FácilOpción múltiple

Pregunta de práctica de Generative AI Leader

Una empresa minorista desea utilizar IA generativa para generar descripciones de productos para miles de artículos. Necesitan garantizar que las descripciones sean coherentes con la voz de su marca y no contengan imprecisiones fácticas. ¿Cuál es la estrategia más eficaz?

Elige la mejor respuesta.

Respuesta correcta

  • BAjustar (fine-tune) un modelo con descripciones de productos históricas y utilizar ingeniería de instrucciones (prompt engineering) con pautas de marca.

Explicación

Ajustar (fine-tune) un modelo con descripciones de productos históricas alinea el modelo con la voz de marca específica y el lenguaje de dominio de la empresa, mientras que la ingeniería de instrucciones (prompt engineering) con pautas de marca proporciona directrices explícitas para cada generación. Esta combinación garantiza la coherencia y reduce las imprecisiones fácticas al basar el modelo en ejemplos verificados e instrucciones estructuradas, lo cual es más eficaz que los sistemas basados en reglas o la posprocesamiento por sí solo.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Utilizar un sistema basado en reglas para generar descripciones a partir de atributos de productos.

Un sistema basado en reglas no puede producir el lenguaje natural y variado que ofrece la IA generativa, y la calidad de su salida está limitada por los atributos proporcionados. Es tentador porque las plantillas deterministas garantizan la precisión fáctica a partir de atributos estructurados, lo que se adaptaría a descripciones de formato fijo altamente reguladas donde no se desea creatividad.

B

Correcta

Ajustar (fine-tune) un modelo con descripciones de productos históricas y utilizar ingeniería de instrucciones (prompt engineering) con pautas de marca.

El ajuste fino con descripciones históricas incrusta la voz de la marca directamente en los pesos del modelo, mientras que la ingeniería de instrucciones inyecta pautas de marca en el momento de la inferencia para limitar el tono. Esta combinación satisface el requisito de coherencia en miles de artículos, y fundamentar las instrucciones en textos copiados aprobados reduce las afirmaciones de productos inventadas.

C

Incorrecta

Utilizar un modelo de lenguaje grande (LLM) sin filtros de seguridad para maximizar la variedad de salidas.

Eliminar los filtros de seguridad aumenta el riesgo de salidas inventadas o dañinas y no hace nada para alinear las descripciones con la voz de la marca. Es tentador porque el muestreo sin filtrar amplía la variedad estilística, lo que se adaptaría a la lluvia de ideas creativa exploratoria donde la precisión fáctica y el cumplimiento de la marca son irrelevantes.

D

Incorrecta

Utilizar un modelo preentrenado sin ninguna personalización y depender de filtros de posprocesamiento.

Un modelo preentrenado no personalizado no puede reproducir de manera confiable una voz de marca específica, y los filtros de posprocesamiento detectan imprecisiones solo después de la generación. Es tentador porque evita el costo y el esfuerzo de entrenamiento, y se adaptaría a contenido genérico de bajo riesgo donde no se requieren la consistencia de marca ni la precisión fáctica.

Para profundizar

El ajuste fino (fine-tuning) adapta los pesos de un modelo base a un corpus de dominio, por lo que un modelo ajustado con descripciones históricas de productos aprende el tono, la terminología y la estructura típica de la marca, mientras que la ingeniería de instrucciones proporciona directrices y restricciones explícitas en el momento de la inferencia. Combinar ambos es eficaz porque el ajuste fino captura patrones estilísticos que son difíciles de expresar en una instrucción, y el uso de instrucciones (prompting) aplica requisitos por solicitud como la longitud, afirmaciones prohibidas o atributos requeridos. La precisión fáctica aún requiere fundamentación (grounding), por ejemplo, mediante la inyección de atributos de productos verificados en la instrucción, y un paso de revisión humana o automatizada detecta errores residuales. Un matiz es que el ajuste fino con copias históricas no verificadas puede propagar imprecisiones existentes o afirmaciones obsoletas, por lo que el corpus de entrenamiento en sí debe ser curado antes de que se confíe en que el modelo genere texto dirigido al cliente a escala.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de Generative AI Leader de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.

Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.