de alucinaciones, de olvidar o que termine inventando cosas la inteligencia artificial.
+
+00:01:59.660 --> 00:02:03.600
+Y esa primera técnica se va a llamar grounding. Entonces, vamos a irnos
+
+00:02:03.600 --> 00:02:06.140
+a Gemini y vamos a subir uno de los archivos que te
+
+00:02:06.140 --> 00:02:09.258
+dejé en los recursos. El primer archivo que vamos a abrir se llama
+
+00:02:09.258 --> 00:02:14.460
+LIC.pdf, que es la ley de instituciones de crédito. En este caso,
+
+00:02:14.460 --> 00:02:18.420
+esta es la ley de México para banca múltiple y lo que queremos
+
+00:02:18.420 --> 00:02:22.260
+hacer es poderla consultar. Y para eso vamos a usar el siguiente
+
+00:02:22.260 --> 00:02:26.740
+prompt, que tengo acá. Y es: «Eres un asistente legal especializado en la
+
+00:02:26.740 --> 00:02:32.329
+regulación bancaria mexicana. Basa tu respuesta únicamente en mayúsculas en el documento
+
+00:02:32.329 --> 00:02:35.880
+adjunto de la Ley de Instituciones de Crédito. Si la información no está
+
+00:02:35.880 --> 00:02:39.200
+en el documento, responde que no se encuentra disponible». Y acá vemos
+
+00:02:39.200 --> 00:02:42.580
+dos cosas que nos ayudan a este grounding. Lo primero es que le
+
+00:02:42.580 --> 00:02:47.519
+aclaramos que la respuesta debe ser basada únicamente en el documento adjunto
+
+00:02:47.520 --> 00:02:52.520
+y especificamos el nombre del documento. Podríamos decir documentos adjuntos y ya está,
+
+00:02:52.520 --> 00:02:56.480
+pero especificar el nombre del documento hace que se enfoque específicamente y
+
+00:02:56.480 --> 00:03:00.769
+no haya chance de que lo interprete por otro lugar. Únicamente lo ponemos
+
+00:03:00.769 --> 00:03:05.040
+en mayúscula porque significa algo en nuestro lenguaje. Cuando alguien nos habla
+
+00:03:05.040 --> 00:03:09.079
+en mayúscula, quiere decir que nos está haciendo énfasis en algo. Incluso hacemos
+
+00:03:09.080 --> 00:03:13.220
+el chiste de que está gritando. Acá estamos haciendo eso, darle énfasis
+
+00:03:13.220 --> 00:03:17.200
+en que únicamente en el documento adjunto. Y lo otro que hacemos es
+
+00:03:17.200 --> 00:03:20.460
+que le damos una instrucción de qué debe hacer si no encuentra
+
+00:03:20.460 --> 00:03:23.720
+información. Y acá lo más importante a tener en cuenta es que la
+
+00:03:23.720 --> 00:03:28.140
+inteligencia artificial va a encontrar patrones, incluso en lugares donde no los
+
+00:03:28.140 --> 00:03:32.700
+hay. La tarea de la inteligencia artificial es responderte sí o sí. Y
+
+00:03:32.700 --> 00:03:36.579
+si lo que implica es inventar información, lo va a hacer. Entonces,
+
+00:03:36.580 --> 00:03:39.960
+lo que estamos haciendo es ser explícitos en qué-- en qué debe hacer
+
+00:03:39.960 --> 00:03:42.700
+en el momento en el que no encuentre información con la cual
+
+00:03:42.700 --> 00:03:46.400
+responder. En lugar de inventar, mejor que nos dé una respuesta en donde
+
+00:03:46.400 --> 00:03:51.080
+nos diga que no se encuentra esa información. Al enviar este prompt,
+
+00:03:51.080 --> 00:03:55.920
+lo primero que estamos haciendo es darle un rol y dan-darle un enfoque
+
+00:03:55.920 --> 00:03:59.880
+a lo que queremos que pase dentro de-de esta ventana de contexto.
+
+00:03:59.880 --> 00:04:03.240
+Y listo. Acá me dice: «Ya procesé el documento y estoy lista para
+
+00:04:03.240 --> 00:04:07.840
+responder a cualquier pregunta basándome exclusivamente en la información que contiene». Entonces,
+
+00:04:07.840 --> 00:04:09.900
+vamos a hacer una pregunta. Le voy a dar el contexto de que
+
+00:04:09.900 --> 00:04:14.859
+estoy creando una aplicación móvil para una eh, institución crediticia. En este
+
+00:04:14.860 --> 00:04:18.039
+caso, me faltó una S acá, institución, y que será uno de los
+
+00:04:18.040 --> 00:04:21.640
+canales de atención. Y le preguntamos qué requisitos de autenticación de un
+
+00:04:21.640 --> 00:04:26.360
+cliente debe tener mi aplicación. Lo enviamos. Entonces, la respuesta que me da
+
+00:04:26.360 --> 00:04:29.220
+es justo un caso en donde me dice: «La información sobre los
+
+00:04:29.220 --> 00:04:33.780
+requisitos de autenticación específicos para una aplicación móvil no se encuentran disponibles en
+
+00:04:33.780 --> 00:04:37.160
+el documento de la ley de instituciones de crédito proporcionado». Y luego
+
+00:04:37.160 --> 00:04:40.480
+me dice de qué se trata. Lo más importante que acabamos de ver
+
+00:04:40.480 --> 00:04:43.340
+acá es que las dos técnicas de grounding que acabamos de ver,
+
+00:04:43.340 --> 00:04:47.000
+donde le decimos el únicamente y donde le damos una indicación de qué
+
+00:04:47.000 --> 00:04:51.180
+hacer si no está la información disponible, funcionó. En lugar de inventarse
+
+00:04:51.180 --> 00:04:56.780
+algo, nos dijo: «La información no está disponible». Ahora hagamos un ejemplo cuando
+
+00:04:56.780 --> 00:05:00.850
+la información sí está disponible. Vamos a abrir un nuevo chat y
+
+00:05:00.850 --> 00:05:06.320
+vamos a subir dos documentos adicionales. Tenemos la ley de institucio-- de instituciones
+
+00:05:06.320 --> 00:05:10.840
+de crédito, que es la que subimos anteriormente, y vamos a subir
+
+00:05:10.840 --> 00:05:13.640
+dos documentos más que encuentras en el área de recursos, que es el
+
+00:05:13.640 --> 00:05:17.580
+anexo sesenta y tres, que habla sobre cómo, eh, es el uso
+
+00:05:17.580 --> 00:05:21.740
+de el servicio de banca electrónica y uno de los diarios de la
+
+00:05:21.740 --> 00:05:25.800
+re-- de la federación que hablan también sobre esto. En este caso,
+
+00:05:25.800 --> 00:05:28.600
+si tú solo sabes sobre la ley y no tienes información de dónde
+
+00:05:28.600 --> 00:05:33.200
+encuentras la, la regulación que estás buscando, ahí es donde tienes que
+
+00:05:33.200 --> 00:05:35.800
+hablarle a tu equipo legal para que te guíen a cuál es la
+
+00:05:35.800 --> 00:05:39.220
+información correcta. Acá simulamos de que el equipo legal ya me respondió
+
+00:05:39.220 --> 00:05:43.520
+que es esta. Vamos a agregar esa información y vamos a volver al
+
+00:05:43.520 --> 00:05:47.719
+prompt con el que empezamos todo esto, pero voy a hacer una
+
+00:05:47.720 --> 00:05:52.680
+ligera modificación. El prompt con el que empezamos era: «Eres un asistente legal
+
+00:05:52.680 --> 00:05:56.479
+especializado en la regulación me-- bancaria mexicana. Basa tu respuesta únicamente en
+
+00:05:56.480 --> 00:06:00.920
+el documento adjunto de la ley de Instituciones de Crédito». Si yo lo
+
+00:06:00.920 --> 00:06:04.784
+dejo así...A pesar de haber subido el Diario de la Federación y
+
+00:06:04.784 --> 00:06:07.844
+el Anexo sesenta y tres, no lo va a tener en cuenta, porque
+
+00:06:07.844 --> 00:06:11.824
+estoy siendo explícito en qué documento se debe enfocar. Entonces, voy a
+
+00:06:11.864 --> 00:06:17.064
+decir: «Y documentos adjuntos». Y si la información no está en lo-- en
+
+00:06:17.064 --> 00:06:22.444
+los documentos, responde que no se encuentra disponible. Yo podría haber dejado
+
+00:06:22.444 --> 00:06:25.484
+que si la información no está en el documento, responde que no se
+
+00:06:25.484 --> 00:06:29.004
+encuentra disponible y capaz y funciona. Pero lo que queremos es que
+
+00:06:29.004 --> 00:06:32.884
+cada vez que lo usemos, funcione siempre. Entonces, capaz funciona una vez, pero
+
+00:06:32.884 --> 00:06:35.984
+luego lo interpreta de otra manera y no funciona. Es mejor usar
+
+00:06:35.984 --> 00:06:40.764
+las palabras correctas para lo que queremos decir. Lo envío y ahora me
+
+00:06:40.764 --> 00:06:44.164
+dice que ya revisó los documentos y ya los identificó. La ley
+
+00:06:44.164 --> 00:06:48.224
+de instituciones de crédito, el Diario Oficial de la Federación y el Anexo
+
+00:06:48.224 --> 00:06:51.664
+sesenta y tres CV. Y ya está listo para ayudarme. Y voy
+
+00:06:51.664 --> 00:06:55.154
+a hacer la misma pregunta: Estoy creando una aplicación móvil, ¿qué requisitos o
+
+00:06:55.154 --> 00:06:59.124
+autenticación de un cliente debo tener mi aplicación? Lo envío y ahora
+
+00:06:59.124 --> 00:07:03.604
+me respondió. Me dice: «Según los documentos proporcionados, requisitos de autenticación basado en
+
+00:07:03.604 --> 00:07:08.424
+el Anexo sesenta y tres, esto es lo que tengo para decir.
+
+00:07:08.424 --> 00:07:10.984
+Según el Diario de la Federación que yo le pasé», porque le pasé
+
+00:07:10.984 --> 00:07:14.664
+uno de los diarios, no le pasé todo, eh, menciona cuáles son
+
+00:07:14.664 --> 00:07:18.224
+los mecanismos de autenticación, ta, ta, ta, ta, ta. Ahora viene una técnica
+
+00:07:18.224 --> 00:07:21.604
+un poco más avanzada. Voy a pedirle que para cada respuesta que
+
+00:07:21.604 --> 00:07:28.224
+me entregue, me dé, eh, la cita textual del artículo que corresponde para
+
+00:07:28.224 --> 00:07:32.044
+poder ubicar la información que me está dando. Entonces, voy a darle
+
+00:07:32.044 --> 00:07:35.444
+este prompt. Se lo voy a poner acá. Le voy a decir: «Para
+
+00:07:35.444 --> 00:07:39.303
+cada requisito que menciones, incluye la cita textual del artículo correspondiente, entre
+
+00:07:39.304 --> 00:07:43.164
+comillas». Y vamos a ver qué me dice. Me da la respuesta y,
+
+00:07:43.164 --> 00:07:46.644
+por ejemplo, identificador del usuario, me dice: «El número de, de línea
+
+00:07:46.644 --> 00:07:49.964
+de teléfono móvil del usuario cuyo número de línea se encuentra asociado al
+
+00:07:49.964 --> 00:07:53.744
+servicio AT. Este dato debe ser obtenido de forma automática por la
+
+00:07:53.744 --> 00:07:57.444
+institución para ser utilizado como identificador de usuario». Vamos a hacer algo. Voy
+
+00:07:57.444 --> 00:08:01.984
+a coger esta información que me entregó acá y voy a irme
+
+00:08:01.984 --> 00:08:05.924
+a el Anexo sesenta y tres, al documento que descargué. Voy a buscar
+
+00:08:05.924 --> 00:08:09.564
+la cita textual, en este caso, tal cual como me la entregó.
+
+00:08:09.564 --> 00:08:13.444
+Voy a ponerlo, voy a irme acá, tengo el Anexo sesenta y tres,
+
+00:08:13.444 --> 00:08:17.203
+le doy buscar y no aparece. Vamos a hacer una prueba. Pasa
+
+00:08:17.204 --> 00:08:20.584
+que algunos PDFs tienden a ser imágenes a pesar de que vemos los
+
+00:08:20.584 --> 00:08:24.504
+textos. Entonces, voy a coger esta palabra de acá, voy a copiarla,
+
+00:08:24.504 --> 00:08:27.274
+voy a buscarla y voy a ver que en efecto encontró el texto.
+
+00:08:27.274 --> 00:08:31.074
+Entonces no es el problema de mi PDF. Acá yo podría buscar.
+
+00:08:31.074 --> 00:08:34.044
+Entonces, voy a-- voy a coger un par de palabras nada más. Teléfono
+
+00:08:34.044 --> 00:08:39.004
+móvil del usuario. Y vamos a buscar. Acá me sale: «Servicios y
+
+00:08:39.004 --> 00:08:41.784
+operaciones bancarias a través de un servicio telé cuyo número de línea está
+
+00:08:41.784 --> 00:08:44.824
+asociado al servicio. Este dato debe ser obtenido de forma automática por
+
+00:08:44.824 --> 00:08:48.364
+la institución para ser utilizado como identificador de usuario». Entonces, quiero que veas
+
+00:08:48.364 --> 00:08:53.024
+algo. En este caso, la cita textual no la encontró porque tiene
+
+00:08:53.024 --> 00:08:58.464
+unos caracteres especiales que están acá. Pero, en general, la información que me
+
+00:08:58.464 --> 00:09:01.624
+está diciendo acá es parecida a la información que me parece acá.
+
+00:09:01.624 --> 00:09:04.244
+Lo único es que si no es textual, si ves en este caso,
+
+00:09:04.244 --> 00:09:06.844
+dice: «El número de línea del teléfono móvil del usuario cuyo número
+
+00:09:06.844 --> 00:09:10.524
+de línea se encuentra asociado». Y acá es: «Servicios de operaciones bancarias a
+
+00:09:10.524 --> 00:09:13.233
+través de un teléfono móvil del usuario cuyo número de línea está
+
+00:09:13.233 --> 00:09:18.104
+asociado al servicio». Entonces, puedes buscar la cita completa, a veces no la
+
+00:09:18.104 --> 00:09:21.864
+vas a encontrar, puedes buscar palabras para encontrar la referencia y lo
+
+00:09:21.864 --> 00:09:24.944
+importante es que no siempre la cita la va a entregar tal cual.
+
+00:09:24.944 --> 00:09:30.784
+Y esto se lo podemos decir. «En la cita del Anexo sesenta
+
+00:09:30.784 --> 00:09:38.324
+y tres, no la encontré en el documento. ¿Puedes de-decirme en qué página
+
+00:09:38.324 --> 00:09:43.324
+está?» El punto de esta técnica que estamos viendo es que al
+
+00:09:43.324 --> 00:09:47.364
+pedirle las citas textuales podemos validar la información en los documentos de donde
+
+00:09:47.364 --> 00:09:51.684
+vienen. Y desde ahí, ya que validamos que la información sí existe
+
+00:09:51.684 --> 00:09:55.364
+en el documento, ahí ya podemos empezar a hacer más preguntas para entender
+
+00:09:55.364 --> 00:09:59.224
+los puntos exactos que hablan de lo que él detectó que soluciona
+
+00:09:59.224 --> 00:10:03.624
+mi pregunta o la cuestión que le estoy poniendo. Vamos a preguntarle qué
+
+00:10:03.624 --> 00:10:07.864
+es lo que dice todas estas leyes y regulaciones sobre la custodia
+
+00:10:07.864 --> 00:10:11.724
+de la información. Voy a enviarlo y voy a ver cuál es el
+
+00:10:11.724 --> 00:10:15.324
+resultado. Lo importante acá es que va a revisar los tres documentos
+
+00:10:15.324 --> 00:10:18.764
+y me va a decir, con citas exactas, qué lugares habla sobre la
+
+00:10:18.764 --> 00:10:21.804
+custodia de la información. E incluso si te das cuenta, el prompt
+
+00:10:21.804 --> 00:10:27.284
+es bastante amplio. Podríamos estar diciendo custodia de información del cliente, de las
+
+00:10:27.284 --> 00:10:31.404
+cuentas bancarias, de qué específicamente. Acá el punto es que vamos a
+
+00:10:31.404 --> 00:10:34.144
+ver todo lo que lo menciona y de ahí podemos empezar una investigación
+
+00:10:34.144 --> 00:10:37.244
+más profunda. Y si vemos, dice que en el Diario Oficial de
+
+00:10:37.244 --> 00:10:44.584
+la Federación cuenta sobre esta información y... nada más. Ningún otro documento me
+
+00:10:44.584 --> 00:10:47.444
+habla de esto. Si yo le doy acá, puedo ver exactamente de
+
+00:10:47.444 --> 00:10:54.524
+cuál documento se basó. Le puedo decir: «En la ley de Instituciones Crediticias
+
+00:10:54.524 --> 00:11:03.004
+se menciona algo?». Entonces, recordemos lo que veíamos en la clase pasada.
+
+00:11:03.004 --> 00:11:06.444
+En este caso, solo habló sobre el Diario de la Federación, pero yo
+
+00:11:06.444 --> 00:11:09.304
+puedo recordarle que tiene un documento disponible, que es la ley de
+
+00:11:09.304 --> 00:11:14.744
+Instituciones Crediticias y ver o pedirle que vaya y consulte ese documento y
+
+00:11:14.744 --> 00:11:18.364
+vea si ahí hay alguna información que no me está entregando porque
+
+00:11:18.364 --> 00:11:22.324
+se enfocó solamente en el Diario de la Federación. Y dice: «De acuerdo
+
+00:11:22.324 --> 00:11:25.843
+a la información contenida en el, en la ley de Instituciones de
+
+00:11:25.844 --> 00:11:29.944
+Crédito que proporcionaste, no se encuentra disponible el término custodia de la información
+
+00:11:29.944 --> 00:11:34.044
+ni se hace mes-- mención a requisitos específicos sobre este tema». Entonces,
+
+00:11:34.044 --> 00:11:38.224
+con esta última técnica también validamos que en los otros documentos no haya
+
+00:11:38.224 --> 00:11:41.124
+presente información y que no se le esté olvidando o no esté
+
+00:11:41.124 --> 00:11:45.864
+alucinando al respecto. Incluso podríamos mejorar el prompt que hicimos sobre la custodia
+
+00:11:45.864 --> 00:11:50.824
+de la información, aclarándole que consulte los tres documentos adjuntos para no
+
+00:11:50.824 --> 00:11:55.384
+tener que hacer estas validaciones adicionales. Con esta técnica de grounding, acabas de
+
+00:11:55.384 --> 00:11:59.184
+aprender cómo puedes forzar al modelo a responder solamente con la información
+
+00:11:59.184 --> 00:12:04.014
+que le proporcionas, diciéndole que lo haga únicamente basado en los datos adjuntos,
+
+00:12:04.014 --> 00:12:08.223
+pero también agregando una cláusula o una información que diga qué hacer
+
+00:12:08.224 --> 00:12:12.184
+en caso de no encontrar la información. Recuerda, esto no va a reemplazar
+
+00:12:12.184 --> 00:12:15.324
+un abogado, pero sí te va a dar información necesaria para llegar
+
+00:12:15.324 --> 00:12:19.144
+con una propuesta más elaborada. Lo importante es que no creas ciegamente en
+
+00:12:19.144 --> 00:12:22.324
+lo que te dice el LLM, sino que crees mecanismos donde puedas
+
+00:12:22.324 --> 00:12:25.944
+validar la información que te entregó y que esas propuestas lleguen desde un
+
+00:12:25.944 --> 00:12:29.244
+lugar más informado, en lugar de que llegues a una reunión creyendo
+
+00:12:29.244 --> 00:12:32.444
+que sabes de qué estás hablando y de repente fue la inteligencia artificial
+
+00:12:32.444 --> 00:12:35.564
+la que alucinó y te hizo ver que no sabías del tema
+
+00:12:35.564 --> 00:12:37.324
+que estabas tratando.
+

