6 consejos para optimizar tus indicaciones de acción de IA

Esta guía demuestra el proceso de optimización de una función de solicitud de acciones de IA. Siguiendo este ejemplo del mundo real, aprenderá a crear indicaciones efectivas para extraer información valiosa de sus artículos seleccionados.

lo que aprenderás

Antes de profundizar en los detalles, estos son los conocimientos clave que obtendrá de esta guía:

• Establecer una meta y trabajar hacia atrás a partir del resultado esperado conduce a indicaciones efectivas.
• El refinamiento iterativo es crucial para mejorar el rendimiento rápido.
• Ser específicos en nuestras solicitudes evita confundir a la IA por ambigüedad.
• Permitir cierta flexibilidad a la IA puede conducir a respuestas más ricas y reveladoras.
• Las instrucciones claras son esenciales, especialmente cuando se le pide a la IA que haga inferencias o evaluaciones.
• Probar el mensaje en varios artículos ayuda a garantizar su solidez y eficacia en diferentes contextos.

Nota: Con fines ilustrativos, centramos estos ejemplos en un caso de uso de inteligencia de mercado. La guía general también se aplica a otros casos de uso.

Antes de que empieces

Aclarar objetivos

Para ilustrar el proceso, usemos una solicitud de usuario real como ejemplo:

De esta petición, podemos destilar los siguientes objetivos:

• Identificar y crear una lista de casos de uso.
• Etiquete la tecnología y el dominio empresarial para cada caso de uso.
• Realice un seguimiento de ejemplos específicos de cada caso de uso

Seleccionar datos de prueba apropiados

Para un proceso de iteración eficaz, ejecutaremos indicaciones en artículos con contenido familiar. Esto nos permite evaluar con precisión la calidad del resultado e identificar rápidamente áreas para una pronta mejora.

Delinear el resultado deseado

Trabajar hacia atrás a partir del resultado deseado es una técnica eficaz para crear un mensaje eficaz.

Por el requisito, entendemos que este es un escenario de una acción recurrente en cada artículo. Queremos extraer la misma información de cada artículo de forma consistente.

Necesitamos una lista de “Casos de uso” con los siguientes detalles para cada uno:

• Etiqueta técnica
• Dominio de negocio
• Ejemplos

Un formato de tabla puede resultar útil para organizar esta información:

El proceso de optimización

Iteración 1: mensaje inicial

Mientras elaboramos el primer mensaje, decidimos agregar más columnas para generar un resultado más completo.

Paso 1: Elaborar el mensaje inicial

Mensaje 1

Paso 2: Analizar los resultados

Después de ejecutar este mensaje, recibimos la siguiente tabla:

Resultado 1

Analizamos los resultados para buscar:

• Información faltante
• Malas interpretaciones
• Oportunidades para obtener resultados más detallados o relevantes

Paso 3: Identificar áreas de mejora

• Referencia del artículo: Tener el título del artículo disponible ayudaría a evaluar rápidamente los resultados.
  • Acción: agregue una columna para el título del artículo y la URL para referencia rápida.
• Dominio empresarial frente a unidad de negocio: el usuario espera que el “dominio empresarial” sea más específico (por ejemplo, operaciones, ventas) en lugar de genérico (por ejemplo, aviación, hotelería). Deberíamos agregar una columna separada “Unidad de negocios”.
  • Acción: Introducir una columna de “Unidad de Negocios” con ejemplos para guiar a la IA.
• Partes interesadas: la IA arrojó nombres específicos, pero estamos buscando valores más genéricos (por ejemplo, “aerolíneas” en lugar de nombres de aerolíneas).
  • Acción: Reemplace “Partes interesadas” por “Partes interesadas clave” para mayor claridad y cree columnas separadas para tipos y nombres.

ℹ️ Nota: De manera similar al matiz de dominio/unidad comercial, la interpretación de “Partes interesadas” puede variar. Para evitar ambigüedades, es crucial adaptarse a la interpretación de la IA o proporcionar una definición precisa en el mensaje.

• Múltiples casos de uso: algunos artículos mencionan múltiples casos de uso, pero la IA solo proporcionó uno o agregó los detalles.
  • Acción: agregue una nota para solicitar explícitamente todos los casos de uso de cada artículo.

ℹ️ Nota: La IA normalmente optimizará para obtener una respuesta concisa. Entre otras razones, generar texto es una de las tareas que consume más recursos para una IA y, por lo general, una respuesta breve, concisa y agregada es suficiente para los usuarios. Si requerimos una respuesta granular y muy detallada, es una buena práctica indicarlo explícitamente en el mensaje.

Iteración 2: mensaje refinado

Actualizamos nuestro mensaje en función de las observaciones anteriores. Para probar nuestras mejoras de manera efectiva, nos centraremos en el artículo [3], que contiene múltiples casos de uso. Este enfoque específico nos ayuda a evaluar mejoras específicas y refinar nuestro mensaje con mayor precisión.

