Introducción
Actualmente, los modelos de lenguaje como ChatGPT han revolucionado la forma en que interactuamos con la inteligencia artificial. Estos modelos, impulsados por enormes cantidades de datos y algoritmos complejos, tienen el potencial de proporcionar respuestas y soluciones a una gama diversa de consultas y problemas. Sin embargo, la eficacia y precisión de estas herramientas dependen significativamente de la habilidad del usuario para comunicarse con ellas de manera efectiva. Aquí es donde entra en juego el arte del prompting.
El prompting no es simplemente formular preguntas o solicitudes; es un ejercicio refinado de comunicación y comprensión. Requiere no solo saber qué preguntar, sino también cómo formular estas preguntas de manera que el modelo de lenguaje pueda interpretar y procesar la información de manera eficiente y efectiva. Esta habilidad se vuelve aún más crucial cuando consideramos que estos modelos, aunque avanzados, todavía tienen limitaciones y peculiaridades en su forma de procesar y responder a la información (Wie et al., 2022).
Para docentes universitarios y profesionales que se acercan a estas tecnologías, entender y dominar el arte del prompting es esencial, ya que abre puertas a un uso más innovador y creativo de la herramienta en diversos campos, desde la investigación académica hasta las aplicaciones prácticas en la industria.
En esta guía, exploraremos en profundidad la técnica de prompting conocida como “Cadena de Pensamiento" (CoT por sus siglas en inglés), que descompone los problemas desde pasos lógicos, hasta estrategias avanzadas que se adaptan a contextos específicos y fomentan la creatividad. La comprensión de esta técnica ofrecerá una perspectiva más amplia sobre las capacidades y limitaciones de la inteligencia artificial en el contexto actual.
Explicación
La "Cadena de Pensamiento" (CoT) es una metodología que emula el proceso humano de resolución de problemas, descomponiéndolos en pasos más pequeños y manejables. Este enfoque, ilustrado en los estudios de Wei et al. (2022), es especialmente útil en contextos donde la lógica secuencial y detallada es clave.
Al
emplear esta técnica en un modelo de lenguaje como
ChatGPT, se le solicita que detalle cada etapa de su
razonamiento, lo que es particularmente útil en tareas complejas. Por
ejemplo, en un problema aritmético, esta técnica ayuda a
desglosar el proceso de cálculo en pasos más simples y claros.
Además de mejorar la precisión, esta técnica también incrementa la
transparencia del proceso de razonamiento del modelo, facilitando la
comprensión y la depuración de sus respuestas.
Mientras la cadena de pensamiento es extremadamente útil en problemas matemáticos, su utilidad se extiende a una variedad de contextos, incluyendo el razonamiento de sentido común, que implica comprender y razonar sobre situaciones cotidianas. A pesar de los desafíos inherentes, los prompts adecuados pueden mejorar significativamente la capacidad del modelo para abordar estas tareas, proporcionando respuestas más coherentes y fundamentadas en el conocimiento general.
Supongamos que queremos que ChatGPT resuelva el siguiente problema matemático: "Roger tiene 5 pelotas de tenis. Compra 2 latas adicionales de pelotas de tenis, y cada lata contiene 3 pelotas de tenis. ¿Cuántas pelotas de tenis tiene ahora?"
Para lograrlo, podríamos emplear el siguiente prompt sin CoT:
Pregunta: "Roger tiene 5 pelotas de tenis y compra 2 latas adicionales de pelotas de tenis, cada una con 3 pelotas. ¿Cuántas pelotas tiene ahora?"
Respuesta: La respuesta es 11.
En este caso, estamos dando un “shot”, o ejemplo, dentro del prompt para que ChatGPT entienda cómo queremos que responda y razone; pero la respuesta del ejemplo es directa, por lo que no estamos enseñando a la IA el razonamiento especifico que nos gustaría que hiciera. Si quieres probar el prompt en tu ChatGPT, puedes copiar y pegar esto:
Pregunta: Roger tiene 5 pelotas de tenis y compra 2 latas adicionales de pelotas de tenis, cada una con 3 pelotas. ¿Cuántas pelotas tiene ahora?
