SlideShare una empresa de Scribd logo

Cómo GPT-3 puede ayudar a los analistas digitales

•
•
Natzir Turrado
Natzir Turrado

Link al video: https://www.youtube.com/watch?v=l9SiC9NCBcU&t=2941s ¿Alguna vez os habéis preguntado si nuestro trabajo como consultores digitales estaría en riesgo con la llegada de la inteligencia artificial? Pues tengo 2 noticias, una mala y una menos mala. La mala es que la inteligencia artificial causará que el precio del trabajo que se hace delante de un ordenador, los trabajos mentales, decrezca mucho más rápido que el trabajo físico. Lo opuesto de lo que mucha gente esperaba. La menos mala es que no seréis reemplazados por la IA, si no por la persona que sepa usar bien la IA. Pero tengo la solución a esto último y por eso estoy aquí. Os mostraré cómo GPT-3 puede ser vuestro mejor aliado en el mundo digital, ayudándoles a analizar datos de manera más precisa y rápida, liberando tiempo para que puedan enfocarse en tareas de mayor valor.

1 de 48
Descargar para leer sin conexión
Cómo GPT-3 puede ayudar a los analistas digitales
StrictlyVC in conversation with Sam Altman 🔗
Aupa! Soy Natzir Consultor estratégico e internacional de SEO y CRO Mejoro negocios digitales gracias al análisis de datos y de usuarios. Puedes encontrarme en: ○ https://www.natzir.com ○ hola@natzir.com ○ @natzir9
Clientes 4 He trabajado en el sector de la comunicación, travel, finanzas, salud, educación, moda, cosmética, farmacéutico, industrial, tecnología, inmobiliario, decoración, alimentación y retail para los principales sitios web de multinacionales y startups. Estos son sólo algunos de ellos.
He impartido clases en diferentes escuelas de negocio, in company y soy ponente en los principales eventos de marketing en el sector. Formación
Qué vamos a aprender Tabla de contenidos 1. Qué es y cómo funciona GPT-3 2. Definiciones clave 3. Casos de uso para Analítica Digital
1. Qué es y cómo funciona GPT-3
Qué es y cómo funciona GPT-3 Definición
Qué es y cómo funciona GPT-3 Definición
Qué es y cómo funciona GPT-3 Definición ○ GPT-3 es la 3º generación de Generative Pre-trained Transformer (GPT) un modelo de procesamiento del lenguaje autorregresivo desarrollado por OpenAI. ○ Es una Inteligencia Artificial General (AGI), por lo que es capaz de realizar varias tareas como generar o resumir texto, chatbot, completar fragmentos, responder preguntas, generar código y traducir idiomas. Siempre text-to-text. Generativo es la capacidad del modelo de generar algo nuevo a partir de lo que ha aprendido durante el entrenamiento, pero ese “algo” no es más que una predicción (gracias al proceso autorregresivo). Transformer es una arquitectura que permite aplicar atención bidireccional para analizar el contexto. Es decir, para cada palabra, tiene en cuenta las palabras anteriores y posteriores a ella. Esta arquitectura además permite replicar los conocimientos de un idioma al otro.
