Prompt Engineering

[00:00] Inteligencia Privicial para Negocios, episodio 2, ingenieria de Prompt.

Muy buenas a todos y bienvenidos a este podcast, su podcast de inteligencia artificial para negocios que tratamos el equipo de cipsa digital con nosotros, señor Luis Martínez y un servidor Iván Acuña. El día de hoy vamos a tratar un tema que es bastante importante y que muchas veces los usuarios pasan por al que es la ingeniería del prompt o en términos más anglosajones es proms. Básicamente le das las instrucciones de una manera muy resumida, lo que a lo que se refiere el la conversación y hacia dónde quieres guiar las respuestas indicadas, pero resulta que en este.

Infinito de posibilidades que es la inteligencia artificial se pierde cuando no se está dando el buen cauce de las instrucciones y pasa mucho y pasará, seguirá pasando, porque al final de cuentas es una tecnología que es relativamente nueva. En va a pasar y no sé si no se le de una amplia variedad de información a los modelos del lenguaje para poder acercarse más a las respuestas esperadas por el usuario. Pero antes, señor Luis.

Al parecer, me aviento cinco minutos de introducción. Bienvenido.

Este no solo son dos. ¿Qué tal? ¿Como están todos?

Pues vino a. Creo que este va a ser un episodio de esos que se van a tener que repetir, porque el tema de el prompt engineering, pues sí tiene muchas, muchas vértices. Creo que hay hay que hacer diferenciaciones en lo que es hacer un prompt a vectorizar información, a dar contexto en fin.

Hay varias cosas que tenemos que estar analizando y. Bueno, principalmente, pues es como aquí el reto al que nosotros nos hemos encontrado. Creo que es el el el el clásico que también nos pasa con los seres humanos, no lo que tú estás pensando.

Pues no lo sabe la otra parte. Creo que ese es el primer. Ese es el ese es el primer reto que se tiene que que vencer.

O sea, por ejemplo, cuando quiero que me des un procedimiento, pues sí, de qué, para qué, de dónde, de qué, en qué contexto. O sea, recuerdo mucho este escenario en donde está una una ponente de más de evidentemente era de más de 50 años.

Que no tiene nada que ver, pero bueno, es este.

Pues vamos a ser políticamente raros. E lo que sucedía en ese en ese era un webinar donde esta ingeniera, creo, química, hablaba sobre el uso de inteligencia artificial, por ejemplo, para el desarrollo o implementación o uso de sistemas de gestión en la normatividad. Y eso no, pues no, no tenía ni idea.

Le estaba pidiendo, o sea, nos tocó ver dentro de la plaza de la presentación, no sabía ni siquiera cómo entrar a la plataforma. Y por no saber ni siquiera entrar a la plataforma, me refiero a ChatGPT, que es un inicio de sesión con Google. Pues no, no entendía cómo era un inicio de sesión con Google, a diferencia de un inicio de sesión con usuario contraseña.

Entonces, pues desde ahí ya íbamos perdiendo 2 0. Y luego pues empezó a pedir cosas y la inteligencia le contesta con lo que tiene y lo que no tiene lo lo lo supera. Y entonces en ese ejercicio de superarlo, pues te empieza a decir que las cosas más comunes o más probables, no necesariamente lo que tú quieres.

Entonces creo que es el primer punto el que los usuarios puedan entender. Primero, no, no sabe qué es lo que estás pensando. Sí, necesita que le expliques y esa explicación debe de tener ciertas.

Cierta estructura. Muchas veces hay veces que se puede vencer esa estructura dependiendo de lo que vayamos a hacer. Pero bueno, esto es el prompt engineering.

Es básicamente para poder hacer tareas o para poder obtener resultados. Esto es diferente a un entrenamiento. Esto es diferente a una vectorización.

Esto es diferente a ser el o o o o o entrar a temas de Raj o cosas así donde ya tenemos que ver otro otros otros elementos que bueno, ya nada más con considerar la vectorización. Eso va a ser otro episodio.

Échale de manera diferente.

Sencilla.

Tu definición de ingeniería de prompt.

Ingeniería de prompt yo lo definiría como. Tienes que. La manera en la que explicas.

