UBA - Legal prompts

Legal Prompts: guía práctica de instrucciones para uso de IA generativa

Agosto 2024 Con el apoyo de Jara Rey, Agostina Legal Prompts : guía práctica de instrucciones para uso de IA generativa : agosto 2024 / Agostina Jara Rey. - 1a ed - Ciudad Autónoma de Buenos Aires : La Ley ; Universidad de Buenos Aires. Facultad de Derecho, 2024. Libro digital, PDF Archivo Digital: descarga y online

ISBN 978-987-03-4830-6

1. Derecho. I. Título.

CDD 340.12 Legal Prompts Guía práctica de instrucciones para uso de IA generativa Autora Agostina Jara Rey Coordinación Carina Papini Giselle Heleg María Victoria Carro Dirección general Juan G. Corvalán Mariana Sánchez Caparrós Sebastián Chumbita Diseño Gráfico María Victoria Mafud Sofía Rolleri Índice Introducción...................................................................................................................................5 Primerpaso.Ubicarnosenelcontexto.................................................................................8 Segundopaso.Conoceryaprenderausarlosprompts.................................................12 Tercerpaso.Conocerloscomponentesesencialesdeunprompt..............................15 Cuartopaso.Incorporarotroscomponentesútiles(siesnecesario)........................19 A.Indicacionessobreelformatoderespuestadeseado............................................................19 B.Indicacionessobreeltonodeseado...........................................................................................20 C.Informaciónsobreelpúblicoalquesedirigeeltextogenerado..........................................20 DSeñales(Cues).................................................................................................................................21 E.Conclusiones...................................................................................................................................22 Quintopaso.IncorporarestrategiasdePromptEngineering......................................24

A.Systemmessage............................................................................................................................24 B.Zeroshotprompting......................................................................................................................25 C.Oneshotprompting.......................................................................................................................26 D.Fewshotprompting.......................................................................................................................27 E.Breakthetaskdown......................................................................................................................28 F.Chainofthoughtprompting(cadenadepensamientos)........................................................31 G.Promptdeconocimientointegrado............................................................................................33 H.Skeleton-of-thoughtPrompting...................................................................................................35 I.Super-prompt....................................................................................................................................37 J.TAM(Tarea,AcciónyMeta).........................................................................................................38 K.ADP(Antes,DespuésyPuente)..................................................................................................40 L.CARE(Contexto,Acción,ResultadoyEjemplo).........................................................................41 Sextopaso.Implementartécnicasparamitigarriesgos,sesgosyevitar repeticiones................................................................................................................................45 Opción 1:Ajustarprobabilísticamentelasrespuestasenbasearesultadosquese desencadenaríanhipotéticamentesiChatGPTnocumpleconelrequerimiento....45 Opción2:Mitigarlaposibilidaddenegacióndelmodeloalarealizacióno 2 cumplimientodeunaordendelusuario...........................................................................45 Opción3:Mitigarlaposibilidaddealucinacióndelmodeloalahoraderealizaruna tareabasadaúnicamenteenlainformacióndadaporelusuario...............................46 Opción4:Asistenciaparalageneracióndetextosquecontenganinformaciónque surjaúnicamentedelosdocumentosproporcionadosporelusuario.......................46 Cierre.Tenerencuentalasbuenasprácticasalelaborarunprompt.......................48 3 Introducción Introducción Desde el Laboratorio de Innovación e Inteligencia Artificial de la Facultad de Derecho

