Diseño, evaluación y perfeccionamiento de prompts.

0:00Más o menos creo que sí, como ya es

0:02hora, intentamos empezar con

0:04puntualidad,

0:06pues eh bienvenidos a este curso de

0:09diseño, evaluación y perfeccionamiento

0:11de proms. Ah, creemos desde Anetic es un

0:15tema bastante interesante. Entonces, eh

0:18damos las gracias antes de nada, Andrés

0:21Romero Arcas por habernos propuesto esta

0:24formación tan interesante.

0:28dos pequeñas

0:30informaciones sobre Andrés. Andreas es

0:33experto en tecnología ah del lenguaje

0:36con más de 12 años de experiencia en

0:39puestos ah de importantes en ese sector

0:43como especialista en herramientas TAO,

0:46ingeniero de localización y coordinador

0:48de operaciones.

0:50Actualmente desarrolla soluciones de IA

0:53escalables como especialista en

0:55traducción automática e IA dentro del

0:58equipo de IA de Arco Acolad, perdón.

1:02Además, imparte cursos sobre IA para

1:04profesionales del sector lingüísticos y

1:07escribe un boletín semanal sobre los

1:09flujos de trabajo con ah sobre eh

1:13perdón, flujos de trabajo con IA y

1:15herramientas de productividad que usa en

1:18su día a día. Y destaca porque son

1:21cursos bastante prácticos en los que

1:23explica cómo aplicar estas tecnologías

1:26independientemente del perfil de la

1:28persona. Hm. Eh, por lo tanto, nos ha

1:30parecido interesante que los

1:32destinatarios podamos ser también los

1:35lingüistas y no solo los ah técnicos,

1:38¿no? Digamos

1:40eh

1:42por lo tanto es un perfil muy

1:44profesional, muy preparado y creemos que

1:46nos puede enseñar cosas muy útiles. Un

1:48par de temas así más de tipo práctico.

1:52Os quiero recordar que el curso se

1:55desarrolla en tres sesiones, hoy, mañana

1:57y pasado mañana, siempre a la misma

1:59hora, de 6 a 8. Eh, al final de cada

2:03sesión, Aneti os enviará el material ah

2:08de la sesión. Ah, se hará esta noche, me

2:12han dicho, mañana por la mañana como muy

2:14tarde o creo que se cargará todo el

2:16material en el Drive que ya tenéis. Ah,

2:20luego os recuerdo que es una formación

2:23financiable, bonificable por Funda

2:26por lo tanto, al final de cada sesión el

2:29ponente también compartirá una prueba de

2:33evaluación que todo el mundo puede eh

2:36realizar si lo considera interesante,

2:38oportuno, pero las personas que

2:40bonificarán el curso tienen la

2:42obligación de hacerlo porque es uno de

2:44los requisitos para poderlo bonificar.

2:47Igualmente, cualquier tipo de eh

2:50cuestión práctica que tengáis o

2:52burocrática acerca de esto, podéis

2:54escribir a gestión@neti

2:56ah para solucionar todas las dudas.

2:59Nuria como siempre contestará todas

3:01estas dudas y arrancaría la sesión. Os

3:05invito a participar. Cualquier duda,

3:08pregunta que tengáis, os pido por favor

3:10que la pongáis en el chat, así podremos

3:13compartirlas con Andrés, que intentará

3:16solucionar pues todas nuestras dudas,

3:19inquietudes y curiosidades.

3:22Pues si estáis de acuerdo, yo no os

3:24robaría más tiempo y pasaría la palabra

3:26a Andrés, que es el experto.

3:28Muy bien. Muchísimas gracias, Daniela,

3:31por la presentación. Ya no hace falta

3:33casi que diga nada más, la verdad. Voy a

3:35compartir pantalla.

3:37Eh, bueno, pues sí, al final vamos a

3:41hablar estos tres días principalmente de

3:44prompting y prompt engineering. Yo ya lo

3:47siento de antemano que tema anglicismos

3:51van a salir constantemente. Yo ya dejé

3:55de ser purista hace mucho tiempo. Yo eso

3:57de boletín, yo digo newsletter, yo yo ya

4:00lo siento, pero en estas presentaciones,

4:03que por cierto siempre siempre hago en

4:05inglés,

4:06pues anglicismo se van a colar y seguro

4:08que se pueden traducir de mejor forma y

4:11escribir de mejor forma, pero bueno, yo

4:12lo que espero es que y creo que quedará

4:16bastante claro después de las de las

4:18presentaciones y que seguro que

4:21resultarán de utilidad.

4:23Y nada, bueno, pues el enfoque al final

4:26del curso es un enfoque aplicado, un

4:32enfoque

4:34que todo el mundo, pese al no ser

4:35técnico, pueda entender una metodología

4:37y aplicar una metodología

4:40que al final sí que si bien es cierto

4:43que para estos procesos de de mejora de

4:46prons, si los quieres hacer a escala,

4:50lo ideal es que cuentes con equipos

4:51técnicos que puedan

4:53implementar las soluciones con APIs y

4:56conectores,

4:58pero aún así la metodología está ahí, se

5:00puede aplicar

5:02y y bueno, yo creo que que vuestros

5:05prons

5:07acabarán siendo mejores después de estas

5:09sesiones seguro. Y nada, ya lo ha

5:11comentado Daniela muy rápido. llevo

5:13aquí, bueno, aquí no, llevo en la

5:16industria, sí, bueno, 12 años ya empecé

5:20como traductor freelance, porque yo

5:22estudié traducción, aunque, bueno, pues

5:26no ejerzo desde entonces

5:28y al final siempre he trabajado

5:31entre, vamos, en la intersección entre

5:32lenguaje y tecnología.

5:35Estamos aquí en Acolad, bueno, esperando

5:38a ver qué pasa tras la bueno, potencial

5:41compra que seguro que al final se

5:43formaliza de Ardabel US

5:47y a ver qué pasa entre eso y otros otro

5:49tipo de cambios. Llevo un mes de

5:50septiembre intensito y bueno, pues

5:54seguimos aquí impartiendo cursos y con

5:57la newsletter que os invito que os

5:58suscribáis. Ya he dejado el enlace en la

6:01presentación, que le echéis un ojo a qué

6:05es lo que comparto por ahí, porque

6:06seguro que podéis aplicarlo en vuestro

6:08día a día con el ordenador.

6:12Vale, que vamos a ver así por encima.

6:14Aquí no incluyo todo, pero sí para que

6:17tengáis una idea de de qué es lo que

6:19vamos a ver en el día de hoy. Vamos a

6:22empezar hablando de lo que es el

6:23prompting, que no prompt engineering,

6:26¿vale? Primero prompting, luego

6:28prompting engineering y digamos los

6:30principios fundamentales, los principios

6:32más importantes para que funcionen bien

6:35nuestros prons.

6:37La estructura estándar podemos decir que

6:40no quiere decir que sea fija de los

6:44proms, que es el system del user y el

6:47assistant prompt.

6:49los parámetros que podemos utilizar y no

6:52nos vamos a volver locos porque aquí h

6:55podemos complicar todo eh lo que

6:57queramos. Entonces, como que lo he

6:59enfocado todo entre lo que he comprobado

7:02que funciona y si bien es cierto, pues

7:05iré matizando

7:07aquello que dependa mucho de bueno, pues

7:10del modelo que utilices, dependerá de de

7:12los idiomas, dependerá de distintas

7:15distintos parámetros concretos que no

7:17son los que determinan, o sea, que no

7:20son los que se pueden configurar en el

7:22modelo de lenguaje.

7:25Y luego pues vamos a ver estrategias más

7:26avanzadas y sobre todo pues abriré chat

7:29GPT, abriré cloud y haremos cositas. Os

7:33iré pidiendo

7:36pues que interactuéis si os apetece. Eh,

7:39cualquier cosa por el chat, eh, por

7:42favor, yo iré consultando.

7:44Siempre estoy acostumbrado a consultarlo

7:47y normalmente me paro y respondo al

7:49momento. O sea, no esto de que voy a

7:51dejar un tiempo para el final para

7:52preguntas, seguramente sí, pero me

7:55podéis interrumpir en cualquier momento

7:58y los ejercicios, eso, que sean

8:00dinámicos y participamos todos y y nada

8:03y seguro que así se hace más entretenido

8:06y más productivo.

8:10Pues muy bien,

8:12vamos a empezar por el prompting, porque

8:15al final los prompts son las

8:17instrucciones que que enviamos a los

8:20modelos de lenguaje, a los lls

8:23para conseguir algo, para conseguir que

8:25hagan algo por nosotros.

8:28Y una de las

8:30destrezas más importantes, o sí,

8:34técnicas delante del ordenador, por no

8:37decir skills, eh, aquí estoy

8:38reformulando como puedo,

8:40eh, habilidades más importantes para mí.

8:45H en cualquier profesión que se dedique

8:49a trabajar delante del ordenador y en

8:50especial la nuestra,

8:54es ser capaces de entender cómo funciona

8:58eh los modelos de lenguaje,

9:00interactuar con ellos

9:03con pregunta, respuesta,

9:06petición con el en el pront, ver qué

9:08resultados tenemos.

9:11en función de ese resultado ser capaz de

9:14determinar, okay, qué es lo que tengo

9:16que pedir ahora para que realmente se

9:20acerque más a lo que estoy buscando.

9:23Eso para mí va a ser clave. Lo es lo es.

9:26Ya creo que en el día a día nuestro, en

9:30nuestras tareas ya se le puede sacar

9:32mucho partido y no hace falta tener un

9:35una ristra de promps perfectos

9:38que si son tareas repetitivas, por

9:40supuesto que va a ayudar tener un

9:42repositorio de prons, pero me refiero

9:44para cualquier cosa que necesitemos.

9:47Vamos a ver ejemplos. Después podemos

9:49empezar y sobre la marcha de forma

9:53dinámica

9:55ir mejorando lo los resultados hasta que

9:58obtenemos algo que nos resulta útil.

10:01Para eso siempre tenemos que tener claro

10:03que qué es lo que queremos y y para qué,

10:08¿vale? Porque si no tenemos claro qué es

10:09lo que queremos, pues ya podemos estar

10:11ahí de conversación que que

10:14no tiene ningún sentido. Siempre tiene

10:16que tener una finalidad concreta y

10:18tenemos que tener en claro qué es eh

10:22cuál sería la respuesta deseada, ¿vale?

10:26Entonces, al final

10:28el ideal de vamos a encontrar el, o sea,

10:32vamos a conseguir el resultado, el

10:33output perfecto.

10:36Hm, esa no es la idea del pronting,

10:40lo que yo llamo pronting, que es eso,

10:42interactuar con los modelos, sino

10:45obtener algo que vamos a poder mejorar a

10:50través de la conversación.

10:53Si ya obtuviéramos la respuesta correcta

10:56desde el principio, hm, malo. Eh, quiero

10:59decir,

11:01para esta profesión y para muchas eh

11:03sería un problema que siempre

11:04respondieran bien.

11:06Entonces, bueno, como a día de hoy

11:10esto está lejos de suceder,

11:12debemos de verificar

11:15contenido, bueno, sí, las respuestas de

11:19los modelos, de estos modelos antes de

11:21utilizarlas,

11:23aunque también tendremos que definir

11:26cuándo merece la pena porque, bueno,

11:29quizás

11:30si el la tolerancia al riesgo de nuestro

11:33caso de uso es bastante alta, no tenemos

11:35por qué verificar siempre esas

11:38respuestas de de los LLMs.

11:42Bien, pues esto es un poco lo que

11:45comento por aquí.

11:47Al final,

11:49el obtener, pues eso,

11:52más detalles de un de una petición que

11:55hacemos o algo muy útil

11:59cuando obtenemos un una respuesta,

12:02entender por qué nos ha dado esa

12:04respuesta. ¿Por qué el modelo ha llegado

12:07hasta ahí? O sea, ¿qué es lo que le ha

12:09llevado a responder eso? Eso puede

12:11resultar muy útil para luego refinar los

12:14prons a posteriori,

12:17ya que entiendes como, bueno, pues esa

12:19lógica te trace la respuesta

12:23y luego pues por supuesto nos permiten

12:26explorar distintas perspectivas y nos

12:28pueden ofrecer

12:30para brainstorming. Hm. son bastante

12:34útiles y bueno, ayudan pueden ayudar a

12:38incentivar nuestra creatividad.

12:43Vale, continuamos con ahora con pronting

12:46genering porque el pronting es esta

12:50estas conversaciones,

12:52este esta interactuación interacción,

12:55perdón, con los LLMs

12:58eh en nuestro día a día, vamos a decir o

13:01cuando necesitamos algo y queremos

13:03utilizarla ya para que nos ayude o para

13:06automatizar el prompt engineering ya sí

13:10que es una práctica

13:13sistemática y es una disciplina,

13:16¿vale? para de alguna forma

13:20hm crear soluciones, construir

13:24soluciones con inteligencia artificial

13:26generativa.

13:29Entonces, para ello sí que hay unas

13:31buenas prácticas

13:34que podemos seguir para intentar que eh

13:37los modelos de lenguaje nos generen

13:40respuestas más precisas y adecuadas para

13:42nuestros casos de uso.

13:46Por supuesto, están estas

13:49buenas prácticas,

13:52están estas estructuras, estas

13:55plantillas podemos incluso considerar,

13:58pero al final y es una de las ideas

14:00principales de este curso,

14:03sin ensayo y error, si viendo sin ver

14:07qué es lo que genera también aquí

14:10el LLM y lo que

14:14necesitamos, lo que necesitaríamos que

14:15generase

14:17si en ese proceso de testeo no hay forma

14:22de mejorar estos prons y obtener mejores

14:27respuestas en el futuro.

14:31Entonces,

14:33los principios más básicos

14:36y más concretos que yo tengo claro

14:40que debemos emplear y tener siempre en

14:42mente con el prompting o con el

14:45prontering para ambos

14:49son estos tres.

14:52Siempre hay que ser muy claros

14:55y cuanto menos rodeos, mejor.

14:59Cuanto más específicos también mejor,

15:05¿vale? Y por supuesto, el contexto.

15:10El contexto es fundamental

15:13para que la respuesta se ajuste

15:18a nuestro caso de uso, nuestro

15:21trasfondo, nuestro todo nuestros

15:23clientes, nuestras guías de estilo, en

15:26nuestros casos concretos suele ser así.

