Ingeniería de Prompts para la IA

Ingeniería de Prompts para la Inteligencia Artificial (IA)

Introducción a las Aplicaciones Básicas de Prompting

• La estructuración de datos es esencial para obtener respuestas coherentes de los modelos de lenguaje.
• Los prompts deben ser claros y específicos para que el modelo comprenda qué información se le está solicitando.
• Se puede solicitar al modelo que enumere los pasos para preparar una receta específica.
• Los modelos de lenguaje pueden generar correos electrónicos realistas para diversas situaciones, ya sean formales o informales.
• Se puede pedir al modelo que escriba un correo electrónico de agradecimiento a un cliente después de una reunión.
• Los modelos de lenguaje pueden generar contenido útil y bien estructurado para blogs sobre diversos temas.
• Es posible crear un prompt para que el modelo escriba una entrada de blog que explique las últimas tendencias en inteligencia artificial.
• Los modelos de lenguaje pueden resumir texto largo en un resumen conciso y relevante.
• Se puede pedir al modelo que resuma un artículo científico en no más de 100 palabras.

Aplicaciones Intermedias de Prompting

• La cadena de pensamiento implica guiar al modelo paso a paso para obtener una respuesta más detallada y completa.
• Se puede solicitar al modelo que explique el proceso completo de desarrollo de una aplicación móvil, desde la concepción de la idea hasta el lanzamiento en el mercado.
• La autoconsistencia se refiere a hacer múltiples solicitudes al modelo con el mismo input para obtener respuestas coherentes.
• Es posible hacer tres solicitudes al modelo para que describa el clima actual en una ciudad específica y verificar si las respuestas son consistentes.
• La técnica de "promptear" de menos a más implica comenzar con un prompt más general y refinarlo en función de la respuesta para obtener resultados más específicos.
• Es útil comenzar con un prompt sobre un país y luego ajustar el prompt para obtener detalles sobre su gastronomía típica.
• Se puede usar ChatGPT a partir de GPT-3 que permite interactuar con los usuarios y responder a sus preguntas de manera más dinámica.
• La creación de un chatbot utilizando GPT-3 o ChatGPT tiene una amplia gama de aplicaciones:
• Atención al cliente: Manejar consultas las 24 horas, proporcionando respuestas rápidas y soluciones a problemas comunes.
• Comercio electrónico: Ayudar a clientes con recomendaciones de productos, seguimiento de pedidos y procesamiento de devoluciones.
• Educación: Ayudar a estudiantes a estudiar, revisar conceptos clave, proporcionar explicaciones y responder preguntas.
• Entretenimiento: Usar para juegos de texto interactivo, historias generadas por usuarios y otros entretenimientos.
• Salud: Proporcionar consejos básicos, recordatorios de medicación y ayuda para programar citas médicas.
• Operaciones internas: Automatizar procesos, programar reuniones o responder preguntas frecuentes de empleados.
• Para implementar un chatbot utilizando la API de OpenAI, se deben seguir los siguientes pasos:
  • Crear una cuenta en OpenAI en su página web.
  • Generar una clave de API para interactuar con la API de OpenAI.
  • Instalar el cliente de la API de OpenAI en Python con el comando pip install openai.
• Luego con la clave de API y el cliente instalado, se puede crear una función para enviar prompts a la API en Python.
• Finalmente, se puede usar esta función para alimentar el chatbot respondiendo a los mensajes entrantes de los usuarios.
• Para implementar un chatbot utilizando Landbot.io:
• Crear una cuenta en el sitio web.
• Seleccionar el tipo de chatbot deseado: WhatsApp o asistente web.
• Realizar una descripción del servicio en no más de 400 caracteres.