Qué es y cómo funciona GPT-3 Definición El paper original 🔗no es claro sobre los contenidos y tamaños de los data set (excepto por el tamaño de Common Crawl). Existe un debate abierto al respecto 🔗 ○ GPT-3 es la 3º generación de Generative Pre-trained Transformer (GPT) un modelo de procesamiento del lenguaje autorregresivo desarrollado por OpenAI. ○ Es una Inteligencia Artificial General (AGI), por lo que es capaz de realizar varias tareas como generar o resumir texto, chatbot, completar fragmentos, responder preguntas, generar código y traducir idiomas. Siempre text-to-text. ○ Basado en aprendizaje profundo, utiliza una arquitectura transformer y está entrenado con un gran corpus (753,4 GB). Dataset Tokens (bn) Proporción Common Crawl 410 60% WebText2 19 22% Books1 12 8% Books2 55 8% Wikipedia (en) 3 3%
Qué es y cómo funciona GPT-3 Limitaciones 1. Información desactualizada, a veces sesgada y no tiene acceso a Internet. 2. Buena capacidad para aprender nuevas tareas, pero no se sabe si lo hace desde cero o si simplemente reconoce tareas que ya ha aprendido. Ha “aprendido” a hacer operaciones matemáticas sencillas a través de las referencias encontradas en la fase de entrenamiento. Para text-to-science está Minerva (Google) o Galactica (Meta AI). 3. Aunque GPT-3 es bueno para generar textos, a veces repite lo mismo y pierde coherencia en textos largos. 4. GPT-3 no es capaz de procesar información en ambos sentidos (es unidireccional en la predicción) y no se adapta bien a tareas que requieren comparar información. 5. GPT-3 trata todas las palabras de un texto de igual forma y no tiene la capacidad de identificar qué palabras son más importantes en un texto. 6. Debido a su tamaño, puede ser difícil implementar GPT-3 en aplicaciones. GPT-3 es muy bueno cuando se trata de NLG (generación), pero es promedio en tareas de NLP regulares como la generación de resúmenes, Winograd, traducción, respuestas a libro cerrado, comprensión lectora, razonamiento con sentido común, SuperGLUE y NLI (inferencia).
2. Definiciones clave
Definiciones clave ○ Prompt: Entrada que le das al modelo. Es una instrucción en formato texto. ○ Completion: La salida que te da el modelo. Básicamente, la respuesta. ○ Token: Pieza de información. Cuando se envía un prompt o se recibe una completition, éstos se procesan en tokens. 1 tkn ≈ 4 caracteres o 0.75 palabras. ○ Diseño de prompts: Prompting o prompt engineering, es la forma mediante la cual condicionamos al modelo. Existen las técnicas Zero-shot, One-shot y Few-shot (manual o automática). ○ Modelo: El modelo que elijas para procesar tu prompt según las necesidades. ○ Ajuste fino: El fine-tuning es la personalización de los parámetros del modelo para obtener mejores resultados. ○ ChatGPT: modelo de lenguaje basado en GPT-3.5 y optimizado para el diálogo mediante Aprendizaje por Refuerzo con Retroalimentación Humana (RLHF). Es menos potente que GPT-3 al estar entrenado sólo para una tarea y no permitir el ajuste fino, pero más sencillo de manejar ya que sólo requiere del prompting para su uso. Desde que se liberó el 30/11/2022 de forma gratuita, ha continuado aprendiendo a través de HF.
El castellano requiere de más tokens que el inglés por varios motivos. Tiende a tener palabras más largas en promedio (más sílabas y estructuras morfológicas más complejas), más inflexiones para indicar las relaciones gramaticales (conjugaciones verbales, las declinaciones de sustantivos y los acuerdos de adjetivos) y una estructura gramatical más compleja (más tiempos y modos gramaticales). OpenAI Tokenizer 🔗 Definiciones clave Token
Software 3.0: Figure out the right prompt to make your meta-learning language model have the right behavior 🔗 The best ChatGPT examples from around the web 🔗 OpenAI Cookbook 🔗 Definiciones clave Diseño de prompts