Paso 1: Implementar mejoras

Mensaje 2

Paso 2: Analizar los nuevos resultados

Después de ejecutar el mensaje actualizado, recibimos resultados más detallados:

Resultado 2

Paso 3: más oportunidades de optimización

• Nombre del caso de uso: la IA proporcionó nombres de códigos internos o nombres de proyectos muy específicos. Para una mejor interpretabilidad, queremos nombres más explícitos.
  • Acción: Actualice el mensaje para solicitar “una oración breve que describa el caso de uso” para el nombre del caso de uso.
• Flexibilidad en los valores de las columnas: si bien la IA completó correctamente las columnas según nuestros ejemplos, queremos darle más libertad para generar valores apropiados sin estar limitado por nuestros ejemplos.
  • Acción: Elimine ejemplos específicos del mensaje para permitir respuestas más diversas y potencialmente reveladoras.

ℹ️ Nota: La IA suele poseer conocimientos más amplios que los humanos en general. Darles la libertad de generar resultados sin limitarlos con ejemplos de resultados esperados podría generar conocimientos valiosos que no habíamos considerado. Este enfoque aprovecha la amplia base de conocimientos de la IA y puede dar lugar a respuestas más completas y matizadas.

Iteración 3: segunda ronda de refinamiento

Paso 1: actualizar el mensaje

Con base en estas observaciones, hicimos otro refinamiento al mensaje:

Pregunta 3

Paso 2: Analizar los resultados

Resultado 3

Paso 3: Más observaciones y mejoras

• Partes interesadas clave: sin las limitaciones del ejemplo, la definición de partes interesadas de la IA varió. En la columna “Nombre de las partes interesadas”, obtuvimos el nombre del proyecto en lugar del nombre de la entidad general que implementa el proyecto.
  • Acción: Cambie la columna “Nombre de las partes interesadas” a “La parte que implementa el caso de uso”. Esta actualización también nos inspiró a solicitar información sobre el proveedor de la solución.

ℹ️ Nota: La variación en las definiciones de las partes interesadas demuestra la adaptabilidad de la IA en lugar de su inexactitud. Esta flexibilidad puede generar conocimientos valiosos, pero también resalta la importancia de recibir indicaciones precisas cuando se requiere información específica.

• Evaluación TRL: La IA no proporcionó una evaluación del TRL (Nivel de preparación tecnológica), indicando que no había suficiente información en el artículo. Esto se debe a que nuestra IA tiene instrucciones de no dar respuestas si la información no está disponible en los artículos.
  • Acción: Para alentar a la IA a proporcionar su propia evaluación o recomendación basada en la interpretación, debemos mencionar esto explícitamente en el mensaje. Aclaramos la columna TRL: “TRL evaluado (Da tu valoración si la información no está explícita en el artículo)”

ℹ️ Nota: En las iteraciones anteriores, la IA dio resultados para TRL. La inconsistencia en las evaluaciones de TRL refleja la ambigüedad en nuestro aviso más que una limitación de la IA. Al utilizar el término “TRL evaluado”, dejamos espacio para la interpretación, ya sea que la IA debería hacer su propia evaluación o recuperar una evaluación de los artículos. Esto resalta la importancia de instrucciones claras, particularmente cuando se le pide a la IA que haga inferencias o evaluaciones más allá del contenido explícito de los artículos.

Iteración 4: mensaje final

Paso 1: refinamientos finales

Con base en estas observaciones, hicimos nuestros ajustes finales al mensaje:

Pregunta 4

Paso 2: Validar los resultados finales

Resultado 4

Paso 3: Evaluar la indicación final

Para confirmar la eficacia de nuestro mensaje optimizado, lo probamos en dos nuevos artículos diferentes.

Resultado final

Los resultados cumplieron todas nuestras expectativas, proporcionando información detallada y precisa para cada caso de uso.

Conclusión

La optimización de las indicaciones es un proceso iterativo que requiere un análisis cuidadoso y un refinamiento continuo. Si sigue estos pasos y los adapta a sus necesidades específicas, puede crear indicaciones más efectivas para acciones de IA en TecnoFans. Recuerda:

• Comience con una comprensión clara de sus requisitos.
• Elabore un mensaje inicial basado en el resultado deseado.
• Analizar los resultados en profundidad, identificando tanto puntos fuertes como áreas de mejora.
• Refine su mensaje basándose en sus observaciones, siendo específico sobre lo que desea.
• Pruebe su mensaje refinado y analice los nuevos resultados.
• Continúe iterando hasta lograr la calidad de salida deseada.
• Permita flexibilidad en sus indicaciones para aprovechar la amplia base de conocimientos del LLM, lo que puede generar conocimientos inesperados.

Esta guía proporciona una experiencia de aprendizaje integral para los usuarios que buscan optimizar sus indicaciones en Acciones de IA al compartir las observaciones detalladas y la lógica detrás de cada mejora. Recuerde que la optimización rápida consiste tanto en comprender las capacidades de la IA como en definir claramente sus requisitos.