Qué quieres, por qué lo quieres, de qué manera lo quieres y los datos que se necesitan para obtener ese resultado que quieres. Hacer esa ingeniería puede llevar cosas muy, muy sencillas o mucho más complejas. Por ejemplo, de ingeniería de prompt se deriva a otro concepto que es el code composing, que es la composición de código.

Entonces es pues es muy diferente. Es muy diferente decirle a, por ejemplo, así una tarea rápida. Dame un correo genérico.

En html. Para mi no sé para envío no con un set de a este a este link. Ese pronto ya tiene suficientes características y condiciones para hacer un resultado bastante bueno.

Sin embargo, si yo le doy el mensaje de valor, la comunicación, los productos, la información de mis servicios, o sea, si hago todo eso, entonces puedo hacer una secuencia lógica de correos que tengan un entendimiento entre sí, porque ya hay un contexto. Yo creo que el prompt engineering es dar instrucciones claras con un contexto y un resultado específico. Eso es eso es lo que yo podría.

Determinar la química aplica la de lo que dijo Luis por dos menos.

Una serie de instrucciones claras y precisas no quiere decir que la extensión sea larga o sea corta. Eso no tiene nada que ver. Siempre cuando sea concreto.

Tengo un conclaras y precisas. Me refiero a eso. Ser de instrucciones claras y precisas para llegar a un resultado con ejemplos de lo que se espera y con ejemplos de lo que no se espera para poder am.

Enmarcar esta respuesta, poderla llevar hacia una dirección correcta. Recordemos que esto es como como decirle a un niño, a darle una hoja de papel a un niño y decirle, dibuja algo o decirle dibuja una casa con un sol, con una, con un árbol. O sea, te puede dibujar algo muy extraordinario o nada o un punto o una línea.

O del otro lado ya te lo estás enmarcando las instrucciones que quieres. Es exactamente con ese ejemplo que acabo de dar para mí la ingeniería de prox vale. Es como una receta, como una receta de cocina y pero se le se le permite a esta a este lenguaje natural poder ir más allá.

No solamente se queda con con los pasos para generar el elemento que al final es la receta o llevarlo a cabo, sino se le permite imaginar, crear, que es donde, donde enriquece este tipo de modelos de lenguaje natural. Esto es el prom, la ingeniería del prompt, pero cuáles son los errores más comunes que encontramos que lo que has visto tú en tu experiencia dentro de este desarrollo de prompt en los usuarios te pervierten e incluso se atreven porque nos ha pasado a. Con no, no con tanto esta palabra de acusar, sino algo similar como notar que la ingeniería, que la inteligencia artificial tiene errores, se equivoca y no necesariamente sí, pero no necesariamente tan drástico el, el determinar que posee errores o que tiene equivocaciones.

¿Cuáles son los que todos más han percibido esto?

Errores al crear un prompt es el omitir detalles.

No especificar el resultado deseado. O sea, no es que digas, bueno, cuando sume 4 más 4 quiero que me de 8. No es hace una sumatoria y el resultado debe ser numérico.

O sea, especificar qué tipo de resultado o output estás deseando, porque puedes hacer que la inteligencia revise un libro completo y te conteste con un número concretamente y toda la resu y todo el output sea un número. Nada más. O sea, ni siquiera que le agregue letras o palabras que diga el número es para 2000. No, o sea, simplemente que te diga 2000. Eso sirve para algunas cosas. Otros errores que veo comúnmente es la omisión de detalles e importantes, por ejemplo, cuando ahorita que usaste la palabra y la inteligencia artificial dijiste imagina.

Bueno, realidad está haciendo asociaciones semánticas de el texto que le estamos dando, pero. Pero o sea, sí, sí está haciendo asociaciones nuevas, pero suena como imaginar, porque no le estamos dando a nosotros el contexto. Entonces ahí es donde a veces y efectivamente no es que sea un error, es que nosotros no delimitamos por esos esos puntos.

O sea, podemos hacer que conteste sí o no. O podemos hacer que imagine entre comillas el resultado y parezca que está haciendo un ejercicio creativo en realidad. Pues lo que está haciendo es una asociación con base en el contexto que estamos nosotros dando.

