Al ser ejemplos muy concretos sobre unas tecnologías tan concretas, cuando se hace un cambio en el prompt en cualquier ejemplo puede afectar a los resultados, o también, modificar alguna palabra de la petición de entrada. Esto se traduce en que el prompt no es lo suficientemente robusto como para poder asimilar distintas expresiones sin afectar al código generado. Para poder tener un prompt y un sistema productivo, se necesita más entrenamiento y distinta variedad tanto de soluciones, peticiones, expresiones,. … Con todo ello, finalmente podremos tener una primera versión que poder presentar a nuestro usuario de negocio para que sea autónomo.Especificar el máximo detalle posible a un LLM es crucial para obtener resultados precisos y contextuales. Aquí hay varios consejos que debemos tener en cuenta para poder tener un resultado adecuado:
Claridad y Concisión:
Sé claro y conciso en tu prompt, evitando oraciones largas y complicadas.
Define claramente el problema o la tarea que deseas que el modelo aborde.
Especificidad:
Proporciona detalles específicos sobre lo que estás buscando. Cuanto más preciso seas, mejores resultados obtendrás.
Variabilidad y Diversidad:
Considera incluir diferentes tipos de ejemplos o casos para evaluar la capacidad del modelo para manejar la variabilidad.
Feedback Iterativo:
Si es posible, realiza iteraciones en tu prompt basándote en los resultados obtenidos y el feedback del modelo.
Prueba y Ajuste:
Antes de usar el prompt de manera extensa, realiza pruebas con ejemplos y ajusta según sea necesario para obtener resultados deseados.
Siguientes pasos con Bluetab
Hablemos de tu siguiente reto de datos impulsado por IA
Cuéntanos qué problema necesitas resolver y definamos el siguiente paso con un especialista de Bluetab.
