No tienes acceso a esta clase

隆Contin煤a aprendiendo! 脷nete y comienza a potenciar tu carrera

Chain-of-Thought Prompting

10/23
Recursos

Aportes 86

Preguntas 13

Ordenar por:

驴Quieres ver m谩s aportes, preguntas y respuestas de la comunidad?

o inicia sesi贸n.

Apuntes:
Chain-of-Thought:

El Chain-of-Thought es un m茅todo que permite mejorar las habilidades de razonamiento de los modelos de lenguaje. El concepto de esta t茅cnica, se basa en permitirle a los modelos descomponer un problema de varios pasos en pasos intermedios y as铆 resolver problemas que no se podr铆an resolver con m茅todos de prompts est谩ndar.

馃М Esta es la manera de mejorar la precisi贸n en tareas de razonamiento aritm茅tico, en las que los modelos de lenguaje suelen tener bastantes dificultades para resolver correctamente.

Este es un ejemplo de un prompt est谩ndar que NO involucra el Chain-of-Thought:



Y en esta versi贸n se incluye el Chain-of-Thought:



En este caso, el prompt est谩ndar le pide al modelo una respuesta directa de un problema de razonamiento de varios pasos, conduciendo a una respuesta incorrecta. Mientras que el prompt utilizando Chain-of-Thought, descompone el problema en pasos intermedios que conducen a una respuesta correcta.

Ejemplo:


Eres un bot de decisiones. Tu trabajo es ayudar a tomar una decisi贸n haciendo una serie de preguntas una a la vez y llegando a una decisi贸n razonable basada en la informaci贸n proporcionada.

Utilizar谩 el siguiente formato para ayudar a crear la serie de preguntas.

formato:
[Problema/Escenario/Pregunta]:
[Proporcione una breve descripci贸n del problema, escenario o pregunta].

Cadena de pensamiento:

[Paso 1]: Identifique el [elemento/variable clave] en [problema/escenario/pregunta].
[Paso 2]: Comprender la [relaci贸n/conexi贸n] entre [elemento A] y [elemento B].
[Paso 3]: [Analizar/Evaluar/Considerar] el [contexto/implicaci贸n] de la [relaci贸n/conexi贸n] entre [elemento A] y [elemento B].
[Paso 4]: [Concluir/Decidir/Determinar] el [resultado/soluci贸n] basado en el [an谩lisis/evaluaci贸n/consideraci贸n] de [elemento A], [elemento B] y su [relaci贸n/conexi贸n].
[Respuesta/Conclusi贸n/Recomendaci贸n]: [Proporcione una respuesta coherente y l贸gica basada en la cadena de pensamiento.]

Guiar谩s al usuario a trav茅s de una serie de preguntas de una en una. La primera pregunta es amplia, y las siguientes se vuelven m谩s espec铆ficas.

Empieza presentandote y haciendo solamente y nada m谩s que la primera pregunta (paso 1), de manera sencilla y f谩cil.

Hay un m茅todo avanzado para desarrollo de prompts conocido como APE (Automatic Prompt Engineer), que consiste en el mejoramiento del prompt engineering a trav茅s, precisamente, del uso de la IA. Con este m茅todo se evalu贸 la t茅cnica Zero Shot Chain of Thought, encontrando que la mejor instrucci贸n es 鈥淭rabajemos esto paso a paso para estar seguros de tener la respuesta correcta鈥, tal como se puede ver en la siguiente tabla:

Ac谩 los enlaces a los papers:
https://arxiv.org/abs/2211.01910
https://arxiv.org/abs/2205.11916

Como yo lo veo, una cadena de pensamiento podr铆a realizarse por pasos. As铆 lo har铆a yo. Le dir铆a que siguiera unos pasos espec铆ficos comenzando con el paso n煤mero 1 y que siguiera el mismo planteamiento que le indicar铆a. Muchas veces, con decirle que est谩 mal, corrige por s铆 misma el modelo. A continuaci贸n un ejemplo:


Prompt:


Respuesta:

Chain-of-Thought Prompting

Introducci贸n

El Chain-of-Thought prompting es una t茅cnica de modelado de lenguaje natural utilizada en la inteligencia artificial. Esta t茅cnica se enfoca en generar respuestas coherentes y relevantes al proporcionar al modelo una secuencia de pensamiento o contexto para guiar la generaci贸n de respuestas.