Prompts de baja calidad, generan respuestas de baja calidad o, lo que es lo mismo, la pregunta es más importante que la respuesta. 1. Proporciona un contexto claro de qué quieres y cómo lo quieres en lenguaje natural. Sé preciso y trata de estructurar la instrucción [1]. Si es muy larga, descomponla. [2] 2. Pregúntale a GPT cómo mejoraría una instrucción para ser mejor entendida por él mismo. 3. Dile que te responda “no sé” si no está seguro de algo. Prueba también con crearle una personalidad humilde y que te justifique cómo ha llegado a esa conclusión. 4. Agregando "Piensa paso a paso" antes de cada respuesta se aumenta la precisión con GPT-3 [3]. ChatGPT ya viene ajustado con esto. 5. Usa técnicas de one o few-shot: chain-of-thought manual [4] o automático ajustando un modelo a medida con la técnica *STaR (Self-taught Reasoner) [5]. 1. Least-to-Most Prompting Enables Complex Reasoning in Large Language Models 🔗 2. AI Chains: Transparent and Controllable Human-AI Interaction by Chaining Large Language Model Prompts 🔗 3. Large Language Models are Zero-Shot Reasoners 🔗 4. Chain of Thought Prompting Elicits Reasoning in Large Language Models 🔗 5. STaR: Bootstrapping Reasoning With Reasoning 🔗 Definiciones clave Diseño de prompts
Ejemplo de condicionamiento por estructuración y concreción del prompt. Definiciones clave Diseño de prompts
Ejemplo de condicionamiento por “step-by-step reasoning” en el prompt. Definiciones clave Diseño de prompts
Ejemplo de condicionamiento por “step-by-step reasoning” mediante One-shot. Definiciones clave Diseño de prompts
Serie Nombre Descripción Casos de uso Max tkn x req $ x 1K tkn Datos hasta GPT-3 text-davinci-003 El modelo más capaz. Puede realizar cualquier tarea que hagan los otros, con mayor calidad, salida más larga y con mejor completación de instrucciones. Admite la inserción de completaciones dentro del texto. Tareas complejas, causa y efecto, resumen 4,000 0.0200 06/2021 text-curie-001 Muy capacitado, pero más rápido y de menor coste que Davinci. Traducción de idiomas, clasificación, análisis de sentimiento, resumen, Q&A, chatbot 2,048 0.0020 10/2019 text-babbage-001 Capaz de tareas sencillas, muy rápido y de bajo coste. Clasificación, búsqueda semántica 2,048 0.0005 10/2019 text-ada-001 Capaz de tareas simples, el modelo más rápido de la serie GPT-3 y de menor coste. Análisis sintáctico de textos, clasificación 2,048 0.0004 10/2019 Codex code-davinci-002 Bueno para traducir el lenguaje natural a código. Admite la inserción de completaciones dentro del código. Generar y entender código 8,000 0.1000 06/2021 code-cushman-001 Casi tan capacitado como el Codex Davinci, pero ligeramente más rápido. Generar y entender código en tiempo real 2,048 0.0240 01/2021 Definiciones clave Modelos GPT-3
Definiciones clave Ajuste fino Al utilizar Top P se tiene un mayor control sobre la precisión y corrección del texto generado por GPT-3, mientras que la temperatura es más adecuada para generar respuestas nuevas y creativas. Si utilizamos uno, el otro tiene que estar a 1. La penalización por frecuencia limita la repetición de palabras al reducir la probabilidad de seleccionar una palabra que ya se ha utilizado con anterioridad. La penalización por presencia se enfoca en evitar repeticiones de temas al considerar si una palabra ya ha aparecido en el texto, independientemente de la cantidad de veces que se ha usado. Con Best Of controlamos la cantidad de intentos que el modelo hará para generar una salida. Mediante Maximum length, controlamos la cantidad de tokens de la respuesta.
Definiciones clave Ajuste fino Aplicación Temperature [0 - 1] Top p [0 - 1] Frequency Penalty [0 - 2] Presence Penalty [0 - 2] Maximum Length [1 - 4000] Best of [1 - 20] Generación de texto 0.2 - 0.8 0.0 - 1.0 0.5 - 1.5 0.5 - 1.5 400 - 2000 1 Compleción de texto 0.0 - 0.5 0.8 - 1.0 0.0 - 0.2 0.0 - 0.5 60 - 300 1 Traducción de texto 0.2 - 0.5 0.8 - 1.0 0.0 - 0.5 0.0 - 0.5 300 - 1000 1 Resumen de texto 0.1 - 0.5 0.8 - 1.0 0.2 - 0.7 0.2 - 0.7 60 - 300 1 Preguntas y respuestas 0.0 - 0.5 0.8 - 1.0 0.2 - 0.7 0.2 - 1.0 60 - 2000 1 Generación de código 0.0 - 0.2 0.9 - 1.0 0.0 - 0.5 0.0 - 0.5 400 - 2000 1 Explicación de código 0.0 - 0.2 0.9 - 1.0 0.0 - 0.5 0.0 - 0.5 300 - 1000 1 Traducción de código 0.0 - 0.5 0.9 - 1.0 0.0 - 0.5 0.0 - 0.5 300 - 1000 1 Guía de ajuste fino hiperparámetros para text-davinci-003 basada en mi experiencia con GPT-3. Los valores pueden variar dependiendo del uso específico y del conjunto de datos. Es necesario probar diferentes combinaciones de hiperparámetros y evaluar su rendimiento para cada aplicación.