15:28glosarios,

15:31todo nuestro background en definitiva

15:35y tenemos que tener muy presente,

15:38yo soy, bueno, yo ya me he acostumbrado,

15:40la verdad, para qué vamos a engañarnos,

15:41pero

15:43yo muchas veces

15:45tendía a dar por hecho,

15:48no solo con los modelos de lenguaje,

15:50sino

15:52con todo el mundo en general,

15:56pues eso, que que tenían

15:59en mente o que con o tenían el

16:00conocimiento

16:02que yo poseo o que yo poseía y no es

16:05así.

16:06Y es verdad que cada vez son más

16:08inteligentes, por decirlo de alguna

16:10forma, los grandes modelos, pero no hay

16:14que dar nada por hecho. Yo eso es un

16:15consejo que daría siempre intentar ser

16:19claro y preciso y no dar nada por hecho

16:22en las instrucciones.

16:24No damos nada por hecho en las

16:26instrucciones,

16:28¿vale? es el curse of knowledge, que es

16:31muy frecuente

16:34y es uno de los principales, digamos,

16:37vamos a decir,

16:41inconvenientes, bueno, hm defectos que

16:46las personas tenemos cuando nos

16:47comunicamos, por así decirlo, cuando

16:49pedimos a un modelo de lenguaje

16:53que nos genere algo concreto

16:56Y

16:58por mi experiencia,

17:00aunque aquí

17:03siempre se puede probar, o sea, todo lo

17:04que todo lo que yo comente aquí

17:09lo he sacado de, o sea, de mi propia

17:11experiencia, por supuesto, he

17:13investigado, he probado, pero al final

17:15me he basado más

17:18en mi propia experiencia.

17:20Entonces, esto no quita que para

17:22vuestros casos de uso vosotros escribáis

17:25el prom español porque la lengua de

17:28destino es en español

17:30y funcione mejor.

17:33¿Vale? Pero lo que voy a comentar aquí

17:36es de forma general, qué es lo que a mí

17:38me ha funcionado y qué es lo que creo

17:40que deberíais tener como referencia

17:43y es escribir en inglés los promps

17:46por defecto.

17:48¿Vale? Otra cosa ya es tú en tu

17:51prompting, en tu comunicación con el LLM

17:53en el día a día,

17:56eso ya lo haces como tú consideres. Yo

17:58me acostumbro a hacerlo en inglés.

18:00Hoy, por ejemplo, lo estoy haciendo en

18:01español porque sabía que iba a hablar en

18:02español y bueno, así ya estaba más

18:06con la cabeza en español también para

18:09estos temas,

18:11pero si no siempre lo hago en inglés

18:14y conviene no escribir, no hagas

18:19esto, no hagas lo otro y y utilizar

18:24pues alternativas como está prohibido

18:27que hagas tal evita hacer tal. Vale,

18:33bueno, en inglés ya me entendéis, pero

18:36eh sería conveniente que no utilicéis

18:38formas negativas eh negación, me

18:42refiero, de la frase en sí, que esto al

18:45final también son formas negativas, esta

18:47situación una negación,

18:49¿vale? Luego, esto es muy común

18:54y sinceramente hm no entiendo muy bien

18:57por qué. Bueno, yo sí lo entiendo

18:59realmente porque nos creemos que porque

19:04tenemos aquí una ventana y se queda con

19:06todo el contexto nuestro de digamos toda

19:09la conversación

19:12que que llevamos que hemos mantenido con

19:14con el modelo, ya tenemos que estar ahí

19:17para siempre.

19:19No es una buena práctica,

19:22¿vale? O sea, cogiéndolo con pinzas. Por

19:24supuesto, si lo que estamos hablando

19:27está relacionado, podemos volver ahí,

19:30pero llega un momento en que más pronto

19:32que tarde

19:34h se va a llenar la ventana de contexto.

19:36Es verdad que la están ampliando, cada

19:38vez la amplían más, cada vez es más

19:39grande, pero hay que tener en mente que

19:42una buena práctica es acabar pidiéndole

19:45resúmenes

19:47tener la conversación,

19:50ese resumen lo guardamos y entonces lo

19:52podemos adjuntar como como contexto,

19:54como archivo en otra nueva conversación

19:57de chat.

19:59¿Vale? Eso es una,

20:01digamos, una un problema que he visto

20:04con bastante frecuencia el tener el

20:06tener una sola conversación y y escribir

20:08solamente ahí. Esto es gratis. Darle a

20:10New Chat no cuesta dinero. La

20:13suscripción sí cuenta cuesta dinero. Que

20:16por cierto recomiendo que paguéis o bien

20:19chat GPT o bien cloud o bien bueno a

20:21quien le guste Gemini, principalmente CH

20:23GBT o Cloud.

20:25Yo recomiendo que paguéis la versión

20:27Pro,

20:2818, 20, 22 € por ahí andan.

20:32Y es que no tiene nada que ver, ¿eh?

20:36No tiene nada que ver. probad y

20:38comprobad la diferencia vosotros mismos

20:40y ya me me podéis escribir y me decís,

20:43eh, pero funciona mucho mejor, tienes

20:46muchas más opciones de configuración

20:48y al final no es dinero. Entonces, yo lo

20:51recomiendo encadrecidamente

20:53que os paséis a las versiones de pago.

20:57¿Por qué no?

21:00Simplemente no le he pagado nunca y no

21:02puedo hablar, Melisa.

21:05Entonces, como no me gusta hablar de lo

21:06que no sé, eh

21:09es verdad que Google hubo un momento en

21:12que se digamos estaba un poco por

21:15detrás, se

21:18digamos los pilló a Open AI y Anthopic,

21:22pero ahora se ha vuelto a quedar atrás.

21:25tampoco de una forma dramática, pero

21:28bueno, yo entiendo que si tenéis el

21:30Google Work Workspace, creo que os

21:32incluye eh Gemini y tal, utilizadlo. O

21:36sea, no son malos modelos, por supuesto.

21:38Además, para traducción los modelos de

21:40Google suelen funcionar bastante bien.

21:45Entonces, bueno, pues ahí,

21:48no sé, vuestra preferencia personal,

21:51lo que vosotros consideréis.

21:54En cuanto a lo que viene siendo una

21:56versión de pago para uso diario, luego

21:59ya vemos más adelante, quizá en otra

22:02sesión, bueno, quizás seguramente

22:05mañana. Ah, bueno, justo justo estaba

22:09iba a contestar a eso. Eh, no se puede

22:13hm contestar a la pregunta de a nivel

22:16lingüístico, ¿cuál considero que es el

22:17mejor? Eso no se puede contestar.

22:21Me podría hacer podía hacer un poco que

22:23esto fuera más interesante, ¿no? Dando

22:25la respuesta y os la ibais a tener por

22:29vamos, iba a responder vosotros mismos

22:33porque ¿por qué no? Porque al final

22:36depende de muchas cosas, o sea, depende

22:40tipo de documento,

22:43el contexto que le facilites o no. Cómo

22:45sea el pront

22:47idiomas,

22:49por tanto, el idioma de destino.

22:53Hm. Si quieres pagar más o quieres pagar

22:56menos, si necesitas, o sea, si necesitas

22:58que la respuesta sea rápida o menos

23:00rápida.

23:03Y entonces empieza suma, suma, sigue,

23:05suma, sigue, suma sigue y por supuesto

23:08un modelo más caro y más nuevo debería

23:11ser mejor que uno más barato, más rápido

23:15y o más viejo,

23:18¿vale? Pero

23:20no se puede, o sea, no se puede sacar a

23:22esa conclusión.

23:24Y lo mismo,

23:27¿qué ventajas tienen, por ejemplo, sobre

23:29dipel?

23:31Aquí es donde entra en juego que en este

23:34en este curso como está relacionado

23:35vamos a ver algo sobre evaluación de de

23:38traducciones,

23:40¿vale? Porque al final vamos a ver

23:42pronts para traducir, cómo evaluarlos y

23:44cómo mejorarlos.

23:47Ahí entra eso, entra eh tus

23:50benchmarking,

23:51tus evaluaciones de lo que tú traduces

23:55con distintos modelos, por ejemplo,

23:57tipel

23:59y sacar tus conclusiones para tus

24:01textos.

24:02Pero no puede no puedes decir, o sea,

24:04nadie puede decir Jeminy va a ser es

24:07mejor que Dipel porque depende. A lo

24:10mejor para lo que tú traduces sí o para

24:11lo que tú traduces para lo que traduce

24:13otra persona, ¿no?

24:16Dipel,

24:18gente ajena al sector últimamente me ha

24:20dicho que funciona peor desde que se han

24:21cambiado a Llens.

24:24O sea, no sé, yo sinceramente no tengo

24:27esa esas esos datos que les funcionaba

24:30mejor cuando era NMT.

24:33Vamos, traducción automática neuronal y

24:35no y a generativa.

24:38Bueno, vamos a continuar con la

24:39presentación porque si no me enrollo

24:41aquí.

24:43Las ventajas de uno y otro serán

24:44distintas.

24:47Yo no te puedo decir las ventajas de

24:49forma pormenorizada

24:51sin hacer un estudio concreto. Al final

24:53de tienes que ver qué es lo que te

24:55cuesta, lo bien integrado o mal que esté

24:59con las herramientas que tú utilices,

25:02eh

25:04lo rápido que sea, lo el precio, la

25:07calidad y todo eso. Tienes que tomar

25:10todo eso y evaluar otros modelos y

25:13comparar los resultados.

25:19Voy a continuar la presentación

25:24em

25:27con la estructura del prompt.

25:30De nada, Melissa

25:32con la estructura del pront y es que

25:36esto ha cambiado un poco,

25:38por eso dejo fuera

25:42el persona,

25:46que al final es decir eso pues

25:49actúa como un traductor

25:52especializado, tal. Eso ahora para

25:56realmente a mí sí que me gusta para

25:58traducir, utilizarlo

26:00y creo que sí que puede aportar

26:04sinceramente, pero para digamos de forma

26:07generalizada ya no es tan relevante como

26:09antes al dar instrucciones en los LLMs

26:12hacer esta introducción de tú eres un

26:16traductor

26:18profesional, eh, especializado en legal

26:20y demás.

26:23Lo que sí que es fundamental,

26:25por supuesto, decir

26:28qué es lo que necesitamos, qué es lo que

26:29va a hacer.

26:32Eso es lo lo más importante junto con

26:36instrucciones,

26:39contexto

26:41sobre la tarea

26:43y luego al final que sigue siendo

26:46contexto

26:48son los ejemplos

26:50porque pueden ayudar

26:53pues en el caso de traducción pues a ver

26:55cómo se cómo tiene que traducir el

26:57estilo, por ejemplo,

27:00o en ¿Qué formato lo necesitamos? Si le

27:03si le facilitas el formato ya en ese

27:05ejemplo, lo va a imitar

27:08cuando genere la respuesta.

27:11Y si no lo incluyes como ejemplo, que no

27:13es necesario

27:15porque como comento aquí

27:18la plantilla

27:21es un punto de partida, pero esto no es

27:22obligatorio. No hay que utilizar todo el

27:24rato, no tiene por qué ser todo

27:26interesante todo el rato. O sea, aquí no

27:29hay aquí no hay una fórmula mágica,

27:31porque si hubiera una fórmula mágica,

27:32insisto en la misma idea del principio,

27:35eh el sector se ha terminado. Este y

27:38otros muchos. si hubiera una fórmula

27:40mágica para traducir todo bien con un

27:42LLM. Entonces, como por suerte no es

27:45así, pues hay hay que jugar, hay que

27:49probar con tus textos, con distintos

27:52modelos, ver qué respuestas da

27:56y con un proceso, que es lo que vamos a

27:57ver en estas sesiones,

28:00intentar mejorar esos resultados.

28:04El

28:07remark del final, final remark,

28:12sí que considero que que puede ayudar

28:14también y por eso lo incluyo, ¿vale?

28:17Pero no

28:18es, por supuesto, necesario en absoluto.

28:22Los LLMs tienen

28:25un sesgo de atención

28:28al principio de los pron y al final.

28:32Entonces, lo que se incluye al principio

28:33y al final suelen prestarle más atención

28:36que lo que se queda por en medio.

28:37Entonces, cuando los prompts son

28:39demasiado largos, cuando el contexto es

28:41demasiado largo, pues se pueden perder.

28:45es lo que sucede cuando pues eso, cuando

28:48al final

28:50las respuestas son bastante malas y se

28:52le ha facilitado el contexto.

28:57Entonces, bueno, aquí en concreto

28:59incluyo

29:01el persona

29:03comentando que es un traductor legal

29:04profesional especializado en inglés y

29:07español,

29:09la tarea traducir documentos legales

29:12y bueno, en este caso somos más

29:14específicos diciendo que se van a

29:16utilizar en un juicio,

29:19¿vale? Eso es positivo,

29:21no decir solo documentos legales, sino

29:23si sabemos que en este caso se utilizan

29:25en un juicio, indicarlo, no dar por

29:27hecho que bueno que porque traduzca

29:29documentos legales ya lo va a hacer

29:30bien.

29:33Y bueno, y sobre todo ya si empezamos a

29:35incluir pues eso, las traducciones

29:37ayudarán a la empresa, al departamento

29:39legal de la empresa, a prepararse para

29:41juicio.

29:42El contenido es sensible, muy sensible y

29:46hace falta

29:48precisión y y fedelidad.

29:52Bastante fidelidad y precisión. Pues

29:54bueno, pues son, digamos, es más una

29:57información extra que al final puedes

30:00probar, se puede probar a incluirlo o no

30:02y ver los resultados,

30:05pero bueno, en teoría debería de ayudar.

30:10En este caso, las instrucciones es que

30:12van a recibir los textos

30:14en inglés y tienen que traducirlos en

30:17español, proporcionar las traducciones

30:19en español

30:21y en este caso pues hace se hace un

30:26pues eso, un apunte en el al final de

30:28bueno, pues necesitamos fidelidad y

30:30precisión

30:33teniendo en cuenta lo original,

30:35¿vale? Pues esto podría ser un pront

30:37perfectamente para traducir

30:40pues esta documentación que se va a

30:43utilizar en el juicio.