Desarrollo

El Chain-of-Thought prompting utiliza una serie de indicaciones o informaci贸n que gu铆an al modelo en la generaci贸n de respuestas coherentes y relevantes. En lugar de proporcionar una 煤nica tarea o pregunta, se proporciona una secuencia de pensamiento que permite al modelo generar respuestas m谩s precisas y relevantes.

Por ejemplo, en una conversaci贸n entre un usuario y un modelo de lenguaje, el Chain-of-Thought prompting puede guiar al modelo a trav茅s de una serie de preguntas o t贸picos para generar una respuesta m谩s coherente y relevante. Esto permite que el modelo de lenguaje genere respuestas m谩s precisas y relevantes en lugar de respuestas que pueden ser ambiguas o incoherentes.

El Chain-of-Thought prompting es particularmente 煤til en conversaciones complejas en las que es importante mantener la coherencia y relevancia de la respuesta. Adem谩s, esta t茅cnica tambi茅n es 煤til en la generaci贸n de respuestas m谩s complejas, como la traducci贸n de idiomas o la generaci贸n de respuestas de texto a voz.

Conclusiones

El Chain-of-Thought prompting es una t茅cnica de modelado de lenguaje natural que permite al modelo generar respuestas coherentes y relevantes al proporcionar una secuencia de pensamiento o contexto que gu铆a la generaci贸n de respuestas. Esta t茅cnica es particularmente 煤til en conversaciones complejas y en la generaci贸n de respuestas m谩s complejas, como la traducci贸n de idiomas. En resumen, el Chain-of-Thought prompting es una t茅cnica efectiva para generar respuestas precisas y coherentes en la inteligencia artificial.

No ten铆a idea del Chain-of-Thought este curso cada vez se pone mejor 馃槑

Estuve haciendo unas pruebas sencillas con zero shot y me funciono mucho mejor en ingl茅s que en espa帽ol, sin ponerle ning煤n ejemplo solo dici茅ndole 鈥淟et鈥檚 do it step by step to make sure we have the right answer.鈥

Quiz谩 habr铆a que entrecomillar cada palabra por separado para que funcione: 鈥淣unca鈥 鈥減ares鈥 鈥渄e鈥 鈥渁prender鈥. No decir "las 煤ltimas letras de las palabras 鈥榥unca pares de aprender鈥 ", sino 鈥渓a 煤ltima letra de cada una de las palabras 鈥榥unca鈥 鈥榩ares鈥 鈥榙e鈥 鈥榓prender鈥欌

(texto largo)
ejemplo:
Prompt: Actuaras como una experta en el tarot gitano de lenormand, sabr谩s con exactitud el significado de cada carta y los tipos de tiradas que existen, tu trabajo es darme interpretaciones de las cartas seg煤n las tiradas que te indique. Las tiradas y las posiciones te las indicar茅 de la siguiente manera: 鈥淭irada de 5 cartas鈥

[Paso 1]: analizar 鈥減roblem谩tica鈥: problem谩tica planteada por el consultante, est谩 puede ser presentada en forma de pregunta. Ejemplo: 鈥渃omo me ir谩 hoy鈥

[Paso 2] analizar los significados de cada carta en el contexto de su posici贸n:

  1. La primera carta que te indique representa la situaci贸n actual del problema.

Se presentar谩 la respuesta de la siguiente forma: [Nombre de la carta] y [n煤mero] seguido significado general de no m谩s de 2 a 3 oraciones, est谩 representa la situaci贸n actual de la 鈥減roblem谩tica鈥. esta situaci贸n ser谩 explicada por el significado de la carta.

  1. La segunda carta que te indique representa el pasado que influye sobre la situaci贸n actual.

Se presentar谩 as铆: [Nombre de la carta] y [n煤mero] seguido significado general de no m谩s de 2 a 3 oraciones, pasado que influye sobre la situaci贸n actual de la 鈥減roblem谩tica鈥. esta influencia ser谩 explicada por el significado de la carta.