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

12-Cadena de pensamiento y verificación con múltiples métodos en LLMs.sub.vtt

@@ -0,0 +1,233 @@
+WEBVTT
+
+00:00:00.280 --> 00:00:04.500
+Si te pregunto cuánto pagarías por tres camisetas de veinticinco dólares con un
+
+00:00:04.500 --> 00:00:10.080
+20 % de descuento, ¿qué me responderías? En mi caso, yo empezaría
+
+00:00:10.080 --> 00:00:14.890
+por decir: «Bueno, 20 % de veinticinco es cinco dólares, entonces veinte menos
+
+00:00:14.890 --> 00:00:19.960
+cinco... veinticinco menos cinco son veinte dólares, por tres son sesenta dólares».
+
+00:00:19.960 --> 00:00:26.420
+Entonces, pagarías sesenta dólares. Esto que acabo de hacer fue verbalizar cuál fue
+
+00:00:26.420 --> 00:00:30.919
+mi cadena de pensamiento para llegar al resultado. Es decir, dije con
+
+00:00:30.920 --> 00:00:35.280
+palabras cuál fue el paso a paso que ejecuté en mi cabeza para
+
+00:00:35.280 --> 00:00:39.620
+llegar al resultado de sesenta dólares. Primero, tenía el valor de veinticinco,
+
+00:00:39.620 --> 00:00:42.600
+luego saqué el 20 %, que son cinco dólares, luego esos cinco se
+
+00:00:42.600 --> 00:00:46.240
+los resté a los veinticinco, me dio veinte dólares, y luego multipliqué
+
+00:00:46.240 --> 00:00:51.400
+veinte por tres. Esto, a nivel de LLMs, se llama chain of thought
+
+00:00:51.400 --> 00:00:55.460
+o cadena de pensamiento. Y básicamente es lo que hace un LLM
+
+00:00:55.460 --> 00:00:58.980
+cada vez que le ponemos una tarea. Hace un par de años, para
+
+00:00:58.980 --> 00:01:02.820
+poder estimular al LLM y llegar a esa cadena de pensamiento, teníamos
+
+00:01:02.820 --> 00:01:07.280
+que darle un problema y decirle: «Piensa paso a paso». Y de repente,
+
+00:01:07.280 --> 00:01:11.660
+lo que el LLM hacía era primero pensar cuáles son los pasos
+
+00:01:11.660 --> 00:01:15.480
+para resolver el problema y luego ejecutar esos pasos. Hoy en día podemos
+
+00:01:15.480 --> 00:01:19.680
+decir que los modelos de razonamiento son los que hacen este proceso,
+
+00:01:19.680 --> 00:01:22.740
+pero la verdad es que todos los modelos hoy en día razonan. La
+
+00:01:22.740 --> 00:01:27.240
+diferencia entre un modelo rápido y un modelo pro o sofisticado o
+
+00:01:27.240 --> 00:01:31.800
+de problemas complejos, es cuánto tiempo tienen para razonar. Pero eso lo vamos
+
+00:01:31.800 --> 00:01:34.380
+a ver en las clases del futuro. En esta clase quiero que
+
+00:01:34.380 --> 00:01:38.360
+nos centremos en, primero, entender qué es esta cadena de pensamiento, que es
+
+00:01:38.360 --> 00:01:41.300
+el paso a paso para llegar a resolver un problema, en donde
+
+00:01:41.300 --> 00:01:44.680
+nosotros se lo podemos dar o le podemos pedir al LLM que los
+
+00:01:44.680 --> 00:01:48.900
+piense. Y segundo, cómo a través de esta cadena de pensamiento podemos
+
+00:01:48.900 --> 00:01:53.220
+generar múltiples caminos que nos den el mejor resultado posible. Esto último se
+
+00:01:53.220 --> 00:01:58.500
+llama self consistency, que es pedirle al LLM llegar a diferentes formas
+
+00:01:58.500 --> 00:02:02.400
+de resolver un problema, ver los resultados y asegurarnos que todas las formas
+
+00:02:02.400 --> 00:02:06.480
+llegan al resultado que queremos, o, por lo menos, escoger cuál es
+
+00:02:06.480 --> 00:02:09.720
+el resultado más común dentro de todas las formas que tuvo para resolver
+
+00:02:09.720 --> 00:02:13.380
+un problema. Y para poder ver esto en acción, vamos a seguir
+
+00:02:13.380 --> 00:02:18.440
+con nuestro problema de cómo resolveríamos comprar tres camisas de veinticinco dólares con
+
+00:02:18.440 --> 00:02:22.640
+20 % de descuento. Quiero que abras Microsoft Copilot y vamos a
+
+00:02:22.640 --> 00:02:26.320
+abrir un nuevo chat y vas a poner el siguiente prompt: «¿Cuánto pagarías
+
+00:02:26.320 --> 00:02:29.680
+por tres camisas de veinticinco dólares cada una con un 20 %
+
+00:02:29.680 --> 00:02:33.360
+de descuento?» Lo vamos a enviar y vamos a ver que nos cuente
+
+00:02:33.360 --> 00:02:36.620
+cuál es el resultado. Muchas veces vas a ver que puede decirte
+
+00:02:36.620 --> 00:02:41.860
+simplemente sesenta dólares, y algo que puedes decir es: «Piensa paso a paso».
+
+00:02:41.860 --> 00:02:44.040
+Y muchas otras veces vas a ver que te va a contar
+
+00:02:44.040 --> 00:02:47.010
+cuál fue el proceso. En este caso me dice: «Para calcular cuánto pagarías
+
+00:02:47.010 --> 00:02:50.380
+por tres camisas de veinticinco dólares cada una con un 20 %
+
+00:02:50.380 --> 00:02:55.370
+de descuento, primero multiplica el precio. Sin el descuento da setenta y cinco
+
+00:02:55.370 --> 00:02:59.760
+dólares. Luego, calcula el descuento del 20 %, que serían quince dólares,
+
+00:02:59.760 --> 00:03:03.900
+y luego, al precio final, le resta el descuento y son sesenta dólares».
+
+00:03:03.900 --> 00:03:07.760
+Acabamos de ver otro camino diferente al mío para resolver el mismo
+
+00:03:07.760 --> 00:03:13.100
+problema y llega a la misma solución: sesenta dólares. Ahora, ¿cómo podríamos aplicar
+
+00:03:13.100 --> 00:03:16.579
+el tema de self consistency en el caso de prompts? Vamos a
+
+00:03:16.580 --> 00:03:20.840
+abrir un nuevo chat y vamos a modificar ligeramente mi prompt con una
+
+00:03:20.840 --> 00:03:25.540
+frase simple. «¿Cuánto pagarías por tres camisas de veinticinco dólares cada una
+
+00:03:25.540 --> 00:03:30.109
+con un 20 % de descuento? Dame tres métodos para calcular esto». Voy
+
+00:03:30.109 --> 00:03:34.320
+a darle enter. Y acá me va a entregar tres métodos, tres
+
+00:03:34.320 --> 00:03:38.260
+cadenas de pensamiento con los cuales va a llegar al resultado. Veamos el
+
+00:03:38.260 --> 00:03:41.820
+resultado. Método uno: descuento sobre el precio final, que fue el que
+
+00:03:41.820 --> 00:03:47.040
+ya vimos. Precio unitario con descuento, entonces me dice: «Veinticinco dólares menos el
+
+00:03:47.040 --> 00:03:51.520
+20 % de veinticinco. Veinticinco menos cinco igual veinte. Precio final: tres
+
+00:03:51.520 --> 00:03:55.840
+por veinte, sesenta». Ese fue mi método. Y el tercero, multiplicación por el
+
+00:03:55.840 --> 00:04:01.020
+porcentaje restante. Entonces, dice: «100 % menos 20 % es igual a
+
+00:04:01.020 --> 00:04:04.650
+80 %, que es igual a 0.8. El precio final es setenta y
+
+00:04:04.650 --> 00:04:09.680
+cinco dólares por 0.8, sesenta dólares». En este caso que estamos hablando
+
+00:04:09.680 --> 00:04:13.960
+de una operación matemática, los tres métodos me llevan al mismo resultado. Incluso
+
+00:04:13.960 --> 00:04:16.659
+si el modelo hubiera alucinado o no hubiera hecho bien una de
+
+00:04:16.660 --> 00:04:23.900
+las operaciones, esta forma de pedirle el resultado me permitiría detectar errores. Porque
+
+00:04:23.900 --> 00:04:27.900
+podríamos ver cuál fue la cadena de pensamiento en cada método y
+
+00:04:27.900 --> 00:04:30.960
+si uno de los métodos da un resultado diferente, ya entrar a indagar
+
+00:04:30.960 --> 00:04:34.539
+cuál es el método correcto. O de plano podríamos co-- escoger la
+
+00:04:34.540 --> 00:04:39.540
+respuesta más común. Ya depende de cada problema la solución que queramos darle.
+
+00:04:39.540 --> 00:04:44.880
+Pero con estas dos técnicas, uno, hacer verbal o que explique cuál
+
+00:04:44.880 --> 00:04:48.640
+es el paso a paso de resolver un problema y dos, pedirle diferentes
+
+00:04:48.640 --> 00:04:54.740
+métodos, tenemos una alternativa más a cómo podemos evitar las alucinaciones o
+
+00:04:54.740 --> 00:04:59.320
+cómo podemos evitar que se invente cosas que no necesitamos para resolver un
+
+00:04:59.320 --> 00:05:03.000
+problema. En este caso lo hice con un problema matemático, pero quiero
+
+00:05:03.000 --> 00:05:06.360
+que tomes el ejemplo de la clase anterior donde hablábamos de las leyes
+
+00:05:06.360 --> 00:05:10.560
+del sistema bancario y le hagas una pregunta del cual le pidas
+
+00:05:10.560 --> 00:05:13.520
+tres métodos para llegar a la respuesta. Y quiero que me des en
+
+00:05:13.520 --> 00:05:17.560
+los comentarios cuáles fueron los métodos a los que llegaste haciendo el
+
+00:05:17.560 --> 00:05:21.260
+método de self consistency con el problema que vimos en la clase anterior.
+