Prompting con Imágenes

• El prompting con imágenes extiende la noción de prompting de texto a imágenes.
• En lugar de proporcionar palabras o frases, se proporciona una imagen y se solicita al modelo que realice una tarea relacionada con ella.
• Se puede modificar el estilo visual de las imágenes generadas por el modelo.
• Ejemplo práctica: "Promptear" al modelo para generar una imagen de un perro con en el estilo artístico específico, como el de un famoso pintor, por ejemplo, "Un perro en el estilo de Vincent van Gogh"
• Los potenciadores de calidad mejoran los detalles y el realismo de las imágenes generadas por los modelos de IA.
• Una forma de hacerlo es usando un enfoque de dos pasos, donde primero se genera una imagen con un prompt inicial y luego se usa un segundo prompt para "refinar" o "potenciar" la imagen.
• Paso 1: "Un paisaje de montañas al atardecer"
• Paso 2: "El mismo paisaje, pero con detalles más finos y realistas"
• Se le pide al modelo que genere primero una imagen de paisaje de montañas al atardecer, luego, se utiliza un segundo prompt para pedirle que mejore los detalles y haga que se vea más realista.
• Ejemplos de potenciadores: High resolution, 2K, 4K, 8K, clear, good lighting, detailed, extremely detailed, sharp focus, intricate, beautiful, realistic+++, complementary colors, high quality, hyper detailed, masterpiece, best quality, artstation, stunning

Prompt Hacking

• Implica identificar patrones efectivos de prompts para obtener mejores resultados de los modelos de lenguaje.
• Es posible analizar ejemplos de prompts en generación de texto para identificar patrones comunes que producen resultados más precisos y coherentes.
• Ejemplos de "Prompt Hacking":
  • Ser más explícito al especificar el formato exacto de la respuesta deseada.
  • Repetir la pregunta de diferentes maneras para que el modelo comprenda mejor la consulta.
  • Proporcionar contexto con más información sobre el tema o la tarea para producir una respuesta más adecuada.
• Por ejemplo, para obtener un resumen de un libro, comenzar con "Resumen del libro: La odisea, de Homer". Si los resultados no son satisfactorios, hackear el prompt para hacerlo más explícito: "Escribe un resumen breve y conciso, de no más de 5 oraciones, del libro La odisea de Homero"
• El 'Prompt Hacking' es un arte que requiere experimentación y ajustes iterativos para obtener los resultados deseados.

Herramientas de Ingeniería de Prompts

• Existen diversas herramientas y bibliotecas que facilitan la ingeniería de prompts y el trabajo con modelos de lenguaje.
• Algunas de estas herramientas son:
  • Hugging Face Transformers: Biblioteca de Python que proporciona acceso a modelos de lenguaje preentrenados como GPT-3 y BERT, con métodos convenientes para la tokenización y generación de texto.
  • OpenAI API: Interfaz fácil de usar para interactuar con modelos de lenguaje como GPT-3.
  • ChatGPT API: Herramienta para interactuar con el modelo de lenguaje ChatGPT.

Referencia de Vocabulario

• Es importante aprender sobre el vocabulario y cómo manejar problemas de términos poco comunes en la interacción con los modelos.
• Los modelos como GPT-3 no tienen capacidad de aprendizaje continuo.
• No es posible "aprender" nuevos términos después del entrenamiento inicial. Sin embargo, proporcionar contexto relevante dentro del mismo prompt ayuda al modelo a manejar términos desconocidos.
• Para una interacción efectiva con los modelos de lenguaje, es crucial manejar un vocabulario especializado, como en el caso de una empresa de instalación de energía solar.
• Ver Trello*

Recursos Adicionales

• OpenAl GPT-3 API Documentation: https://beta.openai.com/docs/
• Hugging Face Transformers Library: https://huggingface.co/transformers/
• Tutorial sobre ChatGPT: https://minimaxir.com/2021/08/chatgpt-guide/
• Documentación sobre Prompt Engineering: https://platform.openai.com/docs/prompt-engineering
• Tutorial de Prompt Engineering: https://towardsdatascience.com/prompt-engineering-for-large-language-models-9f466816bafb
• Ejemplos de Prompt Engineering: https://platform.openai.com/examples
• GitHub Repository de Ejemplos de Prompt Engineering: https://github.com/openai/openai-cookbook/tree/main/examples/How_to_do_prompt_engineering_with_GPT3
• Tutorial de Hugging Face Transformers Library: https://huggingface.co/course/chapter1 Página oficial de OpenAI GPT-3 para acceso a la API y documentación: https://beta.openai.com/
• "- "Deep Learning" de lan Goodfellow, Yoshua Bengio y Aaron Courville.
• "- "Natural Language Processing in Action" de Lane, Howard, and Hapke.