Ingeniería de prompts para LLMs

Capítulo 5. Contenido del prompt

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

Imagina que estás creando una nueva aplicación de recomendación de libros basada en el LLM. La competencia es dura porque ya existen innumerables aplicaciones de recomendación de libros. Sus recomendaciones suelen basarse en enfoques muy matemáticos, como el filtrado colaborativo, que obtiene recomendaciones para los usuarios comparando sus patrones de uso con los patrones de uso de todos los demás usuarios.

Pero los LLMs podrían tener algo nuevo que ofrecer en este ámbito, porque a diferencia de los algoritmos de recomendación rígidos y computacionales que se utilizan más habitualmente, los LLMs pueden leer datos textuales sobre un usuario y utilizar un sentido común casi humano para hacer recomendaciones, de forma parecida a un humano que ha leído detenidamente todas las reseñas de libros disponibles en Internet.

Veámoslo en acción. La Figura 5-1 muestra dos ejemplos de recomendaciones de libros de ChatGPT. En el primero, sólo incluimos información sobre los últimos libros que leí: MobyDick y Huckleberry Finn. Este tipo de información -libros anteriores leídos- es análoga a la que utilizarían los sistemas de recomendación más tradicionales. Y como vemos, la recomendación resultante de Matar a un ruiseñor no es descabellada.

Pero ahora, es el momento de dejar que brille el poder de los LLMs. En la parte derecha de la figura, incluimos ...