30:49Vale,

30:51al principio todo va a ser muy así,

30:54luego vamos a ver bastantes ejemplos,

30:56aunque aquí ya vamos a ver algo

30:59concreto, porque esto no se conoce tanto

31:02y es mejor verlo verlo en situ.

31:07Vale, pues esto básicamente

31:11sigue siendo lo que recibe el modelo,

31:16¿vale? ¿Qué instrucciones recibe?

31:18¿Qué input recibe? Y si se incluyen

31:21ejemplos o se espera una respuesta

31:23concreta del modelo, pues también se

31:25incluye

31:27eh

31:28de forma

31:30concreta y aparte.

31:32Me explico,

31:35esto

31:36se utiliza en las soluciones

31:39h con inteligencia artificial generativa

31:42con los LLMs,

31:44utilizando pues eso, código,

31:46programación,

31:48eh las APIs que conectan con CH GPT,

31:54cloud, etcétera,

31:56pero hay una plataforma,

31:59¿vale?

32:02pasaré el enlace todo esto,

32:04por supuesto, o sea, todo lo que veamos

32:06paso los enlaces. Esta plataforma

32:10digamos que proporciona una interfaz

32:14en el caso de Open AI para los modelos,

32:18exclusivamente los modelos CH GPT de

32:20Openi

32:22para que tú puedas

32:24simular qué es lo que se hace porque al

32:26final esto está conectado a la API, o

32:29sea, aquí, o sea, está conectado a la

32:30API, esto es como la API, esto lo que

32:32está haciendo es

32:34consumir tokens, de hecho.

32:37En esta cuenta, bueno, ahora cojo otra

32:39cuenta. En esta cuenta no hay dinero y

32:40lo que te hacen es que pida, te pide ya

32:42que pagues y no vale una suscripción de

32:46pago,

32:48¿vale? Es una cosa independiente. Esto

32:49es tú te conectas con la API, como si te

32:53conectas con la API de Dipel o del que

32:55sea también de tema

32:58NMT incluso

33:01y te van a cobrar en este caso por

33:03tokens, en los casos de la NMT por

33:07caracteres normalmente.

33:10Y entonces, pues bueno, pues hay que

33:12tener en cuenta que hm simplemente pues

33:15que no te incluye la la suscripción,

33:18entonces todo lo que hagas aquí lo

33:20tienes que pagar aparte,

33:23pero aquí

33:25sí que te permite añadir esto y

33:29diferenciar entre el system,

33:33el user y el assistant. Insisto, esto

33:36puede ser relevante para algunas

33:39aplicaciones

33:41y por eso quería mencionarlo y que lo

33:44sepáis, pero desde luego tampoco es algo

33:48hm que os haga perder la cabeza. Vale,

33:51vamos a entrar

33:56a esta. Vale,

34:00básicamente, bueno, esto voy a borrar

34:03para que no os fijáis en la prueba que

34:05he hecho antes, por si acaso.

34:08Vale, básicamente

34:11tenemos aquí ya varias cosas

34:14y de momento solo nos vamos a centrar en

34:16donde podemos escribir el prompt, que

34:19básicamente es el mismo sitio

34:25que este, con la diferencia que a través

34:28de la API

34:32aquí estamos editando el system prompt,

34:36¿vale? Los modelos tienen ya todos

34:38tienen ya un system prompt en la

34:40interfaz,

34:44que son las instrucciones de bueno, pues

34:47cómo nos tienen que dar respuestas y

34:49cómo están configurados en general. Son

34:51pront bastante largos y muy concretos.

34:54Alguna vez se han filtrado por ahí y es

34:56lo que tienen por detrás. Entonces,

34:58nosotros cada vez que escribimos aquí

35:01en la interfaz estamos escribiendo un

35:03user pront,

35:06¿vale?

35:09Y ese user pront es este,

35:13lo podemos incluir aquí. Esto se

35:15incluiría, insisto, todo lo que hay

35:16aquí, los parámetros por aquí, por allá,

35:20todas las opciones con con código.

35:23Entonces, esto también,

35:25esto es lo que las instrucciones que

35:27tendría hechas GPT,

35:29las instrucciones es lo que nosotros

35:31queremos que haga, lo escribiremos aquí.

35:34Y el resultado,

35:36o sea, el output

35:38es el assistant message.

35:42Vale, vuelvo a la presentación un

35:43momento.

35:48A ver, que me creo que había escrito

35:49alguien, no ha escrito nadie.

35:52Vale,

35:54entonces

35:56tenemos el system que para las

35:58soluciones es donde escribimos,

36:01o sea, para prontering es donde se

36:02escriben las instrucciones y estos dos

36:04son opcionales,

36:08el user y el assistant y suelen ser muy

36:10útiles para ejemplos, para incluir ahí

36:13los ejemplos

36:16de el input que va a recibir el LLM.

36:21y luego el output que nos tiene que

36:22devolver,

36:25¿vale? Concretando

36:31un pront

36:33que dime tú a ver la elaboración que

36:34tiene. Pero bueno, muy sencillo.

36:38Pues aquí en en el user podría ser

36:40simplemente cualquier frase en inglés,

36:45¿vale?

36:47Y

36:49a ver, esto es que

36:52es en plan muy sencillo. Esto es para

36:54que entendamos el concepto. Lógicamente

36:56tú no le vas a poner

36:59no le vas a poner eh esto como ejemplo

37:03porque no tiene ninguna importancia ni

37:05relevancia en el sentido de qué estás

37:07aportando aquí extra a un Lelen. Aquí lo

37:11que tendrías que incluir es pues un

37:13segmento

37:15complicado con terminología concreta,

37:17que tú quieres una traducción concreta y

37:20la pegas aquí. Y entonces cuando tú

37:23escribes tu prontes

37:25en el system pront

37:30ejemplo como un input y como un output y

37:34entonces con el nuevo input que le

37:37enviemos

37:39debería basarse en ello para dar una

37:41respuesta y será mejor la respuesta.

37:44¿Vale? Esto ya insisto,

37:46se se hace con código. Esto hacerlo

37:49aquí, bueno, pues se puede hacer, pero

37:50vamos,

37:52simplemente para probar. Realmente se

37:56utiliza para las soluciones que están

37:58por detrás

38:01de cualquier interfaz

38:03y es para lo que es realmente útil,

38:06¿vale? Pero bueno, no quería dejar de

38:07mencionar esto porque creo que es

38:09interesante saberlo,

38:12¿eh?

38:13y vuelvo

38:17y vuelvo aquí.

38:21¿Vale?

38:25Y ahora los parámetros parámetros

38:27también nos podemos volver locos.

38:31Entonces, al final

38:33voy a comentar un poco estos parámetros

38:35que son los más comunes y de hecho,

38:38bueno, realmente estos tres son los más

38:40comunes. Este cada vez se ve menos en

38:42los nuevos modelos

38:44y realmente voy a terminar con yo me

38:47centraría en este parámetro

38:51y no daría tantas vueltas a esto porque

38:53jugar con numerito arriba, numerito

38:55abajo, mi experiencia es que no va a

38:58cambiar la vida.

39:00Vale, entonces

39:03ahora vamos a ver ejemplos de qué

39:04significa

39:06que el top K limita el número de

39:09opciones. Básicamente tú le dices tres

39:12y el LLM, que por cierto importante qui

39:16no lo sepa, que lo tenga muy presente,

39:18lo que hacen todo el rato los LLMs, los

39:21grandes modelos de lenguaje es predecir

39:25cuál es el siguiente token más probable.

39:30o la siguiente palabra, si nos gusta más

39:32probable todo el rato. Eso es lo que

39:35hace todo el rato.

39:38Es para lo que están lo que se los que

39:40se han entrenado primero

39:42y luego se se entrenaron posteriormente

39:45para seguir instrucciones, pero primero

39:47para eso. Entonces, todo el rato siguen

39:50instrucciones prediciendo cuál es el

39:52token más frecuente, o sea, más

39:55probable, ¿no? Más frecuente, más

39:57probable, el siguiente token más

39:58probable. Entonces, cuando tiene varias

40:00opciones,

40:02en este caso, tú un top K lo limitas a

40:05tres, pues el el L el podrá elegir entre

40:09tres opciones, aunque realmente tuviera

40:12muchas más como siguiente palabra más

40:14probable. Se va a entender mejor todo

40:17esto en la siguiente diapositiva.

40:20Cuando bajamos el valor al reducir el

40:23número de opciones, que aunque le digas

40:25una,

40:27nunca va a tener en cuenta solo una.

40:29Vale, esto también es es una cosa

40:31bastante tricky de entender

40:34con el top, porque tú no puedes hacer

40:37por cómo es su naturaleza. Igual que si

40:40tú utilizas una temperatura igual a cer

40:42o el top igual a cer,

40:45tú nunca puedes hacer que un LLM sea

40:48100% determinista, 100% predecible,

40:51porque su naturaleza,

40:54por cómo funciona, no puede.

40:57Y es lo que hace

40:59pues eso, que esta tecnología sea tan

41:01poderosa y a la vez tan peligrosa

41:04porque puede cometer errores. siempre

41:06está ese riesgo mayor en mayor o menor

41:09medida de que comenta errores porque no

41:12se puede predecir lo que va a responder.

41:16¿Vale? Entonces, aunque digamos uno, no

41:19tiene por qué utilizar siempre esa eh

41:23ese toque en concreto, aunque digas

41:25cero, no va a ser lo más enfocado y

41:28determinista

41:29posible y lo mismo con la temperatura, o

41:32sea, no va a ser totalmente, sí va a ser

41:34lo más determinista posible, pero no

41:37siempre te va a tener por qué dar las

41:41mismas respuestas ante los mismos prons.

41:45Eso ya lo habréis probado seguramente,

41:47que le pedís una cosa un día y otro día,

41:49no te va a dar exactamente la misma

41:51respuesta con las mismas con la misma

41:52terminología, mismas palabras.

41:55Incluso aunque el pron sea más

41:58elaborado,

42:00más específico, siguiendo muy claro y

42:02con todas las directrices que hemos

42:04comentado anteriormente,

42:06aunque bajemos los valores al máximo, no

42:10vamos a conseguir que sean 100%

42:11deterministas,

42:14¿vale? Entonces, todo el rato es jugar

42:16con determinismo,

42:18creatividad para nuestras soluciones en

42:21la industria. Normalmente determinismo,

42:25valores bajos, básicamente.

42:28Salvo queramos, pues eso, que sean

42:30creativos, pues no sé, copywriting, a lo

42:33mejor podemos jugar un poco a ver.

42:36Pues sí, pero normalmente

42:39para la mayoría de las tareas, te diría

42:41que para casi todas vamos a querer que

42:43sea lo más determinista posible.

42:48Esto lo voy a explicar, voy a

42:49explicarlos en la siguiente diapositiva

42:51mejor, que va a quedar más claro.

42:54Y bueno, y el el max tokens es

42:56básicamente indicar

42:58pues cuántos tokens como máximo queremos

43:01que entre lo que viene siendo el prompt

43:04y el output y la respuesta de del

43:07modelo, eh, vamos, es poner un límite,

43:11es el número máximo que queremos que que

43:13pueda utilizar en la respuesta.

43:17está el riesgo de que se queden

43:18incompletas

43:21las respuestas

43:23y aquí, bueno, pues que se pueda pasar

43:24de largo y entonces si se pasa de largo

43:26cuesta más dinero.

43:29Ese riesgo está ahí. Hm. Yo creo que

43:32cada vez ha bajado más este riesgo.

43:35Aún así, tampoco hay que poner siempre

43:37el máximo por defecto. Hay que intentar,

43:39bueno, pues tener, en, yo que sé, cómo

43:42son nuestros nuestros segmentos, si si

43:44es el caso de traducir cómo son nuestros

43:46segmentos más o menos de largos y cómo

43:48cambia en el texto de destino, o sea, en

43:51la lengua de destino, pues

43:53una idea aproximada tampoco, siempre

43:55dejando un margen y y ya está, no es más

43:59que eso.

44:02Vale, aquí ha mucho número, pero va a

44:04quedar mucho más mucho más claro viendo

44:06esto.

44:07Básicamente este ejemplo

44:11es con los tres parámetros,

44:14con esta frase,

44:17el gato se sentó sobre él como un modelo

44:21elige

44:23dónde se sentó.

44:25Pues en base a la conversación,

44:29a cómo se ha entrenado, a lo que sea,

44:31hay distintas,

44:34en este caso vamos a para simplificar

44:35decir palabras.

44:38en las que tiene, digamos, una

44:39probabilidad

44:41asignada para aparecer

44:47aquí a continuación

44:50para que nos la dé como respuesto,

44:53pero es una probabilidad y la

44:55probabilidad pues sí es más alta. El

44:58sofá es mucho más probable que el piano,

45:00pero el piano aú así puede aparecer.

45:04Entonces, no estamos libres de que el

45:05piano aparezca y no queremos que

45:07aparezca el piano, queremos que aparezca

45:10el sofá.

45:13¿Por qué? Porque queremos que por las

45:16instrucciones que le hemos dado, que sea

45:18lo más

45:20que las probabilidad más altas sean la

45:22que finalmente el Llm

45:26sea la que elija la respuesta.

45:28aquella palabra o que el término con

45:31probabilidad más alta. Entonces, para

45:33eso se utiliza la temperatura, que lo

45:36que hace es cuando tú la bajas

45:39y esto lo hace de una forma que no sé

45:41explicar sinceramente. O sea, cómo

45:43calcula, cómo calcula esto y cómo lo

45:44hace para cuando pones un 02, pues

45:47incrementa

45:49la primera, o sea, la que más

45:50probabilidad tiene la incrementa un

45:51montón.

45:52La segunda a lo mejor la mantiene, la

45:54tercera la baja un poco y luego todas

45:56las demás las reduce. ¿Por qué? Porque

45:59lo que quiere es que

46:02la probabilidad mayor

46:06aumente todavía más en porcentaje y

46:08tengan más opciones de salir porque lo

46:10queremos hacer más determinista. Y todo

46:13lo contrario, si tú subes el valor de la

46:16temperatura,

46:18pues pasa que se equilibra

46:21todo mucho más.

46:24Entonces, no te voy a decir que es como

46:25lanzar un un dado, pero bueno, pues sí,

46:28o sea, es

46:31más o menos es está bastante equilibrado

46:33en comparación

46:35con el original incluso.