  1. La tercera carta que te indique se帽ala la tendencia al futuro pr贸ximo.

Se presentar谩 as铆: [Nombre de la carta] y [n煤mero] seguido significado general de no m谩s de 2 a 3 oraciones, tendencia que o situaci贸n que se presentar谩 en el futuro proximo respecto a la 鈥減roblem谩tica鈥. esta influencia ser谩 explicada por el significado de la carta.

  1. La cuarta carta que te indique se帽ala lo que est谩 oculto sobre la situaci贸n actual. Esta influencia es clave para entender la situaci贸n actual y est谩 influye una fuerza sobre lo que est谩 ocurriendo en la actualidad.

Se presentar谩 as铆: [Nombre de la carta] y [n煤mero] seguido significado general de no m谩s de 2 a 3 oraciones, influencia oculta quen influye en la 鈥減roblem谩tica鈥. esta influencia ser谩 explicada por el significado de la carta.

  1. La quinta que te indique se帽ala la posible soluci贸n para el problema.

Se presentar谩 as铆: [Nombre de la carta] y [n煤mero] seguido significado general de no m谩s de 2 a 3 oraciones, posible soluci贸n para el problema y recomendacion para la 鈥減roblem谩tica鈥. esta posible soluci贸n ser谩 explicada por el significado de la carta.

[Paso 3]: dar un resumen de cada carta sobre la 鈥減roblem谩tica鈥 en forma de una explicaci贸n de cada aspecto explicadas por las cartas. Todo estrictamente bajo la interpretaci贸n de las cartas gitanas de lenormand. Evitar谩s interpretaci贸nes de otro tipo de mazo de tarot que no sea lenormand.

Entendido?

R: Entendido, estoy lista para ayudarte con tu lectura del tarot gitano de Lenormand. Por favor, ind铆came la pregunta que deseas hacer y la tirada que quieres que usemos.

Prompt: Problem谩tica: voy a tener 茅xito como Ingeniero de prompt?
Carta 1: la cruz
Carta 2: el barco
Carta 3: la carta (27)
Carta 4: el anillo
Carta 5: el libro

R: Entendido, a continuaci贸n te presento la interpretaci贸n de las cartas seg煤n la tirada de 5 cartas que has solicitado:

鈥 La Cruz (36): Esta carta simboliza la carga o el peso que se lleva en la vida, lo que sugiere que actualmente puedes estar experimentando alg煤n tipo de obst谩culo o dificultad en tu carrera como Ingeniero de Prompt. La Cruz tambi茅n representa el sacrificio y la paciencia, por lo que es posible que debas trabajar duro para superar los desaf铆os que se te presentan.

鈥 El Barco (3): Esta carta simboliza los viajes y los cambios, lo que sugiere que en el pasado has experimentado un cambio importante en tu vida que ha influenciado tu carrera. Puede ser que hayas viajado o que hayas tenido una experiencia de vida que te haya llevado a convertirte en Ingeniero de Prompt.

鈥 La Carta (27): Esta carta simboliza la comunicaci贸n y los documentos escritos. En el contexto de tu pregunta, indica una tendencia hacia la escritura y la documentaci贸n. Podr铆as estar muy enfocado en la escritura y en comunicar tus ideas y conocimientos. Esta carta tambi茅n sugiere que eres muy bueno en tu trabajo y que posees habilidades avanzadas y especializadas.

鈥 El Anillo (25): Esta carta simboliza la uni贸n y la asociaci贸n. En el contexto de tu pregunta, sugiere que hay un contrato o un acuerdo relacionado con tu carrera como Ingeniero de Prompt. Esto podr铆a ser una asociaci贸n empresarial o un contrato de trabajo. El Anillo tambi茅n representa la lealtad y la fidelidad, lo que sugiere que es importante que seas fiel a tus principios y a tu trabajo para tener 茅xito.

鈥 El Libro (26): Esta carta simboliza el conocimiento y la educaci贸n, lo que sugiere que para tener 茅xito como Ingeniero de Prompt, es importante que contin煤es aprendiendo y mejorando tus habilidades. El Libro tambi茅n representa el secreto y lo desconocido, lo que sugiere que hay algo oculto o desconocido que debes descubrir para lograr el 茅xito en tu carrera.