3. Casos de uso Analítica Digital
Aprobar certificaciones Empecé el GAIQ sin configurar nada en GTP-3 y vi que erraba respuestas. En cuanto configuré un buen prompt, no falló de nuevo.
Asistente de implementaciones
Asistente de implementaciones
Asistente de implementaciones
Asistente de implementaciones
Explicación de peticiones SQL
Decodificador de peticiones
Configurador de dataLayers
Configurador de dataLayers
Configurador de dataLayers
Auditor de dataLayers
Asistente de R GPTStudio by MichelNivard 🔗
Asistente de Python
Asistente de Python
Asistente de Python
Asistente de Google Sheets
Asistente de Google Sheets
Asistente de Google Sheets
Asistente de Google Sheets
Asistente de Google Sheets B: Give me a summary in 2 bullet points (' - ') of the most important points found in the following review "&A2&". Each bullet point has to be super concrete, just the idea mentioned in super short sentences. // C: Give me the sentiment of the review "&A2&" in one word: positive, negative or neutral. // D: "Give me a summarized list of three different possible solutions (listed in ' - ') to the main concerns of the review "&A2&". // E: Based on the Jakob Nielsen’s heuristics, if you found an heuristic that is broken in the following user review: "&A2&", give me just the name of that heuristic followed by : and then tell me why in a summarized response.
La IA no te reemplazará. La persona que esté usando IA es quién lo hará. @svpino
adranger.io
Eskerrik asko! Puedes encontrarme en: ○ https://www.natzir.com ○ hola@natzir.com ○ @natzir9
Diapositivas generadas con Midjourney Prompt: graph nodes, drawn with coloured pens, clean, minimalist pitch deck template, white background, high definition --aspect 16:9 --v 3 --stylize 625 --no paper

Más contenido relacionado

Cómo GPT-3 puede ayudar a los analistas digitales

  • 1. Cómo GPT-3 puede ayudar a los analistas digitales
  • 2. StrictlyVC in conversation with Sam Altman 🔗
  • 3. Aupa! Soy Natzir Consultor estratégico e internacional de SEO y CRO Mejoro negocios digitales gracias al análisis de datos y de usuarios. Puedes encontrarme en: ○ https://www.natzir.com ○ hola@natzir.com ○ @natzir9
  • 4. Clientes 4 He trabajado en el sector de la comunicación, travel, finanzas, salud, educación, moda, cosmética, farmacéutico, industrial, tecnología, inmobiliario, decoración, alimentación y retail para los principales sitios web de multinacionales y startups. Estos son sólo algunos de ellos.