de la Universidad de Buenos Aires (UBA IALAB), venimos trabajando en el análisis de las posibilidades, limitaciones e impacto de la inteligenciaartificialgenerativa(IAGen) en distintos sectores y tareas. Nuestro objetivo esexplorarycomprendercómoestas tecnologías emergentes pueden integrarse de manera efectiva y responsable en diversosámbitos,fomentandosuusoéticoyeficiente. En este contexto, hemos desarrollado y publicado Guías de Uso de IAGen para la Justicia1, la Administración Pública2 y Estudios Jurídicos3, estableciendo directrices y recomendaciones que sirven como puntos de partida para un uso responsable de estasaplicaciones. También hemos abordado lo relativo a los costos de uso de IAGen,conelobjetivode identificar las variables que deben tenerse en cuenta para analizar el costo-beneficio de cada herramienta de IAGen y elegir la más adecuada y sostenible para un determinadoproyecto4. Y más recientemente, en mayo del presente año, lanzamos un informe de investigación titulado “Evaluación del impacto de la IA generativa en el trabajo”5, enel cual se ofrece un análisis detallado sobre la implementación de IAGen en una variedad de sectores clave, destacando su aplicación enlaJusticia,laAdministración Públicayestudiosjurídicos,entreotros. 1Corvalán,JuanG.ySánchezCaparrósMariana,“DirectricesdeusodelaIAgenerativadetextoyChatGPTenla Justicia”, septiembre 2023, en https://ialab.com.ar/wp-content/uploads/2023/11/Guia-de-directrices-usos-de-ChatGPT-e-IA-generativa-en-la-justi

cia.pdf[accesoel22/5/2024]. 2 Corvalán, Juan G., Stringhini, Antonella y Sánchez Caparrós Mariana, “Inteligencia artificial y Administración Pública: una aproximación inicial basada en el uso de ChatGPT”, septiembre 2023, en https://ialab.com.ar/wp-content/uploads/2023/11/IAG-y-administracion-publica.pdf[accesoel22/5/2024]. 3 Corvalán Juan G. y Ferré, Albert, “Implementando inteligencia artificial generativa en estudios jurídicos y departamentos legales : resultados, impacto, guías de uso y directrices”, marzo 2024, La Ley,BuenosAires,en https://ialab.com.ar/wp-content/uploads/2024/03/Implementando-IAGen-en-estudios-juridicos-y-areas-legales.pdf [accesoel1/6/2024]. 4 Corvalán Juan G. y Sánchez Caparrós, Mariana, “¿Cuál es el costo de trabajar con inteligencia artificial generativa?”, enero 2024, en https://ialab.com.ar/wp-content/uploads/2024/03/%C2%BFCual-es-el-costo-de-trabajar-con-modelos-de-inteligenc ia-artificial-generativa.pdf[accesoel1/6/2024]. 5Corvalán,JuanG.(Dir),“Evaluacióndelimpactodelainteligenciaartificialgenerativaeneltrabajo”,mayo2024,en https://ialab.com.ar/wp-content/uploads/2024/05/Evaluacion-del-impacto-de-la-IA-generativa-en-el-trabajo-con-isb n-TR-1.pdf[accesoel1/6/2024]. 5 Este documento se enmarca en esta investigación másamplia6,yofreceunaseriede complementos, técnicas y estrategias para que puedas crear y ajustar

cuidadosamente tus "prompts", con el objetivo de obtener respuestas más precisas, coherentes,efectivasyeficientes. ¿ChatGPT nunca se equivoca? ¿Puedo delegar mi trabajo a la Inteligencia Artificial? ¿Pueden reemplazarme estas herramientas? ¿Qué son los grandes modelos de lenguaje? ¿Para qué los puedo usar? ¿Qué necesito saber para incorporarlos a mi rutina?¿Cómoseusan? Dudas hay miles y solo con conocimiento (y práctica) se disipan. En esta guía presentamos información útil para que descubras por tu cuenta la respuesta a algunos de estos interrogantes sobre los Grandes Modelos deLenguajequeestánen augeesteúltimotiempo. Teexplicamosbrevementequésonycómofuncionan,quérolcumplísenlaobtención de buenos resultados y las técnicas que podes incorporar para afinar su desempeño deacuerdoatusobjetivos. 6Ampliarenhttps://ialab.com.ar/iagen/(consultadoel8/07/2024) 6 Primer paso. Ubicarnos en el contexto Primerpaso.Ubicarnosenelcontexto CuandohablamosdeGrandesModelosdeLenguaje(LLM,LargeLenguajeModelspor sus siglas en inglés) nos encontramos en el ámbito de la Inteligencia Artificial Generativa (IAGen). Se trata de un subcampo de la IA que se utiliza para crear contenido nuevo o para modificar el contenido existente, como texto, imágenes, música y vídeos. La IAGen se basa en el aprendizaje automático para identificar patronesenlosdatosyluegoutilizaresospatronesparagenerarnuevocontenido7. Técnicamente, estos sistemas aprenden patrones a partir de datos deentrenamiento