Pero pues eso eso puede ser tomado como un error o una alucinación. En mi experiencia, ese creo que es el error más común, el no dar los parámetros en puntos que son importantes para el para el resultado, para el output, la respuesta que esperamos. Porque entonces empieza a hacer esto que llamamos alucinación.

Y en realidad, pues la alucinación no es otra cosa más que llenar esos huecos semánticos que nosotros no dimos y que la el motor realiza. Y eso puede ser tomado como como un error, ¿no? Y también pues ser como estas expresiones que incluso hay memes, ¿no?

Que dice bueno, lo quiero más resumido. Quiero un texto que haga esto. Ahora resúmelo más resumido, más resumido, más resumido.

O sea, el empiece que aún más resumido, resumir más algo sigue siendo una expresión ambigua. Mi experiencia, por ejemplo, le puedes decir sintetiza de esta manera con esta estructura o resume al detallando las palabras. Imagina que agarras un texto que quieres saber de qué se trata.

Un texto de 40 hojas, un PDF, ¿no? Y quieres un resumen y te pide un resumen y te da igual unas 4 o 5 hojas. Y lo que quieres es algo ejecutivo.

Le tienes que decir resume a manera de bullets las ideas principales en no más de 600 caracteres. Entonces ya está siendo específico. Entonces el error es resúmelo más.

Es sigue siendo ambigua la ambigüedad con la que hablamos que trae implícita el pues adivina lo que estoy pensando. Pues creo que ese es el error más común y la otra es falta de contexto.

En el contexto, añadiendo que es donde estamos y a dónde queremos ir. Y bueno, ya entraremos más adelante en el tema de los de los modelos, porque depende de cómo le te depende del modelo. Es como se les explica.

Justo para ella iba. Yo creo que considero que los errores se se pronuncian más dependiendo del primero del tipo de inteligencia artificial y ese video, imagen, audio o texto. Segundo, se pronuncian también en el modelo que está utilizando.

Llámese chat, GPT, la de Antropik o Gemini de Google. Entonces es que hay especialidad o bici ro de verse. Cada uno tiene su propio especialidad que te puede agarrar que tu pronto sea tan diferente.

La respuesta es tan diferente de uno en otro. Que no necesariamente se considere como un error. Y podría ser que.

Enriqueciendo más la respuesta o tu pronto pueda llegar al resultado más parejo, pero depende mucho de las de las de las herramientas que estén utilizando. Bueno, nada más como nota aquí el y existía un comando que era imagen de mi journey antes en la versión anterior, donde sí. En realidad sí creaba las imágenes porque si pasaba toda la imaginación humana, pero no necesariamente existe dentro de los modelos, por ejemplo, de imagen o de video.

El error más común que se tiene es no ejemplificar con algo y se presta mucho para esta alucinación que en imagen no están las alucinación, sino una falta de detalle específico dentro del prompt. Porque pues es una imagen que no existe. Al final es creatividad y es son pixeles que están unidos, unos son con otros.

A lo mismo para los frames de los videos. Pero en realidad lo que no se tiene es la. Delicadeza para notar los detalles, incluso algo que tan humano puede ser tan obvio, puede ser como un humano el tener cinco dedos.

Es probable que la inteligencia artificial, pues no lo tenga todavía tan definido, tan estructurado y que se afecta a tener variaciones extrañas. “Es por ello que la importancia de los detalles dentro del prompt es crucial para tener resultado más esperado y al final de cuentas también es utilizarlo una y otra y otra y otra vez. Lo que tenemos nosotros, pues los prompts alrededor de.

15 a 20 veces por por cliente. Son las iteraciones que hacemos para llegar al prompt. Que deseamos.

Y nos arrojen los resultados más acertados. Recordemos que también la inteligencia artificial actualmente se basa mucho en probabilidades. Cuál es la probabilidad de que le guste esta respuesta a mi usuario con base en todas las variables que tiene para definirlo correctamente.

Entonces. La iteración es como la parte más final dentro de este prompt. Porque pues habrá veces que le funciona para unas tareas, habrá veces que le funciona para otras tareas, para unos clientes que se atención a clientes, para otros que su deporte técnico con base en esta iteración.

Y nuestra experiencia ya podemos ir definiendo. Estos son los criterios. Este va por acá, este va por acá.