  • 5. He impartido clases en diferentes escuelas de negocio, in company y soy ponente en los principales eventos de marketing en el sector. Formación
  • 6. Qué vamos a aprender Tabla de contenidos 1. Qué es y cómo funciona GPT-3 2. Definiciones clave 3. Casos de uso para Analítica Digital
  • 7. 1. Qué es y cómo funciona GPT-3
  • 8. Qué es y cómo funciona GPT-3 Definición
  • 9. Qué es y cómo funciona GPT-3 Definición
  • 10. Qué es y cómo funciona GPT-3 Definición ○ GPT-3 es la 3º generación de Generative Pre-trained Transformer (GPT) un modelo de procesamiento del lenguaje autorregresivo desarrollado por OpenAI. ○ Es una Inteligencia Artificial General (AGI), por lo que es capaz de realizar varias tareas como generar o resumir texto, chatbot, completar fragmentos, responder preguntas, generar código y traducir idiomas. Siempre text-to-text. Generativo es la capacidad del modelo de generar algo nuevo a partir de lo que ha aprendido durante el entrenamiento, pero ese “algo” no es más que una predicción (gracias al proceso autorregresivo). Transformer es una arquitectura que permite aplicar atención bidireccional para analizar el contexto. Es decir, para cada palabra, tiene en cuenta las palabras anteriores y posteriores a ella. Esta arquitectura además permite replicar los conocimientos de un idioma al otro.
  • 11. Qué es y cómo funciona GPT-3 Definición El paper original 🔗no es claro sobre los contenidos y tamaños de los data set (excepto por el tamaño de Common Crawl). Existe un debate abierto al respecto 🔗 ○ GPT-3 es la 3º generación de Generative Pre-trained Transformer (GPT) un modelo de procesamiento del lenguaje autorregresivo desarrollado por OpenAI. ○ Es una Inteligencia Artificial General (AGI), por lo que es capaz de realizar varias tareas como generar o resumir texto, chatbot, completar fragmentos, responder preguntas, generar código y traducir idiomas. Siempre text-to-text. ○ Basado en aprendizaje profundo, utiliza una arquitectura transformer y está entrenado con un gran corpus (753,4 GB). Dataset Tokens (bn) Proporción Common Crawl 410 60% WebText2 19 22% Books1 12 8% Books2 55 8% Wikipedia (en) 3 3%
  • 12. Qué es y cómo funciona GPT-3 Limitaciones 1. Información desactualizada, a veces sesgada y no tiene acceso a Internet. 2. Buena capacidad para aprender nuevas tareas, pero no se sabe si lo hace desde cero o si simplemente reconoce tareas que ya ha aprendido. Ha “aprendido” a hacer operaciones matemáticas sencillas a través de las referencias encontradas en la fase de entrenamiento. Para text-to-science está Minerva (Google) o Galactica (Meta AI). 3. Aunque GPT-3 es bueno para generar textos, a veces repite lo mismo y pierde coherencia en textos largos. 4. GPT-3 no es capaz de procesar información en ambos sentidos (es unidireccional en la predicción) y no se adapta bien a tareas que requieren comparar información. 5. GPT-3 trata todas las palabras de un texto de igual forma y no tiene la capacidad de identificar qué palabras son más importantes en un texto. 6. Debido a su tamaño, puede ser difícil implementar GPT-3 en aplicaciones. GPT-3 es muy bueno cuando se trata de NLG (generación), pero es promedio en tareas de NLP regulares como la generación de resúmenes, Winograd, traducción, respuestas a libro cerrado, comprensión lectora, razonamiento con sentido común, SuperGLUE y NLI (inferencia).
  • 14. Definiciones clave ○ Prompt: Entrada que le das al modelo. Es una instrucción en formato texto. ○ Completion: La salida que te da el modelo. Básicamente, la respuesta. ○ Token: Pieza de información. Cuando se envía un prompt o se recibe una completition, éstos se procesan en tokens. 1 tkn ≈ 4 caracteres o 0.75 palabras. ○ Diseño de prompts: Prompting o prompt engineering, es la forma mediante la cual condicionamos al modelo. Existen las técnicas Zero-shot, One-shot y Few-shot (manual o automática). ○ Modelo: El modelo que elijas para procesar tu prompt según las necesidades. ○ Ajuste fino: El fine-tuning es la personalización de los parámetros del modelo para obtener mejores resultados. ○ ChatGPT: modelo de lenguaje basado en GPT-3.5 y optimizado para el diálogo mediante Aprendizaje por Refuerzo con Retroalimentación Humana (RLHF). Es menos potente que GPT-3 al estar entrenado sólo para una tarea y no permitir el ajuste fino, pero más sencillo de manejar ya que sólo requiere del prompting para su uso. Desde que se liberó el 30/11/2022 de forma gratuita, ha continuado aprendiendo a través de HF.