y generan predicciones y también nuevos resultados a partir de criterios probabilísticos. Vamos a desglosar estos conceptos para lograr situarnos en la mismapágina8. La inteligencia artificial (IA) tradicional abarca todo sistema informático que pueda realizar tareas que antes requerían inteligencia humana. Estas tareas implican, por ejemplo, la percepción, el razonamiento lógico, la toma de decisiones y la comprensióndellenguajenatural. Como rama de la IA tradicional surge el aprendizaje automático (machine learning). Esta noción se refiere al desarrollo de algoritmos que permiten a las computadoras hacer predicciones o tomar decisiones basadas en miles de datos pero sin estar programadasexpresamenteparahacerlodedeterminadamanera. En palabras sencillas, no se los entrena para decir por defecto “4” cuando el usuario pregunta “¿Cuántas patas tiene un perro?”. Por el contrario, se los entrena para identificar queluegodeeseconjuntodepalabrasqueconformanlapregunta,lológico sería a continuación decir “4”, ya que es elpatrónpresenteenlosdatosdesubase.Si estos datos cambiaran, los patrones se modificarían y la predicción también, incluso cuandonosealarespuestacorrectaenelmundoreal. 7OECD,InitialPolicyConsiderationsforGenerativeArtificialIntelligence,OECDArtificialIntelligencePapers,2023,en: https://www.oecd-ilibrary.org/deliver/fae2d1e6-en.pdf?itemId=/content/paper/fae2d1e6-en&mimeType=pdf (consultadoel8/07/2024) 8 Juan G. Corvalán, et.al., ChatGPT vs. GPT4: ¿imperfecto por diseño?, La Ley, 2023, en

https://ialab.com.ar/wp-content/uploads/2023/03/Libro-ChatGPT-vs-GPT-4.-UBA-Thomson-Reuters-La-Ley.pdf (consultadoel22/5/2024). 8 Cuando estas predicciones generan un contenido nuevo, distinto de la mera organización de datos obtenidos en el entrenamiento, hablamos de IAGen. Este es el punto en el que debemos situarnos para contextualizar la actividad que vamos a desarrollar. Se “generan” textos, imágenes, videos o audios con modificaciones introducidasporelsistemaapartirdepatronesaprendidosdedatosdelmundoreal. Los grandes modelos de lenguaje son un tipo de IAGen. Partiendo del aprendizaje automático pueden realizar una variedad de tareas de procesamiento del lenguaje natural, como generar y clasificar texto, responder preguntas de manera conversacionalytraducirtextodeunidiomaaotro. Técnicamente, son sistemas entrenados con enormes cantidades de datos para realizar tareas de predicción de cadenas de texto. Es decir, que han sido entrenados para predecir la probabilidad de ocurrencia de un token9 (puede ser un carácter, una palabraounacadenadepalabras)dadosucontextoanteriorocircundante10. La calidad de un modelo dependerá de su tamaño, la cantidad y diversidad de datos con los que fue entrenado ylacomplejidaddelosalgoritmosdeaprendizajeprofundo utilizados durante el entrenamiento. Una vez que unLLMhasidoentrenado,sepuede ajustar para una amplia gama de tareas. Entre ellas, la creación de chatbots conversacionalescomoChatGPToGemini. A modo de resumen, los grandes modelos de lenguaje son programas que procesan

