Es la “pregunta del millón” para otros millones de empresas (especialmente Pymes) en todo el mundo. O mejor sería decir que es la cuestión de los cientos de miles de millones. Veamos: en 2023, los desarrolladores de modelos de lenguaje de gran escala captaron aproximadamente 12 mil millones de dólares en financiación de capital a través de 10 operaciones, lo que representa 12 veces la cantidad del año anterior. Los desarrolladores más destacados de estos LLM (Large Lenguaje Models, o Modelos de Lenguaje Largos, como el célebre ChatGPT) son Open AI: 10 mil millones de dólares, Anthropic: 450 millones de dólares, Cohere: 270 millones de dólares, Mistral AI: 114 millones de dólares.
Como para empezar a entusiasmarte, te contamos que las empresas alrededor del mundo ya están observando, en promedio, un retorno de 3,5 veces sobre sus inversiones en IA. ¿Qué tal? Y para seguir dándote impulso, agregamos que, a fin de eliminar dificultades, suprimir fricciones y aventar temores, podemos indicarte cuál es el primer y (quizás) más importante paso a seguir, como para ir de a poco y sobre seguro.
Ingeniería de Prompts, el arte de las palabras
Se trata de aprender cómo hablar directamente con un bot de IA, usando mensajes perfectamente elaborados y coherentes con lo que se quiere obtener. Cuanto más específicas sean las instrucciones que proporciones, mejores serán los resultados que el LLM te dará. Elaborar un buen prompt puede tomar desde pocos minutos hasta varias horas, pero siempre vale la pena, por el ahorro de tiempo y el aumento en productividad, que producen un buen retorno de inversión (ROI).
Además, para las empresas que buscan integrar LLMs en su estructura, la ingeniería de prompts se convierte en una competencia fundamental. Su mayor valor radica en que permite a los usuarios no técnicos interactuar efectivamente con tecnologías avanzadas sin necesidad de profundizar en el código subyacente o en los algoritmos. Y al educar a los equipos sobre cómo ajustar sus preguntas, se pueden mejorar los flujos de trabajo y la toma de decisiones basada en datos.
Se aconseja mucho crear una cierta “Biblioteca de prompts” que cubra las necesidades más recurrentes de la empresa, y refinarlos periódicamente. Su aplicación tiene un amplio campo: puede ser de la mayor utilidad en Marketing, en la automatización y control de procesos, en la Experiencia del cliente, y también para Recursos humanos (RRHH), porque junto a otras herramientas de excelencia te ayudará a elegir a los mejores.
Con APIs es mejor
Hay una variante más sofisticada para optimizar el trabajo con IA y nuestra relación con estos bots que están cambiando la faz del mundo. Cuando no se obtienen resultados solo con ingeniería manual de prompts, o tu negocio no ha cambiado demasiado y el conjunto de datos que manejas es muy grande, o tienes un flujo de procesos muy específico, la ingeniería de prompts con API es como hablar con un bot mediante mensajes bien elaborados. Pero en lugar de hacerlo directamente, escribiéndolos, se realiza a través de la API o un traductor. Basado en tus necesidades específicas, la API adecuada aumentará la precisión de las respuestas del LLM.
Por ejemplo: Una nutricionista ha escrito más de 200 artículos en su blog sobre temas cómo lograr una dieta equilibrada, qué alimentos son perjudiciales, la importancia de una buena alimentación, etc. Trabajando con un desarrollador y una API de terceros, pueden subir todas estas publicaciones a una base de datos vectorial. Y entonces, cada vez que un cliente tenga una pregunta sobre cualquiera de los temas tratados en el blog, el LLM puede responder utilizando la información de esa base de datos vectorial. Es un método mucho más eficaz para recuperar información que la búsqueda por palabras clave, proporcionando resultados más relevantes y útiles.
Tope de gama: El “Fine-Tuning”
Hay otra variante, la más aconsejable cuando se tiene una gigantesca cantidad de datos, y no es para cualquier empresa, ya que (por el momento, cambiará eso muy pronto) es muy costoso, por lo cual hay que calcular muy bien el ROI si nos decantamos por este método.
El Fine-Tuning es una técnica donde un modelo preentrenado, como los que ya conocemos, se ajusta para realizar una nueva tarea. Es enseñarle al LLM cómo usar el conocimiento que ya tiene para hacer algo nuevo. Sería básicamente una ingeniería de prompts con API, pero potenciada. Se trata de un modelo de lenguaje como proceso iterativo, donde el modelo mejora cada vez más con cada ronda de entrenamiento, y aprende de sus errores, adaptándose a los detalles de la tarea en cuestión. Aquí será necesario emplear a ingenieros de aprendizaje automático para probar, evaluar y repetir el proceso hasta que funcione correctamente; o sea que además de costoso, tomará más tiempo que otras modalidades.
Como sea, no dudes en comenzar a emplear la IA en tu trabajo, porque si no lo haces… seguro que tu competencia sí, y eso les dará una ventaja que pronto lamentarás.