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

14-Modelos de razonamiento de ChatGPT y cadenas de pensamiento.sub.vtt

@@ -0,0 +1,389 @@
+WEBVTT
+
+00:00:00.400 --> 00:00:04.019
+En la clase anterior hablamos sobre la cadena de pensamiento o chain of
+
+00:00:04.019 --> 00:00:07.580
+thought, y veíamos que básicamente es el proceso paso a paso para
+
+00:00:07.580 --> 00:00:11.320
+resolver un problema. Quiero ahondar un poco más en esto con el siguiente
+
+00:00:11.320 --> 00:00:14.160
+ejemplo. Vamos a ir a ChatGPT, y la diferencia esta vez es
+
+00:00:14.160 --> 00:00:17.700
+que voy a partir de una cuenta paga. Es decir, si tenías tu
+
+00:00:17.700 --> 00:00:21.600
+cuenta gratis antes, en este caso vas a tener que suscribirte y
+
+00:00:21.600 --> 00:00:26.470
+vas a poder disfrutar de varias configuraciones nuevas que tienes disponibles solo por
+
+00:00:26.470 --> 00:00:30.310
+estar en la versión paga. Lo primero que vas a tener disponible
+
+00:00:30.310 --> 00:00:34.400
+es el-- la posibilidad de cambiar de modelo. En la parte de arriba,
+
+00:00:34.400 --> 00:00:37.960
+donde dice ChatGPT 5, vas a ver que tiene una flecha y
+
+00:00:37.960 --> 00:00:41.990
+cuando le picas vas a ver lo siguiente. Vas a ver la-- el
+
+00:00:41.990 --> 00:00:45.820
+modo automático en donde él decide qué modelo de estos que me
+
+00:00:45.820 --> 00:00:49.680
+muestra va a usar según el problema que yo le lanzo, o puedo
+
+00:00:49.680 --> 00:00:55.460
+decirle directamente: «Quiero que me des el modelo instantáneo que me da
+
+00:00:55.460 --> 00:01:01.570
+las respuestas sin darse un tiempo muy largo para pensar cómo resolverlo». Luego,
+
+00:01:01.570 --> 00:01:04.280
+Thinking, que es el modelo que se va a tomar el tiempo
+
+00:01:04.280 --> 00:01:08.420
+para pensar para resolver. Y luego tenemos el modelo Pro, que este solo
+
+00:01:08.420 --> 00:01:13.000
+está disponible cuando pagas ChatGPT, la versión más alta, o cuando tienes
+
+00:01:13.000 --> 00:01:16.740
+una cuenta de Enterprise y haces parte de un grupo de trabajo, tienes
+
+00:01:16.740 --> 00:01:21.700
+ciertas capacidades del Pro limitadas al día a día. Y luego tenemos
+
+00:01:21.700 --> 00:01:24.480
+los modelos Legacy, que es poder acceder a los modelos que había lanzado
+
+00:01:24.480 --> 00:01:28.680
+antes ChatGPT, pero eso no lo necesitamos en este momento. Nos vamos
+
+00:01:28.680 --> 00:01:33.740
+a enfocar en qué tanto queremos que piense la respuesta. Y para este
+
+00:01:33.740 --> 00:01:37.840
+primer ejemplo vamos a irnos con el modelo instantáneo. Y el primer
+
+00:01:37.840 --> 00:01:40.920
+ejemplo que vamos a poner es el siguiente prompt: «Un grupo de veintitrés
+
+00:01:40.920 --> 00:01:44.860
+personas quiere sentarse en mesas con seis sillas cada una. ¿Son suficientes
+
+00:01:44.860 --> 00:01:48.580
+cuatro mesas?» Lo que quiero que veas es cómo el mismo prompt lo
+
+00:01:48.580 --> 00:01:52.220
+va a resolver dependiendo de cuál es el modelo que usamos y,
+
+00:01:52.220 --> 00:01:57.600
+luego, cómo podemos inducir ese pensamiento paso a paso que queremos ejecutar cada
+
+00:01:57.600 --> 00:02:02.480
+vez que lanzamos un prompt. Lo envío y vemos que la respuesta
+
+00:02:02.480 --> 00:02:05.940
+es instantánea. Me dice: «Cada mesa tiene seis sillas y hay cuatro mesas,
+
+00:02:05.940 --> 00:02:10.440
+entonces seis por cuatro, veinticuatro sillas en total. Como el grupo es
+
+00:02:10.440 --> 00:02:13.780
+de veintitrés personas y veintitrés es menor a veinticuatro, entonces se alcanzan las
+
+00:02:13.780 --> 00:02:19.000
+sillas, sobraría una silla libre». Aunque no le dijimos que nos mostrara
+
+00:02:19.000 --> 00:02:22.160
+la cadena de pensamiento, lo hizo y fue muy rápido en darnos la
+
+00:02:22.160 --> 00:02:26.700
+respuesta. También es un problema bastante simple. No nos enfoquemos en la
+
+00:02:26.700 --> 00:02:31.380
+complejidad del problema. Veamos exactamente el mismo problema con el modelo Thinking. Creamos
+
+00:02:31.380 --> 00:02:35.680
+un nuevo chat, cambiamos el modelo a Thinking y, tal cual como
+
+00:02:35.680 --> 00:02:38.590
+lo acabamos de hacer, le decimos el mismo prompt: «Un grupo de veintitrés
+
+00:02:38.590 --> 00:02:43.400
+personas quiere sentarse en seis sillas cada una. ¿Son suficientes cuatro mesas?»
+
+00:02:43.400 --> 00:02:45.500
+Y lo primero que vamos a ver es que se va a demorar
+
+00:02:45.500 --> 00:02:49.940
+más, va a decir Thinking. Y en ese Thinking nos dice: «Sí,
+
+00:02:49.940 --> 00:02:54.020
+cada mesa tiene seis sillas, cuatro mesas, cuatro por seis, veinticuatro, son veintitrés
+
+00:02:54.020 --> 00:02:58.600
+personas, alcanzas y sobra una silla». Me dio la misma respuesta, pero
+
+00:02:58.600 --> 00:03:02.500
+le tomó un poquito más de tiempo llegar a ella. Ahora, en cada
+
+00:03:02.500 --> 00:03:07.380
+una de estas que acabamos de ver, eh, pues en la primera
+
+00:03:07.380 --> 00:03:10.180
+nos contó un poco la operación matemática para llegar allá y nos dio
+
+00:03:10.180 --> 00:03:13.600
+la narrativa de cómo llegó allá, pero incluso cómo pensó que tenía
+
+00:03:13.600 --> 00:03:18.840
+que hacer una operación matemática. Acá, de hecho, lo pensó y llegó a
+
+00:03:18.840 --> 00:03:23.299
+la misma respuesta y nos cuenta la misma operación matemática, pero todavía
+
+00:03:23.300 --> 00:03:26.400
+queda la duda, cómo llegó a que esto lo podía resolver de esa
+
+00:03:26.400 --> 00:03:31.240
+manera. Vamos a hacer un nuevo chat y bajo el mismo Thinking
+
+00:03:31.240 --> 00:03:35.000
+vamos a usar el mismo prompt, pero le voy a decir: «Piensa "paso
+
+00:03:35.000 --> 00:03:39.220
+a paso"». Y lo enviamos. Y ahora nos va a salir el
+
+00:03:39.220 --> 00:03:45.140
+Thinking. Y si esperamos un segundo más, nos va a decir calculando las
+
+00:03:45.140 --> 00:03:50.180
+sillas y dice: «Pensé por cuatro segundos». Vamos a calcularlo. Cuatro mesas
+
+00:03:50.180 --> 00:03:53.880
+con seis sillas cada una, cuatro por seis, veinticuatro. Como hay veintitrés personas,
+
+00:03:53.880 --> 00:03:58.100
+comparamos veinticuatro sobre veintitrés, por lo tanto, sobra una silla. Listo, tarea
+
+00:03:58.100 --> 00:04:03.100
+resuelta. El paso corto es este. Puedes organizar, por ejemplo, tres mesas con
+
+00:04:03.100 --> 00:04:06.360
+seis personas y una mesa con cinco. A todos llegamos al mismo
+
+00:04:06.360 --> 00:04:10.860
+resultado, pero la diferencia es cómo el prompt nos permitió ver cuál fue
+
+00:04:10.860 --> 00:04:15.500
+el proceso de pensamiento para llegar allá. ¿Esto qué quiere decir? ¿Que
+
+00:04:15.500 --> 00:04:18.620
+nuestros prompts ahora tienen que ser más sencillos, ya que el modelo puede
+
+00:04:18.620 --> 00:04:23.820
+razonar, puede pensar ese paso a paso? La verdad es que depende
+
+00:04:23.820 --> 00:04:26.320
+del problema. Y el ejercicio que acabamos de hacer es lo que te
+
+00:04:26.320 --> 00:04:29.760
+invito a hacer cada vez que tú vayas a tener un prompt.
+
+00:04:29.820 --> 00:04:33.990
+Yo siempre intento el mismo problema, resolverlo con diferentes modelos en la misma
+
+00:04:33.990 --> 00:04:38.340
+herramienta y ver cuál es la calidad de la respuesta. E incluso
+
+00:04:38.340 --> 00:04:41.640
+si yo veo que la respuesta está llegando a ser no la que
+
+00:04:41.640 --> 00:04:44.680
+yo esperaba, le doy el paso a paso que yo espero que
+
+00:04:44.680 --> 00:04:47.940
+siga, porque cuando le doy el paso a paso que yo espero que
+
+00:04:47.940 --> 00:04:51.900
+siga, estoy limitando también esa cadena de pensamiento. Cada uno de esos
+
+00:04:51.900 --> 00:04:54.840
+pasos se va a convertir en un prompt y cada uno de esos
+
+00:04:54.840 --> 00:05:00.580
+pasos los va a usar para pensar cómo resolverlos. Entonces, estamos limitando
+
+00:05:00.580 --> 00:05:05.540
+los caminos por los que se puede ir. Incluso, hagamos algo nuevo. Vamos
+
+00:05:05.540 --> 00:05:11.000
+a decirle este mismo prompt y le vamos a decir: «Descríbeme el
+
+00:05:11.000 --> 00:05:22.180
+paso a paso... Paso que harías para resolver este tipo de problemas. Dame
+
+00:05:22.180 --> 00:05:27.420
+tres alternativas». Y vamos a ver cuál es la respuesta. Esto lo
+
+00:05:27.420 --> 00:05:30.820
+está haciendo en el modelo Thinking. Acá tenemos la respuesta y quiero que
+
+00:05:30.820 --> 00:05:33.360
+veas lo siguiente. Al pedirle que me dé el paso a paso
+
+00:05:33.360 --> 00:05:35.460
+que-- de lo que haría como si fuera un template y que me
+
+00:05:35.460 --> 00:05:39.599
+diera tres alternativas, uno, estamos aplicando lo que aprendimos en la clase
+
+00:05:39.600 --> 00:05:43.520
+pasada de self-consistency, pero dos, el problema fue más complejo y en este
+
+00:05:43.520 --> 00:05:47.820
+caso pensó por quince segundos. Y cuando le doy que-- clic acá,
+
+00:05:47.820 --> 00:05:52.060
+voy a ver cuál fue la cadena de pensamiento. En este caso, ChatGPT
+
+00:05:52.060 --> 00:05:56.240
+está configurado para que piense en inglés. Entonces, voy a ver el
+
+00:05:56.240 --> 00:05:59.710
+paso a paso y la cadena de pensamiento en inglés, y luego voy
+
+00:05:59.710 --> 00:06:03.728
+a ver el resultado. Y acá puedo ver...Voy a responder el problema
+
+00:06:03.728 --> 00:06:09.248
+matemático que tiene, eh, y mostrar los pasos. Va a ofrecer tres approaches.
+
+00:06:09.248 --> 00:06:13.538
+Entonces, lo primero que pensó fue cuáles son los-- las diferentes alternativas.
+
+00:06:13.538 --> 00:06:21.268
+Multiplicación y comparación, división y redondear hacia arriba, y luego, uso de, de...
+
+00:06:21.268 --> 00:06:28.228
+división y dividendos. Y luego, va a crear la respuesta que me
+
+00:06:28.228 --> 00:06:33.328
+muestra las tres alternativas, y con eso luego hizo el breakdown de cómo
+
+00:06:33.328 --> 00:06:35.668
+se ve esa respuesta y ya me la mostró y acá la
+
+00:06:35.668 --> 00:06:39.328
+tenemos. Voy a usar una de las plantillas que me dio, multiplicar y
+
+00:06:39.328 --> 00:06:43.288
+comparar. Voy a irme a un nuevo chat, voy a poner multiplicar
+
+00:06:43.288 --> 00:06:51.288
+y comparar. Eh, le voy a decir: «Usando este template, resuelve el problema
+
+00:06:51.288 --> 00:06:55.888
+que te daré». El template es este, y luego le digo el
+
+00:06:55.888 --> 00:06:59.988
+problema, y el problema va a ser ligeramente distinto al que le había
+
+00:06:59.988 --> 00:07:04.228
+dado. Voy a ponerlo acá, le voy a decir: «Un grupo de
+
+00:07:04.228 --> 00:07:08.018
+veintitrés personas quiere sentarse en seis sillas cada una, ¿son suficientes cuatro mesas?»
+
+00:07:08.018 --> 00:07:11.648
+Le voy a decir que son trescientas personas y voy a decirle
+
+00:07:11.648 --> 00:07:16.808
+que si son suficientes, doscientas mesas. No, mentiras, voy a decirle que sí
+
+00:07:16.808 --> 00:07:22.028
+son suficientes cincuenta mesas. Entonces, mismo prompt, estamos cambiando las variables para
+
+00:07:22.028 --> 00:07:26.688
+ver que la plantilla que le estoy dando funciona, pero ahora el paso
+
+00:07:26.688 --> 00:07:29.628
+a paso ya está acotado a que esta sea la forma en
+
+00:07:29.628 --> 00:07:34.048
+la que lo va a resolver. Lo enviamos y originalmente, cuando le pusimos
+
+00:07:34.048 --> 00:07:36.948
+el prompt sin el paso a paso, pensó por cuatro segundos. Cuando
+
+00:07:36.948 --> 00:07:40.908
+le pedimos la plantilla, pensó por quince segundos. Y acá ni siquiera alcanzó
+
+00:07:40.908 --> 00:07:45.308
+a decirme cuánto, fue a few seconds, unos pocos segundos. Y lo
+
+00:07:45.308 --> 00:07:49.698
+que hizo fue seguir literalmente el paso a paso. Vamos a multiplicar cincuenta
+
+00:07:49.698 --> 00:07:53.808
+por seis, trescientos. Comparamos con las trescientas personas, trescientos es mayor o
+
+00:07:53.808 --> 00:07:59.328
+igual a trescientos. Conclusión, es exactamente suficiente y me entrega ese resultado. No
+
+00:07:59.328 --> 00:08:03.248
+sobran sillas, es exactamente suficiente. Con modelos de razonamiento como lo que
+
+00:08:03.248 --> 00:08:06.048
+acabamos de ver, algo que a mí me ha sido muy útil es
+
+00:08:06.048 --> 00:08:10.327
+empezar con el problema muy amplio, ver alternativas de cómo es el
+
+00:08:10.328 --> 00:08:15.228
+chain of thought o esa cadena de pensamiento para resolverlo... Después de analizar
+
+00:08:15.228 --> 00:08:18.148
+la cadena de pensamiento, unificar cuál es la que más me parece
+
+00:08:18.148 --> 00:08:22.228
+que resolvería el problema de manera más efectiva y luego volver a ir
+
+00:08:22.228 --> 00:08:25.308
+con el prompt dándole el paso a paso que va a resolver
+
+00:08:25.308 --> 00:08:30.448
+el problema para el futuro. Con esto también empiezo a evitar un problema
+
+00:08:30.448 --> 00:08:34.648
+que es: ¿Cuáles son las palabras para-- correctas para decir esto? Estamos
+
+00:08:34.648 --> 00:08:38.508
+cayendo en cuáles son las palabras que usaría el modelo para pensar en
+
+00:08:38.508 --> 00:08:43.048
+cómo resolver el problema y basados en eso complementar el prompt para
+
+00:08:43.048 --> 00:08:48.228
+ir limitando esa creatividad y llegar al resultado que siempre estamos esperando. Esto
+
+00:08:48.228 --> 00:08:51.128
+quiere decir que en modelos de razonamiento no significa que nos saltemos
+
+00:08:51.128 --> 00:08:55.248
+el paso a paso, significa que tenemos una herramienta más para poder acotar
+
+00:08:55.248 --> 00:08:58.788
+esa creatividad y llegar al prompt exacto que necesitamos para resolver un
+
+00:08:58.788 --> 00:08:59.448
+problema.
+

