1 00:00:07,150 --> 00:00:12,070 Bien, vamos a entrar en materia sobre cómo aprovechar al máximo Copilot y otras herramientas 2 00:00:12,070 --> 00:00:16,870 de inteligencia artificial. No es complicado, pero hay algunas estrategias que realmente van 3 00:00:16,870 --> 00:00:22,129 a marcar la diferencia. El reto que tenemos aquí es aprender a comunicarnos de la manera más eficaz 4 00:00:22,129 --> 00:00:28,190 con estas herramientas. Se trata de hacer peticiones, preguntas bien formadas y proporcionar 5 00:00:28,190 --> 00:00:33,869 el contexto necesario para que las respuestas sean lo más útiles posibles. Cuando introduzcas estas 6 00:00:33,869 --> 00:00:38,030 técnicas vas a ver un cambio significativo en tus resultados. Vas a ahorrar tiempo, vas a obtener 7 00:00:38,030 --> 00:00:42,670 respuestas mucho más relevantes y aplicables y no te preocupes si al principio no sale perfecto, 8 00:00:42,789 --> 00:00:48,909 como con cualquier habilidad se mejora con la práctica. Vamos a ello. Ve al grano sin protocolos. 9 00:00:49,030 --> 00:00:54,509 Con la inteligencia artificial no hace falta ser especialmente educado ni refinado, así que no hace 10 00:00:54,509 --> 00:01:00,289 falta que incluyas palabras como por favor, ni me gustaría. Las órdenes directas y sencillas te van 11 00:01:00,289 --> 00:01:04,609 a dar muchos mejores resultados. A diferencia de las interacciones con las personas donde ser 12 00:01:04,609 --> 00:01:09,370 educado y usar frases largas puede mejorar la comunicación, en la inteligencia artificial esto 13 00:01:09,370 --> 00:01:14,950 no es necesario y puede incluso perjudicar el resultado. En lugar de ¿podrías explicarme por 14 00:01:14,950 --> 00:01:21,090 favor la estructura de una célula humana? pídele explica la estructura de una célula humana. O bien 15 00:01:21,090 --> 00:01:26,129 en lugar de ¿me preguntaba si podrías por favor darme algunas sugerencias sobre cómo mejorar mi 16 00:01:26,129 --> 00:01:32,530 productividad en el trabajo. Di, dame sugerencias para mejorar mi productividad en el trabajo. ¿Por 17 00:01:32,530 --> 00:01:38,370 qué? Cuando escribes un prompt que incluye frases como por favor, me gustaría, podrías, estás 18 00:01:38,370 --> 00:01:43,629 añadiendo información que es completamente irrelevante para el modelo. Las frases educadas 19 00:01:43,629 --> 00:01:49,150 o innecesariamente formales pueden añadir ruido al prompt y va a diluir el foco de la pregunta 20 00:01:49,150 --> 00:01:54,150 principal e incluso puede hacer que la IA gaste recursos procesando partes del mensaje que en 21 00:01:54,150 --> 00:01:57,989 realidad no son importantes. Por ejemplo, en lugar de enfocarse en la instrucción principal, 22 00:01:58,150 --> 00:02:02,430 el modelo debe analizar palabras adicionales y puede hacer que la respuesta no sea tan precisa. 23 00:02:03,129 --> 00:02:07,409 Los modelos de IA están entrenados para seguir instrucciones directas, por lo tanto, frases 24 00:02:07,409 --> 00:02:12,770 simples y claras como explica la estructura de una célula humana o dame sugerencias para mejorar mi 25 00:02:12,770 --> 00:02:17,870 productividad son interpretadas de manera más eficiente. Esto no significa que la IA no pueda 26 00:02:17,870 --> 00:02:23,169 procesar instrucciones más educadas o formales, pero puede resultar en una respuesta menos enfocada 27 00:02:23,169 --> 00:02:28,870 o más general. Usa delimitadores en tus prompts. Igual que las personas entendemos mejor los textos 28 00:02:28,870 --> 00:02:33,870 con saltos de línea, separadores, comillas, la IA también se beneficia de tener una estructura 29 00:02:33,870 --> 00:02:39,110 clara. Así que puedes usar símbolos o caracteres especiales para separar claramente la instrucción 30 00:02:39,110 --> 00:02:44,509 principal, el contenido a preciosar y las instrucciones adicionales en tu prompt. Esto va 31 00:02:44,509 --> 00:02:49,629 a ayudar a la IA a identificar y manejar correctamente cada parte de tu petición. En 32 00:02:49,629 --> 00:02:54,550 realidad puedes escoger el símbolo que prefieras. Yo suelo usar dos barras, como en este ejemplo. 