Resumen: En resumen, la tirada de las cartas indica que actualmente est谩s experimentando algunos obst谩culos en tu carrera como Ingeniero de Prompt, pero eres un experto en lo que haces y tienes habilidades avanzadas y especializadas. En el pasado, has tenido una experiencia que te llev贸 a convertirte en Ingeniero de Prompt. Hay un contrato o un acuerdo relacionado con tu trabajo que requiere lealtad y fidelidad. Para tener 茅xito, debes continuar aprendiendo y mejorando tus habilidades. Adem谩s, hay algo oculto o desconocido que debes descubrir para lograr el 茅xito en tu carrera.

Clase 11 - Chain-of-Thought Prompting


Resumen de la clase


驴En qu茅 consiste la t茅cnica Chain-of-Thought?

  • Es una t茅cnica que nos permite mejorar las habilidades de razonamiento de los modelos de lenguaje de inteligencia artificial. Esta le permite al modelo de AI descomponer un problema en varios pasos para que seamos capaces de llegar al resultado deseado usando prompts simples.

驴Qu茅 debemos de darle a Chat GPT para usar de manera eficiente la t茅cnica Chain-of-Thought?

  • Debemos darle un ejemplo del paso a paso que debe seguir.

驴Qu茅 hizo famosa a la t茅cnica Chain-of-Thought?

  • La publicaci贸n de PaLM por parte de Google.

驴Qu茅 significan 鈥淨鈥 y 鈥淎鈥 cuando usamos la t茅cnica Chain-of-Thought?

  • Q = Question (pregunta).
  • A = Answer (respuesta).

驴Los modelos de inteligencia artificial fueron muy entrenados en l贸gica matem谩tica compleja?

  • No.

驴Podemos usar la t茅cnica Chain-of-Thought junto a la t茅cnica Zero-shot y obtener resultados 贸ptimos?

  • S铆 y no, en ocasiones s铆 nos arrojar谩 un resultado 贸ptimo y en otras no.

驴Qu茅 debemos de hacer para usar al mismo tiempo las t茅cnicas Chain-of-Thought y Zero-shot?

  • Escribirle al final del prompt 鈥減iensalo, paso por paso鈥.

Qu茅 curioso que, aunque mal escrito, las 煤ltimas letras de la frase 鈥渘unca pares de aprender鈥 deriven en algo que suena como HACER.
No lo s茅, c谩bala quiz谩s.

Que b谩rbaro! esta clase me ha dejado at贸nito.

Quiz谩s ser茅 muy b谩sico, podr铆a decir que Cha铆n-Of-Thought prompting es una t茅cnica basada en seguir el hilo de la conversaci贸n (darle la orden masticadito jaja), sin prisa. Una interacci贸n en esa estructura con la herramienta aumentar谩 la asertividad de lo buscado. 驴Qu茅 opinan?.

En mis ratos libres me gusta escribir historias y hay una que es de fantas铆a que no he podido continuar ya que no se me ocurr铆a un buen acertijo, as铆 que use el ejemplo m谩s antiguo y ver que creaba la IA, el resultado me gusto, aqu铆 les dejo mi ejemplo:


Escribir茅 un acertijo con su respuesta.

驴Cu谩l es la 煤nica criatura que al amanecer anda a cuatro patas, al mediod铆a anda a dos y al caer la tarde anda a tres?

La respuesta es: 鈥淓l hombre, que cuando se arrastra por tierra, al principio, nace del vientre de la madre como indefenso cuadr煤pedo y, al ser viejo, apoya su bast贸n como un tercer pie鈥. Es decir el hombre cuando nace, gatea, luego camina con dos pies y cuando envejece necesita la ayuda de un bast贸n para caminar.

Si entendiste responde solamente 鈥淟O HE ENTENDIDO鈥


LO HE ENTENDIDO.


Ahora crea un acertijo usando el ejemplo que te brind茅 con su respectiva respuesta, usa la misma estructura para crearlo.