46:38¿Por qué? Pues porque queremos que sea

46:39más creativo. Queremos que, bueno, pues

46:43a ver qué es lo que nos dice aquí. Pues

46:44no tiene el ejemplo este tampoco tiene

46:46mucha chicha, pero bueno, pues si

46:47queremos que se le ocurra algo

46:50que no sería lo normal responder, no sé

46:52si habéis probado alguna vez hacerlo,

46:54pues a lo mejor se pone muy poético, muy

46:56con lenguaje así muy enrevesado, muy

47:00sí,

47:01muy rimbombante, no sé, es gracioso a

47:04veces,

47:06pero vamos, no deja de ser más que eso.

47:08No es útil, sinceramente. Yo no lo veo

47:10muy útil.

47:13Y el top K, pues eso, lo que hemos

47:15comentado, este está bastante claro. Al

47:17final se carga todas estas

47:20y dejaría estas tres.

47:23Vale,

47:25si le pones el uno, lo mismo. Te va a

47:27dejar esta, pero no tienes por seguro

47:30que no vaya a utilizar alguna otra de

47:33forma ínfima. Igual que si pones aquí el

47:35cero, pues a lo mejor aquí sube a 90%,

47:41no sé. Vale, lo calcula a su manera.

47:46Aún así tienes

47:48las otras como posibles, no está

47:52descartado que pueda utilizar otras.

47:55Y el top K, el top P, sorry, perdón, se

47:58me va la cabeza.

48:00El top P eh es con el porcentaje

48:03acumulado.

48:05Básicamente, si tú dices que es 080, es

48:07un 80%.

48:10Entonces, tienes que sumar las

48:11probabilidades de los términos

48:14y cuando supera ya el 80% quedan

48:16excluidas, como es el caso aquí, que

48:18sumaría esto sumaría 85,

48:21entonces la siguiente palabra se queda

48:22fuera.

48:24Bueno, pues es otra forma de

48:26de incluir o excluir

48:29términos. Vale,

48:32la anterior pregunta.

48:34Uy, me he saltado

48:37dónde encuentran los activo. Vale, ahora

48:38vuelvo sobre lo del user y el assistant,

48:40¿vale? Que acabo de ver las preguntas.

48:43En la anterior pregunta se refería a la

48:44pantalla. Eh,

48:48vale, todo esto vamos a voy a responder

48:50a ello ahora a continuación más

48:52adelante. Vamos a volver a explicar

48:55dónde dónde los podéis encontrar, lo del

48:56user y todo esto

48:59y y

49:00bueno, y cómo cómo los debemos de

49:03utilizar, lo repasamos otra vez o por

49:05qué lo se pueden utilizar y para qué. Y

49:08esto también lo vamos a ver que se puede

49:10configurar ahí, ¿vale? Por eso vamos a

49:11volver estos parámetros. Al final no

49:15quiero eh tardar más tiempo aquí porque

49:19sinceramente en los modelos ahora los

49:21que más se ven son estos, temperatura

49:25y top. Y sinceramente al final si uno lo

49:29subes y el otro lo bajas

49:32se va a quedar con el valor más

49:34restrictivo.

49:36O sea, no se puede, son incompatibles, o

49:38sea, si no pueden funcionar de forma

49:41incoherente. Entonces, ¿qué sentido

49:42tiene pues si los combinas de esta de

49:46esta manera? Vale,

49:49pero realmente y para no volvernos

49:52locos, yo mi recomendación es que nos

49:54quedemos con el más común.

49:57en todas las soluciones,

49:59sinceramente. O sea, no nos volvamos

50:00locos con si combinamos temperatura y

50:03top P o si solo usamos el top P, que es

50:06la acumulación esta de probabilidades

50:08que os explicaba antes y tal.

50:11Temperatura baja si queremos que sea

50:12determinista y jugamos con valores bajos

50:15y si queremos que sea alta,

50:18no paséis del uno, mi recomendación,

50:21jugamos con valores altos

50:24si queremos que sea más creativo y no le

50:27damos más vueltas a a los parámetros,

50:29sinceramente,

50:31¿vale? para nuestras soluciones en la

50:33industria, para nuestros casos de uso.

50:35No tiene sentido empezar a volverse loco

50:37con todo esto. Yo quería explicarlo,

50:39pues igual que lo del system y el user

50:41que vamos a volver a ello porque bueno,

50:43pues tiene tiene pueden tener su

50:46interés, pero no creo que os vaya a

50:47cambiar sinceramente de forma

50:50revolucionaria vuestra vuestros

50:52resultados

50:54si os ponéis a experimentar con esto y a

50:56perder el tiempo en esto. Hay otras

50:57cosas mucho más importantes, ¿vale?

51:02Entonces,

51:04vamos a volver un momento aquí.

51:10Vale, ¿cómo respondiendo a la pregunta?

51:11Que es que no me ha saltado la

51:12notificación. Voy a ponerme esto.

51:16No sé dónde ponérmelo para verlas.

51:18Normalmente las veo, pero esta me la he

51:20saltado.

51:24Vale, Felipe, las ventanitas se

51:27encuentran aquí en la platform.

51:31Paso el enlace.

51:33¿Lo recibís, no? Porque a veces no se

51:34reciben los los enlaces.

51:37Hay que dar sí. Message everyone. Vale.

51:40E

51:43vale, no te aparece porque tienes que

51:44dar add message to prompt,

51:48¿vale? Y entonces cuando pulsas aparece

51:51el user por defecto,

51:53el primero y el siguiente assistant. Y

51:57si no, pues lo cambias aquí.

52:00en la opción.

52:03Nada

52:05y aquí tenemos eso.

52:08Bueno, opción incluir ejemplos

52:11a cambiar el modelo dentro de los de

52:13Open AI, por supuesto, exclusivamente,

52:15porque estamos en la platform de Open

52:18AI.

52:20Bueno, y 20.000 opciones, ¿vale? Pero

52:24ahora lo que quería ver con vosotros,

52:27el máximo número de tokens en el output,

52:30¿vale? Que pues que para segmentos,

52:32sinceramente

52:341000 ya creo que son muchos,

52:37500, no sé, todo cada uno pues con los

52:40los segmentos que tenga, pero vamos.

52:43Y la temperatura, eso sí, yo

52:44sinceramente

52:47bajita, eh, para traducciones y para la

52:51mayoría de los casos de uso de la

52:53industria, extraer terminología,

52:57es que prácticamente todo es que baja

53:00jugar con valores bajos

53:03y el top P es que ni os molestéis, lo

53:06dejáis por defecto en cada modelo y

53:09punto. Si jugáis con la temperatura,

53:12no me aparece la temperatura ni vale

53:16porque no estás aquí y eso es un buen

53:18punto. No estás aquí, quiero decir, no

53:20estás en el mismo modelo que yo. Y eso

53:21es un buen punto para que veáis hasta

53:23qué punto, valga la redundancia,

53:26los eh parámetros

53:31están quedándose, digamos, hm en la

53:34irrelevancia, ¿vale?

53:36con modelos más nuevos

53:39los están quitando.

53:43Es que no los incluyen ni en los tres

53:44últimos

53:47y creo que en los otros anteriores ya

53:48tampoco los incluía.

53:51Vale, es que solo me da la opción de en

53:54el que está. Vale, porque no has metido

53:58no has metido los billing details,

54:02que no sé cómo se dice ahora mismo los

54:04detalles de pago de los pagos y todo

54:05esto. A ver, perdón,

54:10esto tienes que ir a Billin,

54:13si no

54:16Ah, pues a mí sí me deja.

54:18Ah, porque yo a lo mejor he metido ya

54:20una tarjeta, ¿vale? Pero vamos, lo más

54:22normal es que sea porque no has metido

54:24dinero o no has puesto una tarjeta o

54:26algo, por lo que no te deje

54:29seleccionarlos.

54:32Entonces,

54:34sinceramente, ¿por qué aún así decís,

54:38diréis, "¿Y para qué entonces si los

54:39nuevos modelos no están sacando lo de

54:41temperatura y lo de?" Porque aquí

54:43estamos viendo los modelos de Open AI

54:45por un lado,

54:47porque

54:49están saliendo rayas en la pantalla.

54:53¿Cómo has hecho eso? No sabía que se

54:54podía hacer lo de lo de las marcas

54:57estas. La cuestión es que no sé

54:59quitarlas, ¿eh? Ahora,

55:02bueno, da igual, ahí se van a quedar,

55:04¿eh?

55:07Básicamente

55:09no me diréis para qué.

55:12Si los nuevos modelos

55:15no tienen aquí para poner,

55:18no tienen ninguno ya de los últimos

55:22ya de los de o no no tenían tienen lo

55:26del razonamiento, que eso lo vamos a

55:28comentar más adelante, pero no tienen lo

55:30de los parámetros porque por tema de

55:33costes

55:36todavía puede estar interesante utilizar

55:38este tipo de modelos más antiguos.

55:41relación,

55:43coste,

55:44calidad, velocidad, etcétera.

55:48Por eso quería quería comentarlo, porque

55:51aunque ya los modelos estén configurados

55:54de forma automática para que no haya que

55:55seleccionarlos

55:57en lo que viene siendo eso, las

55:59soluciones con las APIs,

56:02programando y tal, porque tú nunca vas a

56:03poder seleccionar nada aquí,

56:06eh, pues eso, ¿por qué? Pues porque para

56:11modelos antiguos de Open AI en concreto,

56:14que es lo que estamos viendo, sí que

56:16pueden tener interés

56:20y eh para borrar puedo darle al lápiz de

56:23Zoom.

56:26A ver,

56:29cre drawings. Vale, gracias, Felip

56:32Felipe.

56:34Eh, a mí no me molestaba ya, pero es

56:38bueno saberlo.

56:44A ver, perdón que he visto otra

56:45pregunta.

56:47La firma tenemos prohibido. Vale, ahora

56:49entro. Ahora voy a entrar ahí.

56:52Vale, entonces para volviendo para no

56:54perderme porque no me quiero perder,

56:57os lo comento también, no solo por Open

56:58AI, ¿vale? Que parece que nos centramos

57:00en Openi

57:02en otros modelos de de Google en

57:06concreto,

57:09¿de acuerdo? Por un caso caso concreto

57:11en la empresa,

57:12los flash y alguno más sí que podías, o

57:17sea, sí que tienen para configurar

57:19temperatura.

57:22Y el razonamiento, bueno, aquí también

57:23tienes el razonamiento en los de

57:26en los de Open AI. El razonamiento al

57:30final

57:32pues es básicamente es lo que dice la

57:33palabra. ¿Qué qué es el razonamiento? El

57:35razonamiento es cómo quieres que el LLM,

57:40cuánto quieres, cuánto esfuerzo quieres

57:42y por tanto coste con tokens

57:46para que el Llé

57:49vueltas.

57:50Vamos a decir, piense más antes de

57:53responder,

57:54porque eso debería conllevar por toda

57:57lógica de cómo funcionan a una mejor

57:59respuesta.

58:01Y de nuevo, esto no es una no es una

58:05verdad universal, no siempre va a ser

58:06así. Las respuestas muchas veces eh van

58:10a ser mucho más caras y en proporción a

58:12lo que ganes no te van a compensar.

58:15Vale, es que aquí al final todo

58:18hay que meterlo en el mismo, digamos, en

58:21el mismo saco

58:23porque muchas veces dice, "Bueno, sí, la

58:25calidad sí, pero

58:29depende de para qué quieres la solución.

58:33Depende lo que quieres, la solución, qué

58:35es lo que quieres, si vas a vender, si

58:36es que para lo vas a utilizar tú para

58:38traducir,

58:40cuánto estás dispuesto a gastar tú

58:41también para

58:43pues editar segmentos. O sea, todo esto

58:46final pues es lo que vamos a ver estos

58:49días, que no hay una fórmula mágica, no

58:50hay una regla concreta, pero sí hay que

58:53tenerlo todo en cuenta y es lo que vamos

58:56a determinar, los los distintos

58:59parámetros que tenemos que considerar.

59:02para elegir modelos y entonces evaluar

59:07los pronts, cómo funcionan con esos

59:09modelos.

59:12Y volviendo ahora a la pregunta de

59:14Bianca,

59:19tenemos prohibido emplear CH GPT PNI,

59:23solo podemos emplear herramientas

59:24controladas. Copilot, Harvey, Harvey me

59:27han dicho que

59:29que funciona muy bien para el tema

59:30legal. Lo que no sé es para traducciones

59:33y creo que era Légora, ahora que has

59:36dicho, has puesto el nombre, me suena

59:38que esta con el móvil por ahí apuntado.

59:42Es que quiero asegurarme

59:44de lo que os voy a decir. No lo he

59:47comprobado yo porque yo no tengo acceso

59:48a estas herramientas. Me han dicho que

59:50elora

59:51eh funciona funciona bien en

59:54traducciones. También te digo que me lo

59:56ha dicho gente que no es del sector,

59:57¿vale?

1:00:00pero que funcionaba bastante bien. ¿Qué

1:00:02tal?

1:00:04A ver si lo encuentro aquí. Si no, pues

1:00:05lo dejo. Sí, es Légora. Lébor la que me

1:00:09dijeron.

1:00:11Os comento esto. Yo estoy al final en Me

1:00:13estoy cociendo un momento.

1:00:17Es que está aquí lloviendo hoy en

1:00:19Madrid.

1:00:21Vale.

1:00:23Eh,

1:00:25ya digo, no tengo nada más que

1:00:28referencias de

1:00:31personas profesionales concretos que

1:00:32trabajan en bufetes de abogados

1:00:35aquí en Madrid, porque yo estoy, bueno,

1:00:37formo,

1:00:39no lo hemos comentado la presentación

1:00:40porque es innecesario. Yo también estoy

1:00:41en una asociación profesional que se

1:00:44llama Nova Talent, que bueno que conoces

1:00:46profesionales de de distintos sectores,

1:00:48¿no? Entonces, pues bueno, habla de

1:00:49distintos temas, me han comentado esto

1:00:51de Legora y me han comentado esto de que

1:00:55DPL no les está gustando

1:00:58el LLM. Esto es lo que os puedo comentar

1:01:02sin contrastar, ¿vale? No podemos

1:01:05emplear, no podemos modular top Kate,

1:01:08top P ni temperatura. ¿Nos has probado?