Entonces. Y contexto. Sí, de mucho, mucho enriquecimiento de la información, pero también pues las iteraciones son importantes para llegar al resultado de cero.

Vale.

Creo que hay un punto importante es que, por ejemplo, lo que tú mencionabas, no hay expresiones para ciertos modelos. En este modelo de creación de imágenes específico o especializado en creación de imágenes, se pueden utilizar ciertas terminologías. Ahorita, bueno, pues hay diferentes motores de inteligencia artificial para diferentes tareas y pues que creo que que que más bien es adaptarnos a la finalidad de cada uno de los de los.

Pues de los motores, ¿no? Una cosa que sí quisiera resaltar es que, por ejemplo, ahorita tu ves que hay productos en donde productos cosméticos, donde te dicen pues no contiene parabenos con productos alimenticios, donde la moda es no contiene gluten. Acá en el software la moda es usamos inteligencia artificial.

Hemos visto esa esa expresión en muchas ocasiones y pues en realidad no, no necesariamente es así. Porque, por ejemplo, hacer un algoritmo complejo, pues no necesariamente es inteligencia artificial, es algo bien, es una lógica bien pensada para diferentes escenarios. Entonces, ¿qué podríamos decir?

¿Qué es la la la característica de un modelo de lenguaje? Que es la regeneración del mismo, ¿la regeneración en el de las asociaciones semánticas para el lenguaje? O sea, si yo le digo Iván, entonces a lo que voy es si yo a mi motor, al mío, a mi asistente, yo le digo Iván.

Si yo me voy a ChatGPT, va a decir Iván. Ah, pues hay personajes en la historia que se llamaban Iván. Pero si yo me voy con mi motor, porque esas son las asociaciones que tiene, no las más probables y van pues personaje, no una persona, persona relevante, relevante en la historia y la historia, pues ahí te van a poner ahí.

Y van este los los emperadores que se llamaron Iván, ¿no? Pero si yo me voy a mi motor donde tengo un contexto es definido y yo le digo Iván, entonces lo va a asociar con un puesto dentro de fina y. La asociación es completamente distinta y entonces a lo que voy con asociaciones semánticas es el grupo de palabras que va relacionado con otra palabra.

Básicamente es eso. Ese es el truco. ¿Cómo logro esto?

Por eso es importante el uso de qué motor estamos utilizando. Bueno, la definición de qué motor estamos utilizando. Y bueno, ahí entramos a los diferentes modelos que existen.

Por ejemplo, ChatGPT ya te incluso dentro de los las últimas mejoras. Ya puedes tú leer la memoria que tiene el propio motor. O sea, tú ya puedes leer esa que esos resúmenes o conclusiones que tiene con base en las conversaciones que sostienes en ChatGPT.

Importante mencionar ChatGPT es una plataforma. Open ahí es la empresa. Cuando hablamos de usar motores de inteligencia de open ahí, estamos usando la tecnología de la empresa.

No estamos usando ChatGPT. Chat GPT es como si dijéramos bueno, está el meta y tiene Facebook, Instagram y WhatsApp. No entonces es chat que te es como una, un producto más de la empresa para separarlo y por ejemplo, en chat que pete la plataforma ya tiene su memoria y ya puedes tuver las conclusiones a las que se llegan y las asociaciones que está haciendo tu motor o tu cuenta que tiene que tienes en chat que pete.

Lo mismo sucede con Antropic a través de Cloud, Gemini o Gemini con Google, este becero con de Bersel. Entonces ahí tenemos el otra cosa que tenemos que considerar las diferencias o los tipos de motores que existen. Por ejemplo, eh, pues todo mundo usa chat gpt, ¿no?

Bueno, hay muchos, muchos usuarios de chat gpt y desafortunadamente solo lo utilizan como si fuera el substituto de Google, aunque en realidad puede hacer otras cosas. Y ahí, por ejemplo, es entrar en una base de diferente tipo de prompts. Si tú te metes a chat gpt 4 o que es el como el lo último y lo mejorcito y lo gratis, se va a venir el 5 de este año.

Dicen probable que hay mero.

Lo prometieron para el año pasado también, pero no. Y es muy diferente, por ejemplo, a usar 4 0 y pedirle camba. O sea, el.