33 00:02:55,030 --> 00:03:00,689 Traduce esto al inglés. Hola, ¿cómo estás? Me gusta jugar en el parque, mi color favorito es el azul. 34 00:03:01,229 --> 00:03:06,389 Esta traducción es para una clase de inglés para niños de primaria. Usa vocabulario sencillo o 35 00:03:06,389 --> 00:03:11,969 frases cortas. O en este otro ejemplo, analiza las siguientes estadísticas y proporciona insights. 36 00:03:12,490 --> 00:03:18,370 Tasa de desempleo 2020, tasa de desempleo 2021-2022, incluye posibles causas de la tendencia 37 00:03:18,370 --> 00:03:24,789 observada. ¿Por qué pasa esto? Los delimitadores organizan el prompt en partes claras, la instrucción 38 00:03:24,789 --> 00:03:29,830 principal, el contenido a procesar, cualquier contexto adicional. Cuando estructuramos el 39 00:03:29,830 --> 00:03:35,530 mensaje de esta forma, la IA puede identificar de manera más eficiente cada segmento. Por ejemplo, 40 00:03:35,629 --> 00:03:40,229 puede separar la parte que debe traducir, la instrucción sobre cómo hacerlo y cualquier otro 41 00:03:40,229 --> 00:03:44,750 dato de relevante. Esto va a hacer que la IA aplique el procesamiento correcto en cada parte 42 00:03:44,750 --> 00:03:49,069 y te va a dar mejores resultados, tanto en precisión como en relevancia de la respuesta. 43 00:03:49,469 --> 00:03:54,789 Si le pides a la IA traduce esto al inglés y luego incluyes varias frases seguidas sin ninguna separación, 44 00:03:55,250 --> 00:03:59,710 la IA podría confundirse sobre dónde termina una instrucción y dónde empieza la otra. 45 00:04:00,250 --> 00:04:03,990 Cuando agregamos los delimitadores, ayudamos a que la IA entienda mejor la tarea 46 00:04:03,990 --> 00:04:08,129 y va a dar mejores resultados porque puede enfocarse en cada sección por separado 47 00:04:08,129 --> 00:04:10,409 y aplicar el procesamiento adecuado a cada una. 48 00:04:10,930 --> 00:04:13,469 Además, facilita la lectura y la comprensión del PROM 49 00:04:13,469 --> 00:04:15,569 tanto para la IA como para el usuario humano. 50 00:04:16,209 --> 00:04:17,670 Usa ejemplos para guiar la respuesta. 51 00:04:17,910 --> 00:04:20,990 Un método muy bueno para que la IA responda en el estilo que tú quieras 52 00:04:20,990 --> 00:04:24,569 es pasarle en el PROM ejemplos similares a los que buscas. 53 00:04:25,029 --> 00:04:27,050 Puedes darle dos o tres respuestas parecidas 54 00:04:27,050 --> 00:04:29,889 y pedirle que genere otras nuevas de ese mismo tipo. 55 00:04:30,550 --> 00:04:34,189 Estos ejemplos ayudarán a la IA a enfocar mejor la generación 56 00:04:34,189 --> 00:04:35,250 y la búsqueda de información. 