1:01:12Nos hablará de la creación de PR en con

1:01:14herramientas que no empleen estos

1:01:16parámetros. Sí, o sea,

1:01:20o sea, es que al final vuelvo a lo

1:01:21mismo, el

1:01:24estos parámetros si ya no los están,

1:01:27digamos, incluyendo o los están

1:01:31no los están dejando configurar porque

1:01:33no tienen relevancia los nuevos modelos,

1:01:35significa que no hay que tenerlos en

1:01:37cuenta en los modelos que no lógicamente

1:01:40que no los ofrecen. Entonces, si los

1:01:43modelos o los proveedores que tú vas a

1:01:46utilizar no permiten configurarlos,

1:01:49céntrate en el resto de técnicas, que

1:01:52todavía nos faltan algunas por ver,

1:01:55que eso es mucho más, o sea, eso es el

1:01:5920% del esfuerzo en comparación, o sea,

1:02:02es el principio de Pareto y el 80% de

1:02:04los resultados vienen de ahí, de ser

1:02:06específico, detallado,

1:02:09el contexto relevante ¿Por

1:02:13qué pensamos, o sea, por qué ahora mismo

1:02:16el context engineering está tan de moda?

1:02:18Porque es que al final

1:02:21hablando, bueno, aquí estamos hablando

1:02:22de prons, no es el tema, pero bueno, los

1:02:25agentes está todo el mundo con los

1:02:27agentes y demás, al final lo que

1:02:30determina que funcionan mejor o peor es

1:02:33también cómo le facilitas el contexto,

1:02:35qué contexto le estás dando,

1:02:38que sea relevante, no por meterle ahí

1:02:40todo si estamos diciendo que se pierde

1:02:44cuando le le das demasiada información.

1:02:47Lo importante es hacerle llegar el

1:02:49contexto relevante en cada caso y ahí es

1:02:51donde está pues bueno, pues uno de los

1:02:53intrínulis de todo esto para obtener

1:02:55buenas respuestas.

1:02:58Resumiendo, no hay que tener, o sea, no

1:03:00hay que perder la cabeza con esto, no

1:03:02hay con los parámetros. Si están

1:03:04disponibles en el modelo, tenerlos en

1:03:06cuenta, el modelo que vayáis a utilizar,

1:03:08si no ni lo penséis.

1:03:12En emun emun emun emun creo que es.

1:03:17Teníamos antes GPT pero parece que no

1:03:20aclaraban

1:03:22para qué se utilizaban los datos

1:03:23incluidos en las preguntas o prons. Nos

1:03:26han cambiado a Gemini

1:03:28porque sí afirman no utilizar los datos

1:03:29para mejorar su modelo.

1:03:31Vale,

1:03:34Necane. Yo aquí,

1:03:38¿qué os voy a decir? O sea,

1:03:42cuando utilizas la API, o sea, esto, por

1:03:46ejemplo, que esta es una interfaz, pero

1:03:47es utilizar la API, o sea, simula la

1:03:49API. O sea, cuando te conectas a los

1:03:51modelos vía programación,

1:03:55hm, todos

1:03:57los proveedores y vamos,

1:04:00voy a decir sin haberlo comprobado ahora

1:04:02mismo recientemente, todos afirman que

1:04:05no utilizan los datos para entrenar los

1:04:07modelos.

1:04:11Eso es lo que dice.

1:04:14¿Qué pasa? ¿Nos fiamos o no nos fiamos?

1:04:16Yo también a veces me sorprendo,

1:04:20bueno, no me sorprendo porque al final

1:04:22es verdad que estas soluciones

1:04:24se utilizan para, o sea, digamos, estos

1:04:26modelos mejoran entrenándose con datos

1:04:31y claro, pues tú no quieres que aparezca

1:04:34nada confidencial o nada tuyo relevante

1:04:37o que es relevante para quien tiene que

1:04:39ser relevante, no para todo el mundo,

1:04:40aparezcan los modelos. sentido común.

1:04:43Entiendo perfectamente, pero a veces

1:04:45digo, bueno, hm, estamos utilizando todo

1:04:49el rato Gmail,

1:04:51estamos utilizando todo el rato

1:04:52Microsoft para todo,

1:04:55no sé, no nos preocupamos tanto de que

1:04:57esos datos los estén utilizando para

1:04:59entrenar los modelos si son los mismos

1:05:01proveedores de una cosa y de la otra.

1:05:04O sea, yo a veces me sorprendo de de

1:05:08esas de esas

1:05:11preocupaciones también. Si al final te

1:05:13ponen por escrito,

1:05:16porque lo suelen poner, lo tienen que

1:05:17poner por ley, ¿qué es lo que hacen? Y

1:05:20dicen que no se entrenan los modelos con

1:05:22los datos, te lo tienes que creer y si

1:05:25no te lo crees, pues no los utilices.

1:05:26Pero yo creo que al final nos volvemos

1:05:28un poco paranoicos ya.

1:05:31y bueno, en parte justificado, no quiero

1:05:34decir que no, pero que al final nos

1:05:36tienen a todos si quieren h sacan los

1:05:39datos de todas partes. Esa es mi

1:05:41opinión.

1:05:44Entonces,

1:05:46que si hay algo estrictamente, o sea,

1:05:49que no puede salir de un servidor local

1:05:53o de un servidor,

1:05:55entendedme cuando digo local que

1:05:57solamente tenga acceso una empresa, los

1:05:59miembros de una empresa,

1:06:02ahí sencillamente hay que optar por

1:06:04modelos locales. Entonces,

1:06:06y yo creo que los modelos locales van a

1:06:08dar mucha tranquilidad. Lo que pasa es

1:06:10que pues requieren un unos conocimientos

1:06:14técnicos extra para configurar todo,

1:06:17porque esto ya h para las soluciones ya

1:06:21conectándose con la API requiere ciertos

1:06:23conocimientos técnicos, requiere pues

1:06:25luego integraciones con los sistemas, ya

1:06:27ni digo con los TMS o con lo que sea,

1:06:31pues un modelo local tiene más

1:06:33dificultad y aparte los rendimientos

1:06:35pues dependen de tu hardware y el

1:06:38hardware vale dinero.

1:06:41Entonces, bueno, yo creo que llegará un

1:06:43día en que sí que llegaremos

1:06:46a que los modelos locales

1:06:48le hagan la competencia a a estos

1:06:51modelos.

1:06:53Yo creo que sí. Yo creo que va a llegar

1:06:55el día y que y que además además h estas

1:06:59mismas empresas yo creo que también

1:07:01comercializarán muchos modelos que se

1:07:03puedan utilizar en local porque si no

1:07:06van a perder pues eso, eh clientes, por

1:07:09así decirlo,

1:07:11y seguirán manteniendo los modelos más

1:07:13poderosos y que requieran pues eso, ya

1:07:15sabéis lo que consume esto de recursos y

1:07:18demás, pues seguirán manteniendo en

1:07:21acceso por API o acceso por plataforma.

1:07:24forma.

1:07:27Vale, dicho esto,

1:07:30mi reflexión,

1:07:35eh, vuelvo a la presentación.

1:07:42Vamos a ver.

1:07:44Nada, necane,

1:07:48yo sinceramente creo que Google

1:07:50Workspace,

1:07:53que supongo es lo que lo que si os han

1:07:55cambiado a nivel empresa, se utilizará,

1:07:58creo que sí que tiene que tienes toda la

1:08:00razón de que eh dicen que no se utilizan

1:08:03los datos de entrenamiento en absoluto.

1:08:06O sea, no se utilizan los datos para

1:08:07entrenamiento en absoluto.

1:08:10La cuestión es

1:08:12o yo me plantearía y yo miraría en las

1:08:15en las notas de privacidad de

1:08:16confidencialidad, acceden a los datos y

1:08:18yo creo que más que que lo entrenen, que

1:08:20por supuesto te van a decir todos que no

1:08:21entrenan con los datos, es si acceden a

1:08:24los datos o si los encriptan o no los

1:08:27encriptan o qué es lo que hacen. Eso es

1:08:29lo que a mí me parecería más relevante

1:08:30también. Mira, para temas de privacidad,

1:08:35yo normalmente los promps los creo y los

1:08:36guardo dentro de projects o chat GPT

1:08:38dentro de CHG GPT. Esta plataforma que

1:08:40nos enseñas crea mejor los proms. ¿Cuál

1:08:42es la ventaja a diferencia de crearlos

1:08:44aquí? Eso es buena pregunta.

1:08:47No necesariamente.

1:08:48Si tú pagas la versión Pro de CH GPT, o

1:08:51sea, la versión Pro, la Plus, creo que

1:08:52es la de 20 algún euro,

1:08:56si creas los pronos desde esa versión

1:08:59siempre va a ser, vamos, siempre va a

1:09:01ser igual.

1:09:03Es igual. Las diferencias es en el grado

1:09:06de granularidad. en las opciones que

1:09:10tienes aquí y en si te quieres meter ya

1:09:13en cosas muy concretas,

1:09:17pero esto lo vamos a ver más adelante.

1:09:21Lo importante, o sea, tener en cuenta

1:09:23cómo se crean los proms,

1:09:26es al final las los, o sea, las

1:09:29instrucciones que vamos a ver o las

1:09:30buenas prácticas, pero también qué

1:09:33modelo utilizamos para crear el prompt,

1:09:37el mismo modelo que vamos a utilizar en

1:09:38la solución, pues ya veremos que no.

1:09:42Vamos a utilizar siempre los mejores

1:09:44modelos disponibles

1:09:46porque van a crear mejor los PRS,

1:09:49aunque sea, por ejemplo, el Luna,

1:09:51utilizar el

1:09:53pues sí, pues el Astra, que es el más el

1:09:57más capaz, el mejor para Pron

1:10:02GPT en Nano,

1:10:04que es malísimo,

1:10:06eso sí super barato, pero es malísimo. o

1:10:09de mini,

1:10:11¿vale?

1:10:14¿Por qué? Porque son de la misma familia

1:10:16y es el modelo más capaz. Y como para

1:10:19cualquier otra tarea,

1:10:22para crear PRS,

1:10:25vamos a utilizar esos modelos.

1:10:29Y ahora vamos a seguir. Bueno, voy a

1:10:31contestar la última pregunta. Afina

1:10:33mucho más la API configurando el user

1:10:34assistant que un modelo de pago GBT,

1:10:36¿no? O sea, esto es un extra.

1:10:41Esto es un extra completamente.

1:10:45O sea, sinceramente, yo me quedaría más

1:10:48con la idea de que utilizara esta

1:10:50interfaz es para que tengáis mayor

1:10:53flexibilidad,

1:10:56¿vale? Y porque luego esto se puede

1:10:59utilizar en la

1:11:02¿Qué ventajas presenta frente al modelo

1:11:03de pago? La flexibilidad.

1:11:07la flexibilidad de poder elegir los

1:11:09modelos que quieras, que tú en el modelo

1:11:10de pago no lo puedes usar,

1:11:14¿vale? Puedes probar distintos modelos

1:11:16aquí,

1:11:17todos estos no van a estar disponibles

1:11:19ahí. Tú puedes trackar, llevar un

1:11:22control de los costes en esta

1:11:23plataforma, de qué cuesta cada input y

1:11:26cada output. Es que depende de para qué

1:11:29tú quieras utilizar esta GPT. Yo ahora

1:11:32mismo estoy hablando de crear

1:11:33soluciones. Si tú lo utilizas para tu

1:11:35día a día, ni se te ocurre entrar aquí.

1:11:39O sea, para tu día a día, tú pagas el

1:11:40Pro o el Plus o cómo se llame. Tú te

1:11:43olvidas de esto,

1:11:46¿vale? Eso tiene que quedar clara la

1:11:47diferencia. Una cosa es vamos a

1:11:50construir eh soluciones de inteligencia

1:11:52artificial.

1:11:55Esto es mucho más flexible y otra cosa

1:11:57es que vas a utilizar tú tu día a día.

1:12:00No sé si se oye el ruido del tráfico,

1:12:02¿no? Si se oye mucho me decís. No sé si

1:12:04aisla o no aisla el micro.

1:12:08Vale, pues continúo porque quiero cerrar

1:12:12la presentación y quiero que veamos

1:12:13varios ejemplos

1:12:15de las cositas que hemos visto hoy.

1:12:21Vale,

1:12:28las estrategias avanzadas

1:12:33de nuevo, como lo de la plantilla, no

1:12:35hay que usarlas todas todo el rato.

1:12:38Estos son extras que cuando el pront

1:12:40funciona bien, porque no va a funcionar

1:12:43bien todo la primera vez que escribáis

1:12:44un pront, pues son alternativas

1:12:48que utilicé, ¿vale? para mejorarlos.

1:12:53Para mí el utilizar los delimitadores es

1:12:55un básico. Yo lo utilizo porque a mí me

1:12:58gusta separar

1:13:00instrucciones de contenido. Entonces,

1:13:02cuando yo pego contenido,

1:13:04el contenido siempre va separado de esta

1:13:06manera,

1:13:08tipo, y aquí en en este ejemplo concreto

1:13:12tampoco te cambia la vida, pero si tú

1:13:15dices,

1:13:16"M

1:13:18the following content into Spanish,

1:13:23yo ya lo pongo así y lo pego aquí en

1:13:25medio,

1:13:27que en este caso concreto te va a

1:13:29cambiar la vida, ¿no? Yo me he

1:13:30acostumbrado a hacerlo así. Porque para

1:13:32las soluciones y para todo,

1:13:35al modelo le viene mejor tener

1:13:38instrucciones por un lado. Y esto no son

1:13:40instrucciones, esto bueno, sí son

1:13:41instrucciones, es una línea, pero yo

1:13:44estoy hablando de prontos,

1:13:46varias líneas que ahora vamos a crear

1:13:48alguno porque es que es bastante más

1:13:50fácil de de crear de lo que parece

1:13:54y entre medias el el contenido.

1:13:59Entonces,

1:14:01todos estos son para lo mismo.

1:14:04Estos son para separar distintas partes

1:14:06de prons,

1:14:09¿vale? Pues si el PR es largo, pues una

1:14:11sección y otra le puedes poner esto para

1:14:14separar o puedes utilizar el famoso

1:14:16markdown.