4 0 tiene un ejercicio como de bastidor o de borrador donde tú puedes ir desarrollando documentos y es muy diferente al 0 o al o uno. En donde son de esas son razonamientos más complejos, en donde tú tienes que enfocarte a dar toda una secuencia de el contexto, las funciones, el objetivo, el resultado y para qué vas a usar ese resultado. Incluso puedes hacer que con este motor él lleve la conversación en vez de que tú le vayas pidiendo cosas.

Depende de lo que busquemos, por ejemplo, para desarrollar análisis complejos ciertamente abstractos. Yo utilizo 0 1 o 1. Por ejemplo, para decir una secuencia de correos.

Que va a ir integrada con una estrategia de este de llamadas, que va a ir integrado a la lectura de una base de datos que va a ir. O sea, y ya le empiezas a decir todo lo que vas a usar y que te empieza a hacer preguntas. Y sobre esas preguntas va a lograr el objetivo.

Y después, pues está el Dali, que es el de imágenes. Está solo Zora. Que es el de video, que bueno, esos están más o menos fresquitos.

El de imágenes, pues está un poquito más. O sea, ahí y bueno, ahí empezamos a diferenciar, porque se les habla diferente, a pesar de que todos los vemos dentro de ChatGPT, excepto Zora e Whisper. Se les se les habla diferente.

A cada uno se les tiene que hablar diferente porque te van pidiendo datos diferentes. ¿Cómo podemos saber esto? Pues leyéndole, ¿no?

Ahí viene la documentación de qué procesamientos tiene cada uno. Ya sí se quieren poner un poquito más técnicos. Y bueno, no sé tú, tú de.

Una idea personal, nada más aquí. Este personal no tiene que ver mi criterio con el de la audiencia, pero. Chasque para mí no, no es el último.

Mi última opción que usaría para para mis actividades día a día. No es que esté casado, pero Cloud me ha resuelto. El de Antropik me ha resuelto.

Noventa y cinco por ciento de las actividades y y visión. Tu lógica de programación es muy enfocada en programadores para developers bastante bueno. Entonces.

El más para mí completo a nivel usuario. Entiendas esto usuario final que es que tengas una pantalla y que no tengas que abrir otro tipo de de llamar a piso, llamar código, autenticarte con tu terminal. A nivel usuario para mí es clau.

Pero esto reitero es una opinión sumamente personal, muy sesgada. No, no tiene por qué se me caso. Sin embargo, aquí hay que denotar una cosa.

Al nivel empresa por temas de seguridad, por temas de estabilidad, por temas de precio, por temas de todos estos aspectos. Open AI, no ChatGPT. Open AI es la mejor opción para nivel de empresa, porque te venda mucho más soluciones para los programadores que pueden hacer ajustar sus propios productos con base en la tecnología de Open AI.

Esto no quiere decir que en este año cloud salga mucho mejor con sus asistentes o salga alguna nueva. O Gemini con su 2.0. Puede ampliar mucho más la información.

Sin embargo, por ahora, que es 13 de enero del 2025, Open AI, la mejor opción por temas de lo que les había mencionado, estabilidad, precio, compatibilidad incluso y mucho más fácil de implementar. Pero, o sea, queda siempre al criterio de ustedes, al criterio de la audiencia de pues cuál es la mejor herramienta que les funciona para x o y tareas, ¿vale? Ahora puntos importantes.

Casos prácticos de prompt es lo que debe llevar para un prompt de atención a clientes, por ejemplo. Primero, como todo. Es el y.

La actividad que va a desarrollar el lengua, el modelo o el motor. ¿Qué datos va a utilizar? ¿Qué lenguaje va a desenvolver?

¿Qué respuestas son las que viene que dar y qué respuestas son las que no tiene que dar? Lo estoy dando de manera muy resumida, ¿verdad? Porque pues esto es al menos hemos desarrollado proms de.

Cinco, seis páginas de un word de un. Este que culpando el texto 7 8 dependiendo mucho. Si va a llamar este herramientas especiales estas tools.

Si va a hacer alguna otra actividad. Todo esto para poder llevar a cabo un buen prompt, pero siempre lo básico es a qué se a qué se va a enfocar. ¿Cuáles son los tipos de respuestas que va a dar?