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

15-Prompt chaining dividir tareas complejas en pasos independientes.sub.vtt

@@ -0,0 +1,362 @@
+WEBVTT
+
+00:00:00.220 --> 00:00:03.880
+Piensa en prompt chaining como si fuera una línea de ensamblaje. Estamos en
+
+00:00:03.880 --> 00:00:06.779
+una fábrica de autos y la realidad es que no es que
+
+00:00:06.780 --> 00:00:09.820
+digamos: «Quiero un auto» y de repente sale un auto. Hay un primer
+
+00:00:09.820 --> 00:00:12.980
+paso con la carrocería, hay un segundo paso, donde se ponen las
+
+00:00:12.980 --> 00:00:16.219
+puertas, hay un tercer paso, donde se pone todo lo eléctrico, hay un
+
+00:00:16.219 --> 00:00:20.040
+cuarto paso, donde se pone el motor, hay un quinto paso, donde
+
+00:00:20.040 --> 00:00:24.150
+se pone toda la cojinería y cada uno de esos pasos va dando
+
+00:00:24.150 --> 00:00:27.030
+pie al siguiente para poder terminar al final de la cadena de
+
+00:00:27.030 --> 00:00:31.300
+ensamblaje con un coche construido. Con los prompts funciona igual. En lugar de
+
+00:00:31.300 --> 00:00:34.420
+tener un prompt gigante que llegue y me diga: «Creo una estrategia
+
+00:00:34.420 --> 00:00:39.360
+de marketing para el siguiente Q del año», pues es una tarea gigante.
+
+00:00:39.360 --> 00:00:42.700
+Y ya vimos chain of thought y ya vimos self-consistency, y sí,
+
+00:00:42.700 --> 00:00:46.820
+podemos tener el paso a paso y puedes llegar a un resultado. Pero
+
+00:00:46.820 --> 00:00:51.300
+igual como en una cadena de ensamblaje de un coche, cada estación
+
+00:00:51.300 --> 00:00:53.980
+tiene un propósito y tiene muy claro qué es lo que tiene que
+
+00:00:53.980 --> 00:00:57.620
+resolver y cuál es su resultado para pasar a la siguiente estación.
+
+00:00:57.620 --> 00:01:01.440
+En este caso, si vamos a crear una estrategia de marketing y nosotros
+
+00:01:01.440 --> 00:01:05.280
+somos expertos en marketing, podríamos partir desde ahí arriba, pero la verdad
+
+00:01:05.280 --> 00:01:08.280
+es que nosotros sabemos cómo hacer una estrategia de marketing paso a paso
+
+00:01:08.280 --> 00:01:11.710
+y cuál es el resultado de cada una de esas estaciones. Va
+
+00:01:11.710 --> 00:01:14.200
+a ser muy parecido a lo que hicimos en chain of thought, donde
+
+00:01:14.200 --> 00:01:17.760
+tenemos un paso a paso, pero acá estamos dividiendo el problema en
+
+00:01:17.760 --> 00:01:20.320
+cada uno de esos pasos para que cada uno de esos pasos sea
+
+00:01:20.320 --> 00:01:23.539
+un prompt, para que cada uno de esos pasos sea algo que
+
+00:01:23.540 --> 00:01:26.920
+hacemos dentro del ChatGPT o dentro del LLM, de preferencia en un nuevo
+
+00:01:26.920 --> 00:01:31.140
+chat. Imagina, por ejemplo, que a partir de un resumen de un
+
+00:01:31.140 --> 00:01:35.760
+artículo de un blog que escribiste, quieres hacer las publicaciones en social media.
+
+00:01:35.760 --> 00:01:39.320
+Primero, el punto es sacar los puntos claves de ese blog post
+
+00:01:39.320 --> 00:01:43.060
+que escribiste. Lo siguiente es que cada uno de esos puntos claves los
+
+00:01:43.060 --> 00:01:47.030
+vas a convertir en una publicación para una red social. Digamos que
+
+00:01:47.030 --> 00:01:50.280
+es Instagram. Luego de que sabes cómo cada uno de esos puntos se
+
+00:01:50.280 --> 00:01:53.740
+convierte en la publicación de Instagram, lo siguiente es crear la pie--
+
+00:01:53.740 --> 00:01:58.120
+la pieza gráfica. Luego de que creaste la pieza gráfica, lo siguiente va
+
+00:01:58.120 --> 00:02:00.640
+a ser crear el texto que va a acompañar esa pieza cuando
+
+00:02:00.640 --> 00:02:04.840
+la publiques. Y hasta que tengas todos esos pasos resueltos, vas a poder
+
+00:02:04.840 --> 00:02:09.620
+publicar esa pieza en tu feed. Aquí el punto es que podríamos
+
+00:02:09.620 --> 00:02:13.160
+hacerlo en una sola conversación, pero ya hemos venido hablando sobre cuál es
+
+00:02:13.160 --> 00:02:16.980
+el problema de agrandar la ventana de contexto. Y lo más óptimo
+
+00:02:16.980 --> 00:02:21.020
+para sacar el mejor provecho de un LLM es que dejemos de hacerlo
+
+00:02:21.020 --> 00:02:24.660
+en una sola conversación y que el resultado de cada paso pase
+
+00:02:24.660 --> 00:02:28.100
+a un nuevo chat para partir al siguiente paso que tenemos en la
+
+00:02:28.100 --> 00:02:31.320
+cadena, justo como si habláramos de la cadena de producción de un
+
+00:02:31.320 --> 00:02:34.320
+coche. Vamos a ir a un ejemplo detallado y es que voy a
+
+00:02:34.320 --> 00:02:39.160
+tomar el último reporte de la organización Cl-Climate Change Committee, que está
+
+00:02:39.160 --> 00:02:44.560
+en Inglaterra, que en abril de 2025 generó un reporte sobre cómo estaba
+
+00:02:44.560 --> 00:02:48.660
+avanzando la adopción de cambio climático dentro de Inglaterra al Parlamento. Y
+
+00:02:48.660 --> 00:02:52.480
+a partir de eso vamos a tratar de generar contenido que venga de
+
+00:02:52.480 --> 00:02:55.120
+ese reporte. Vamos a crear un resumen de cien palabras que de
+
+00:02:55.120 --> 00:03:00.020
+verdad nos aporte para entender las causas, efectos y soluciones del cambio climático.
+
+00:03:00.020 --> 00:03:02.900
+Pero, pues hacer un resumen es bastante sencillo. Lo hicimos en el
+
+00:03:02.900 --> 00:03:06.080
+primer módulo con un solo prompt. Acá vamos a hacer algo diferente, lo
+
+00:03:06.080 --> 00:03:09.700
+vamos a dividir en tres pasos. El primer paso va a sacar
+
+00:03:09.700 --> 00:03:13.660
+los puntos más relevantes del reporte. El segundo paso lo va a clasificar
+
+00:03:13.660 --> 00:03:17.780
+entre causas, efectos y soluciones. Y el tercer paso va a tomar
+
+00:03:17.780 --> 00:03:21.780
+ese resultado para generar el resumen. Veamos cómo cambia comparado a lo que
+
+00:03:21.780 --> 00:03:24.840
+hicimos en el primer módulo. En la parte de recursos te dejé
+
+00:03:24.840 --> 00:03:28.150
+tres archivos: un PDF, que es el reporte de cómo es el progreso
+
+00:03:28.150 --> 00:03:33.060
+adaptándose al cambio climático en Inglaterra, y dos, eh, spreadsheets, uno que
+
+00:03:33.060 --> 00:03:36.240
+trae todas las gráficas y datos que aportan al reporte y uno que
+
+00:03:36.240 --> 00:03:40.900
+tiene una serie de recomendaciones. Y tenemos nuestro prompt. Extrae los cinco
+
+00:03:40.900 --> 00:03:44.080
+puntos más importantes del reporte que te adjunté sobre el progreso del cambio
+
+00:03:44.080 --> 00:03:48.020
+climático en UK. Le vamos a dar enviar. Y algo que vamos
+
+00:03:48.020 --> 00:03:50.640
+a ver es que apenas lo envío, va a tratar de mostrarme un
+
+00:03:50.640 --> 00:03:53.460
+preview de los archivos que subí. Entonces, me está diciendo que no
+
+00:03:53.460 --> 00:03:57.000
+me puede mostrar el preview de, eh, gráficas y datos, pero sí me
+
+00:03:57.000 --> 00:04:01.480
+muestra el de las recomendaciones y el PDF está por acá. Y
+
+00:04:01.480 --> 00:04:05.300
+ahora, como estoy usando el thinking, va a tardarse un rato, pero también
+
+00:04:05.300 --> 00:04:07.900
+yo puedo ver cuál es el chain of thought. Lo primero que
+
+00:04:07.900 --> 00:04:12.480
+está haciendo es leyendo los documentos. Le dio doble lectura. Y ya que
+
+00:04:12.480 --> 00:04:16.760
+terminó la segunda lectura, dice: «El usuario preguntó por cinco key points.
+
+00:04:16.760 --> 00:04:19.880
+Voy a enfocarme en lo siguiente, ta, ta, ta». Y me entrega los
+
+00:04:19.880 --> 00:04:23.840
+cinco mensajes claves del reporte e incluso me da las citas de
+
+00:04:23.840 --> 00:04:29.120
+dónde encuentro esa información de la cual se basó para darme la respuesta.
+
+00:04:29.120 --> 00:04:31.860
+Y esto es lo clave. Yo voy a irme al icono de
+
+00:04:31.860 --> 00:04:35.120
+acá que dice copiar, le voy a picar y me voy a ir
+
+00:04:35.120 --> 00:04:39.700
+al nuevo chat. Y acá le voy a decir: toma los siguientes
+
+00:04:39.700 --> 00:04:44.360
+puntos, dos puntos, y voy a pegar lo que me dio. En este
+
+00:04:44.360 --> 00:04:47.800
+caso, simplemente, voy a quitar la información que no me sirve, voy
+
+00:04:47.800 --> 00:04:51.940
+a dejar solamente los puntos, y desde acá le voy a decir que
+
+00:04:51.940 --> 00:04:57.659
+me los organice por las categorías que estoy buscando generar el reporte.
+
+00:04:57.660 --> 00:05:01.950
+Entonces, le voy a decir: organízalos en categorías de progreso, recomendaciones e impacto.
+
+00:05:01.950 --> 00:05:07.260
+E incluso con lo que ya aprendí, voy a decirle: cinco puntos
+
+00:05:07.260 --> 00:05:19.340
+clave del reporte de cambio climático... UK. Voy a poner acá la etiqueta,
+
+00:05:19.340 --> 00:05:23.240
+la copio, me voy hasta el final, la pego y la cierro.
+
+00:05:23.240 --> 00:05:26.460
+Y con eso ya le estoy diciendo que los puntos inician ahí y
+
+00:05:26.460 --> 00:05:33.660
+que quiero que los organice en esto. Vamos a enviarlo... Y el
+
+00:05:33.660 --> 00:05:36.480
+prompt va a hacer que empiece a pensar, porque estamos en el modelo
+
+00:05:36.480 --> 00:05:42.700
+thinking. Pensó por seis segundos y tenemos el resultado. Progreso está acá,
+
+00:05:42.700 --> 00:05:48.860
+recomendaciones está acá, impacto están acá. Tal cual, lo que yo le pasé
+
+00:05:48.860 --> 00:05:52.400
+arriba lo acabo de clasificar. Vamos a copiar este resultado y nos
+
+00:05:52.400 --> 00:05:56.180
+vamos a ir a un nuevo chat. Acá le voy a decir: «A
+
+00:05:56.180 --> 00:06:07.040
+partir de los hallazgos del reporte de progreso en adaptación al cambio
+
+00:06:07.040 --> 00:06:19.170
+climático...OK, voy a poner «A partir de los siguientes hallazgos». Dos puntos. Le
+
+00:06:19.170 --> 00:06:24.430
+voy a poner «Hallazgos». Voy a cerrar. Voy a abrir de nuevo
+
+00:06:24.430 --> 00:06:29.990
+«Hallazgos». Voy a cerrar. Y acá, dentro de ese bloque, voy a poner
+
+00:06:29.990 --> 00:06:34.970
+la clasificación que ya tengo. Le voy a pedir que me haga
+
+00:06:34.970 --> 00:06:40.850
+un resumen justo como lo que queremos. Entonces, por acá tengo mi prompt
+
+00:06:40.850 --> 00:06:44.410
+y es: Escribe un resumen de cien palabras enfocado en las soluciones
+
+00:06:44.410 --> 00:06:48.710
+más viables. Y le doy a Enviar. De nuevo el modelo va a
+
+00:06:48.710 --> 00:06:51.810
+ponerse a pensar y nos va a dar el resultado. En este
+
+00:06:51.810 --> 00:06:55.310
+caso, vemos que está creando el resumen, que lo debe hacer en español.
+
+00:06:55.310 --> 00:06:59.310
+Tuvo dos pasos que tuvo que pensar para llegar acá, y acá
+
+00:06:59.310 --> 00:07:03.430
+me dice: Las soluciones más viables combinan dirección clara y ejecución rigurosa. Primero,
+
+00:07:03.430 --> 00:07:06.330
+fijar objetivos y metas medibles por sector ligados a hitos anuales y
+
+00:07:06.330 --> 00:07:12.330
+presupuestos. Segundo, crear una coordinación interdepartamental fuerte con mandato en resiliencia y rutas
+
+00:07:12.330 --> 00:07:18.130
+de decisiones rápidas. Tercero, mainstreaming de la adaptación en planifi-- en planificación,
+
+00:07:18.130 --> 00:07:23.490
+spend review, regulación, etc., etc., etc. Me da un cuarto punto y con
+
+00:07:23.490 --> 00:07:27.970
+eso termina. Lo importante de este proceso es que llegamos a un
+
+00:07:27.970 --> 00:07:31.400
+resumen. Llegamos a un resumen de cien palabras. ¿Lo pudimos haber hecho en
+
+00:07:31.400 --> 00:07:36.990
+un solo chat? Sí. ¿Cuál es el problema? Que estamos subiendo tres
+
+00:07:36.990 --> 00:07:40.250
+archivos, que la ventana de contexto va a ir creciendo, que eso puede
+
+00:07:40.250 --> 00:07:44.710
+inducir a más errores, alucinaciones o que se le olvide instrucciones. Y,
+
+00:07:44.710 --> 00:07:49.250
+en este caso, como hicimos cada uno de los prompts, incluso podemos detallar
+
+00:07:49.250 --> 00:07:53.770
+cada una de esas, esas estaciones para que el resultado sea lo
+
+00:07:53.770 --> 00:07:57.730
+más óptimo posible para seguir a la siguiente estación y llegar a un
+
+00:07:57.730 --> 00:08:02.550
+resultado aún más preciso de lo que buscamos. En prompt chaining lo
+
+00:08:02.550 --> 00:08:06.450
+bueno es que cada paso literalmente es un prompt que podemos iterar hasta
+
+00:08:06.450 --> 00:08:10.070
+que lleguemos al prompt exacto y optimizar cada uno de esos pasos
+
+00:08:10.070 --> 00:08:13.930
+para asegurar siempre que vamos a sacar la misma calidad de coche al
+
+00:08:13.930 --> 00:08:15.410
+final de la línea de producción.
+