  • 15. El castellano requiere de más tokens que el inglés por varios motivos. Tiende a tener palabras más largas en promedio (más sílabas y estructuras morfológicas más complejas), más inflexiones para indicar las relaciones gramaticales (conjugaciones verbales, las declinaciones de sustantivos y los acuerdos de adjetivos) y una estructura gramatical más compleja (más tiempos y modos gramaticales). OpenAI Tokenizer 🔗 Definiciones clave Token
  • 16. Software 3.0: Figure out the right prompt to make your meta-learning language model have the right behavior 🔗 The best ChatGPT examples from around the web 🔗 OpenAI Cookbook 🔗 Definiciones clave Diseño de prompts
  • 17. Prompts de baja calidad, generan respuestas de baja calidad o, lo que es lo mismo, la pregunta es más importante que la respuesta. 1. Proporciona un contexto claro de qué quieres y cómo lo quieres en lenguaje natural. Sé preciso y trata de estructurar la instrucción [1]. Si es muy larga, descomponla. [2] 2. Pregúntale a GPT cómo mejoraría una instrucción para ser mejor entendida por él mismo. 3. Dile que te responda “no sé” si no está seguro de algo. Prueba también con crearle una personalidad humilde y que te justifique cómo ha llegado a esa conclusión. 4. Agregando "Piensa paso a paso" antes de cada respuesta se aumenta la precisión con GPT-3 [3]. ChatGPT ya viene ajustado con esto. 5. Usa técnicas de one o few-shot: chain-of-thought manual [4] o automático ajustando un modelo a medida con la técnica *STaR (Self-taught Reasoner) [5]. 1. Least-to-Most Prompting Enables Complex Reasoning in Large Language Models 🔗 2. AI Chains: Transparent and Controllable Human-AI Interaction by Chaining Large Language Model Prompts 🔗 3. Large Language Models are Zero-Shot Reasoners 🔗 4. Chain of Thought Prompting Elicits Reasoning in Large Language Models 🔗 5. STaR: Bootstrapping Reasoning With Reasoning 🔗 Definiciones clave Diseño de prompts
  • 18. Ejemplo de condicionamiento por estructuración y concreción del prompt. Definiciones clave Diseño de prompts
  • 19. Ejemplo de condicionamiento por “step-by-step reasoning” en el prompt. Definiciones clave Diseño de prompts
  • 20. Ejemplo de condicionamiento por “step-by-step reasoning” mediante One-shot. Definiciones clave Diseño de prompts
  • 21. Serie Nombre Descripción Casos de uso Max tkn x req $ x 1K tkn Datos hasta GPT-3 text-davinci-003 El modelo más capaz. Puede realizar cualquier tarea que hagan los otros, con mayor calidad, salida más larga y con mejor completación de instrucciones. Admite la inserción de completaciones dentro del texto. Tareas complejas, causa y efecto, resumen 4,000 0.0200 06/2021 text-curie-001 Muy capacitado, pero más rápido y de menor coste que Davinci. Traducción de idiomas, clasificación, análisis de sentimiento, resumen, Q&A, chatbot 2,048 0.0020 10/2019 text-babbage-001 Capaz de tareas sencillas, muy rápido y de bajo coste. Clasificación, búsqueda semántica 2,048 0.0005 10/2019 text-ada-001 Capaz de tareas simples, el modelo más rápido de la serie GPT-3 y de menor coste. Análisis sintáctico de textos, clasificación 2,048 0.0004 10/2019 Codex code-davinci-002 Bueno para traducir el lenguaje natural a código. Admite la inserción de completaciones dentro del código. Generar y entender código 8,000 0.1000 06/2021 code-cushman-001 Casi tan capacitado como el Codex Davinci, pero ligeramente más rápido. Generar y entender código en tiempo real 2,048 0.0240 01/2021 Definiciones clave Modelos GPT-3
  • 22. Definiciones clave Ajuste fino Al utilizar Top P se tiene un mayor control sobre la precisión y corrección del texto generado por GPT-3, mientras que la temperatura es más adecuada para generar respuestas nuevas y creativas. Si utilizamos uno, el otro tiene que estar a 1. La penalización por frecuencia limita la repetición de palabras al reducir la probabilidad de seleccionar una palabra que ya se ha utilizado con anterioridad. La penalización por presencia se enfoca en evitar repeticiones de temas al considerar si una palabra ya ha aparecido en el texto, independientemente de la cantidad de veces que se ha usado. Con Best Of controlamos la cantidad de intentos que el modelo hará para generar una salida. Mediante Maximum length, controlamos la cantidad de tokens de la respuesta.