¿Qué datos va a utilizar? ¿Y este cómo va a ir desenvolviendo una serie de preguntas o respuestas? ¿Es el caso de negocios verdad?

Una serie de preguntas o respuestas no quiere decir que sea un árbol de decisiones, pero quiere decir que va a llevar una estructura de conversación que es muy repetitiva en el caso de los negocios. Por ahí va el enfoque de mi prompt ideal.

Pues yo creo que.

Y dices que no hay problema ideal.

No es que siempre. Sí, sí lo hay en el que cumpla con yo le pondría nada más tres características al pronto ideal contexto. ¿Qué tienes que hacer?

¿Qué espero de resultado? O sea, si cumple al menos con esas tres, ya ya llevas un una muy alta probabilidad de que te conteste bien sin alucinación.

Y si implementación es tan rápida como su respuesta digital.com, según hay mero.

Ehm, por ejemplo, cuando haces prom de análisis de datos depende de la del análisis de datos, pero creo que lo que tendrían que hacer, o sea, un caso práctico que nosotros hacemos para análisis de datos, análisis de datos es e que sigue cumpliendo con las mismas tres características. El contexto es traducción diccionario de datos e y estructura de los datos. Segundo, el que vas a hacer con esos datos, operaciones o fórmulas que haya que desarrollar con esos datos.

Y tercero, que debe de cómo debe demostrar los datos. Puede ser un análisis porque puede que te conteste. Todo está bien o puede que te conteste con un porcentaje o puede que te conteste con o sea, depende de que que en dónde lo tenemos implementado y hacia dónde vamos.

¿Para qué hemos usado nosotros casos prácticos en los que nosotros usamos pronto? Pues bueno, para los asistentes de ventas, cosas esenciales que deben de llevar los asistentes de ventas es el trato, la descripción del producto y la salida, el output que debe de lograr. Y de ahí podemos meter que calendarios, que presentación, que demo, que interacción, que venta consultiva, que hacer un levantamiento, etcétera.

Recursos humanos. Lo mismo. ¿Cuáles son las vacantes?

El tipo de entrevista que debe de llevar, por ejemplo, para cobranza, que hay varias tenemos ahí varios casos. El tipo de cobranza que va a llevar, el tipo de negociaciones que va a entregar y que busca. No, tal vez solo busque redirigirlo con una con un ejecutivo o busca llegar al acuerdo de pago o busca que le paguen directamente dentro de la conversación.

Esa puede ser la otra. Otro caso de uso, análisis de documentos legales, bancos, este consulta de base, datos, seguimientos de status en este de pedidos, de ventas, desarrollo de contenido. En fin, podemos eso es ya podremos entrar directamente a los casos de uso reales que nosotros tenemos y otros que están cocinándose y bueno, los que tienen ahí en el recetario de de open ahí no.

Pero creo que los principales para nosotros es la atención a clientes en todos los sentidos, que es donde normalmente la gente puja un poquito más, porque pues es. A veces es un reto encontrar personas que tengan que tengan todo, no que manejen bien el producto, que manejen especificaciones técnicas y además tengan talento para relacionarse con otros seres humanos. No.

Entonces, a veces las personas que tienen talento para relacionarse con seres humanos, pues no son muy técnicos y los que son muy técnicos, pues les cuesta la otra parte. Entonces, pues aquí está. Esta depende del prompt.

Se puede tener una asistente que tenga todo, ¿no? Pero bueno, ese es el los casos prácticos en los que podemos usar un prompt bien. Y pues es que hay una infinidad de casos prácticos, pero pero creo que ahí podemos dejarlo como un hoy.

Como un primer. Podríamos dar un producto que se hace sería el prompt.

Pues seguramente como una corrección, porque sí tiene su chiste. O sea, por ejemplo, es es es que ahí ya no entra la parte de programación. Ahí entra la parte semática, la semántica lógica retórica.

O sea, hay muchos elementos que tenemos que estar observando, ¿no? O sea, le estás diciendo, por ejemplo, en un error común, es decirle, quiero que me resuelvas esto. O sea que le des dos objetivos en el prompt.