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

16-Creación de agentes personalizados con IA para empresas.sub.vtt

@@ -0,0 +1,806 @@
+WEBVTT
+
+00:00:00.660 --> 00:00:04.280
+Hasta el momento has aprendido varias técnicas de prompting que te permiten solucionar
+
+00:00:04.280 --> 00:00:08.220
+diferentes tipos de problemas. Quiero que paremos un segundo para ver un
+
+00:00:08.220 --> 00:00:13.040
+par de herramientas que tenemos disponibles cuando trabajamos con Claude, ChatGPT, Gemini o
+
+00:00:13.040 --> 00:00:17.980
+Microsoft Copilot. Estas herramientas te van a permitir controlar otras cosas dentro
+
+00:00:17.980 --> 00:00:22.060
+de cómo la inteligencia artificial lee tus prompts y los ejecuta, pero también
+
+00:00:22.060 --> 00:00:25.580
+te va a dar un superpoder más, y es escalar estos prompts
+
+00:00:25.580 --> 00:00:29.240
+a procesos que puedes automatizar dentro de tu empresa. Vamos a empezar con
+
+00:00:29.240 --> 00:00:32.439
+Microsoft Copilot, y en especial vamos a empezar acá porque es un
+
+00:00:32.439 --> 00:00:38.420
+poco diferente a OpenAI, a Claude y a Gemini, solo porque Microsoft Copilot
+
+00:00:38.420 --> 00:00:42.220
+no tiene un modelo propietario de ellos. Recordemos que por detrás usan
+
+00:00:42.220 --> 00:00:47.430
+los modelos de OpenAI, que es GPT-4 y GPT-5. Pero aun así tenemos
+
+00:00:47.430 --> 00:00:52.660
+un playground donde podemos hacer un poco más de cosas que dentro
+
+00:00:52.660 --> 00:00:56.580
+de las otras herramientas no vamos a tener disponibles solo porque Microsoft se
+
+00:00:56.580 --> 00:00:59.640
+integra muy bien con toda su suite de trabajo. Voy a estarte
+
+00:00:59.640 --> 00:01:03.220
+mostrando todas las herramientas y recuerda que abajo en los recursos tienes los
+
+00:01:03.220 --> 00:01:07.700
+enlaces a cada una de ellas. Entonces, cuando yo mencione Microsoft Copilot,
+
+00:01:07.700 --> 00:01:12.180
+Copilot Studio o cualquier playground, recuerda revisar en los recursos para poder acceder
+
+00:01:12.180 --> 00:01:16.360
+a estas herramientas. Vamos a empezar con Microsoft Copilot. Cuando entramos a
+
+00:01:16.360 --> 00:01:20.840
+Copilot, lo primero que vemos es esta Welcome y esta caja de texto
+
+00:01:20.840 --> 00:01:23.899
+en donde ya hemos interactuado un poco durante el curso y vamos
+
+00:01:23.900 --> 00:01:28.780
+a ver una parte que se llama Agentes. Acá vamos a aclarar algo.
+
+00:01:28.780 --> 00:01:33.860
+Los agentes, en general en inteligencia artificial, no es exactamente lo que
+
+00:01:33.860 --> 00:01:37.920
+vamos a ver acá. Dentro de otras herramientas, esto se puede llamar un
+
+00:01:37.920 --> 00:01:42.899
+GPT o puede llamarse un proyecto en Claude. En Microsoft lo llamamos
+
+00:01:42.900 --> 00:01:47.180
+agentes, no es la definición formal de agentes de inteligencia artificial. Ya vamos
+
+00:01:47.180 --> 00:01:51.080
+a ver cómo logramos que estos agentes sí se conviertan realmente en
+
+00:01:51.080 --> 00:01:55.280
+un agente de inteligencia artificial. Pues ya que tenemos en cuenta eso, vemos
+
+00:01:55.280 --> 00:01:59.760
+Agentes y yo puedo explorar diferentes agentes como el researcher o el
+
+00:01:59.760 --> 00:02:05.440
+analista, que básicamente son chats de Microsoft Copilot con un prompt que los
+
+00:02:05.440 --> 00:02:09.820
+especializa en algo que nosotros determinamos, en este caso, en ir a
+
+00:02:09.820 --> 00:02:13.940
+buscar contenido en internet y hacer una investigación o en hacer análisis de
+
+00:02:13.940 --> 00:02:19.320
+datos. Y podemos ver otros más dentro de, eh, el store que
+
+00:02:19.320 --> 00:02:22.720
+tiene de agentes, pero también podemos crear uno, que esto es lo más
+
+00:02:22.720 --> 00:02:28.260
+importante o lo más interesante que tenemos acá, donde yo puedo describir
+
+00:02:28.260 --> 00:02:30.240
+un poco qué es lo que quiero que haga mi agente o lo
+
+00:02:30.240 --> 00:02:34.240
+puedo configurar tal cual. Y cuando lo voy a configurar, yo le
+
+00:02:34.240 --> 00:02:37.240
+voy a poner un nombre, le voy a poner un-- una descripción, pero
+
+00:02:37.240 --> 00:02:41.260
+sobre todo le voy a poner unas instrucciones. Todos los prompts que
+
+00:02:41.260 --> 00:02:46.290
+hemos ido trabajando, esos prompts son los que yo colocaría en Instrucciones. Entonces,
+
+00:02:46.290 --> 00:02:53.560
+yo le puedo decir: «Actúa como un analista de datos y cuestióname
+
+00:02:53.560 --> 00:02:59.080
+los insights que te entregue». Y en el momento en que yo pongo
+
+00:02:59.080 --> 00:03:04.920
+estas instrucciones, yo acá puedo probar este chat. Entonces, vamos acá a
+
+00:03:04.920 --> 00:03:13.840
+decirle analista de datos y pongo «mi analista». Y acá tengo la opción
+
+00:03:13.840 --> 00:03:17.120
+de probar este chat, donde voy a interactuar con él como si
+
+00:03:17.120 --> 00:03:21.460
+estuviera abriendo un nuevo chat en Microsoft Copilot, pero siempre va a tener
+
+00:03:21.460 --> 00:03:29.260
+cargado este prompt inicial. Entonces, yo le digo: «El calentamiento global está
+
+00:03:29.260 --> 00:03:34.740
+matando el mundo». Y él me va a responder teniendo en cuenta que
+
+00:03:34.740 --> 00:03:37.740
+debe actuar como analista de datos y me va a cuestionar el
+
+00:03:37.740 --> 00:03:40.650
+insight que le acabo de entregar. Entonces, me dice: «Si el ave-- el
+
+00:03:40.650 --> 00:03:43.860
+calentamiento global es una amenaza seria y creciente para el planeta, está
+
+00:03:43.860 --> 00:03:47.400
+provocando ta, ta, ta, ta, ta. ¿Te interesa más como mitigar el problema,
+
+00:03:47.400 --> 00:03:50.980
+el problema de etc., etc., etc.?» Si seguimos en las configuraciones, yo
+
+00:03:50.980 --> 00:03:56.360
+además le puedo ingresar conocimiento. Es decir, yo puedo conectar mi OneDrive y
+
+00:03:56.360 --> 00:04:01.560
+poner información de mi OneDrive o puedo cargarle la información que yo
+
+00:04:01.560 --> 00:04:06.740
+tengo disponible acá. De hecho, teníamos el ejemplo de... del banco en donde
+
+00:04:06.740 --> 00:04:10.120
+íbamos a crear una aplicación móvil y teníamos la ley de crediti--
+
+00:04:10.120 --> 00:04:13.980
+la ley crediticia de México, y yo se la puedo subir. Y la
+
+00:04:13.980 --> 00:04:17.880
+diferencia a subir esto al chat es que, en el chat, todos
+
+00:04:17.880 --> 00:04:20.959
+los documentos que yo subo van a ser parte de su ventana de
+
+00:04:20.959 --> 00:04:25.860
+contexto. En cambio, dentro de este knowledge que yo estoy dándole, lo
+
+00:04:25.860 --> 00:04:29.780
+que estoy haciendo es darle una cantidad infinita de archivos que yo puedo
+
+00:04:29.780 --> 00:04:32.680
+subir y que, al momento en el que yo le haga una
+
+00:04:32.680 --> 00:04:35.940
+pregunta al chat, él va a tener que primero ir a consultar los
+
+00:04:35.940 --> 00:04:39.580
+archivos, traer la información relevante, hacer la parte de la ventana de
+
+00:04:39.580 --> 00:04:44.200
+contexto y con eso sí responder. Entonces, lo más importante de esta parte
+
+00:04:44.200 --> 00:04:48.000
+es que yo puedo subir todos los archivos que yo quiera acá,
+
+00:04:48.000 --> 00:04:50.560
+no van a ampliar la ventana de contexto, sino van a ser una
+
+00:04:50.560 --> 00:04:54.000
+fuente de consulta. Luego, acá yo le puedo dar más herramientas. Puedo
+
+00:04:54.000 --> 00:04:57.900
+decirle que sea capaz de escribir código, que sea capaz de escribir imágenes,
+
+00:04:57.900 --> 00:05:05.520
+simplemente comprenderlo o con apagarlo, puedo quitar o, eh, agregar funcionalidades a
+
+00:05:05.520 --> 00:05:10.860
+esa gente. Y luego, puedo darle opciones de cómo empezar un prompt cuando
+
+00:05:10.860 --> 00:05:14.500
+esté en la ventana de inicio. Entonces, le puedo decir: «Hola» y
+
+00:05:14.500 --> 00:05:19.680
+le voy a decir: «Saludo al chat». Y lo que va a pasar
+
+00:05:19.680 --> 00:05:23.060
+es que aparecen estas opciones que, cuando yo le pico, me llena
+
+00:05:23.060 --> 00:05:27.580
+el prompt inicial, y eso puede ser un paso para hacerlo más an-amigable
+
+00:05:27.580 --> 00:05:31.540
+al momento de compartir a todos, eh, las personas de mi equipo.
+
+00:05:31.540 --> 00:05:35.400
+Con esto ya puedes crear un agente de Microsoft Copilot, compartirlo en tu
+
+00:05:35.400 --> 00:05:38.430
+equipo y que ese prompt que tú tenías no simplemente se quede
+
+00:05:38.430 --> 00:05:42.640
+en un documento en Word, sino que se vuelva un chat que cualquiera
+
+00:05:42.640 --> 00:05:46.300
+pueda usar. Pero hay una herramienta más de Microsoft, que es la
+
+00:05:46.300 --> 00:05:50.030
+más interesante, que es Copilot Studio. Vamos a ir a ella. Recuerdan los
+
+00:05:50.030 --> 00:05:54.940
+recursos donde está. En Copilot Studio, yo puedo entrar y puedo también
+
+00:05:54.940 --> 00:05:58.420
+crear los agentes, lo mismo que acabamos de ver en Microsoft Copilot, y
+
+00:05:58.420 --> 00:06:01.240
+de hecho, si lo creo allá, lo voy a ver disponible acá.
+
+00:06:01.240 --> 00:06:06.276
+Pero lo más interesante es que yo puedo crear flujos, flujos de agente.Ahorita
+
+00:06:06.276 --> 00:06:12.256
+te decía que estos agentes de Copilot Studio y de Microsoft Copilot
+
+00:06:12.256 --> 00:06:15.616
+no eran la definición formal de agentes. Y la razón es porque siguen
+
+00:06:15.616 --> 00:06:20.056
+siendo un chat que no pueden tomar acción sobre una herramienta. Con
+
+00:06:20.056 --> 00:06:24.536
+Agent Flows de Copilot Studio, yo sí puedo crear un nuevo agente y
+
+00:06:24.536 --> 00:06:28.496
+hacer que se conecte con las aplicaciones de Microsoft y tome acciones
+
+00:06:28.496 --> 00:06:32.996
+concretas, como por ejemplo, cuando termine la reunión en Teams, tomo el transcript,
+
+00:06:32.996 --> 00:06:37.116
+genero un resumen y lo envío al correo de todos los asistentes.
+
+00:06:37.116 --> 00:06:40.276
+Eso sería un agente porque tomó acción. No tuve que ir yo a
+
+00:06:40.276 --> 00:06:44.336
+decirle: «Mira, acá está el transcript y desde acá, eh, crea un
+
+00:06:44.336 --> 00:06:48.036
+resumen y luego yo copiar ese resumen y enviarlo, eh, a los correos
+
+00:06:48.036 --> 00:06:50.196
+de los asistentes». En este curso no me voy a ir a
+
+00:06:50.196 --> 00:06:53.136
+detalle de cómo se hacen los Agent Flows, pero recuerda que tenemos un
+
+00:06:53.136 --> 00:06:56.836
+curso de Copilot Studio en donde vemos a detalle todas las configuraciones
+
+00:06:56.836 --> 00:07:01.396
+que puedes tener dentro de Copilot Studio y cómo las puedes implementar en
+
+00:07:01.396 --> 00:07:04.916
+la suite de Microsoft en un ambiente empresarial. Ahora vamos a ir
+
+00:07:04.916 --> 00:07:08.576
+a otra herramienta que se llama Google AI Studio. Este es un playground
+
+00:07:08.576 --> 00:07:10.956
+muy parecido a lo que vamos a encontrar en OpenAI y en
+
+00:07:10.956 --> 00:07:17.056
+Claude, que nos permite ciertas configuraciones adicionales directamente hacia el modelo. Ya no
+
+00:07:17.056 --> 00:07:20.816
+estamos hablando de la herramienta como tal. Estas configuraciones no están en
+
+00:07:20.816 --> 00:07:25.556
+Microsoft Copilot porque Copilot no tiene un modelo como tal. Usa GPT, que
+
+00:07:25.556 --> 00:07:28.676
+es de OpenAI, pero en este playground sí lo vamos a ver.
+
+00:07:28.676 --> 00:07:32.436
+Entonces nos vamos a Google AI Studio. Recuerda que en recursos encuentras los
+
+00:07:32.436 --> 00:07:37.515
+enlaces para llegar acá. Y vas a encontrar una interfaz muy parecida
+
+00:07:37.516 --> 00:07:41.156
+a Gemini. Empieza con una caja de texto y esa caja de texto
+
+00:07:41.156 --> 00:07:47.336
+es poner el prompt y correrlo. Por ejemplo, eh, ¿cuál es la
+
+00:07:47.336 --> 00:07:54.536
+capital de Estados Unidos? Y lo puedo correr con normalidad, pero quiero que
+
+00:07:54.536 --> 00:07:58.396
+veas ciertos detalles. Lo primero es que tengo la capacidad de ponerle
+
+00:07:58.396 --> 00:08:03.396
+un nombre a esto. Este nombre va a identificar como esta mesa de
+
+00:08:03.396 --> 00:08:08.116
+experimentación, donde yo puedo ir haciendo pruebas y lo, lo importante acá
+
+00:08:08.116 --> 00:08:10.296
+es que yo lo puedo guardar para recordar qué es lo que yo
+
+00:08:10.296 --> 00:08:16.116
+estaba experimentando. Acá no se trata tanto de usar el LLM para
+
+00:08:16.116 --> 00:08:20.056
+consultas como tal, sino para crear los prompts que yo quiero luego llevar
+
+00:08:20.056 --> 00:08:23.116
+a un agente, luego llevar a un GPT, luego llevar a una
+
+00:08:23.116 --> 00:08:26.256
+automatización con N8N. Voy a poner el nombre y le voy a poner
+
+00:08:26.256 --> 00:08:31.636
+Test 1. Puedo ser descriptivo, es lo más importante para no olvidar
+
+00:08:31.636 --> 00:08:35.596
+qué estoy haciendo, pero para este ejemplo pongámosle Test, y hay un par
+
+00:08:35.596 --> 00:08:40.216
+de configuraciones que ya tengo disponibles. Primero, yo puedo ver acá, puedo
+
+00:08:40.216 --> 00:08:44.296
+editar la respuesta del modelo, porque el punto es que esto hace parte
+
+00:08:44.296 --> 00:08:47.856
+de la ventana de contexto, entonces yo quisiera poder complementar con lo
+
+00:08:47.856 --> 00:08:51.936
+que no me dio el modelo. Luego yo puedo volver a correr la
+
+00:08:51.936 --> 00:08:55.496
+respuesta en este logo que se ve acá que dice Rerun. Si
+
+00:08:55.496 --> 00:08:58.596
+yo le pico, vuelve a correr el prompt y vuelve a darme una
+
+00:08:58.596 --> 00:09:01.296
+respuesta, ya sea si es diferente o no, según el prompt que
+
+00:09:01.296 --> 00:09:07.796
+yo ponga acá arriba. Puedo eliminar esta respuesta y entonces limpiar mi ventana
+
+00:09:07.796 --> 00:09:12.736
+de contexto y volverla a correr, que acá lo tenemos. E incluso
+
+00:09:12.736 --> 00:09:17.436
+puedo empezar a crear árboles. ¿A qué son esos árboles? Es: tengo un
+
+00:09:17.436 --> 00:09:21.396
+prompt inicial, tengo una respuesta y quiero empezar a probar diferentes cosas