57 00:04:35,430 --> 00:04:38,670 Por ejemplo, genera tres eslóganes publicitarios 58 00:04:38,670 --> 00:04:44,029 para una nueva marca de zapatillas deportivas. Los eslóganes deben ser cortos, memorables y 59 00:04:44,029 --> 00:04:49,009 enfatizar la comodidad y el rendimiento. Aquí tienes algunos ejemplos del estilo que busco, 60 00:04:49,170 --> 00:04:54,129 el ejemplo de Nike, Just Do It, el ejemplo de Adidas, Impossible is Nothing, el ejemplo de Puma, 61 00:04:54,550 --> 00:04:59,850 Forever Faster. Ahora crea tres eslóganes originales para nuestra nueva marca de zapatillas 62 00:04:59,850 --> 00:05:06,230 siguiendo un estilo similar. ¿Por qué? Los modelos de ellas son muy buenos para captar y replicar 63 00:05:06,230 --> 00:05:10,750 patrones a partir de lo que le das como entrada. Cuando le proporcionas ejemplos claros, la 64 00:05:10,750 --> 00:05:16,069 inteligencia artificial va a usar esas referencias para estructurar mejor su respuesta. Esto es por 65 00:05:16,069 --> 00:05:21,550 su entronamiento con grandes cantidades de datos donde aprenden a reconocer secuencias y formatos 66 00:05:21,550 --> 00:05:26,870 que se repiten mediante modelado secuencial. Esto le permite procesar la información de forma 67 00:05:26,870 --> 00:05:32,389 ordenada y predecir qué es lo que debe generar a continuación. La IA no entiende el contexto de 68 00:05:32,389 --> 00:05:37,170 la misma forma que lo haría un humano, pero sí sabe seguir patrones que se le dan. Al incluir 69 00:05:37,170 --> 00:05:41,550 ejemplos en el PROM le estás dando una especie de guía a la IA sobre cómo quieres que sea la 70 00:05:41,550 --> 00:05:46,449 respuesta. Básicamente le estás diciendo, mira, quiero algo parecido a esto. Y la IA puede generar 71 00:05:46,449 --> 00:05:52,269 una respuesta que siga el mismo estilo, el tono, el formato que tú le has pasado. Esto va a reducir 72 00:05:52,269 --> 00:05:57,069 el riesgo de obtener algo fuera de contexto o que no encaje realmente con lo que estás buscando. 73 00:05:57,810 --> 00:06:02,149 Especifica el público al que va dirigido. ¿Para quién estás creando ese contenido? ¿Para qué 74 00:06:02,149 --> 00:06:06,990 estás buscando esa respuesta. Define la audiencia en el PROM y el resultado va a ser totalmente 75 00:06:06,990 --> 00:06:12,970 diferente si va dirigida a personas mayores, a expertos, a principiantes, porque va a estar más 76 00:06:12,970 --> 00:06:18,449 enfocada al perfil que le pidas. ¿Por qué? Los modelos de lenguaje sabemos que son capaces de 77 00:06:18,449 --> 00:06:23,509 ajustar su estilo, el tono, el nivel de detalle según la información que les proporcionas en el 78 00:06:23,509 --> 00:06:29,430 PROM y cuando especificas para quién está dirigido el contenido, estás ayudando a la IA a adaptar su 79 00:06:29,430 --> 00:06:35,129 respuesta a las características y necesidades de ese público en particular. La magia técnica aquí 80 00:06:35,129 --> 00:06:40,350 está en cómo la IA modela el contexto a través de lo que tú le estás pidiendo. Cuando indicas que el 81 00:06:40,350 --> 00:06:46,389 contenido es para doctorados en ingeniería ambiental o para artistas visuales, el modelo va a ajustar 82 00:06:46,389 --> 00:06:51,750 su salida tomando en cuenta el vocabulario, el nivel de detalle, la profundidad de la explicación 83 00:06:51,750 --> 00:06:56,810 que corresponde a cada grupo. Por ejemplo, para un público más técnico la IA puede utilizar términos 84 00:06:56,810 --> 00:07:01,389 más complejos, puede profundizar en aspectos específicos que interesan a ese tipo de audiencia. 85 00:07:01,850 --> 00:07:07,389 En cambio, para principiantes o audiencias más generales, va a simplificar el lenguaje y va a 86 00:07:07,389 --> 00:07:11,790 evitar entrar en detalles demasiado complicados. Así que especificar el público no sólo cambia 87 00:07:11,790 --> 00:07:17,050 el estilo de la respuesta, sino que permite a la IA ofrecer una salida más precisa, más relevante 88 00:07:17,050 --> 00:07:22,649 y lo más importante, más efectiva para ese público en particular. Divide las tareas complejas en pasos 89 00:07:22,649 --> 