¡Hola a todos! Comparto el resumen y la práctica de la Clase 3 - Casos de uso y limitaciones.
- De texto desordenado a listas estructuradas (Google Sheets): Procesé una base de 20 comentarios de clientes de un restaurante (
CLI-001aCLI-020) para clasificarlos por sentimiento (40% positivos, 30% neutros y 30% negativos) y detectar patrones accionables: las fortalezas en el trato del personal y las terrazas, frente a oportunidades de mejora en la estandarización de la cocción del arroz, la accesibilidad física (rampas y distribución de mesas) y la brecha entre el marketing de redes sociales y la experiencia real. - Procesamiento de audio/video técnico: Analicé una grabación de 28 minutos sobre la apertura de infraestructura de IA de Google y sus chips TPU, extrayendo una ficha técnica con la máquina central, los 5 problemas críticos (explosión de cómputo en búsquedas por voz, bloqueo del ecosistema de software de Nvidia, pérdida de exclusividad de chips propios, escasez de memoria HBM y cuellos de botella eléctricos) y el parecer estratégico centrado en el "rendimiento útil por vatio".
- Corrección de inconsistencias y método
$P: Audité borradores iniciales para corregir interpretaciones erróneas (como sugerir eliminar el plato estrella en lugar de estandarizar su cocción en horas pico) y alucinaciones por cruce de datos, aplicando la estructura de prompt$Pcon contexto, rol y restricciones estrictas de verificación. - Generación de artefactos visuales: Transformé los hallazgos de la hoja de cálculo y del análisis técnico en una presentación ejecutiva con infografías de métricas, mapa mental de experiencia del cliente y tablas comparativas.
- Unificación de fuentes en NotebookLM: Creé un cuaderno de trabajo controlado integrando el archivo de Google Sheets, el video de YouTube y los apuntes de la clase para realizar consultas cruzadas con citas exactas, evitando que el modelo mezcle información externa de internet.
- Validación y criterio humano: Apliqué una lista de control final verificando la trazabilidad de cada dato, la anonimización de datos sensibles (
CLI-XXX) y la separación entre el diagnóstico que entrega la IA y las decisiones críticas de negocio.
Conclusión principal: Una respuesta fluida no siempre es una respuesta confiable; el verdadero valor está en combinar el control de fuentes con nuestro propio criterio profesional.
¡Saludos y éxitos a todos con sus prácticas!