+
+00:09:21.396 --> 00:09:26.596
+y poderlas comparar. Entonces, si yo hago esto, puedo ver la versión original
+
+00:09:26.596 --> 00:09:30.996
+y puedo luego iterar acá y decir: Editar, y le voy a
+
+00:09:30.996 --> 00:09:40.036
+decir, eh: Capital cultural de Estados Unidos. Lo guardo, lo puedo volver a
+
+00:09:40.036 --> 00:09:48.536
+correr. Y esto que estoy corriendo ya parte desde el árbol que
+
+00:09:48.536 --> 00:09:51.876
+yo acabo de crear. Entonces acá me dice: «Acá hay un debate sobre
+
+00:09:51.876 --> 00:09:55.186
+si es Nueva York», etc., etc., etc., etc. Y luego me puedo
+
+00:09:55.186 --> 00:09:58.916
+ir al historial, y en el historial puedo ver mi chat original, que
+
+00:09:58.916 --> 00:10:04.456
+es Test 1, y que se guardó, pero también puedo ver la
+
+00:10:04.456 --> 00:10:08.736
+rama que yo acabo de crear, como esa variación, que es donde yo
+
+00:10:08.736 --> 00:10:13.416
+le dije lo de, eh, la capital de Nueva York. En este
+
+00:10:13.416 --> 00:10:15.976
+caso no se cambió, lo vuelvo, lo vuelvo a cambiar y lo, y
+
+00:10:16.016 --> 00:10:20.696
+lo guardo. Entonces lo voy a oír acá. Voy a decirle: «Capital
+
+00:10:20.696 --> 00:10:24.576
+cultural de Estados Unidos». Se guardó el prompt, no lo tenía que editar.
+
+00:10:24.576 --> 00:10:28.636
+Lo que no se editó fue la-- eh, eh, cuando corrí el
+
+00:10:28.636 --> 00:10:33.256
+prompt. Entonces lo vuelvo a correr, y ahora voy a tener la respuesta
+
+00:10:33.256 --> 00:10:36.876
+que estábamos viendo en el otro momento. Ahora veamos un par de
+
+00:10:36.876 --> 00:10:40.396
+con-- de configuraciones más. Entonces voy a devolverme a chat, se crea un
+
+00:10:40.396 --> 00:10:43.896
+nuevo chat, y yo acá puedo crear un chat temporal, que es
+
+00:10:43.896 --> 00:10:47.516
+un chat que va a ignorar absolutamente todo lo que exista acerca de
+
+00:10:47.516 --> 00:10:50.996
+mi cuenta, todo lo que ha podido, eh, obtener acerca de quién
+
+00:10:50.996 --> 00:10:54.415
+soy yo y que va guardando en su memoria, y que incluso este
+
+00:10:54.415 --> 00:10:59.116
+chat se va a borrar una vez yo termine esta sesión. Esta
+
+00:10:59.116 --> 00:11:02.556
+función es muy útil para tener un ambiente aislado y poder probar algo
+
+00:11:02.556 --> 00:11:05.596
+que no esté influenciado por ninguna de los otros experimentos que he
+
+00:11:05.596 --> 00:11:12.236
+hecho. Y también tengo la opción de comparar modelos. Cuando yo comparo modelos,
+
+00:11:12.236 --> 00:11:15.915
+me voy a ir a ver el detrás de cámaras. Acá yo
+
+00:11:15.915 --> 00:11:20.876
+puedo escoger Gemini 2.5 Pro, que hablamos que es el modelo que se
+
+00:11:20.876 --> 00:11:25.236
+da chance de pensar por más tiempo, y también puedo probar 2.5
+
+00:11:25.236 --> 00:11:30.036
+Flash, que es el modelo que va a dar respuestas más instantáneas. Y
+
+00:11:30.036 --> 00:11:33.776
+en este caso tengo la oportunidad de hacer las pruebas al mismo
+
+00:11:33.776 --> 00:11:37.356
+tiempo sin tener que hacer lo que hicimos en clases pasadas de abrir
+
+00:11:37.356 --> 00:11:40.875
+un nuevo chat y comparar si no veo las dos una al
+
+00:11:40.876 --> 00:11:44.156
+lado de la otra y poder tener una decisión. Esto hace ese proceso
+
+00:11:44.156 --> 00:11:49.456
+un poquito más fácil. Voy a decirle acá: ¿cuál es la capital
+
+00:11:49.456 --> 00:11:56.156
+de Estados Unidos? Voy a correrlo y me va a dar la respuesta.
+
+00:11:56.156 --> 00:12:00.436
+Entonces podemos ver que uno está pensando, el otro también. Acá está
+
+00:12:00.436 --> 00:12:05.316
+teniendo como un paso más de pensamiento. Este fue mucho más rápido porque
+
+00:12:05.316 --> 00:12:10.656
+el flash es de...Lo más rápido que puedas responder. Y Gemini 2.5
+
+00:12:10.656 --> 00:12:13.896
+Pro, que si se da el tiempo de pensar se demoró más tiempo.
+
+00:12:13.896 --> 00:12:16.716
+Y de hecho puedo ver cuánto tiempo fue: ocho segundos para el
+
+00:12:16.716 --> 00:12:21.496
+modelo rápido, trece punto cinco segundos para el modelo más lento. Y en
+
+00:12:21.496 --> 00:12:25.356
+una de las clases estábamos hablando de que los LLMs parten las
+
+00:12:25.356 --> 00:12:29.256
+palabras en tokens y que la ventana de contextos se mide en tokens.
+
+00:12:29.256 --> 00:12:32.596
+Y quiero que vean esto que tenemos en el Playground. Tenemos el
+
+00:12:32.596 --> 00:12:36.816
+conteo de tokens que estamos teniendo en cada ventana de contexto. En este
+
+00:12:36.816 --> 00:12:40.436
+caso nosotros usamos doscientos treinta y cinco tokens en esta consulta que
+
+00:12:40.436 --> 00:12:46.576
+acabamos de hacer. Teniendo este comparador vamos a ver la última configuración más.
+
+00:12:46.576 --> 00:12:52.376
+A este lado nosotros podemos ver configuraciones como temperatura, la resolución que
+
+00:12:52.376 --> 00:12:56.396
+queremos, las imágenes que se generan, si tenemos habilitado no el thinking mode.
+
+00:12:56.396 --> 00:12:59.176
+En este caso estamos en un modelo que tiene habilitado el thinking
+
+00:12:59.176 --> 00:13:04.036
+mode, entonces no lo podemos deshabilitar, pero sí puedo controlar por cuánto tiempo
+
+00:13:04.036 --> 00:13:07.696
+va a pensar que es ese thinking budget. Y el thinking budget
+
+00:13:07.696 --> 00:13:12.016
+es cuántos tokens tiene permitido usar para ir a pensar y luego volver
+
+00:13:12.016 --> 00:13:15.656
+con la respuesta. Entre más tokens le doy, más chance tiene de
+
+00:13:15.656 --> 00:13:21.556
+pensar, entre menos tokens, más instantánea la respuesta. Y tengo más herramientas y
+
+00:13:21.556 --> 00:13:25.316
+más configuraciones. En la siguiente clase vamos a ver temperatura y top
+
+00:13:25.316 --> 00:13:29.796
+P, que son dos configuraciones que controlan la creatividad del modelo. Quiero que
+
+00:13:29.796 --> 00:13:33.816
+veas algo, así como nosotros en los agentes de Copilot Studio pudimos
+
+00:13:33.816 --> 00:13:38.856
+ver que le podíamos dar herramientas a nuestro modelo, acá también puedo decirle
+
+00:13:38.856 --> 00:13:43.636
+que me dé respuestas estructuradas, que ejecute código, que pueda ir a
+
+00:13:43.636 --> 00:13:48.316
+Google, hacer búsquedas y traer la información. Claramente, en el caso de Microsoft
+
+00:13:48.316 --> 00:13:53.055
+Copilot sería Bing. Y todas las configuraciones que nos va a permitir
+
+00:13:53.056 --> 00:13:58.556
+controlar mejor lo que nosotros estábamos haciendo en Gemini, pero ya nosotros decidiendo
+
+00:13:58.556 --> 00:14:02.136
+qué hace el modelo. Por ejemplo, yo puedo irme solo a consultar
+
+00:14:02.136 --> 00:14:05.656
+la base de entrenamiento del modelo y ver qué respuestas me da. O
+
+00:14:05.656 --> 00:14:09.436
+saber que esa información no es actualizada, no es la verdad más
+
+00:14:09.436 --> 00:14:13.736
+verdadera cuando hago una consulta y habilitar que vaya a buscar internet. Y
+
+00:14:13.736 --> 00:14:15.576
+eso va a implicar que se va a demorar un poquito más
+
+00:14:15.576 --> 00:14:19.076
+de tiempo, pero que el resultado va a ser mucho, mucho mejor. Ahora
+
+00:14:19.076 --> 00:14:22.256
+quiero que nos vayamos a OpenAI y a Claude para ver cómo
+
+00:14:22.256 --> 00:14:26.156
+se ven esas interfaces, pero básicamente vas a encontrar lo mismo. La opción
+
+00:14:26.156 --> 00:14:29.996
+de comparar prompts, la opción de probar diferentes modelos entre el modelo
+
+00:14:29.996 --> 00:14:33.536
+rápido y el modelo de problemas complejos, el que piensa un poquito más
+
+00:14:33.536 --> 00:14:38.856
+de tiempo. Configuración de temperatura, top P y la posibilidad de agregar
+
+00:14:38.856 --> 00:14:42.056
+o quitar herramientas que va a usar el LLM al momento de dar
+
+00:14:42.056 --> 00:14:46.556
+una respuesta. Ahora vamos a irnos al Playground de OpenAI. Recuerda que
+
+00:14:46.556 --> 00:14:50.216
+en la sección de recursos tienes el enlace para llegar más rápido. Cuando
+
+00:14:50.216 --> 00:14:53.696
+llegues al Playground vas a encontrar una interfaz así. Acá arriba vas
+
+00:14:53.696 --> 00:14:57.556
+a encontrar estos botones. Si encuentras el botón de dashboard quiere decir que
+
+00:14:57.556 --> 00:15:00.836
+ya terminó la configuración de tu cuenta. Si no, va a aparecer
+
+00:15:00.836 --> 00:15:04.816
+un botón que dice start building o comienza a construir. Le picas, llenas
+
+00:15:04.816 --> 00:15:08.236
+la información y ya vas a poder ver el botón de dashboard.
+
+00:15:08.236 --> 00:15:10.936
+Cuando das en el botón de dashboard, en este caso yo estoy en
+
+00:15:10.936 --> 00:15:13.616
+una cuenta que no tiene una tarjeta de crédito. Entonces cuando le
+
+00:15:13.616 --> 00:15:17.856
+voy a dar crear me dice: «Ey, debes agregar una tarjeta de crédito».
+
+00:15:17.856 --> 00:15:21.416
+Y esto es importante. Es diferente si tienes una cuenta paga de
+
+00:15:21.416 --> 00:15:26.156
+ChatGPT al Playground. En la cuenta paga de ChatGPT tú solo puedes usar
+
+00:15:26.156 --> 00:15:30.276
+ChatGPT y te cobran tu suscripción mensual y ya está. En el
+
+00:15:30.276 --> 00:15:35.096
+Playground te van a cobrar por tokens. Es muy poco, casi que un
+
+00:15:35.096 --> 00:15:38.356
+dólar por cada millón de tokens que usas, pero te van a
+
+00:15:38.356 --> 00:15:41.996
+cobrar por tokens. En este caso yo ya tengo una cuenta configurada con
+
+00:15:41.996 --> 00:15:45.096
+un método de pago y cuando le doy crear, llego a una
+
+00:15:45.096 --> 00:15:48.276
+interfaz muy parecida a la que vimos en Copilot Studio o la que
+
+00:15:48.276 --> 00:15:51.696
+vimos en Gemini. Yo puedo poner un prompt inicial que va a
+
+00:15:51.696 --> 00:15:55.276
+ser el prompt con el que el chat se va a configurar. Puedo
+
+00:15:55.276 --> 00:15:58.776
+dar mensajes como usuario o puedo usarlo como si fuera un agente
+
+00:15:58.776 --> 00:16:01.985
+o un GPT normal. Y en esta parte de acá tengo todas las
+
+00:16:01.985 --> 00:16:07.556
+configuraciones que vimos en Gemini Studio. Lo importante acá es que estas
+
+00:16:07.556 --> 00:16:11.436
+interfaces cambian mucho y lo que debes tú explorar cada vez que cambien
+
+00:16:11.436 --> 00:16:16.795
+es dónde encuentras esas mismas configuraciones: temperatura, top P, cómo agregas o
+
+00:16:16.796 --> 00:16:21.176
+quitas herramientas y, en el caso de modelos que tienen razonamiento, cuál es
+
+00:16:21.176 --> 00:16:25.296
+su esfuerzo. En AI Studio teníamos un thinking budget que se daba
+
+00:16:25.296 --> 00:16:29.216
+por tokens, pero en este caso tenemos solamente si queremos que el esfuerzo
+
+00:16:29.216 --> 00:16:32.956
+sea mínimo, bajo, medio o alto, que sería muy parecido a lo
+
+00:16:32.956 --> 00:16:40.466
+que nosotros veíamos cuando estábamos entrando a ChatGPT y teníamos acá automático, instantáneo,
+
+00:16:40.466 --> 00:16:44.656
+thinking o pro. Ahora vamos a irnos a Claude. Y en Claude
+
+00:16:44.656 --> 00:16:48.116
+hay algo en especial. Cuando yo llego acá estoy en la herramienta, no
+
+00:16:48.116 --> 00:16:51.936
+en el modelo. La empresa detrás de esto es Anthropic y lo
+
+00:16:51.936 --> 00:16:56.416
+que debo de hacer es entrar a anthropic.com. Recuerden, los recursos están los,
+
+00:16:56.416 --> 00:17:00.096
+eh, los enlaces y ellos se esfuerzan porque uno siempre usa Claude,
+
+00:17:00.096 --> 00:17:04.236
+entonces toca encontrar esto que dice API build with Claude. Le doy learn
+
+00:17:04.236 --> 00:17:07.816
+more y luego acá le doy start building. Te va a pedir
+
+00:17:07.816 --> 00:17:12.336
+iniciar sesión de nuevo porque son como si fueran cuentas separadas y llego
+
+00:17:12.336 --> 00:17:17.736
+al workbench. Anthropic tiene algo en especial. Anthropic tiene un generador de
+
+00:17:17.736 --> 00:17:21.736
+prompts que cuando le pico yo puedo generar los prompts a partir de
+
+00:17:21.736 --> 00:17:26.076
+describir la tarea que quiero que se haga. Esto es igual como
+
+00:17:26.076 --> 00:17:29.756
+si tú fueras a Claude o a ChatGPT y le dijeras: «Actúa como
+
+00:17:29.756 --> 00:17:33.476
+prompt engineer. Tengo este problema, ayúdame a escribir un prompt». Y ese
+
+00:17:33.476 --> 00:17:39.556
+es un gran tip para poder crear buenos prompts. Entonces, si me devuelvo,
+
+00:17:39.556 --> 00:17:42.716
+le doy crear prompt y voy a enfrentarme a una interfaz muy
+
+00:17:42.716 --> 00:17:47.136
+parecida. Acá pasa lo mismo, debes poner una tarjeta de crédito y te
+
+00:17:47.136 --> 00:17:50.155
+van a cobrar por tokens. No vas a tener el cobro de
+
+00:17:50.156 --> 00:17:54.336
+Claude porque son dos aplicaciones distintas, igual como lo es ChatGPT con el
+
+00:17:54.336 --> 00:17:57.496
+Playground de OpenAI donde accedes a los modelos. Y lo mismo que
+
+00:17:57.496 --> 00:18:01.456
+te decía en OpenAI, estas interfaces cambian mucho. Lo importante es que aprendas
+
+00:18:01.456 --> 00:18:05.776
+a identificar dónde están las configuraciones que te interesan. En este momento,
+
+00:18:05.776 --> 00:18:10.616
+esas configuraciones las encuentras en Tools y acá puedes ver las herramientas a
+
+00:18:10.616 --> 00:18:13.636
+las que les puedes dar acceso. Y en esta parte donde dice
+
+00:18:13.636 --> 00:18:17.776
+Model Settings, puedes ver los modelos que puedes usar y acá vas a
+
+00:18:17.776 --> 00:18:20.636
+ver todas las versiones de modelos que hay entre Opus, que es
+
+00:18:20.636 --> 00:18:23.756
+el modelo que piensa por más tiempo, y Sonnet, que es el modelo
+
+00:18:23.756 --> 00:18:29.776
+más rápido. Temperatura, cantidad de tokens, si queremos que piense cuál es
+
+00:18:29.776 --> 00:18:34.216
+el budget de los tokens y desde ahí correr tus prompts. Con esto
+
+00:18:34.216 --> 00:18:36.736
+en la siguiente clase te voy a explicar qué es la temperatura
+
+00:18:36.736 --> 00:18:39.256
+y qué es el top P, y vamos a hacer unos ejercicios en
+
+00:18:39.256 --> 00:18:40.976
+Google AI Studio.
+