00:07:27,689 más sencillos. Si estás haciendo una petición compleja donde quieres hacer varias peticiones 90 00:07:27,689 --> 00:07:33,209 o encadenar transformaciones, en vez de pedir todo en un único prompt, puedes convertir la solicitud 91 00:07:33,209 --> 00:07:39,310 en una conversación con más instrucciones, más simples, más atómicas. Por ejemplo, funciona muy 92 00:07:39,310 --> 00:07:45,389 bien primero pedirle una lista, luego extraer elementos y finalmente buscar relaciones. Esto 93 00:07:45,389 --> 00:07:49,470 tiene que ver con cómo funcionan los modelos que procesan la información de manera secuencial, 94 00:07:49,470 --> 00:07:55,009 es decir, paso a paso, construyendo una respuesta basándose en la información que reciben en cada momento. 95 00:07:55,430 --> 00:07:57,470 Aquí es donde entra el concepto de composicionalidad. 96 00:07:58,569 --> 00:08:02,709 Este concepto se refiere a la capacidad del modelo para entender instrucciones complejas 97 00:08:02,709 --> 00:08:05,009 dividiéndolas en partes más pequeñas y más manejables. 98 00:08:05,490 --> 00:08:10,870 Al pedirle, por ejemplo, primero una explicación general, luego una explicación detallada y finalmente un ejemplo, 99 00:08:11,170 --> 00:08:15,610 estás alineando la petición con la forma en que la IA procesa y genera las respuestas. 100 00:08:16,189 --> 00:08:19,589 Además, esto también se relaciona con la idea de carga cognitiva. 101 00:08:19,589 --> 00:08:26,889 Aunque las guías no tienen cognición como los humanos, sí que tienen límites en cuanto a la cantidad de información que pueden procesar con precisión en un solo paso. 102 00:08:27,410 --> 00:08:36,330 Cuando divides las tareas, haces que el modelo se enfoque en un aspecto específico de la solicitud, reduciendo la cantidad de elementos que tiene que gestionar cada vez. 103 00:08:36,610 --> 00:08:38,350 Usa instrucciones en positivo. 104 00:08:38,929 --> 00:08:42,830 Los modelos de lenguaje funcionan mejor cuando les dices qué hacer y no qué evitar. 105 00:08:43,110 --> 00:08:44,789 Por cierto, esto funciona también con los niños. 106 00:08:44,789 --> 00:08:49,690 Así que siempre que sea posible usa instrucciones afirmativas en lugar de negativas. 107 00:08:50,129 --> 00:08:50,850 ¿Por qué? 108 00:08:51,269 --> 00:08:57,850 Esta técnica se basa en que los modelos tienden a responder mejor a instrucciones claras sobre qué hacer en lugar de qué no hacer 109 00:08:57,850 --> 00:09:00,110 porque son más eficientes si les hablamos en positivo. 110 00:09:00,649 --> 00:09:07,370 Esto es porque las instrucciones afirmativas permiten que el modelo procese la solicitud de forma inmediata y clara 111 00:09:07,370 --> 00:09:10,009 sin tener que hacer interpretaciones adicionales. 112 00:09:10,009 --> 00:09:14,429 Cuando usas un PROM negativo, como por ejemplo, no uses un lenguaje coloquial. 113 00:09:14,590 --> 00:09:19,330 El modelo tiene que hacer un esfuerzo extra para deducir la acción contraria 114 00:09:19,330 --> 00:09:24,610 y esto requiere un paso adicional de procesamiento para convertir lo que no se debe hacer en una acción a realizar 115 00:09:24,610 --> 00:09:29,110 y esto podría afectar a la precisión o generar respuestas menos eficientes. 116 00:09:29,529 --> 00:09:32,470 En cambio, los PROMs afirmativos son directamente procesables 117 00:09:32,470 --> 00:09:36,429 y permite que la IA siga la instrucción de forma clara y sin ambigüedades. 118 00:09:37,210 --> 00:09:39,389 Pide explicaciones adaptadas a distintos niveles. 