Respuesta: La respuesta es 11.
Pregunta: María tiene 2 panes y compra dos bolsas más; la primera bolsa tiene 5 panes y la segunda tiene 3. ¿Cuántos panes tiene ahora?
Respuesta:”
Probablemente ChatGPT pueda darte la respuesta correcta (10) algunas veces, y otras simplemente inventará el resultado.
Probemos entonces con un prompt con CoT:
Pregunta: "Roger tiene 5 pelotas de tenis. Él compra 2 latas más de pelotas de tenis, cada una con 3 pelotas. Describe paso a paso cómo calcularías cuántas pelotas de tenis tiene ahora Roger."
Respuesta: "Roger comenzó con 5 pelotas. Compra 2 latas, y cada lata tiene 3 pelotas, lo que suma 6 pelotas adicionales. Para encontrar el total, sumamos las 5 pelotas originales más las 6 adicionales. 5 + 6 = 11. Por lo tanto, Roger ahora tiene 11 pelotas de tenis."
En este caso, al utilizar un prompt con cadena de pensamiento, el modelo desglosa el problema en pasos lógicos y claros, proporcionando no solo la respuesta final, sino también el proceso que llevó a esa respuesta. Esto es particularmente útil para entender el razonamiento del modelo y garantizar que la solución sea fruto de un proceso lógico y no de una coincidencia o error. Si quieres usar este prompt en ChatGPT, copia y pega esto:
Pregunta: Roger tiene 5 pelotas de tenis. Él compra 2 latas más de pelotas de tenis, cada una con 3 pelotas. Describe paso a paso cómo calcularías cuántas pelotas de tenis tiene ahora Roger.
Respuesta: Roger comenzó con 5 pelotas. Compra 2 latas, y cada lata tiene 3 pelotas, lo que suma 6 pelotas adicionales. Para encontrar el total, sumamos las 5 pelotas originales más las 6 adicionales. 5 + 6 = 11. Por lo tanto, Roger ahora tiene 11 pelotas de tenis.
Pregunta: María tiene 2 panes y compra dos bolsas más; la primera bolsa tiene 5 panes y la segunda tiene 3. ¿Cuántos panes tiene ahora?
Respuesta:”
Entender cómo personalizar y adaptar estas técnicas a las necesidades específicas de cada tarea o situación es fundamental para maximizar su eficacia.
Conclusión
La
técnica de "Cadena de Pensamiento" (CoT) representa un
avance significativo en la interacción con modelos de lenguaje como
ChatGPT, permitiendo una mayor precisión y claridad en las respuestas.
Al descomponer problemas en pasos lógicos y detallados, esta metodología
no solo mejora la calidad de las soluciones ofrecidas, sino que también
incrementa la transparencia y comprensión del proceso de razonamiento
del modelo. Esto es especialmente valioso en contextos educativos, de
investigación y en la solución de problemas cotidianos, donde un enfoque
paso a paso puede facilitar una mayor comprensión y aprendizaje. La
habilidad para utilizar efectivamente el CoT, y
adaptarlo a diversas situaciones, es clave para explotar plenamente las
capacidades de estos avanzados modelos de lenguaje, abriendo un amplio
abanico de posibilidades para su aplicación práctica y creativa.
Finalmente, responde las siguientes preguntas:
- ¿Cómo podrías aplicar la técnica “Cadena de Pensamiento” para mejorar la comprensión de conceptos complejos en tu campo de estudio o trabajo?
- ¿De qué manera podrías utilizar el CoT para fomentar un aprendizaje más profundo y reflexivo en situaciones que requieren soluciones creativas o un análisis detallado?
Checkpoint
Asegúrate de:
- Implementar la técnica de “Cadena de Pensamiento” en la formulación de prompts.
- Evaluar y ajustar prompts según las respuestas obtenidas.