Y uno va creando el prompt mientras lo escribes, ¿no? En vez de pensarle antes de entregarselo a la inteligencia artificial. Pues sí, sí podríamos hacer algún tipo de ejercicio en donde si quiere nos pueden mandar, haría algún prompt que diga no me está funcionando, lo revisamos y hacemos que funcione.

¿Porque? Pues en el recorrido que llevamos hasta ahorita, pues sí hemos logrado muchas personalidades en las en las respuestas muy algunas muy cotorras, este otras así muy muy formales, unas muy técnicas. Por ejemplo, mi mi yo no podría inclinarme por una inteligencia.

Si reconozco que Klaus es una cosa resolutiva, pues si está, está cabrón. O sea, si es creo que es el más inteligente de todos, si pudiéramos llamarle de esa manera, un chingón de la clase, pero tiene muchas limitantes. Por ejemplo, es que los patados, la conectividad, por ejemplo, este.

Si queremos usar su o sea, si tiene otras, otras, otras limitantes, ¿no? Y por ejemplo, versel. Versel es una maravilla, pero siempre y cuando tu tu tu tu target sea meramente el desarrollo.

Porque incluso de cero se puede conectar con versel y puedes hasta. O sea, puedes hacer tu lanzamiento desde ahí, desde el chat. Desde el propio chat, ya que le das las especificaciones que necesita ahí, si necesita un poquito más de cosas técnicas, no necesitas darle especificaciones técnicas de no solamente del lenguaje y de la arquitectura, sino de las prácticas que vas a seguir dentro de tu desarrollo para que no se vaya a salir del de las mismas y te empiece a generar conexiones innecesarias o que hagas así.

Si hay que ser mucho más específicos aquí. Pero sí, si habláramos con una persona con la pregunta de imagina que esta persona no tiene conocimiento de todo lo que le estás diciendo. Pero lo que le pidas lo va a hacer.

O sea, si encontramos esa combinación o el equilibrio entre estas dos partes, creo que podríamos usar un mejor uso de los prompts. Y sobre todo revisen su memoria si usan ChatGPT, porque pues puede ser que le estén pidiendo cosas bien bien bien distintas o bien diversas. Y pues el motor que les asignan eso solo tienen una batería de memoria.

Entonces, pues si de repente le dices, ¿cuál es el el el ave más grande? ¿Y al día siguiente le preguntas que me tomo de para el dolor de cabeza? Cosa que no deberían de hacer.

Y luego al tercer día le dices, desarrollame, desarrollame publicaciones para mi cuenta de Facebook. Y al día siguiente le preguntas sobre documentación legal. Ya tiene ocho temas ahí diferentes que sí, sí sirven de entrenamiento.

No, no se va a confundir. Pero si debemos de estar como atentos de esa memoria, porque es lo que utiliza también como como para lo más óptimo para dar una respuesta precisa.

Pues ahí lo tienen el episodio número dos ingeniería de Prump es bastante prometedor. Este podcast bastante. Entonces a que no le tenemos miedo al micrófono, sin embargo, que estamos bastante oxidados.

Si vamos agarrando ritmo poco a poco en próximas próximas entregas, vamos a hablar mucho más de cosas así técnicas para ir desmenuzando esto de la inteligencia artificial, los modelos, etcétera. Y sobre todo algo que me causa curiosidad saber a qué pasaría si cierta empresa X, Y o Z, sin producir la inteligencia artificial, vamos a especular. Certa de sus operaciones, porque me llamo especular, porque no estamos inmersos, ¿verdad?

En el día a día de estas empresas. ¿Pero qué podría pasar? ¿Qué podría hacer?

Al menos desde nuestro punto de vista. Muchas gracias a todos. Nos encuentran en cipsa digital punto com.

Ahí están todos los productos, todo lo que lo que hacemos, lo que hemos implementado en esta experiencia en tecnología, en inteligencia artificial para negocios. Nos vemos en un poco.

También echenos un mensajito, porque por ahí tenemos un documento. Les podemos compartir también un documento para los diez prompts e que pueden utilizar en su día a día. Ya vienen estructurados con todas estas características que que que describimos echenos un mensajito.

Nos vemos en un próximo episodio que estemos bien. Muchas gracias a todos.

Nos vemos.