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

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.
+

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

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.
+

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

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?
+

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

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.
+

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

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.
+

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

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.
+

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

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.
+

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

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.
+

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

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.
+

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

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.
+

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

8-Estructura de prompts con etiquetas XML para IA.sub.vtt

@@ -0,0 +1,641 @@
+WEBVTT
+
+00:00:00.080 --> 00:00:03.200
+En la clase pasada probamos un prompt que era un poco más complejo
+
+00:00:03.200 --> 00:00:05.520
+de lo que habíamos hecho hasta ahora en el curso. Vamos a
+
+00:00:05.520 --> 00:00:09.940
+verlo. En Claude llegamos y pusimos este prompt donde dijimos: «Actúa como social
+
+00:00:09.940 --> 00:00:12.920
+media manager y crea una publicación de Twitter para el impacto de
+
+00:00:12.920 --> 00:00:16.340
+la IA en el trabajo y el empleo que tenga alto engagement». Y
+
+00:00:16.340 --> 00:00:20.860
+pusimos unos ejemplos de tweets de alto engagement y bajo engagement. Todo
+
+00:00:20.860 --> 00:00:28.050
+esto para aprender cómo hacer zero shot y few shot prompting. Ahora, honestamente,
+
+00:00:28.050 --> 00:00:33.860
+viendo este prompt, pues es un poquito difícil de leer. Incluso ahorita
+
+00:00:33.860 --> 00:00:38.660
+que me detengo a verlo, poder ver cuáles son los tres tweets exactamente
+
+00:00:38.660 --> 00:00:43.940
+es-- es visualmente difícil. Va a pasar esto a un documento y
+
+00:00:43.940 --> 00:00:47.640
+dentro de eso-- del documento vamos a hablar un poco sobre cómo estructurar
+
+00:00:47.640 --> 00:00:51.780
+mejor un prompt para que nosotros lo podamos entender mejor y también
+
+00:00:51.780 --> 00:00:56.320
+para que la inteligencia artificial lo pueda entender mejor. Entonces, acá ya lo
+
+00:00:56.320 --> 00:01:01.220
+tengo dentro de un documento y quiero que hagamos un par de
+
+00:01:01.220 --> 00:01:06.460
+modificaciones que nos van a ayudar a ver mejor este prompt, a entenderlo
+
+00:01:06.460 --> 00:01:13.039
+mejor. Como por ejemplo, podríamos poner esto como un título. Acá tenemos
+
+00:01:13.040 --> 00:01:17.410
+tweets de alto engagement, luego acá tweets de bajo engagement. Le voy a
+
+00:01:17.410 --> 00:01:21.600
+poner el mismo título. Y luego, pues sabemos que cada uno de
+
+00:01:21.600 --> 00:01:24.400
+los tweets está como una lista, pero visualmente no se ve como una
+
+00:01:24.400 --> 00:01:26.940
+lista. Entonces voy a hacer eso mismo, voy a ponerlo como una
+
+00:01:26.940 --> 00:01:33.300
+lista y que visualmente, sobre todo si el tweet tiene saltos de línea,
+
+00:01:33.300 --> 00:01:36.740
+pues se conserven, pero dentro de la lista. Entonces tengo que ir
+
+00:01:36.740 --> 00:01:45.180
+haciendo esto. Voy a ir acá. Y lo voy a terminar de modificar.
+
+00:01:45.180 --> 00:01:50.980
+Y por ejemplo, en este caso creo en-- un nuevo bullet porque
+
+00:01:50.980 --> 00:01:54.840
+es el nuevo tweet. Y entonces acá tengo que mantener los espacios y
+
+00:01:54.840 --> 00:02:00.480
+luego tenemos este por acá. Y vamos a terminar con este de
+
+00:02:00.480 --> 00:02:04.340
+por acá, que es el que más saltos de líneas tiene. Y pues
+
+00:02:04.340 --> 00:02:07.780
+al final, incluso los saltos de líneas son información, ¿no? Porque nos
+
+00:02:07.780 --> 00:02:12.400
+están diciendo cómo es la estructura del tweet que funciona. Y bueno, los
+
+00:02:12.400 --> 00:02:15.420
+tweets de bajo engagement la verdad es que tienen menos de este
+
+00:02:15.420 --> 00:02:22.109
+juego, entonces está mucho más fácil poderlos formatear. Y de acá termino con...
+
+00:02:22.109 --> 00:02:24.880
+Ah, no, este no es un nuevo tweet. Termino con este de
+
+00:02:24.880 --> 00:02:32.140
+acá, que es el último. Y solo con este cambio, de repente es
+
+00:02:32.140 --> 00:02:35.620
+mucho más fácil leerlo. Ya sé que acá está el prompt base,
+
+00:02:35.620 --> 00:02:39.700
+ya sé que acá empiezan los ejemplos, ya sé que este es un
+
+00:02:39.760 --> 00:02:43.900
+tweet, ya sé que este es otro tweet, que este es otro
+
+00:02:43.900 --> 00:02:49.430
+tweet. Y luego tenemos acá los de bajo engagement y puedo ver los
+
+00:02:49.430 --> 00:02:55.680
+tres perfectamente. Incluso yo podría decir acá: «Mira, estos son ejemplos». Y
+
+00:02:55.680 --> 00:02:58.180
+para seguir con la estructura de nuestro texto, le vamos a dar un
+
+00:02:58.180 --> 00:03:02.160
+un título de, de Heading dos. Luego acá le vamos a dar
+
+00:03:02.160 --> 00:03:08.620
+Heading tres. Eh, y acá Heading tres y ya. Acá está mucho más
+
+00:03:08.620 --> 00:03:14.660
+visible, mucho más claro. Cualquier persona podría entrar, verlo y leerlo. Y
+
+00:03:14.660 --> 00:03:17.680
+de hecho, Google Docs hace algo bien interesante. Esto solo es un dato
+
+00:03:17.680 --> 00:03:21.560
+curioso y es que con los títulos me va generando como este
+
+00:03:21.560 --> 00:03:29.200
+índice y lo puedo navegar incluso más fácil. Entonces, con estos cambios copiemos
+
+00:03:29.200 --> 00:03:32.480
+y vámonos a ir a Claude en un nuevo chat y lo
+
+00:03:32.480 --> 00:03:37.240
+voy a pegar. Incluso cuando lo envío y veo, pues la verdad es
+
+00:03:37.240 --> 00:03:39.260
+que se ve muy parecido a lo que tenía en la otra
+
+00:03:39.260 --> 00:03:43.040
+conversación. O sea, de hecho perdió mucho del formato visual que yo le
+
+00:03:43.040 --> 00:03:46.240
+había dado. Y la clave está ahí. Cuando yo estoy en un
+
+00:03:46.240 --> 00:03:50.860
+documento de Word o de Google Docs, toda la estructura que nosotros le
+
+00:03:50.860 --> 00:03:54.579
+damos es una estructura visual que a nosotros como humanos nos ayuda
+
+00:03:54.580 --> 00:03:59.500
+a entender dónde inician, dónde terminan las cosas y que sea más legible.
+
+00:03:59.500 --> 00:04:03.680
+El problema es que eso lo tenemos que traducir a la máquina,
+
+00:04:03.680 --> 00:04:08.360
+a la inteligencia artificial. Y no va a ser tan complejo. Existe una,
+
+00:04:08.360 --> 00:04:12.700
+una convención que se llaman etiquetas XML, que se crearon para traducir
+
+00:04:12.700 --> 00:04:16.420
+este mismo formato que nosotros tenemos en un documento que es visual a
+
+00:04:16.420 --> 00:04:19.350
+algo que las máquinas puedan entender. Y de hecho, como un dato
+
+00:04:19.350 --> 00:04:26.020
+curioso, así está construido por detrás internet. Esas etiquetas XML-- XML eventualmente evolucionaron
+
+00:04:26.020 --> 00:04:30.540
+a ser el HTML que constituye una página. Y pareciera que estamos
+
+00:04:30.540 --> 00:04:33.380
+hablando de algo complejo y algo muy técnico, pues la verdad es que
+
+00:04:33.380 --> 00:04:36.120
+es algo que ya sabes hacer. Lo que haces en un documento
+
+00:04:36.120 --> 00:04:41.020
+de Google Docs, en un documento de Google Word, estas etiquetas XML eventualmente
+
+00:04:41.020 --> 00:04:44.900
+evolucionaron a lo que es HTML, que aunque suena un poco como
+
+00:04:44.900 --> 00:04:48.400
+código y como que se está poniendo técnico, la verdad es que simplemente
+
+00:04:48.400 --> 00:04:51.680
+es un lenguaje que permite traducir esa sintaxis o esa jerarquía de
+
+00:04:51.680 --> 00:04:55.680
+la información a algo que las máquinas entiendan. Entonces, vamos a copiar este
+
+00:04:55.680 --> 00:04:58.680
+documento y nos vamos a ir a un nuevo documento. Vamos a
+
+00:04:58.680 --> 00:05:03.860
+empezar de cero. Y lo voy a pegar sin ningún tipo de formato,
+
+00:05:03.860 --> 00:05:07.340
+igual como lo vimos en Claude. Y la forma en la que
+
+00:05:07.340 --> 00:05:11.120
+vamos a empezar a darle formato a esto para que sea entendible es
+
+00:05:11.120 --> 00:05:17.299
+que tenemos las etiquetas que empiezan con el signo de menor mayor,
+
+00:05:17.640 --> 00:05:21.760
+y en el medio va una palabra descriptiva. Puede ser una palabra o
+
+00:05:21.760 --> 00:05:24.480
+una frase. Lo importante es que describa qué es lo que va
+
+00:05:24.480 --> 00:05:29.980
+a contener esta etiqueta. Entonces, por ejemplo, podemos decir ejemplos. Y vamos a
+
+00:05:29.980 --> 00:05:35.040
+cerrar la etiqueta con el símbolo de mayor menor. Entonces, esto indica
+
+00:05:35.040 --> 00:05:39.620
+que un contenido está por iniciar. En este caso, los ejemplos que estamos
+
+00:05:39.620 --> 00:05:43.920
+viendo acá. Entonces ya puedo reemplazar esta palabra por la etiqueta. Y
+
+00:05:43.920 --> 00:05:47.880
+lo más importante que tiene que entender una máquina es dónde inicia algo
+
+00:05:47.880 --> 00:05:54.780
+y dónde termina. Nosotros, a nivel visual, en nuestro documento, sabemos que
+
+00:05:54.780 --> 00:05:59.740
+los ejemplos inician acá y, pues no tienen nada más al fondo. Pero
+
+00:05:59.740 --> 00:06:10.110
+si yo quisiera decir acá: «Eh, haz tres tweets y yo escogeré».El
+
+00:06:10.110 --> 00:06:14.530
+mejor. Por el contexto de la frase, yo puedo saber que esto ya
+
+00:06:14.530 --> 00:06:19.190
+no hace parte de los ejemplos, pero no hay ninguna pista visual
+
+00:06:19.190 --> 00:06:24.300
+que me ayude a tener ese contexto. La máquina también podría agarrar esto,
+
+00:06:24.300 --> 00:06:27.590
+la inteligencia artificial también lo podría agarrar por el contexto, como ya
+
+00:06:27.590 --> 00:06:31.690
+vimos la manera en la que entiende las sutilezas del lenguaje, pero lo
+
+00:06:31.690 --> 00:06:35.110
+mejor es evitar la ambigüedad, lo mejor es poderle decir dónde acaban
+
+00:06:35.110 --> 00:06:39.570
+las cosas. Y la forma en la que nosotros decimos que algo terminó
+
+00:06:39.570 --> 00:06:42.890
+a nivel de etiquetas, es que volvemos a poner la misma etiqueta
+
+00:06:42.890 --> 00:06:47.610
+que teníamos, pero vamos a modificarla y le vamos a poner un slash,
+
+00:06:47.610 --> 00:06:53.370
+una barrita que me diga: «Ahí terminó los ejemplos». Entonces, si te
+
+00:06:53.370 --> 00:06:57.930
+das cuenta, acá ya tenemos una delimitación que me dice: «Estos son los
+
+00:06:57.930 --> 00:07:03.510
+ejemplos». Y si yo acá continúo y digo: «Haz tres opciones de
+
+00:07:03.510 --> 00:07:10.610
+tweet para escoger el mejor», ya va a ser claro que esto no
+
+00:07:10.610 --> 00:07:14.310
+hace parte de los ejemplos. Ahora tenemos ejemplos de tweets de alto
+
+00:07:14.310 --> 00:07:21.630
+engagement y tenemos ejemplos de tweets de bajo engagement. Pero además, estos tweets,
+
+00:07:21.630 --> 00:07:26.430
+este es un tweet, porque lo recuerdo, este es otro tweet, porque
+
+00:07:26.430 --> 00:07:30.670
+lo recuerdo, y este es otro tweet. De otra manera, no tengo forma
+
+00:07:30.670 --> 00:07:33.749
+de saber dónde inicia y dónde termina. Solo mi memoria en este
+
+00:07:33.750 --> 00:07:38.880