119 00:09:39,389 --> 00:09:44,409 Si necesitamos que la IA nos explique un tema de manera muy clara o necesitamos una respuesta sencilla, 120 00:09:44,610 --> 00:09:49,129 un truco es pedirle que nos lo explique en términos simples, como si tuviéramos 11 años, 121 00:09:49,429 --> 00:09:54,370 o como si fuéramos un estudiante de primer grado de filosofía, o como si estuvieras en una escuela con niños. 122 00:09:54,789 --> 00:09:58,389 La IA se va a esforzar en adaptar el lenguaje para que sea más sencillo. 123 00:09:59,370 --> 00:10:05,669 ¿Por qué? Como ya hemos comentado, los modelos de IA han sido entrenados con una amplia variedad de textos 124 00:10:05,669 --> 00:10:07,870 que abarcan distintos modelos de complejidad, 125 00:10:08,350 --> 00:10:11,230 desde contenido muy técnico hasta explicaciones sencillas. 126 00:10:11,750 --> 00:10:14,950 Estos modelos utilizan una técnica que se llama autoatención. 127 00:10:15,309 --> 00:10:18,450 Esto les permite entender el contexto y las relaciones entre las palabras 128 00:10:18,450 --> 00:10:21,110 dentro de una oración, dentro de un texto más largo. 129 00:10:21,470 --> 00:10:24,049 Así que cuando le pides una explicación en términos simples 130 00:10:24,049 --> 00:10:27,769 o como si tuvieras 11 años, el modelo ajusta su respuesta 131 00:10:27,769 --> 00:10:33,289 seleccionando palabras, ejemplos, estructuras que vayan a ser más accesibles. 132 00:10:33,289 --> 00:10:37,649 El modelo reconoce que debe adaptar el tono y la complejidad de la explicación a la audiencia 133 00:10:37,649 --> 00:10:42,370 solicitada. Si utilizas esta técnica vas a ver que la IA adapta su respuesta simplificando el 134 00:10:42,370 --> 00:10:48,250 lenguaje y reorganizando la información para hacerla más comprensible. Menciona una propina 135 00:10:48,250 --> 00:10:54,429 ficticia o una penalización. La IA responde bien tanto a refuerzos positivos como a consecuencias 136 00:10:54,429 --> 00:11:00,250 ficticias. Si le pides que lo haga mejor a cambio de una propina o la penalizas por no cumplir con 137 00:11:00,250 --> 00:11:04,909 ciertos requisitos, el modelo va a interpretar estas señales como instrucciones para ofrecer 138 00:11:04,909 --> 00:11:10,330 una respuesta más precisa y más detallada. Aunque los modelos de lenguaje no comprenden 139 00:11:10,330 --> 00:11:15,429 conceptos como el dinero o las penalizaciones de manera literal, sí que están entrenados para 140 00:11:15,429 --> 00:11:21,269 identificar ciertos términos y ajustarse a las expectativas. Cuando se mencionan incentivos como 141 00:11:21,269 --> 00:11:27,210 propina o penalización, el modelo interpreta que se espera una respuesta más precisa, más detallada, 142 00:11:27,210 --> 00:11:33,149 más rigurosa, esto sucede porque estas palabras actúan como señales que indican que debe priorizar 143 00:11:33,149 --> 00:11:39,809 la calidad, la creatividad o el cumplimiento de los requisitos solicitados. Usa frases como debes. 144 00:11:40,350 --> 00:11:45,210 Esto te va a resultar muy útil para refinar una respuesta en la que la IA no haya incluido 145 00:11:45,210 --> 00:11:50,350 conceptos o temas que te interesaban. Cuando recibas la primera respuesta, le puedes añadir 146 00:11:50,350 --> 00:11:56,330 un modificador como debes en mayúsculas y esto va a forzar a la IA a cumplir el requisito. Después 147 00:11:56,330 --> 00:12:01,309 del prompt y la respuesta le puedes pedir debes usar analogías cotidianas. Si le has pedido por 148 00:12:01,309 --> 00:12:06,149 ejemplo un prompt de receta de un pastel debes incluir al menos un ingrediente inusual que 149 00:12:06,149 --> 00:12:12,090 mejore el sabor de manera sorprendente. ¿Por qué? Cuando utilizas