¡Hola a todos!
Comparto mi resolución del ejercicio práctico de la clase. Para este trabajo tomé como caso de estudio una empresa de comercio electrónico y distribución (LogiTech Solutions), analizando cómo el contexto documental y los parámetros del modelo influyen directamente en la confiabilidad de las respuestas.
Puntos clave abordados en el trabajo:
- Mapeo documental por sectores: Identificación de fuentes primarias (Logística, Facturación, Legal) para evitar que la IA construya respuestas sin sustento.
- Tokenización y semántica vectorial: Desglose en tokens (estilo BPE) y análisis de cómo los embeddings permiten identificar la similitud entre consultas con distinto vocabulario pero idéntica intención.
- Impacto de la Temperatura (T): Experimento práctico comparando respuestas a T = 0.1 T=0.1, T = 0.7, T=0.7 y T = 1.4, T=1.4
Se evidenció claramente el principio visto en clase: «una respuesta fluida y convincente no siempre es una respuesta verificada» (a mayor temperatura, el modelo inventó políticas y compensaciones inexistentes). - Mitigación con estructura $P$: Configuración de un marco de prompt estructurado para acotar alucinaciones y neutralizar la tendencia natural del modelo a la complacencia.
Les dejo el informe completo en el drive: https://drive.google.com/file/d/1c06nNpSk0dDnAfTTyhvwkMm6rI1K968X/view?usp=sharing
Me encantaría conocer cómo abordaron ustedes la variación de temperatura en sus casos y qué criterios utilizaron para mitigar las respuestas vacías.
¡Quedo atento a sus comentarios y sugerencias!
Saludos,
Pablo