  • 23. Definiciones clave Ajuste fino Aplicación Temperature [0 - 1] Top p [0 - 1] Frequency Penalty [0 - 2] Presence Penalty [0 - 2] Maximum Length [1 - 4000] Best of [1 - 20] Generación de texto 0.2 - 0.8 0.0 - 1.0 0.5 - 1.5 0.5 - 1.5 400 - 2000 1 Compleción de texto 0.0 - 0.5 0.8 - 1.0 0.0 - 0.2 0.0 - 0.5 60 - 300 1 Traducción de texto 0.2 - 0.5 0.8 - 1.0 0.0 - 0.5 0.0 - 0.5 300 - 1000 1 Resumen de texto 0.1 - 0.5 0.8 - 1.0 0.2 - 0.7 0.2 - 0.7 60 - 300 1 Preguntas y respuestas 0.0 - 0.5 0.8 - 1.0 0.2 - 0.7 0.2 - 1.0 60 - 2000 1 Generación de código 0.0 - 0.2 0.9 - 1.0 0.0 - 0.5 0.0 - 0.5 400 - 2000 1 Explicación de código 0.0 - 0.2 0.9 - 1.0 0.0 - 0.5 0.0 - 0.5 300 - 1000 1 Traducción de código 0.0 - 0.5 0.9 - 1.0 0.0 - 0.5 0.0 - 0.5 300 - 1000 1 Guía de ajuste fino hiperparámetros para text-davinci-003 basada en mi experiencia con GPT-3. Los valores pueden variar dependiendo del uso específico y del conjunto de datos. Es necesario probar diferentes combinaciones de hiperparámetros y evaluar su rendimiento para cada aplicación.
  • 24. 3. Casos de uso Analítica Digital
  • 25. Aprobar certificaciones Empecé el GAIQ sin configurar nada en GTP-3 y vi que erraba respuestas. En cuanto configuré un buen prompt, no falló de nuevo.
  • 36. Asistente de R GPTStudio by MichelNivard 🔗
  • 44. Asistente de Google Sheets B: Give me a summary in 2 bullet points (' - ') of the most important points found in the following review "&A2&". Each bullet point has to be super concrete, just the idea mentioned in super short sentences. // C: Give me the sentiment of the review "&A2&" in one word: positive, negative or neutral. // D: "Give me a summarized list of three different possible solutions (listed in ' - ') to the main concerns of the review "&A2&". // E: Based on the Jakob Nielsen’s heuristics, if you found an heuristic that is broken in the following user review: "&A2&", give me just the name of that heuristic followed by : and then tell me why in a summarized response.
  • 45. La IA no te reemplazará. La persona que esté usando IA es quién lo hará. @svpino
  • 47. Eskerrik asko! Puedes encontrarme en: ○ https://www.natzir.com ○ hola@natzir.com ○ @natzir9
  • 48. Diapositivas generadas con Midjourney Prompt: graph nodes, drawn with coloured pens, clean, minimalist pitch deck template, white background, high definition --aspect 16:9 --v 3 --stylize 625 --no paper