el lenguaje natural. Están entrenados con datos en cantidades masivas. El sistema puede reconocer patrones en los datos, y dadaunainstrucciónporelusuario,realizar la predicción de la respuesta conforme esos patrones aprendidos durante el entrenamiento. Como los LLM no se limitan a reproducir patrones predeterminados sino que también les introducen modificaciones al predecir el resultado congruentea lainstruccióndada,formanpartedelaramadelaIAGen. 9Lostokenssonunidadesdetextoutilizadasporlosmodelosdelenguajeparaprocesarinformación.Enelcaso deChatGPT,lostokenssonimportantesporquehayunlímitemáximodetokensquesepuedenusartantoenla entradacomoenlarespuestadelmodelo.VermásenEntendiendolostokensdeChatGPT:Guíacompleta,Toolify, disponibleen:EntendiendolostokensdeChatGPT:Guíacompleta(toolify.ai) 10 Bender Emily, McMillan-Major Angelina, Gebru Timnit, Shmitchell Shmarga, “On the Dangers of Stochastic Parrots:CanLanguageModelsBeTooBig?”,Proceedingsofthe2021ACMConferenceonFairness,Accountability, and Transparency, Association for Computing Machinery, New York, marzo 2021, https://doi.org/10.1145/3442188.3445922 9 Ahora que contamos con el contexto necesario, vamos a ver cómo interactúan los usuariosconestosLLMyquépuedenaportaranuestrarutinaprofesional. 10 Segundo paso. Conocer y aprender a usar los prompts Segundo paso. Conocer y aprender a usar los prompts En el contexto de la IAGen, el concepto de "prompt" hace referencia aunainstrucción

o estímulo dado a un sistema de IA para generar una respuesta o texto coherente11. Es el punto de partida que direcciona y condiciona la salida del modelo conformelas palabras, técnicas, elementos y formatos que elijamos emplear en esta instrucción inicial. Al emplear herramientas potenciadas por IAGen como los LLM, la redacción de prompts precisos, completos y adecuados a nuestro objetivo se convierte en un requisitoineludibleparalaobtenciónderesultadosóptimos. “Prompting” sería, entonces, la acción de emplear de manera eficiente el lenguaje natural para explicar a las herramientas de IAGen lo que buscamos y obtener una respuesta pertinente. En esta publicación veremos algunas técnicas y buenas prácticas tendientes a lograr prompts útiles a los objetivos cotidianos del profesional delderecho. Antes de abocarnos de lleno a las técnicas y buenas prácticas, es importante entender que es posible que los LLM produzcan respuestas erróneas, falsas o sesgadas12. Esto es así porque los modelos, al responder a la solicitud del usuario, generanunaasociaciónprobabilísticadepalabrasquereproducepatronesaprendidos de entre miles de millones de textos que se le han provisto duranteelentrenamiento. Elmodelono“sabe”ni“entiende”.Loquehaceespredecir. Comprender las limitaciones de los grandes modelos de lenguaje que queremos implementar en la labor profesional diaria nos permite identificar herramientas y 11 Juan G. Corvalán, et.al., ChatGPT vs. GPT4: ¿imperfecto por diseño?, La Ley, 2023, en https://ialab.com.ar/wp-content/uploads/2023/03/Libro-ChatGPT-vs-GPT-4.-UBA-Thomson-Reuters-La-Ley.pdf

[accesoel22/5/2024]. 12 Ampliar en Juan G. Corvalán, et.al., ChatGPT vs. GPT4: ¿imperfecto por diseño?, La Ley, 2023, en https://ialab.com.ar/wp-content/uploads/2023/03/Libro-ChatGPT-vs-GPT-4.-UBA-Thomson-Reuters-La-Ley.pdf [acceso el 22/5/2024]. También ver Corvalán, Juan G. y Sánchez Caparrós Mariana,DirectricesdeusodelaIA generativa de texto y ChatGPT en la Justicia, septiembre 2023, en https://ialab.com.ar/wp-content/uploads/2023/11/Guia-de-directrices-usos-de-ChatGPT-e-IA-generativa-en-la-justi cia.pdf [accesoel22/5/2024]. 12 prácticas para direccionar mejor la selección de palabras que el modelo elegirá para “responder”anuestroprompt13. Ahorasí,vamosaello. 13 Ampliar en Juan G. Corvalán, et.al., ChatGPT vs. GPT4: ¿imperfecto por diseño?, La Ley, 2023, en https://ialab.com.ar/wp-content/uploads/2023/03/Libro-ChatGPT-vs-GPT-4.-UBA-Thomson-Reuters-La-Ley.pdf [acceso el 22/5/2024]. También ver Corvalán, Juan G. y Sánchez Caparrós Mariana,DirectricesdeusodelaIA generativa de texto y ChatGPT en la Justicia, septiembre 2023, en https://ialab.com.ar/wp-content/uploads/2023/11/Guia-de-directrices-usos-de-ChatGPT-e-IA-generativa-en-la-justi cia.pdf[accesoel22/5/2024]. 13 Tercer paso. Conocer los componentes