palabras clave como debes en tus 150 00:12:12,090 --> 00:12:17,830 prompts puedes ayudar a enfatizar ciertos aspectos de tu solicitud y llevar al modelo a prestar más 151 00:12:17,830 --> 00:12:23,149 atención a esos elementos. Esto funciona porque los modelos responden a señales fuertes y palabras 152 00:12:23,149 --> 00:12:27,730 como debes son interpretadas como modificadores directos que requieren un cumplimiento más 153 00:12:27,730 --> 00:12:34,450 estricto. Que hable como un humano. Los escritos de Copilot o de ChatGPT están muy bien redactados, 154 00:12:34,590 --> 00:12:40,289 pero suelen sonar bastante mecánicos. Cuando utilizas la frase responde de manera natural 155 00:12:40,289 --> 00:12:46,330 o como un humano, vas a obtener respuestas más naturales, menos ortopédicas. Cuando solicitas 156 00:12:46,330 --> 00:12:50,730 este tipo de respuestas, le estás indicando al modelo que adopte un estilo más relajado, 157 00:12:50,730 --> 00:12:55,289 más conversacional y esto va a hacer que las respuestas sean más fáciles de entender y más 158 00:12:55,289 --> 00:13:00,230 agradables para el usuario. Cuando le pides a la guía que responda como un humano, básicamente le 159 00:13:00,230 --> 00:13:04,789 estás diciendo que hable de manera más relajada, como si estuviera teniendo una conversación normal 160 00:13:04,789 --> 00:13:09,870 contigo. Los modelos de inteligencia artificial utilizan representaciones vectoriales que se 161 00:13:09,870 --> 00:13:16,110 llaman embeddings para construir mapas con el significado de las palabras y las frases. Cuando 162 00:13:16,110 --> 00:13:22,809 solicitamos un tono más humano, el modelo ajusta estas representaciones para favorecer estructuras 163 00:13:22,809 --> 00:13:27,590 y vocabulario más coloquiales. En esos mapas, los modelos de ella tienen un montón de ejemplos, 164 00:13:27,690 --> 00:13:32,070 algunos muy técnicos y otros más informales. Y cuando le dices que sea más humano, lo que hace 165 00:13:32,070 --> 00:13:37,690 es ajustar su tono y estilo usando un lenguaje más simple, más directo, más fácil de entender. Es como 166 00:13:37,690 --> 00:13:42,029 si estuviera dejando de lado el formalismo y optara por explicarse de una manera más cercana 167 00:13:42,029 --> 00:13:46,870 como lo haría una persona real. Al final la idea es que la respuesta suene menos robótica, lo que 168 00:13:46,870 --> 00:13:52,649 mejora la experiencia y el contenido que genere suene más natural. Usa palabras clave como piensa 169 00:13:52,649 --> 00:13:58,570 paso a paso. Estimular al modelo a desglosar su razonamiento en pasos claros y secuenciales 170 00:13:58,570 --> 00:14:03,529 facilita explicaciones más detalladas y más fáciles de seguir. Cuando le pides a un modelo 171 00:14:03,529 --> 00:14:09,470 de IA que piense paso a paso, activas su capacidad de razonamiento secuencial y va a organizar su 172 00:14:09,470 --> 00:14:15,090 respuesta de forma más lógica y estructurada. Las herramientas como ChatGPT o Copilot están 173 00:14:15,090 --> 00:14:20,049 diseñadas para generar texto de manera secuencial, es decir, palabra por palabra de acuerdo al 174 00:14:20,049 --> 00:14:26,409 contexto. Cuando desglosas un problema en pasos más pequeños, el modelo puede abordar cada parte 175 00:14:26,409 --> 00:14:31,730 de manera más detallada y precisa, asegurándose de no saltarse detalles importantes. Este enfoque 176 00:14:31,730 --> 00:14:37,129 es muy útil para tareas complejas y contenidos muy elaborados porque permite explicar claramente 177 00:14:37,129 --> 00:14:39,509 cómo se relacionan los diferentes pasos entre sí.