Doxa 1810

Mejore el uso de la IA en su empresa con un enfoque estructurado de las indicaciones

Por Colin W.P. Lewis y Agnieszka Dziewulska

Tecnología y Analisis

Harvard Business Review

#Doxa #tecnología #IA #empresa #enfoque #analisis #PQAM #productividad #habilidades #promopt #ciclo

Resumen. A pesar de su potencia y de su interfaz aparentemente intuitiva, puede resultar difícil para los nuevos usuarios aprovechar realmente las capacidades de la IA. Las empresas tienen que invertir tanto en la prontitud como en los ajustes. Los autores sugieren un marco para hacerlo: crear una biblioteca interna basada en su modelo de alineación de consultas rápidas (PQAM). Este marco proporciona un enfoque estructurado para crear indicaciones y ajustar los modelos de IA a fin de mejorar la productividad, la calidad y la mejora de las habilidades humanas. La PQAM consta de tres componentes clave: una biblioteca de prompt, una personalización rápida y un ciclo de comentarios.

La inteligencia artificial ha pasado rápidamente de ser una mera curiosidad tecnológica a ser una fuerza impulsora en el mundo empresarial. Herramientas como el GPT-4, Bard y otros modelos lingüísticos grandes (LLM), junto con sus modelos fundamentales (FM) más generativos, están a la vanguardia de este avance, ya que sus capacidades van mucho más allá de los sistemas programados anteriores. Estos modelos de IA tienen la capacidad de «entender» y generar imágenes y texto similares a los humanos a partir de instrucciones sencillas, lo que los hace invaluables en una amplia gama de aplicaciones, desde la creación y el diseño de contenido hasta la codificación y el análisis de datos.

Pero a pesar de su potencia y de su interfaz aparentemente intuitiva, puede resultar difícil para los nuevos usuarios poner realmente en práctica sus capacidades. Hacerlo requiere precisión y optimización del usuario.

El poder de las indicaciones y los ajustes

El hecho de que estos programas se hayan entrenado con un enorme volumen de datos convierte a los sistemas de IA en una herramienta excepcionalmente poderosa. Ahora es posible extraer datos de los documentos y para automatizar los flujos de trabajo en muchas áreas de negocio, desde el aprovisionamiento, la banca, las finanzas, la auditoría, la gestión de riesgos, la detección de fraudes, el análisis de informes, la cadena de suministro y muchos otros procesos, y en la mayoría de los sectores. Sin embargo, para lograr resultados óptimos el sistema de IA requiere instrucciones claras.

Aquí es donde entran en juego las indicaciones (las instrucciones escritas que un usuario despliega para crear salidas). Básicamente, un prompt es un conjunto de instrucciones o una pregunta que guía a la IA a generar la respuesta deseada. Un prompt vago o mal redactado puede dar resultados inexactos, alucinatorios o irrelevantes, mientras que un prompt bien elaborado puede ofrecer un resultado sorprendentemente útil. Los usuarios expertos también sabrán cómo seguir sus instrucciones iniciales para refinar la salida y guiar la herramienta hasta la salida final deseada.

Las indicaciones son simplemente la mitad de la ecuación, sin embargo. La otra mitad es el ajuste fino o el proceso de personalización de un modelo de IA para obtener resultados que se ajusten más a sus requisitos específicos. Los ajustes garantizan que la IA se convierta en una valiosa herramienta que se adapte con precisión a sus necesidades.

En concreto, los ajustes precisos son útiles para:

• Especificidad de la tarea: Los ajustes permiten entrenar modelos de IA para tareas o dominios específicos, como el diagnóstico médico, la investigación legal o el análisis financiero.
• Control de calidad: Permite el control de calidad, fundamental en sectores como la salud y las finanzas, donde la precisión es primordial.
• Personalización: Los ajustes permiten personalizar las respuestas de la IA para que coincidan con el tono, el estilo y los valores de la marca, lo que garantiza una experiencia de cliente coherente.
• Eficiencia: Los modelos de IA ajustados son más eficientes y requieren menos iteraciones, lo que ahorra tiempo y recursos.

En pocas palabras, ajustar el sistema facilita a los usuarios obtener los resultados que buscan. Las empresas tienen que invertir en ambos para aprovechar al máximo los sistemas GenAI. Pero hacerlo no significa dos procesos distintos. Más bien, vemos un gran potencial en un enfoque integrado.