esenciales de un prompt Tercerpaso.Conocerloscomponentesesencialesdeunprompt14 Según la tarea quebusquemosresolverconayudadelmodelo,esposiblequenuestro prompt consista simplemente en una oración como “Redactar un email para saludar porelaniversariodecasamientodemisvecinos”. Sin embargo, para realizar actividades puntuales y elaboradas, como las que llevan adelante los profesionales del derecho a diario, es probable que necesitemos de promptsmáscomplejos.Enesoscasoshaydoscomponentesineludibles15:

A. Instrucción. Una instrucción es una declaración imperativa que le dice al modelo qué hacer,eselobjetivoalcuallaIAdebeapuntar.Establecerinstruccionesclarascon información pertinente, concisa y relevantepermitealmodeloejecutarsufuncióncon mayorprecisión. 14 Ampliar en “Tips for writing foundation model prompts: prompt engineering” en

https://www.ibm.com/docs/en/watsonx-as-a-service?topic=lab-prompt-tips (consultado el 17/07/2024) y “6

ESSENTIAL ELEMENTS OF AI PROMPT ENGINEERING: TCEPFT as BK HAN’s MNEMONIC” en

https://medium.com/@BK.HAN/6-essential-elements-of-ai-prompt-engineering-tcepft-as-bk-hans-mnemonic-43e6 89f22ad8(consultadoel17/07/2024). 15 También ver Corvalán, Juan G.ySánchezCaparrósMariana,DirectricesdeusodelaIAgenerativadetextoy ChatGPT en la Justicia, septiembre 2023, en https://ialab.com.ar/wp-content/uploads/2023/11/Guia-de-directrices-usos-de-ChatGPT-e-IA-generativa-en-la-justi cia.pdf[consultadoel22/5/2024].

15

B. Contexto: Además de la instrucción es importante incorporardetallesdescriptivos del entorno que rodea la tarea o el objetivo que buscamos. Esto impulsa la salida

(respuesta)delmodeloenladireccióncorrecta.16 Recordemos que las respuestas se generan en función de la asociación de palabras entre sí,porloquecuantosmásdetallesdemos,másprobableesqueelresultadosea próximo a lo que buscamos. Es sustancial entender, sin embargo, que no se trata de insertar información aleatoria ni de intentar alcanzar un alto número de caracteres. Las descripciones del contexto mejorarán el prompt en la medida que sean necesariasyrelevantes.Siesenoeselcasolomejoresomitirlas. 16Paraverelejemploenlaconversación:https://chatgpt.com/share/0947f8c6-00f8-46c0-8016-ecf2fcb0fa43. 16 Al comparar los resultados es posible visualizar la influencia del contexto en la redacción de una respuesta más específica y acorde a la finalidad de quien la solicita.17 17Paraverelejemploenlaconversación:https://chatgpt.com/share/0947f8c6-00f8-46c0-8016-ecf2fcb0fa43. 17 Cuarto paso. Incorporar otros componentes útiles (si es necesario) Cuartopaso.Incorporarotroscomponentesútiles(siesnecesario)18 Más allá de la instrucción y el contexto, hay otros elementos que podemos añadir al prompt para personalizar aún más la salida. Estos deben ser usados sólo encasode sernecesario. En cuestiones de inteligencia artificial, a veces menos es más. Con la práctica se adquiere la habilidad de identificar cuándo incorporar cada uno de los siguientes

componentes:formato,tonodeseado,públicodestinatarioyseñales.