1:14:19¿Habéis visto este formato? Ya por

1:14:21curiosidad, no sé si estáis

1:14:22familiarizados con este formato porque

1:14:24es el más popular más que XML o Jason.

1:14:29para lo que viene siendo los LLMs,

1:14:33¿no? Vale.

1:14:36Eh,

1:14:38ah,

1:14:44vamos a ver.

1:14:47Vale, está entendido que que se lo que

1:14:51nos lo va a convertir, ¿vale? A

1:14:53markdown. Lo que peguemos ahí. Yo quería

1:14:56que me me

1:14:59create a random a random one.

1:15:03Esto es lo que se viene viene siendo

1:15:06eh interactuar, ¿vale? Lo que me refería

1:15:09con con interactuar.

1:15:12Pues si no me ha hecho caso, porque no

1:15:13me ha entendido, también te digo que

1:15:15esto es una forma muy rápida de pedir

1:15:17algo,

1:15:18puede no entenderlo.

1:15:22Entonces, básicamente, pues con Herrero

1:15:24lo que me dice, le vuelvo a decir que es

1:15:27lo que quiero y entonces sí que me da lo

1:15:28que quiero.

1:15:32Vale, aquí estáis viendo que esto está

1:15:34sin está posta hecho sin suscripción

1:15:37porque se puede utilizar sin

1:15:39suscripción, pero yo recomiendo a todos

1:15:41que paguéis suscripción de alguno de los

1:15:44modelos, o sea, de los proveedores.

1:15:48Va a funcionar mucho mejor todo.

1:15:52Vale, el markdown básicamente utiliza

1:15:55separadores de secciones,

1:15:58¿vale? Esto es como

1:16:01el título principal.

1:16:03Y estos son subtítulos cuando añades una

1:16:05segunda almohadilla.

1:16:09Vale,

1:16:11estos son bulet bullet points.

1:16:15Esto ahora mismo no recuerdo lo que es.

1:16:19La verdad es que no es tan común,

1:16:22pero lo podemos le podemos preguntar.

1:16:24Esto es la negrita

1:16:27y esto es el formato tabla

1:16:30separador.

1:16:33Vale.

1:16:42A ver qué dice.

1:16:45Quoted sentence.

1:16:49Vale, es una un block quotation. Ya sé

1:16:50lo que es. es esto de sí que te los

1:16:53marcas, te marca el contenido de esta

1:16:55manera, como en te lo resalta como en un

1:16:59cuadro,

1:17:01¿vale? sería esto

1:17:03que te lo pone en un cuadro como este.

1:17:05Básicamente este lenguaje es que era más

1:17:08pues eso más y sigue siendo más para

1:17:11máquinas básicamente para que las

1:17:13máquinas entiendan mejor formato. El

1:17:15HTML y el XML también son muy populares.

1:17:19El HTML es un tipo de XML

1:17:22para utilizar, digamos, para estructurar

1:17:25la información que le facilitas a la Llm

1:17:29y no solo para la información, sino se

1:17:32puede utilizar para los prompts.

1:17:35Bastante más común, insisto, con la idea

1:17:37de utilizar el markdown como

1:17:40posibilidad. Y ya veis que no necesitáis

1:17:42saber markdown,

1:17:45sino que básicamente le pedís que os lo

1:17:46ponga como markdown.

1:17:48Vale, vamos ahora a jugar de distinta

1:17:51forma pidiéndole varias cosas a la IA,

1:17:55en este caso a CH GPT

1:17:57y nosotros no vamos a hacer

1:17:58absolutamente nada porque es una de las

1:18:01principales ideas de de hoy.

1:18:05Pero dejadme llegar ahí. Otro concepto

1:18:08importante

1:18:10es el de variable.

1:18:12También la variable las variables

1:18:14referencian

1:18:16el contenido.

1:18:20El markdown

1:18:23es para para si puedes utilizar el

1:18:26prompt en formato markdown y para lo que

1:18:29más se utiliza, aparte de para el prompt

1:18:31es para el contexto que le facilitas al

1:18:35llm. Es un lenguaje que entiende mejor

1:18:37básicamente para estructurar la

1:18:40información.

1:18:44Vale, las variables, la variable se

1:18:48utilizan aquí

1:18:52también en en las APIs y las soluciones

1:18:55y es básicamente para

1:18:58reemplazar texto.

1:19:03¿Qué quiere decir para reemplazar texto?

1:19:04Es como un placeholder,

1:19:08¿vale? Entonces

1:19:13tú le dices

1:19:20into Spanish translate de source

1:19:23textiable

1:19:26que has introducido

1:19:29into Spanish entonces

1:19:32este source source textá

1:19:38tu texto,

1:19:40¿vale? Tu texto

1:19:43en teoría te lo segmentará, bueno, ya

1:19:46segmentado, o sea, frase por frase

1:19:49los irá enviando

1:19:52al LLM,

1:19:55eh, sentence one.

1:19:57Le llega sentence one

1:20:00y lo y ejecuta el pront.

1:20:03Le llega después sentence sentence to y

1:20:06ejecuta el pront. Y tú no tienes que

1:20:08estar todo el rato, ¿vale? Porque

1:20:10estamos hablando de soluciones una vez

1:20:12más. Esto es que tú conectas

1:20:16con la variable, estás conectando datos,

1:20:19en este caso segmentos, frases,

1:20:23en este caso concreto, para que no se

1:20:25los tenga que mandar al LLM todo el

1:20:28rato, sino que lo haga, los coja de

1:20:30forma automática. Está reemplazando el

1:20:32texto todo el rato aquí. No tienes tú

1:20:34que manualmente poner aquí lo que iba en

1:20:37sentence one,

1:20:39en sentence two o en lo que sea, las

1:20:41distintas frases.

1:20:44Y también se utiliza mucho

1:20:48para pronts genéricos, o sea, para crear

1:20:51pronts genéricos y que los idiomas

1:21:00los defines tú fuera, porque a lo mejor

1:21:02el pronto,

1:21:06Spanish, puede ser

1:21:11from source language Y para que entienda

1:21:15que es una variable, hay que ponerle,

1:21:18hay que poner los estos, los

1:21:21los paréntesis estos que no sé cómo se

1:21:22llaman ahora mismo.

1:21:24Carly brackets, creo que son en inglés.

1:21:27Following source text into

1:21:32sorry eh sí following text from form for

1:21:35no from

1:21:39source language

1:21:42to o into target language.

1:21:47Entonces, aquí sería,

1:21:51pues yo que sé, eh,

1:21:54voy a una frase que tengo por aquí

1:21:56siempre a mano. Esta frase legal, por

1:21:59ejemplo,

1:22:01from English

1:22:04to friends. Vale,

1:22:08entonces nosotros mandamos manualmente

1:22:10esta frase, pero esto se quedaría fijo y

1:22:13cada vez podemos enviar nuevas frases,

1:22:17¿vale? En este caso concreto,

1:22:19o la misma frase la mantenemos y podemos

1:22:23decir que cambiamos el español de esta

1:22:26manera y no tenemos que estar tocando el

1:22:28pronto,

1:22:31¿vale? Esto es especialmente útil.

1:22:34Bueno, aquí es que no hay créditos, es

1:22:35verdad.

1:22:36Podemos probar en la otra,

1:22:41pero vamos que es

1:22:43es exactamente lo mismo que estaba

1:22:45haciendo. A ver, rápidamente,

1:22:52eh, from

1:22:54following text

1:22:56input text from

1:23:00source language,

1:23:03no. Puedes ponerlo como quieras

1:23:04realmente el nombre. Al final está

1:23:06reemplazando a lo que escribes abajo en

1:23:10este caso.

1:23:13Entonces es totalmente arbitrario lo que

1:23:14ponemos aquí.

1:23:20Vale, entonces añadimos variable

1:23:24source language

1:23:30target language,

1:23:35¿vale?

1:23:38el input text

1:23:41y aquí English Spanish, por ejemplo.

1:23:47A ver si lo coge.

1:23:52Vale, esto, Vale, es que se me ha

1:23:54olvidado quitar una cosa que voy a

1:23:56explicar después. Repetimos como las

1:23:58natillas,

1:24:02¿vale?

1:24:04este acuerdo entrar en vigor tras la

1:24:06ejecución. Vale, perfecto.

1:24:09Borro porque esto se queda como contexto

1:24:12si lo dejo aquí, ¿vale? Yo no necesito

1:24:14este contexto para absolutamente nada

1:24:17en este caso porque voy a cambiar el

1:24:19idioma.

1:24:20Lo mismo si sigo traduciendo segmentos

1:24:22legales, sí que quiero que se quede ese

1:24:24texto ahí, ¿vale? Para que vayamos

1:24:25cogiendo la idea de para qué se utiliza

1:24:27eso, lo del user y el assistant. Pongo

1:24:30friends

1:24:32le personag cog se traduce

1:24:37al francés, ¿vale? Para que cojáis la

1:24:38idea de lo que hacen las variables.

1:24:40Están reemplazando

1:24:43por el texto correspondiente y esto se

1:24:45utiliza pues eso, para conectar

1:24:48esa información en las aplicaciones y

1:24:49que no dependan del prompt sino de

1:24:52sistemas externos como puede ser pues

1:24:53eso, un TMS

1:24:56que conecte los idiomas de cada proyecto

1:24:58con el prompt.

1:25:01Vale,

1:25:04bien.

1:25:05Continúo.

1:25:09Esto voy a cerrar que si no se me olvida

1:25:10que no tiene dinero.

1:25:16Vale. Variable. Concepto de variable.

1:25:18Podemos pedir pues eso,

1:25:22un output concreto, pues que nos

1:25:26faciliten en formato tabla, listas. en

1:25:29HTML, en Jason, y esto es lo que íbamos

1:25:31a ver, que es lo que he señado antes. Ha

1:25:34habido un spoiler, pero ha sido muy

1:25:36rápido.

1:25:38Y vamos a ver por qué esto de nuevo,

1:25:40esto es para aplicaciones que vamos a

1:25:42construir, o sea, que queramos construir

1:25:45o crear, porque da información

1:25:48estructurada para que otras aplicaciones

1:25:51entiendan y puedan mapear esos datos,

1:25:54esa información en los sistemas.

1:25:57Por eso este formato para las

1:25:59aplicaciones es muy importante, el JSON,

1:26:03¿vale? Antes era más el XML, ahora es el

1:26:05JSON porque es mucho más sencillo, la

1:26:06verdad, de leer.

1:26:08Pero bueno, para nuestros proms en

1:26:10general podemos pedir pues eso, que

1:26:12genere con un número de palabras menos

1:26:14de 50 palabras. traduce esto con en

1:26:18menos, o sea, utiliza menos de 10

1:26:20palabras para traducir este texto.

1:26:25Resume este artículo en cinco frases.

1:26:30Esos son ejemplos de outputs concretos.

1:26:34Y luego esto del True False 01,

1:26:38esto básicamente es igual, es para

1:26:39aplicaciones

1:26:41o sí, bueno, para aplicaciones, por

1:26:44ejemplo, para que un sistema entienda si

1:26:47un segmento tiene la calidad,

1:26:50la calidad de un segmento es buena o no,

1:26:52true or false, o un, que es lo mismo. El

1:26:55cero sería puede ser true o false, según

1:26:58se determine.

1:27:02Pues true or false. Pues eso, si es

1:27:03true,

1:27:05pues si es bueno, pues a lo mejor ese

1:27:06segmento no lo queremos enviar a

1:27:08traducir

1:27:10y si es false, pues sí.

1:27:17A ver, lo de la plataforma sirve para

1:27:21crear soluciones.

1:27:23Tú no vas a crear la solución desde aquí

1:27:24nunca.

1:27:27Esto es la simulación de una API.

1:27:32que se conecta, o sea, que

1:27:35digamos que tú conectas los sistemas o

1:27:37tú creas con el código

1:27:40aplicaciones

1:27:42y esto está mostrándote para que no

1:27:44tengas que programar cómo funciona. Esto

1:27:48es para entender cómo funciona y para

1:27:49hacer pruebas, para crear soluciones,

1:27:51no. Tú aquí no vas a crear ninguna

1:27:53solución.

1:27:55Tú aquí puedes crear un buen pronto.

1:27:57Son dos cosas diferentes.

1:28:01Traduce este texto, revisa este texto.

1:28:02Son operaciones sencillas.

1:28:05Nos da un ejemplo concreto de solución

1:28:06que tú has implementado.

1:28:09Así nos hacemos una idea de que

1:28:10justifiques su uso. Bueno, yo creo que

1:28:11lo he respondido al final.

1:28:13Esto es para crear pron y probar pron

1:28:16utilizando distintos modelos, en este

1:28:18caso de Openi,

1:28:20ajustando los distintos parámetros y

1:28:22haciendo pruebas.

1:28:24cuando tú no cuentas con un,

1:28:28vamos a decir, un pipeline

1:28:31con código y funcionas con código o se

1:28:35ha generado, o sea, o se ha creado un

1:28:38una aplicación

1:28:40que está mostrando ese pipeline tuyo con

1:28:43una interfaz,

1:28:45que eso es como se suele funcionar en

1:28:47general

1:28:49a esto, vamos, a niveles de de crear

1:28:51soluciones para probar Bronze sí que

1:28:54puedes con una interfaz de de forma

1:28:57bastante intuitiva jugar un poco con

1:29:00todo, pero todo esto se define en el

1:29:01código.

1:29:05Y entonces, hilando, lo que se puede

1:29:07definir aquí y que también se define en

1:29:10el código,

1:29:12que tampoco quiero entrar aquí a

1:29:14explicar, pues bueno, pues cómo es un

1:29:16Jason, es un lenguaje estructurado que

1:29:18tiene una clave y tiene un valor clave,

1:29:21valor. Entonces, los sistemas leen las

1:29:25claves y cogen

1:29:28la que le conviene en cada momento y

1:29:30entonces obtienen los datos, la

1:29:32información correspondiente del valor.

1:29:36Para eso se utilizan los Jason, para que

1:29:37puedan leer las claves y los valores,

1:29:41los datos se puedan utilizar donde donde

1:29:43convenga.