+momento. Entonces, vamos a hacer una etiqueta más. Vamos a poner la etiqueta
+
+00:07:38.880 --> 00:07:44.130
+tweet. Literalmente, yo escojo la palabra que quiero poner para decir la
+
+00:07:44.130 --> 00:07:48.670
+etiqueta. Si quiero poner pajarito, pongo pajarito. El problema de poner palabras que
+
+00:07:48.670 --> 00:07:52.670
+no sean descriptivas es que hacen parte del, del prompt. Entonces, lo
+
+00:07:52.670 --> 00:07:56.390
+mejor es poner palabras descriptivas. Y voy a decirle que este es un
+
+00:07:56.390 --> 00:08:04.170
+tweet y que termina acá. Entonces, abro signo mayor menor, tweet, cierro
+
+00:08:04.170 --> 00:08:10.150
+con mayor menor, y luego, con el slash digo que termino. Y yo
+
+00:08:10.150 --> 00:08:14.030
+puedo repetirlo tantas veces quiera. En este caso tengo seis tweets, entonces,
+
+00:08:14.030 --> 00:08:19.610
+acabo de poner la misma etiqueta de tweet y por acá esta terminaba
+
+00:08:19.810 --> 00:08:25.130
+acá. Luego voy a poner la etiqueta de tweet y la termino
+
+00:08:25.130 --> 00:08:29.850
+acá. Y luego tenemos los tweets de bajo engagement. De una vez hagamos
+
+00:08:29.870 --> 00:08:37.370
+eso. La pongo acá. La termino en... Acá sí ya no me
+
+00:08:37.370 --> 00:08:41.270
+acuerdo, entonces, voy a irme al otro documento que está más visual. Es
+
+00:08:41.270 --> 00:08:48.730
+en donde dice cien, acá la termino . Luego, la inicio para
+
+00:08:48.730 --> 00:08:56.470
+este, la termino. Y luego, la inicio para este y la termino. Y
+
+00:08:56.470 --> 00:08:59.050
+con esto ya le estoy diciendo a la máquina dónde inicia el
+
+00:08:59.050 --> 00:09:02.450
+tweet, dónde termina el tweet. Y lo último que yo podría hacer es
+
+00:09:02.450 --> 00:09:07.270
+decirle cuándo son de alto engagement o cuándo son de bajo engagement.
+
+00:09:07.270 --> 00:09:10.970
+Y en la clase pasada vimos que teníamos una oportunidad de mejora en
+
+00:09:10.970 --> 00:09:17.290
+este prompt de few-shot. Y era poner de manera aleatoria los tweets
+
+00:09:17.290 --> 00:09:23.250
+de alto engagement y bajo engagement para incrementar la probabilidad de que acerte
+
+00:09:23.250 --> 00:09:27.390
+en qué significa alto engagement y bajo engagement. Entonces, voy a aprovechar
+
+00:09:27.390 --> 00:09:30.890
+las etiquetas y voy a poner que este es un tweet de alto
+
+00:09:30.890 --> 00:09:37.490
+engagement. En este caso, cuando estoy colocando una frase, en lugar de
+
+00:09:37.490 --> 00:09:40.990
+poner espacios, pongo guiones para que sea claro que es parte de la
+
+00:09:40.990 --> 00:09:44.390
+etiqueta. Y lo único que voy a hacer es cambiar esto mismo
+
+00:09:44.390 --> 00:09:51.070
+acá, pero cerrándola. La etiqueta de apertura y de cierre deben ser idénticas.
+
+00:09:51.070 --> 00:09:55.870
+Lo mismo voy a hacer acá y cerrándola. Lo mismo voy a
+
+00:09:55.870 --> 00:10:01.670
+hacer acá y el último cierre que tenemos. Y luego voy a decirle
+
+00:10:01.670 --> 00:10:05.330
+a los tweets de bajo engagement que son de bajo engagement, bajo
+
+00:10:05.330 --> 00:10:13.310
+engagement. Y lo mismo, reemplazo las etiquetas de cierre, reemplazo las de apertura,
+
+00:10:13.310 --> 00:10:19.730
+reemplazo las de cierre. Y nos queda solo una. Y lo último
+
+00:10:19.730 --> 00:10:24.470
+que puedo hacer acá, ya que la etiqueta describe cuáles son los tweets
+
+00:10:24.470 --> 00:10:28.510
+de alto y de bajo engagement, es mezclarlos. Entonces, va a pasar
+
+00:10:28.510 --> 00:10:33.270
+este que tengo acá, lo voy a poner de segundo lugar. Entonces, tengo
+
+00:10:33.270 --> 00:10:38.010
+alto engagement acá, alto engagement acá, lo paso de segundo lugar. Luego
+
+00:10:38.010 --> 00:10:43.350
+tengo otro de bajo engagement por acá. Vamos a tomar este. Y lo
+
+00:10:43.350 --> 00:10:50.590
+voy a pasar de... ¿Tercero? Tercero, cuarto lugar. Este prompt, así como
+
+00:10:50.590 --> 00:10:55.550
+está, ya va a dar más claridad a la inteligencia artificial. Ahora, en
+
+00:10:55.550 --> 00:11:00.430
+este momento, este prompt es mucho más claro para la inteligencia artificial,
+
+00:11:00.430 --> 00:11:03.170
+pero ahora es un poco más difícil de entender para los humanos. Ya
+
+00:11:03.170 --> 00:11:06.890
+vamos a ver cómo lo podemos mejorar, pero probémoslo. Nos vamos a
+
+00:11:06.890 --> 00:11:09.510
+ir acá, nos vamos a ir al nuevo chat, lo voy a pegar
+
+00:11:09.510 --> 00:11:14.550
+y al enviarlo veamos cuál es el tweet que nos genera. De
+
+00:11:14.550 --> 00:11:18.970
+plano ya entendió que tiene que hacer tres opciones y me da un,
+
+00:11:18.970 --> 00:11:23.710
+una opción uno que es: dato impactante e ironía, contraste generacional, más
+
+00:11:23.710 --> 00:11:28.190
+números contra-- concretos y predicción controversial versus call to action. Y hasta ahora
+
+00:11:28.190 --> 00:11:32.090
+ha mantenido el formato que nos dio en la primera iteración que
+
+00:11:32.090 --> 00:11:36.270
+hicimos. Y lo que pasa acá es que aunque no veamos una mejora
+
+00:11:36.270 --> 00:11:40.410
+incremental de un ejemplo a otro, lo que sí va a pasar
+
+00:11:40.410 --> 00:11:42.990
+es que si empezamos a probarlo con más temas y más temas y
+
+00:11:42.990 --> 00:11:47.750
+más temas, es más probable que la consistencia se mantenga, que sea
+
+00:11:47.750 --> 00:11:53.230
+el mismo-- la misma calidad de resultado cada vez que lo intentemos. Perooo
+
+00:11:53.230 --> 00:11:57.410
+volvamos al documento y tratemos ahora de darle un poquito más de,
+
+00:11:57.410 --> 00:12:01.850
+de visual para que sea más fácil para los humanos entenderlo. Lo primero
+
+00:12:01.850 --> 00:12:06.750
+que podemos hacer es que normalmente podríamos decir que esto estaba como
+
+00:12:06.750 --> 00:12:12.512
+una lista y que estaba como con un espaciado que me daba la--Esa
+
+00:12:12.512 --> 00:12:16.942
+pista visual de dónde estaba o iniciaba algo y terminaba algo. Eso
+
+00:12:16.942 --> 00:12:21.802
+lo podemos hacer nosotros acá, donde incrementamos la indentación y de repente yo
+
+00:12:21.802 --> 00:12:26.742
+puedo ver que ejemplos inicia acá y ejemplos termina acá de manera
+
+00:12:26.742 --> 00:12:32.752
+visual. Y esto es algo importante. Nosotros pensemos-- pensamos en las etiquetas como
+
+00:12:32.752 --> 00:12:37.662
+contenedores. Siempre que lo abro, debo cerrarlo. Y siempre que tengo ese
+
+00:12:37.662 --> 00:12:42.732
+contenedor, puedo meter contenedores dentro. En este caso, tenemos el contenedor de tuit
+
+00:12:42.732 --> 00:12:49.822
+de alto engagement que cierra dentro de ejemplos. Conforme vamos abriendo un
+
+00:12:49.822 --> 00:12:53.762
+contenedor, tenemos que irlo cerrando. Es decir, yo no puedo llegar acá y
+
+00:12:53.762 --> 00:12:59.662
+decir que este tuit de al-- de alto engagement no cierra, porque
+
+00:12:59.662 --> 00:13:03.532
+acá va a quedar abierto y va a quedar ambiguo, que es lo
+
+00:13:03.532 --> 00:13:10.742
+que queremos evitar. También yo podría decir que cierra acá. Y eso
+
+00:13:10.742 --> 00:13:13.802
+no nos va a dar error, no estamos programando, entonces, na-- no hay
+
+00:13:13.802 --> 00:13:16.801
+nada que valide que esto está bien o está mal. Pero lo
+
+00:13:16.801 --> 00:13:19.942
+que sí va a pasar es que va a entender que todo el
+
+00:13:19.942 --> 00:13:26.282
+contenido que está dentro de esto hace parte del tuit. Y eso
+
+00:13:26.282 --> 00:13:30.062
+va a incrementar la probabilidad de que no detecte los patrones que queremos
+
+00:13:30.062 --> 00:13:36.112
+detectar con los ejemplos o que empiece a alucinar la inteligencia artificial.
+
+00:13:36.112 --> 00:13:41.462
+Entonces, es muy importante que seamos muy cuidadosos cada vez que abrimos una
+
+00:13:41.462 --> 00:13:45.062
+etiqueta o un contenedor, que lo cerremos y que solo abarque la
+
+00:13:45.062 --> 00:13:49.562
+información que realmente se atribuye a esa etiqueta. Acá lo otro que podemos
+
+00:13:49.562 --> 00:13:53.142
+hacer es que podemos también incrementar la indentación para el tuit, y
+
+00:13:53.142 --> 00:13:56.342
+acá podríamos estar viendo cada uno de los tuits de una manera más
+
+00:13:56.342 --> 00:14:01.582
+sencilla. Y una cosa que también yo hago, que me gusta mucho
+
+00:14:01.582 --> 00:14:05.902
+para poder hacer más fácil el entendimiento de esto para todas las personas
+
+00:14:05.902 --> 00:14:10.802
+que colaboran dentro de los prompts que hacemos en Platzi, es que
+
+00:14:10.802 --> 00:14:15.342
+podemos darle colores a las etiquetas. Ya tengo el prompt más visual, mucho
+
+00:14:15.342 --> 00:14:19.082
+más amigable para, para mí entenderlo y para cualquier persona de mi
+
+00:14:19.082 --> 00:14:21.892
+equipo. Y lo que quiero mostrarte es que en el momento en el
+
+00:14:21.892 --> 00:14:27.922
+que yo lo pego acá en Claude, pues está exactamente igual a
+
+00:14:27.922 --> 00:14:32.442
+cuando habíamos puesto las etiquetas. O sea, esos cambios visuales, pues al final
+
+00:14:32.442 --> 00:14:34.882
+van a ser más para que yo pueda entender el prompt, lo
+
+00:14:34.882 --> 00:14:38.482
+pueda editar, para que cualquier persona de mi equipo lo pueda editar y
+
+00:14:38.482 --> 00:14:41.082
+no van a afectar en nada el momento en que yo vaya
+
+00:14:41.082 --> 00:14:44.242
+a irme acá, lo vaya a ejecutar. Tal cual como lo habíamos visto
+
+00:14:44.242 --> 00:14:51.742
+antes, se pegó y funcionó. Ahora, hay dos partes que quiero aclarar
+
+00:14:51.742 --> 00:14:56.232
+acá. Uno, yo pude haber escrito todo el prompt dentro de esta caja,
+
+00:14:56.232 --> 00:14:59.242
+pero si, por ejemplo, yo digo hola y quiero dar un salto
+
+00:14:59.242 --> 00:15:03.492
+de línea y simplemente doy Enter, se va a mandar el mensaje directamente.
+
+00:15:03.492 --> 00:15:06.722
+Si yo quisiera hacer ese salto de línea, debo decir hola y
+
+00:15:06.722 --> 00:15:11.382
+poner Shift y Enter. Y ahí yo puedo hacer ese salto de línea.
+
+00:15:11.382 --> 00:15:16.502
+Pero entonces, cuando yo tengo prompts muy largos y me equivoco y
+
+00:15:16.502 --> 00:15:20.282
+a mitad del prompt se me olvida presionar el Shift y doy Enter,
+
+00:15:20.282 --> 00:15:22.502
+se me va el prompt y puedo perder el trabajo que estaba
+
+00:15:22.502 --> 00:15:27.922
+haciendo o tener que empezar un proceso más tedioso. Entonces, en general, cuando
+
+00:15:27.922 --> 00:15:32.282
+tienes consultas muy pequeñas o prompts muy cortos, hacerlo directamente acá y
+
+00:15:32.282 --> 00:15:36.422
+no tener las etiquetas XML no va a ser un problema. Todo esto
+
+00:15:36.422 --> 00:15:39.242
+que aprendimos en esta clase es cuando empezamos a tener prompts más
+
+00:15:39.242 --> 00:15:44.502
+estructurados. Ahí te recomiendo que empieces a escribir el prompt en un documento,
+
+00:15:44.502 --> 00:15:48.022
+no en la herramienta, que tengas claridad del prompt. Incluso dile a
+
+00:15:48.022 --> 00:15:51.042
+un amigo o un compañero que no tenga ninguna idea acerca de lo
+
+00:15:51.042 --> 00:15:54.442
+que estás haciendo, que lo lea y que te diga qué entendió.
+
+00:15:54.442 --> 00:15:57.402
+Y una vez ya sabes cuál es el prompt que quieres probar, lo
+
+00:15:57.402 --> 00:16:01.022
+copies, lo pegues y te lo lleves acá. Y en esos casos,
+
+00:16:01.022 --> 00:16:04.682
+cuando ya te fuiste a un documento, ya empieza a importar que esa
+
+00:16:04.682 --> 00:16:07.182
+estructura visual te ayude a ti a no perder el hilo de
+
+00:16:07.182 --> 00:16:12.482
+lo que estás escribiendo y luego poderlo llevar a tu LLM favorito.
+