A. Indicaciones sobre el formato de respuesta deseado Pueden incorporarse al prompt especificaciones estructurales o de diseño, como instrucciones relativas a la organización, estilo de presentación, longitud y forma en que deseamos que se disponga la información en la respuesta. Pueden solicitarse formatos como tablas,listasnumeradas,cuadroscomparativos.Puedenestablecerse mínimos y máximos de palabras o párrafos. Incluso haciendo uso de ejemplos es posible,también,solicitarquerepliqueelpatróndelmismoenlasalida.

La definición de la longitud de la respuesta permite a los modelos de inteligencia artificial determinar la profundidad que tendrá la misma, adaptando la calidad y la cantidad de información que proporciona según los requisitos ingresados en el prompt. 18 Ampliar en “Tips for writing foundation model prompts: prompt engineering”, IBM 2024, en https://www.ibm.com/docs/en/watsonx-as-a-service?topic=lab-prompt-tips (consultado el 17/07/2024), “Introduction to prompt engineering”, Microsoft 2024, en https://learn.microsoft.com/en-us/azure/ai-services/openai/concepts/prompt-engineering (consultado el 17/07/2024)y“6essentialelementsofAIpromptengineering:TCEPFTasBKHAN’sMNEMONIC”,Medium2023,en https://medium.com/@BK.HAN/6-essential-elements-of-ai-prompt-engineering-tcepft-as-bk-hans-mnemonic-43e6 89f22ad8(consultadoel17/07/2024). 19 B.Indicacionessobreeltonodeseado Podemos incorporar directrices con respecto a la formalidad o informalidad

deseadas, la presencia de lenguaje técnico, el uso de analogías en la respuesta, el propósito de emocionar, hacer reír o informar, entre otros. Para esto puede ser útil indicar al modelo que redacte la respuesta desde el punto de vista de quien la empleará en la vida real. Por ejemplo un estudiante de derecho, un profesor de la universidad,uninvestigadorcientíficoounabogadolitigante.19 19Paraverelejemploenlaconversación:https://chatgpt.com/share/c1800d9a-86d0-4597-aace-9616482f307c. 20

C. Información sobre el público al que se dirige el texto generado Describir a nuestra audiencia permite al modelo adaptar el lenguaje y estilo del contenido para queconectedemaneraefectivacondeterminadogrupohumano.Esto puede hacerse incorporando cuestiones como nivel de conocimiento técnico, edad y contextoenelqueentraránencontactoconlarespuestaalprompt.20

20Paraverelejemploenlaconversación:https://chatgpt.com/share/eb967f37-b4ce-41ee-ae0c-db663d7cb373. 21 DSeñales (Cues)22 21 Ya establecimos que el texto generado por los modelos de lenguaje parte de predicciones. Por lo tanto, ingresar una frase que actúe como "impulso" o punto de partida para la respuesta puede ayudar a la IA a dirigirse al resultado deseado. Esto también sirve para cuando deseamos que el texto generado inicie o contenga una fraseopárrafoenparticular. 21 Paraverelejemploenlaconversación: https://chatgpt.com/share/ddf1041a-102f-4d1f-a7a9-c04c7702f8ab.

22 Ampliar en “Introduction to prompt engineering”, Microsoft 2024, disponible en https://learn.microsoft.com/en-us/azure/ai-services/openai/concepts/prompt-engineering (consultado el 28/07/2024). 22

E. Conclusiones Habiendo visto demostraciones de cómo incorporar instrucciones, contexto, ejemplos, preferencias de formato y tono, información sobre la audiencia y disparadores a nuestroprompt,estamosencondicionesdeadvertirqueestavariedad decomponentesdacomoresultadounainfinidaddecombinacionesposibles.