1:29:45En el caso este concreto,

1:29:48pues bueno, había pensado en básicamente

1:29:50que

1:29:52la respuesta almacenara tanto el source

1:29:56segment como el target segment, o sea,

1:29:59perdón, el segmento es todo, el source

1:30:01text y el target text. Vale, entonces

1:30:05voy a copiarla, que la tengo aquí en las

1:30:06notas.

1:30:12Yo tengo notas que no las utilizo, la

1:30:13verdad.

1:30:15Me hace falta ya leer nada.

1:30:19Vale, pues básicamente

1:30:22para que tengamos una idea lo que le

1:30:25estamos, bueno, estamos cumpliendo, que

1:30:26esto se lo he pedido

1:30:29a CH GPT,

1:30:31¿vale? O sea, yo esto no me he puesto a

1:30:32hacerlo. Yo esta es la idea que vamos,

1:30:36si son 35, vamos ya a ponernos con esa

1:30:39idea

1:30:41y a empezar a mentalizarnos de eso. Se

1:30:44utilizan los LMS ya para prácticamente

1:30:46todo. O sea, a nadie se le ocurre ya

1:30:49esto ponerte a copiarlo a mano. lo que

1:30:50haces es que lo revises, pero tú le

1:30:52pides provide an output esquema

1:30:57para

1:30:59pues eso que me que la respuesta del LLM

1:31:03me facilite en formato Jason el source y

1:31:06el target,

1:31:08¿vale? Entonces te lo da, tú lo copias y

1:31:10claro, si no lo entiendes, lógicamente

1:31:13tienes que probar y ver qué es lo que

1:31:14hace. Si sí entiendes lo que lo que

1:31:17estás haciendo, como pasa con todo con

1:31:19la IA, cuando entiendes de un tema,

1:31:21puedes leer y puedes verificar. Si no

1:31:22entiendes de un tema,

1:31:25pues si te fias te has fiado y si hay

1:31:27errores, pues nada, pues lo comprobarás

1:31:29después o probando o porque se dará

1:31:32alguien cuenta o por lo que sea.

1:31:35Entonces aquí

1:31:37va a mapear el source text,

1:31:40o sea, va va a el source text

1:31:43que le vamos a facilitar, ¿vale? y lo va

1:31:46a almacenar en una key, en una clave que

1:31:51se va a llamar se source text en un

1:31:53Jason, en un formato de este tipo y en

1:31:56una key que se llama translation,

1:32:00el texto traducido. ¿Vale? Eso es lo que

1:32:03va a hacer. Esto es otro ejemplo que os

1:32:05quería poner para que entendáis que esto

1:32:06es lo que se hacen las aplicaciones,

1:32:09o sea, que esto es lo que va debajo de

1:32:11las aplicaciones para que los sistemas

1:32:13entiendan

1:32:15eh y luego, o sea, entiendan la

1:32:17información y puedan utilizar esa

1:32:19información

1:32:22en las plataformas, en las interfaces,

1:32:23en los análisis de datos, en cualquier

1:32:26cosa.

1:32:29¿Vale? Pues entonces,

1:32:32translate input text. Vamos a hacer lo

1:32:34mismo que que estamos haciendo.

1:32:38La diferencia que hemos utilizado esta

1:32:40opción que se llama function, que

1:32:42básicamente es para pedir un JSON

1:32:45estructurado como output.

1:32:50Vale, esto es lo que el sistema

1:32:54genera y luego lo que el sistema puede

1:32:57leer.

1:32:59¿Vale? Bueno, aquí dice que que si

1:33:01queremos que siga generando lo que sería

1:33:03la respuesta final en la interfaz,

1:33:07¿vale? Esto no nos interesa, ¿vale? Esto

1:33:09es un añadido que antes ni existía aquí

1:33:10en la plataforma. Esto es para que tú

1:33:13veas qué es lo que respondería luego el

1:33:14asistente,

1:33:16pero yo me quiero centrar en, okay, yo

1:33:19no quiero la respuesta del asistente, yo

1:33:20quiero todo, la información

1:33:22estructurada, por eso te pido un Jason

1:33:25y yo me quedo con esto.

1:33:28Mi sistema ahora tiene el source y el

1:33:31translation. Y con esto podría ser,

1:33:34bueno, translation aquí llamándolo

1:33:37pues el LM translation

1:33:39y luego pues

1:33:42human translation y entonces ya puedes

1:33:44analizar esos datos y puedes, no sé si

1:33:47me entendéis, para eso se utiliza

1:33:50este tipo de estructura,

1:33:52para almacenar la información y luego

1:33:54poder utilizarla por otras aplicaciones.

1:33:59Bien, más cosas.

1:34:08Vale, bueno, esto

1:34:11pues son consejos el tema de los de los

1:34:14ejemplos de los SS

1:34:17depende siempre lo mismo, todo siempre

1:34:19es igual. Hay que probar con cada modelo

1:34:21y demás. Yo sinceramente con los modelos

1:34:24de razonamiento no metería

1:34:27más de un ejemplo, no metería y

1:34:30sinceramente no creo que sean

1:34:32necesarios.

1:34:34Yo no he probado todos los modelos de

1:34:36razonamiento que van sacando, siendo

1:34:38sincero, entonces no lo puedo saber con

1:34:40los nuevos modelos, pero de mi desde mi

1:34:41experiencia y desde algunos estudios que

1:34:44han hecho, un paper que han sacado y

1:34:47eso,

1:34:49con modelo de razonamiento suele

1:34:50empeorar el rendimiento de los de los

1:34:53prons.

1:34:56Y si incluís ejemplos,

1:34:58pues eso, dos o tres. Yo no me pondría a

1:35:02incluir muchos ejemplos. Y de nuevo por

1:35:04el mismo razonamiento, que al final

1:35:08a veces menos es más porque cuanto más

1:35:10información más se puede dispersar,

1:35:14¿vale?

1:35:16Y luego aquí básicamente pues es como el

1:35:20final remark que comentábamos antes, la

1:35:23observación o el apunte final en la

1:35:25estructura.

1:35:26del pront

1:35:29puede ser bastante útil

1:35:32incluir esta esta frase. Es una digamos

1:35:37un extra, una que podéis probar si no os

1:35:39está dando la respuesta que que queréis

1:35:42vuestro pronto.

1:35:44Una buena práctica también es,

1:35:48okay, por ejemplo,

1:35:50vamos a buscar, o sea, vamos a extraer

1:35:52terminología. Pues si encuentras este

1:35:54término,

1:35:57inclúyelo en esta columna y si no lo

1:36:00encuentras inclúyelo en otra o inclúyelo

1:36:02en un archivo aparte. Es mejor decirle

1:36:05que

1:36:07para lo que no queremos también h

1:36:11ofrezca un un resultado, o sea, provoque

1:36:14un provoque, ¿no? Proporcione un

1:36:16resultado,

1:36:19darle una forma de

1:36:21hm

1:36:23que no se pierda, por así decirlo. Okay,

1:36:25si encuent encuentras lo que queremos,

1:36:28haz esto. Pero si no es lo que queremos

1:36:31o si no está más que para lo que si es

1:36:34para lo que no, o sea, lo que no

1:36:36queremos es, ¿vale? Si encuentras este

1:36:38término, inclúyelo en esta en esta

1:36:40tabla.

1:36:43Y si no encuentras ningún término

1:36:45o si no hay ningún término de este tipo

1:36:47según lo que lo que estemos haciendo,

1:36:49entonces escribe un mensaje diciendo,

1:36:52pues no he encontrado ningún término. En

1:36:55lugar de dejarlo sin nada, simplemente

1:36:59si encuentra esto, inclúyelo en la

1:37:00tabla, ¿vale? Eso, esto es una buena

1:37:02práctica,

1:37:06¿vale?

1:37:08Es una buena práctica para que

1:37:09exactamente el LLM tenga una vía de

1:37:13escape ante, vale, no sé qué hacer

1:37:15porque no encuentro o no puedo hacer lo

1:37:17que me ha pedido el usuario.

1:37:23Y bueno, lo último

1:37:25que al final,

1:37:28bueno, tienes muy rimbombantes que yo

1:37:30creo que prácticamente ya no se utiliza

1:37:33porque el Chain of Thought va incluido

1:37:34ya en todos los modelos. Todos los

1:37:36modelos hacen esto ya,

1:37:39pero

1:37:41yo sinceramente recomiendo que sí que se

1:37:43haga como forma de estructurar qué es lo

1:37:46que nosotros queremos obtener del de del

1:37:49modelo.

1:37:51Vamos a a detallar las instrucciones

1:37:54paso a paso también por nuestra por

1:37:57nuestra lógica de estructurar la

1:37:58información

1:38:02y que esté ordenado y que tenga esa

1:38:04lógica, ese sentido

1:38:07y es que funciona mejor.

1:38:09¿Vale? Entonces,

1:38:12escribir primero hace esto, segundo la

1:38:14típica lista, esto funciona muy bien. Yo

1:38:19siempre utilizo,

1:38:22me sale solo, o sea, yo cuando ya un

1:38:23pronto un poco más largo, no es porque

1:38:25vaya a crear ninguna solución, sino

1:38:26cuando le pido algo más complicado en el

1:38:28día a día, yo ya funciono así. Yo le

1:38:31pido lo que quiero y le digo si es más

1:38:34enrevesado los pasos.

1:38:36Y luego el Daisy Chaining, que es

1:38:38encadenar pronuns.

1:38:43Ahora voy con tu con tu respuesta, o

1:38:46sea, con tu pregunta, Cristina. Voy a

1:38:48terminar esta que después de esta viene

1:38:49la última y quiero eh ponerme con

1:38:52ejemplos.

1:38:54El

1:38:57el encadenar pron básicamente significa,

1:39:00o sea, el dividir pron en tareas más

1:39:02sencillas es cuando tú necesitas que te

1:39:05extraiga terminología, a lo mejor de un

1:39:07texto monolingüe que te la traduzca y

1:39:10que te la ponga en una tabla, pues en

1:39:11lugar de pedírselo

1:39:13al mismo elem o a la vez en el mismo

1:39:17prompt, se lo puedes pedir en tres

1:39:18prompt distintos que se encadena uno

1:39:20detrás de otro o ahora con los agentes

1:39:23se Te lo pedirías a tres Ll, que puede

1:39:27ser el mismo, pero bueno, a tres agentes

1:39:28diferentes.

1:39:30Vale, funciona mejor también simplificar

1:39:33y pedir cosas más específicas y

1:39:36concretas, como hemos visto al

1:39:38principio, y no instrucciones muy largas

1:39:39y enrevesadas.

1:39:44Y esto es lo que lo que os recomiendo

1:39:49encarecidamente.

1:39:52Hay que entender todo lo que hemos visto

1:39:54antes. Sí, conviene entender porque

1:39:56luego vamos a

1:39:59probablemente tener que

1:40:02que optimizar por mucho que la IA nos

1:40:04vaya a ayudar

1:40:06a generar proms.

1:40:09vamos a tener que refinar en función de

1:40:11los resultados.

1:40:13Entonces, conocer técnicas

1:40:16y distintas estrategias que podemos

1:40:18aplicar es útil, pero lo que hay que

1:40:20utilizar para generar pronts son los

1:40:24propios lls,

1:40:27que se conoce como metapronting.

1:40:30¿Por qué?

1:40:32Porque si tú vas, o sea, ¿quién va a

1:40:34generar mejor un pront que quien está

1:40:37está quien está siguiendo instrucciones

1:40:40de pront?

1:40:42Las buenas prácticas

1:40:44que se pueden buscar en internet. Puedo

1:40:45facilitar enlaces si queréis de por

1:40:48ejemplo buenas prácticas para hacer

1:40:49pront.

1:40:51Eh, lo puedo incluir luego en los

1:40:53materiales.

1:40:55Muchas de las de lo, vamos, de lo que

1:40:58incluyen ahí ya está aquí.

1:41:00Pero aparte eh, o sea, ya el modelo por

1:41:03defecto va a usar eso en general

1:41:07porque está programado para eso.

1:41:08Entonces, la mejor forma es utilizarlos

1:41:10directamente

1:41:12y lo mejor es siempre utilizar los

1:41:14modelos más nuevos con el mayor

1:41:15razonamiento posible.

1:41:17Eso pues ya en la plataforma cuando

1:41:20pagas siempre se utiliza el modelo de

1:41:22vamos, te deja normalmente te deja

1:41:25seleccionarlo el razonamiento, pero si

1:41:27no se utiliza el modelo

1:41:30más eh avanzado por defecto cuando

1:41:32pagas.

1:41:35Entonces eh básicamente podéis utilizar

1:41:39los chats.

1:41:41Se así de simple. ¿Y cómo lo hacemos?

1:41:43Pues vamos a poner ejemplos concretos.

1:41:45Voy a mirar la pregunta.

1:41:47También lo importante no es solo que

1:41:50sean los modelos más nuevos y con un

1:41:52mayor razonamiento, el máximo

1:41:54razonamiento posible, sino

1:41:58si la solución va a utilizar un modelo o

1:42:00queremos utilizar un modelo de Open AI,

1:42:03utilizamos el modelo más avanzado y con

1:42:06razonamiento máximo que podamos dentro

1:42:08de nuestras posibilidades para generar

1:42:11promps

1:42:13que sea de Open AI. Si es de Google, si

1:42:18es un nuestras soluciones son de Gemini,

1:42:20utilizamos el modelo de Gemini más

1:42:22avanzado que podamos para generar los

1:42:25pronts, porque generan pronts más

1:42:29específicos y que funcionan mejor para

1:42:32modelos de la misma familia. Tiene todo

1:42:34sentido.

1:42:36Lo mismo Entropic o lo mismo Lama o

1:42:38cualquier otro tipo de modelos.

1:42:42Ejemplo práctico, utilizar estas pruebas

1:42:44en nuestro trabajo diario en trados.

1:42:47En este curso no va a haber nada de

1:42:49trados ni de ninguna eh cap tool

1:42:53concreto,

1:42:55¿vale?

1:42:57Entrados,

1:42:58si no me falla, vamos, si mi

1:43:00conocimiento está al día, hay plugins

1:43:03que permiten utilizar los LLMs

1:43:06y tú puedes modificar proms ahí y

1:43:09configurar los proms ahí.