Crear un modelo interno de alineación de consultas rápidas (PQAM)

Para aprovechar el potencial de la IA de forma eficaz, recomendamos que los líderes empresariales creen una biblioteca interna basada en nuestro modelo de alineación rápida de consultas (PQAM). Este marco proporciona un enfoque estructurado para crear indicaciones y ajustar los modelos de IA para mejorar la productividad, calidad y mejora de las habilidades humanas. La PQAM consta de tres componentes clave:

1. Biblioteca de mensajes: Este corazón de la PQAM alberga una colección seleccionada de ejemplos de instrucciones adaptadas a tareas e industrias específicas. Sirven como plantillas y garantizan indicaciones eficaces y, al mismo tiempo, mantienen la gobernanza y el cumplimiento.
2. Personalización rápida: Si bien la biblioteca prompt proporciona una base, la personalización es crucial. Los empleados pueden modificar las indicaciones para que se ajusten con precisión a sus objetivos, añadiendo contexto, aclaraciones o ajustes lingüísticos.
3. Bucle de comentarios: La mejora continua es fundamental para la PQAM. Los ejecutivos deberían establecer un ciclo de comentarios después de implementar modelos de IA con indicaciones personalizadas. Esto implica evaluar los resultados de la IA, recopilar los comentarios de los usuarios y refinar las indicaciones y ajustarlas según sea necesario para crear un sistema que se supere a sí mismo.

Crear un PQAM interno requiere pensar desde los primeros principios, la resolución estructurada de los problemas y el razonamiento. Es importante crear la biblioteca PQAM interna con un lenguaje cuidadosamente pensado.

Crear indicaciones contextualmente profundas

Recomendamos que los ejecutivos empleen tipos de prompt, como consulta, aclaración, comparación y predicción. Cada tipo tiene un propósito único:

• Consulta: busca extraer información o procesar información
• Aclaración: descubre facetas intrincadas de un tema y ofrece una exploración en profundidad
• Comparación: explora puntos de vista opuestos, destacando los pros y los contras
• Predicción: invita a explorar escenarios futuros en función de las condiciones actuales

Al crear indicaciones, tenga en cuenta la estructura narrativa y el arte de formular las preguntas. Emplee escenarios intrigantes para estimular la participación en el modelo lingüístico y descubra información inesperada.

Creación de un PQAM interno

Comience con un análisis profundo de los objetivos y procesos subyacentes de un departamento o usuario. A continuación, emplee tipos de prompt, como aclaración, comparación y predicción. Como se muestra en la siguiente tabla:

Transformación del lugar de trabajo

Consulta (Q)

«Evalúe el impacto del trabajo remoto en la cultura organizacional».

Aclaración (C)

«Descubra los efectos matizados del trabajo remoto en el tejido de la cultura organizacional. Examine cómo las herramientas de colaboración virtual, los horarios flexibles y la comunicación digital remodelan la dinámica de los empleados. Investigue los desafíos que plantea el trabajo remoto, como el aislamiento social, la gestión de los límites y el mantenimiento de un espíritu de equipo cohesionado».

Comparación (CO)

«Compare los diversos enfoques de adaptación al trabajo remoto en todos los sectores y empresas. Analice las estrategias utilizadas para fomentar la cohesión del equipo, la productividad y el bienestar de los empleados. Profundice en los estudios de casos que destacan cómo las diferentes organizaciones emprenden la transición a un modelo de trabajo híbrido».

Predicción (P)

«Prevea la evolución de la cultura laboral en la era posremota. Prediga cómo los acuerdos de trabajo híbridos podrían convertirse en la norma, fusionando las ventajas de la colaboración remota y presencial. Contempla el papel de la IA a la hora de facilitar el trabajo remoto, desde la programación inteligente hasta las herramientas de análisis de opiniones que evalúan la dinámica de los equipos virtuales».

 

Análisis de las tendencias de la energía renovable

Consulta (Q)

«Prediga la viabilidad futura de las fuentes de energía renovables en función de sus ventajas y desventajas».

Aclaración (C)

«Explique los principales beneficios de las fuentes de energía renovables y destaque sus ventajas ambientales y económicas. Explore cómo las fuentes renovables, como la solar, la eólica y la hidroeléctrica, contribuyen a reducir las emisiones de carbono, garantizar la seguridad energética y fomentar el crecimiento económico sostenible. Incorpore datos estadísticos y ejemplos del mundo real para subrayar el impacto tangible de estas ventajas».

Comparación (CO)

«Profundice en una comparación exhaustiva de los aspectos positivos y los posibles inconvenientes asociados a las fuentes de energía renovables. Explique los beneficios, incluida la reducción de las emisiones de gases de efecto invernadero, la sostenibilidad de los recursos y la mejora de la diversificación energética. Al mismo tiempo, examine los inconvenientes, como los desafíos de intermitencia, los costes de capital iniciales y los posibles impactos ambientales. Proporcione un análisis equilibrado que facilite una comprensión matizada de las ventajas y desventajas de estas fuentes de energía».

Predicción (P)

«Basándose en un análisis exhaustivo de las ventajas y desventajas de las fuentes de energía renovables, proyecte su papel futuro en el panorama energético mundial y su contribución a la mitigación del cambio climático. Tenga en cuenta cómo los avances en la tecnología, los marcos políticos y la conciencia social podrían dar forma a la evolución de estas fuentes de energía. Cree una narrativa matizada que describa los posibles desafíos, avances e hitos y arroje luz sobre el potencial transformador de las fuentes de energía renovables».