Por ello, además de conocer qué cosas podemos incorporar al prompt también es importantesabercómohacerlo.Esteesunmundodeposibilidadesmuyamplioyasu estudio, teorización y puesta a prueba se dedican profesionales del Prompt Engineering mediante técnicas cada vezmáscreativas,complejasydifundidas.Estas técnicas nos brindan opciones para definir qué elementos incorporar, en qué orden y dequémanera.Conozcamoselamplioespectrodelasmismas.23 23Paraverelejemploenlaconversación:https://chatgpt.com/share/5f07c58d-5ceb-4942-b86c-b5e2adaac129. 23 Quinto paso. Incorporar estrategias de Prompt Engineering Quintopaso.IncorporarestrategiasdePromptEngineering24 A.Systemmessage Estatécnicaseempleapara“configurar”anuestromodeloindicándolequédebeyqué no debe hacer cuando interactuamos, asignándole algunapersonalidad,roloformato que deba aplicar en su respuesta o preparándolo para actuar en determinado contexto. En ChatGPT, por ejemplo, esto se puede realizar a través de la función de Custom Instructions, en la cual establecemos un prompt aplicable a todos los nuevos chats,

de modo que el sistema ya permanezca “configurado” con ciertas características. Todos los componentes que mencionamos anteriormente podrían ser empleados en estatécnica. 24 Ampliar en “Prompt engineering techniques”, Microsoft 2024, en https://learn.microsoft.com/en-us/azure/ai-services/openai/concepts/advanced-prompt-engineering?pivots=progr amming-language-chat-completions(consultadoel17/07/2024),“Must-ReadBestOfPracticalPromptEngineering Strategies To Become A Skillful Prompting Wizard In Generative AI”, Forbes 2023 en https://www.forbes.com/sites/lanceeliot/2023/12/28/must-read-best-of-practical-prompt-engineering-strategies-t o-become-a-skillful-prompting-wizard-in-generative-ai/?sh=63d1cbf219cd (consultadoel17/07/2024),BELAGATTI Pavan, “Prompt Engineering: The Art and Science of Talking to LLMs”, SingleStore 2024, en https://www.singlestore.com/blog/a-complete-guide-to-prompt-engineering/#iteration-and-experimentation, (consultado el 17/07/2024), TRAJKOVSKI Goran, “Skeleton-of-Thought Technique”, LinkedIn 2024, en https://www.linkedin.com/pulse/skeleton-of-thought-technique-goran-trajkovski-trbxe/(consultadoel17/07/2024),

V. Betania, “Prompt Engineering: qué es y 15 técnicas eficaces + consejos”, Hostinger Tutoriales, en

https://www.hostinger.com.ar/tutoriales/prompt-engineering?ppc_campaign=google_search_generic_hosting_all&b idkw=defaultkeyword&lo=20025&gad_source=1&gclid=CjwKCAjwnv-vBhBdEiwABCYQA2gD22fbBIKGNTkuU_vSYV

VqX7kiPsSXqCic3uThIwxm8VlqBrpXmBoCvhcQAvD_BwE#Tecnicas_de_prompt_engineering (consultado el 17/07/2024) y “Tree Of Thoughts Prompting For Better Generative AI Results”, Search Engine Journal 2023, en https://www.searchenginejournal.com/tree-of-thoughts-prompting-for-better-generative-ai-results/504797/ (consultadoel17/07/2024). 25 25 B.Zeroshotprompting26 Esta técnica consiste en no dar al modelo grandes ejemplos ni contexto previo, proporcionandosimplementeunmensajeoinstrucción. Si bien esta técnica es ideal cuando se requieren respuestas rápidas a preguntas básicas o temas generales, su mayor utilidad radicaenaquellasocasionesenlasque buscamos resultados creativos. Al no brindar detalles ni establecer límites, se podría decir que dejamos al modelo trabajarlibrementeysorprendernosconrespuestasque van,muchasveces,másalládeloqueinicialmentehubiésemosesperado. 25Paraverelejemploenlaconversación: https://chatgpt.com/share/3de29f7c-9696-4c6e-9ca1-5d8b8c9159fd]. 26 Ampliar en “Prompt Engineering”, OpenAI Guides, en https://platform.openai.com/docs/guides/prompt-engineering/tactic-specify-the-steps-required-to-complete-a-task [acceso el 12/7/2024]. También en “Prompt Engineering Guide”, en https://www.promptingguide.ai/techniques/zeroshot[Consultadoel12/7/2024]. 26 27 C.Oneshotprompting28 Este nombre describe aquellos prompts en los que se obtiene una respuesta a partir