1:43:11Ahí es donde tú tienes que aplicar este

1:43:13conocimiento en los pronts que vayas a

1:43:15utilizar

1:43:17conectando atrados.

1:43:20¿Vale? Esa es esa es la idea, o sea, que

1:43:23tendrías que llevarte los gestos para

1:43:27generar prons, evaluarlos, mejorarlos y

1:43:31enfocado en soluciones,

1:43:34buena parte, en soluciones

1:43:37que van a utilizar los LLMs. Si tú lo

1:43:39que quieres es utilizar un modelo para

1:43:41traducir y es una captool concreta, un

1:43:45TMS concreto, tienes que ver qué

1:43:48posibilidades tienes para conectar

1:43:50modelos de IA

1:43:53y qué facilidad tienes

1:43:55para poder configurar y cómo los proms y

1:43:59entonces aplicar el conocimiento

1:44:02en esos proms que tú vas a configurar

1:44:04ahí.

1:44:06¿Vale?

1:44:08Esa sería la idea para usar en CAT Tools

1:44:11o en TMSs.

1:44:15Vale, vamos a crear pront.

1:44:25Vale,

1:44:27pues podemos

1:44:30básicamente empezar por por lo básico.

1:44:33Bueno, voy a empezar aplicando prácticas

1:44:35que hemos visto aquí ya utilizar el

1:44:38inglés, ¿vale?

1:44:41Eh, vamos a crear un prompt,

1:44:45por ejemplo, para traducción legal,

1:44:50si os parece. Por ejemplo,

1:44:52eh, create a

1:44:56a promption

1:45:02y a ver qué hace.

1:45:10Vale, bueno, pues aquí empieza a meter h

1:45:12muchísimo información

1:45:15que considero oportuno

1:45:18ya de entrada dando por hecho

1:45:21h cómo sería útil. De hecho, incluye ya

1:45:24lo de como los place holders para el

1:45:26source y el target, ¿vale? que esto

1:45:28antes no lo hacía

1:45:32y te incluye ya la estructura que es el

1:45:37persona, que por cierto sí que lo he

1:45:38incluido,

1:45:40que decían que no todos los modelos ya

1:45:42necesitaban el persona, pues para Open

1:45:44AI sí que

1:45:46le parece interesante o relevante

1:45:50la tarea, los requirements, que son las

1:45:53instrucciones y aquí empieza a meter

1:45:56pues todo lo que considera oportuno. A

1:45:58lo mejor nosotros no queremos respetar,

1:46:00o sea, no consideramos necesario toda

1:46:02esta información. A lo mejor nosotros

1:46:05tenemos otras preferencias de tono y

1:46:08registro, pues nosotros ya nos basamos

1:46:11en una

1:46:13template, en una plantilla que nos está

1:46:16facilitando

1:46:17el modelo

1:46:20relevante, que es en este caso de Openi

1:46:22porque nuestra solución o el modelo que

1:46:24vamos a usar es de la familia de Open

1:46:26AI, o sea, es un chat GPT.

1:46:30Ya tenemos eh digamos una estructura en

1:46:32la que basarnos.

1:46:34que a lo mejor hay demasiada información

1:46:36aquí.

1:46:37Es que la cuestión es ir acotando, ir

1:46:42viendo qué es lo que nos interesa, no

1:46:44nos interesa mantener.

1:46:47Te pone también la parte del output,

1:46:50cómo quiere eh digamos, o sea, cómo

1:46:52queremos que genere la información. Pues

1:46:55aquí nos lo está nos está diciendo cómo

1:46:57podríamos hacerlo

1:46:59y es que proporcione un translation y

1:47:02unos translator translators note, pues a

1:47:04lo mejor no queremos las translators

1:47:05note, simplemente lo borramos

1:47:10y luego pues el source text

1:47:13que sería pues lo que tenemos que

1:47:14nosotros incluir,

1:47:17¿vale? Entonces

1:47:22nosotros

1:47:24para que generar pronts de cero,

1:47:27lógicamente mejor darle mucha más

1:47:29información y empezar diciéndole vamos a

1:47:32crear un prompt especializado para

1:47:34documentación

1:47:36legal de inglés a español para contratos

1:47:41de arrendamiento

1:47:44entre particulares, o sea, todo lo más

1:47:47concreto. que podamos evidentemente

1:47:49mejor. También estoy haciéndolo de esta

1:47:51manera

1:47:52para aplicar

1:47:55include

1:47:57the language pair

1:48:01or English

1:48:04into Spanish

1:48:07para ir viendo cómo

1:48:11podemos

1:48:13sin necesidad de estar nosotros

1:48:15modificando y pidiéndole cambios ya. Y

1:48:18en este caso ya es para

1:48:20eh bueno, aquí ya te dice que pague si

1:48:22quieres. Por eso digo que hay que pagar.

1:48:24Si utilizáis mucho una un modelo en

1:48:26concreto.

1:48:29Eh

1:48:30te marca

1:48:33ya

1:48:35h partes concretas en las que el pront

1:48:38se ha hecho más especializado

1:48:40porque tú se lo has pedido que sea de

1:48:41inglés a español.

1:48:43Vale, las ha marcado antes en azul y

1:48:45ahora se está estaba, bueno, algunas

1:48:48están en negrita y demás.

1:48:51Source text, target text, default

1:48:52target, jurisdiction, Spain, pues a lo

1:48:56mejor son textos de la Unión Europea y

1:48:59queremos que se que utilice Eurlex o se

1:49:02base lo que sea. Podemos modificar a

1:49:05base de eso, podemos decirle que lo haga

1:49:09de

1:49:10translation.

1:49:13Eh, de pronts,

1:49:27¿vale? pues ya empieza a meter

1:49:31pues

1:49:33digamos especificaciones o especifidades

1:49:36o como queramos decir cosas concretas

1:49:41de del tema contratos. Pues a lo mejor

1:49:43alguna no nos cuadra, la diríamos de

1:49:45otra forma, la expresaríamos de otra

1:49:46manera, correcto, pero por lo menos

1:49:49tenemos una base eh sobre la que

1:49:52basarnos no tenemos por qué empezar de

1:49:54cero,

1:49:57¿vale? Este, lo de utilizar los los LLMs

1:50:00para generar los prons

1:50:04es la mejor práctica que os puedo

1:50:05recomendar,

1:50:08¿vale? Y lógicamente pues hay que

1:50:10probarlos, o sea, no vale con que te lo

1:50:11genere. Y esto así de largo dices,

1:50:13bueno, pues a lo mejor pues hay que

1:50:14leerlo, hay que ver qué tiene sentido,

1:50:16que no tiene sentido para nosotros,

1:50:19adaptarlo o pedirle que lo adapte. Esta

1:50:22es la clave, ir jugando

1:50:25con eh

1:50:28lo que nos facilita el Ll y lo que

1:50:31nosotros

1:50:32necesitamos.

1:50:34Provide the pront

1:50:42y yaí la tienes en Market, lo tienes en

1:50:45Marketown Format.

1:50:49Tú no tienes que escribir el markown

1:50:51format.

1:50:56Hm. The output text.

1:51:01The output should

1:51:04be provided in Jon format

1:51:13with source text

1:51:17and target and translation as Kiss.

1:51:25Sí, perfecto, Felipe. Eso es perfecto.

1:51:33Sí, yo había recomendado que no

1:51:36y si lo y lo utiliza hacerle siempre

1:51:39caso a lo que diga el modelo concreto

1:51:43antes de lo que yo diga, por supuesto.

1:51:45Eso está claro. Desde mi experiencia

1:51:48es mejor utilizar void, summarizing

1:51:52paraphrasing,

1:51:53pero esto va cambiando con los modelos

1:51:57y ya os digo, igual que lo de los

1:52:00ejemplos con los reasoning model, por

1:52:01ejemplo,

1:52:03desde mi experiencia no incluíis más de

1:52:05un ejemplo con un RISON model.

1:52:08Lo mismo con los nuevos modelos de

1:52:09Risonim,

1:52:11incluye más ejemplos y funcionan mejor,

1:52:13¿vale? O sea, esto es la idea principal

1:52:16es que hay que probar. Tenéis cuando

1:52:19probéis y no funcione distintas

1:52:22opciones, que es lo que a mí me ha

1:52:24funcionado y es lo que yo creo que

1:52:25deberíais de utilizar.

1:52:27Pero por supuesto lo la idea más

1:52:29importante es utilizar los LLMs

1:52:34para crear los pronts. Y una vez has

1:52:36creado el pront, muy buena pregunta,

1:52:38porque en la misma conversación, ¿no?

1:52:41Por favor, vamos a esta es la

1:52:43conversación para crear nuestro prompt.

1:52:47Vale, bueno, aquí estamos viendo que ya

1:52:52pase the English contract esta este prom

1:52:55está hecho para

1:52:58eh en principio traducir documentos,

1:53:00incluso, no necesariamente segmentos,

1:53:02¿vale? Igualmente lo que hacemos es que

1:53:04nos copiamos el pront

1:53:07y

1:53:08donde nos dice

1:53:11page de English contract here es donde

1:53:14vamos a pegar

1:53:16el segmento

1:53:18o el documento entero o lo que queramos.

1:53:20En este caso puede ser documento entero,

1:53:25¿vale? Copio y pego, tal cual.

1:53:29Y

1:53:34la frase de antes, el segmento de antes,

1:53:37y a ver qué hace.

1:53:42Vale, ¿os acordáis? No,

1:53:45si no os acordáis, lo miramos.

1:53:52Lo último que le pedí.

1:53:57que proporcione un valid jon

1:54:01con source text and translation as kiss.

1:54:04¿Vale?

1:54:06Entonces, lo que ha hecho es el source

1:54:08text que le he facilitado,

1:54:11el que le hemos enviado y luego aparte

1:54:14eh la traducción en un formato Jason con

1:54:18las keys y los values.

1:54:21¿Vale? Puedes hacer un ejemplo un

1:54:24documento Word. ¿Cómo lo hacemos para

1:54:25subir un glosario una base de traducción

1:54:27previa?

1:54:30Pues a ver, eh, ¿cómo hacemos para

1:54:32incluir un glosario en una base de

1:54:33traducción previa? El meterle el

1:54:36glosario tendrías que decirle

1:54:39pues modify

1:54:42I' like to include a glossary. Perdón,

1:54:46aquí no, en donde estamos creando el

1:54:47prompt, ¿vale? En la conversación, mucho

1:54:50mejor en la conversación donde creamos

1:54:51el prompt.

1:54:53Pero en la otra conversación también

1:54:54podríamos hacerlo porque en función del

1:54:57feedback

1:54:59podemos refinar el pront. O sea, esto es

1:55:01por ser un poco dogmático, pero no tiene

1:55:04por qué ser tan así, ¿vale? Un poco de

1:55:07flexibilidad, pero para que me

1:55:08entendáis, para mantener la coherencia,

1:55:10creación de pront y traducción en en el

1:55:13otro en el otro chat.

1:55:16I' like to include

1:55:19a glossary

1:55:22to be taken

1:55:24to be followed

1:55:27in the translation in the in the

1:55:30translation.

1:55:32Y luego, ¿cómo puedo hacer un ejemplo

1:55:34con un documento de Word? Pues ahora

1:55:35mismo no tengo un Word aquí legal, pero

1:55:37le pido yo a a Cloud que genere uno en

1:55:41un momento.

1:55:44Por ejemplo,

1:55:48generate a

1:55:50a legal contract in English.

1:55:55Lo que voy a hacer es, vale, esto no va

1:55:56a estar en un Word, pero lo puedo copiar

1:55:58y pegar en un Word si hiciera falta.

1:56:03Vamos, si lo que queremos es subir un

1:56:04documento Word, entiendo. Eh, cont,

1:56:09bueno, me hace preguntas

1:56:13por freelance services

1:56:16de Spain.

1:56:18Bueno, esto porque ha querido hacerme

1:56:20preguntas en lugar de hacerme un

1:56:21contrato random. Por eso es mejor ser

1:56:24específico desde el principio si quieres

1:56:26evitarte

1:56:28el la interactuación, pero vamos, o sea,

1:56:31interactuar.

1:56:34Bueno, pues lo está creando el ejemplo

1:56:35que no tiene por qué ser un contrato

1:56:37perfecto ni nada de eso, ¿vale? Pero es

1:56:39para

1:56:40poder utilizar esto.

1:56:47Andrés, disculpa que te interrumpa, te

1:56:50recuerdo que son las 8 y no sé bien bien

1:56:52hasta qué hora se mantiene abierta la

1:56:55sesión. No,

1:56:57entonces si te parece puedes contestar a

1:56:59las preguntas que son importantes y

1:57:01luego ya

1:57:02Sí, sí, justo estoy además con las de

1:57:05O sea que

1:57:07Vale, pues estaba por aquí

1:57:12lo del glosario,

1:57:15¿vale?

1:57:17the glosary paste the glossary here.

1:57:20Pues te cuando le pedido en este caso

1:57:23que me gustaría incluir el glosario, el

1:57:26el Ll decide

1:57:29dónde tienes que incluir el glosario.

1:57:31Dice que lo que lo pegues aquí, ¿vale?

1:57:34que tú no tienes ni que decidir dónde.

1:57:37También le puedes preguntar en qué

1:57:39formato quieres el glosario y a lo mejor

1:57:44pues te dice eh, yo que sé, en formato

1:57:46tabla de Markdown, pues tú lo facilitas

1:57:50en Excel o en CSV y le dices, "Convierte

1:57:53este glosario a formato tabla de

1:57:55Markdown,

1:57:57pero facilita. Copias el glosario, lo

1:57:59pegas aquí,

1:58:01¿vale?

1:58:03todo el rato es, ¿qué es lo que

1:58:07necesito? Voy a pedirle que me lo

1:58:10incluya o cómo lo puedo incluir, en qué

1:58:11formato lo necesita. Se lo vuelvo a

1:58:13pedir así sucesivamente.

1:58:17Y es la mejor manera de funcionar.

1:58:20Vale, tema documento. A ver si no lo ha

1:58:24generado. Pues bueno, aquí tenemos un

1:58:27contrato

1:58:29de prueba.

1:58:33Eh,

1:58:34déjame que haga la prueba. Te contesto,

1:58:36Cristina. A ver, vamos a copiar esto tal

1:58:40cual. Bueno, subiendo un documento de