Otra forma de ver la función del ajuste fino es uno de los pasos de razonamiento de la IA, que da como resultado respuestas generadas por la IA más perspicaces, precisas y transparentes. Los sistemas de IA funcionan mejor cuando se les pide que «piensen» de forma exhaustiva o paso a paso, por ejemplo, cuando resolvemos tareas de razonamiento complicadas. Si sigue las siguientes pautas en sus instrucciones, la IA puede proporcionarle sugerencias y comentarios más constructivos.

Concepto/paso                 Ejemplo

1. Paso a paso

Explicación: Al hacer que la IA «piense paso a paso», está fomentando un enfoque sistemático de la resolución de problemas. Esto garantiza un análisis exhaustivo y un razonamiento transparente.

2. Descomposición

Ejemplo: Al analizar las tendencias del mercado, pida a la IA que divida el proceso en etapas: recopilación de datos, identificación de tendencias, análisis de correlación y predicción.

3. Exploración sistemática

Ejemplo: Fomentar a los modelos de IA a explorar varias perspectivas y ángulos de forma estructurada.

4. Claridad y transparencia

Ejemplo: Al generar argumentos legales, guíe a la IA para que describa los principios legales, los precedentes de los casos, las leyes pertinentes y la aplicación al caso específico.

Sea preciso y sopese sus palabras con cuidado.

Defina claramente el problema o el escenario que quiere que aborde la IA. El prompt debe ser específico e inequívoco, a fin de garantizar que la IA entiende el contexto y los objetivos. Tenga en cuenta también aprovechar las capacidades de análisis de datos de la IA para extraer información de los datos, las tendencias y los patrones históricos.

Los sistemas de IA son capaces de razonar de forma rigurosa y lógica de una manera que los humanos suelen esforzarse por lograr. Incluso si no siempre estamos a la altura del ideal de» sistema 2» pensando, los sistemas de IA todavía se pueden diseñar para hacerlo.

Aplicaciones prácticas de la PQAM

Al crear un PQAM interno y personalizar las indicaciones con ajustes, las organizaciones pueden mejorar la precisión de la IA y reducir los errores. Los avisos personalizados pueden garantizar el cumplimiento de la normativa del sector y mantener la precisión de los datos. Las empresas pueden agilizar los procesos de trabajo en toda la organización y, al mismo tiempo, mejorar la calidad del contenido y la productividad.

El modelo de alineación de consultas rápidas (PQAM) permite a los usuarios crear cuidadosamente indicaciones para que la IA compare, paso a paso, las respuestas y ofrezca predicciones fiables.

Garantizar un humano al tanto

Si bien la IA y la PQAM pueden mejorar en gran medida la eficiencia y la productividad, es fundamental hacer hincapié en la función de la supervisión humana. Los ejecutivos y los profesionales deben seguir participando activamente en el proceso de IA, proporcionando supervisión, validación y orientación ética.

• • •

La inteligencia artificial, impulsada por los LLM y los FM, tiene el potencial de transformar las industrias y redefinir nuestra forma de trabajar. Si bien la IA no sustituirá a los humanos en el lugar de trabajo, los que usen la IA lo harán. Sin embargo, la clave para aprovechar todo su potencial reside en el arte de crear indicaciones eficaces y ajustar los modelos de IA para que se ajusten a sus necesidades específicas. El marco interno de PQAM proporciona un enfoque estructurado para lograrlo y ofrece a los ejecutivos las herramientas que necesitan para aprovechar el poder de la IA y mejorar la productividad, la calidad y la mejora de las habilidades humanas. A medida que nos adentremos en la era de la IA, la sinergia entre la inteligencia humana y las capacidades de las máquinas impulsará los avances más importantes.

Lea más sobre Tecnología y análisis o temas relacionados IA y aprendizaje automático y Análisis y ciencia de datos

Colin W.P. Lewis es profesor de Inteligencia Artificial y Ciencia de Datos. Ha creado y solicitado patentes para varios sistemas de IA y trabaja diligentemente para garantizar que se implemente una IA segura y confiable. Anteriormente trabajó en Palantir Technology y construyó y vendió dos empresas de software y sistemas de auditoría.

Agnieszka Dziewulska es candidata a doctorado en la Universidad de Varsovia, facultad de Gestión centrada en la materialidad del componente social de ESG. También es directora de Personas y Cultura y dirige la función de Personas para KPMG Polonia y Europa Central y del Este, donde impulsa la agenda de personas y la transformación digital. Agnieszka ha ocupado puestos de liderazgo de recursos humanos en corporaciones globales durante más de veinte años en General Electric (GE), Hewlett Packard e IBM.