de un ejemplo y/ocontextoproporcionadoporelusuario.SebuscaguiaralLLMhacia un estilo, tono o tema específico. También para mostrar el formato de salida que deseamos. Así, cuando no queremos dejar al azar o a la creatividad del programa la respuesta, incorporamos un ejemplo que funcione de guía. Este ejemplo puede incorporarse por escrito dentro del mismo prompt o, en los modelos quelopermiten, adjuntandoarchivostalescomomodelosdeescritoslegales. 27https://chatgpt.com/share/189e3c55-63a5-4c2d-ac43-2be081978a21. 28 Ampliar en “Prompt Engineering”, OpenAI Guides, en https://platform.openai.com/docs/guides/prompt-engineering/tactic-specify-the-steps-required-to-complete-a-task [Consultadoel12/7/2024]. 27 29 29 Paraverelejemploenlaconversación: https://chatgpt.com/share/e3179e5f-6928-4ba6-887f-b8e3b2d70b20.El documentoproporcionadoenesteejemploalaIAparaserutilizadodemodelofuepreviamenteanonimizado.La anonimización consiste en reemplazar datos personales e información que pueda identificar al sujeto del documento por otros datos generalizados que no tengan conexiónconelcaso.Recomendamosrealizarlopara protegerinformaciónsensibledeclientesyempresas. 28

D. Few shot prompting30

De manera similar a la técnica anterior, consiste enproporcionarvariosejemplosy/o contextos del resultado deseado al modelo. Muchas veces, los ejemplos son más complejosoabarcativosdeunaampliavariedaddeaspectos.Esunaformacomúnde

adaptar modelos de lenguaje a nuevas tareas. Se proporcionan normalmente entre dos y cuatro demostraciones. Esto es más adecuado para tareas en las que es necesario garantizar la coherencia y la precisión, como generartextoenunformatoo dominioespecífico.31 30 Ampliar en “Prompt Engineering”, OpenAI Guides, en https://platform.openai.com/docs/guides/prompt-engineering/tactic-specify-the-steps-required-to-complete-a-task [acceso el 12/7/2024]. También en “Prompt Engineering Guide”, en https://www.promptingguide.ai/techniques/fewshot [accesoel12/7/2024]. 31 Para ver el ejemplo en la conversación: https://chatgpt.com/share/1be0f286-871d-4dc0-af84-0bcd14e1151f TodoslosdocumentosproporcionadosenesteejemploalaIAparaserutilizadosdemodelofueronpreviamente anonimizados.Laanonimizaciónconsisteenreemplazardatospersonaleseinformaciónquepuedaidentificaral sujeto del documento por otros datos generalizados que no tengan conexión con el caso. Recomendamos realizarloparaprotegerinformaciónsensibledeclientesyempresas. 29 E.Breakthetaskdown32 Cuando la tarea que llevamos adelante con un LLM es amplia o compleja, es bueno recurrir a la técnica de dividir el cometido en pasos más pequeños. Esto permite al modelo centrarse en etapas manejables y trabajar en cada una de ellas con detalle, coherencia y prolijidad. Si bien las herramientas potenciadas con esta tecnologíason cada día más capaces de procesar muchísima información, ello no quita que en esa densidadpuedaomitirdetallesrelevantesanuestroquehacer. Dividir la tarea en pasos autónomos y progresivos nos permite, por unlado,controlar

la calidad del resultado y, por elotro,obtenerrespuestasmáscompletasyconfiables. En la práctica esto se hace dedicando exclusivamente un prompt aunaomáspartes de la tarea, y luego repetir el proceso con las demás etapas. Generalmente se obtienen mejores resultados que cuando damos una sola instrucción para la labor completa. 32 Ampliar en “Prompt Engineering”, OpenAI Guides, en https://plat