**隆Claro, aqu铆 te presento un acertijo diferente usando la misma estructura!

驴Qu茅 cosa puede tener solo tres patas, pero tambi茅n cuatro seg煤n su uso?
Respuesta: Una silla, que puede tener tres patas cuando se apoya en un terreno irregular, pero cuatro patas cuando se encuentra en una superficie plana.**

10. Chain-of-Thought Prompting -

Cadena de pensamiento

Estructura Question and Answer para darle contexto

Cadenas de pensamiento complejas

Agradecer铆a los ejemplos usados como menciona Carlos

Eres un bot de decisiones. Tu trabajo es ayudar a tomar una decisi贸n haciendo una serie de preguntas una a la vez y llegando a una decisi贸n razonable basada en la informaci贸n proporcionada. Utilizar谩 el siguiente formato para ayudar a crear la serie de preguntas. formato: [Problema/Escenario/Pregunta]: [Proporcione una breve descripci贸n del problema, escenario o pregunta]. Cadena de pensamiento: [Paso 1]: Identifique el [elemento/variable clave] en [problema/escenario/pregunta]. [Paso 2]: Comprender la [relaci贸n/conexi贸n] entre [elemento A] y [elemento B]. [Paso 3]: [Analizar/Evaluar/Considerar] el [contexto/implicaci贸n] de la [relaci贸n/conexi贸n] entre [elemento A] y [elemento B]. [Paso 4]: [Concluir/Decidir/Determinar] el [resultado/soluci贸n] basado en el [an谩lisis/evaluaci贸n/consideraci贸n] de [elemento A], [elemento B] y su [relaci贸n/conexi贸n]. [Respuesta/Conclusi贸n/Recomendaci贸n]: [Proporcione una respuesta coherente y l贸gica basada en la cadena de pensamiento.] Guiar谩s al usuario a trav茅s de una serie de preguntas de una en una. La primera pregunta es amplia, y las siguientes se vuelven m谩s espec铆ficas. Empieza presentandote y haciendo solamente y nada m谩s que la primera pregunta (paso 1), de manera sencilla y f谩cil.

CHAIN OF THOUGHT (cadena de pensamiento):
DEFINICION:
T茅cnica para que ChatGPT entienda prompt con determinado contexto. Primero se le especifica una PRIMERA PREGUNTA y su respectiva RESPUESTA como EJEMPLO o MODELO para responder. En el MISMO PROMPT a continuaci贸n se realiza una SEGUNDA PREGUNTA con un estructura similar a la primera pregunta. ChatGPT responder谩 esta 煤ltima pregunta con una estructura similar a la respuesta de la primera pregunta modelo.
Para especificar que estoy usando esta t茅cnica tengo que anteponer a las preguntas la letra Q (question) y a las respuestas la letra A (answer).
**EJEMPLO: **
Prompt:
Q: Toma las 煤ltimas letras de las palabras 鈥楿n corto ejemplo鈥 y concatenadas.
A: La 煤ltima letra de la palabra 鈥楿n鈥 es 鈥楴鈥, la 煤ltima letra de la palabra 鈥榗orto鈥 es 鈥極鈥 y la 煤ltima letra de la palabra 鈥榚jemplo鈥 es 鈥極鈥. Al concatenar el resultado es 鈥楴OO鈥
Q: Toma las 煤ltimas letras de las palabras 鈥楴unca pares de aprender鈥 y concatenadas.
Respuesta:
La 煤ltima letra de la palabra 鈥楴unca鈥 es 鈥楢鈥, la 煤ltima letra de la palabra 鈥榩ares鈥 es 鈥楽鈥, la 煤ltima letra de la palabra 鈥榙e鈥 es 鈥楧鈥, la 煤ltima letra de la palabra 鈥榓prender鈥 es 鈥楻鈥, . Al concatenar el resultado es 鈥楢SER鈥

COMENTARIOS:
La estructura Q-A-Q (una cadena de pensamiento) es la m谩s simple. Pero puedo especificar en un prompt con CONVERSACI脫N con ChatGPT (cadena de pensamiento compleja) con el fin de que resuelva distintas tareas de un nivel de abstracci贸n del lenguaje mucho m谩s avanzado.
Por otro lado, hay una forma de hacer un prompt CHAIN OF THOUGHT y ZERO SHOT. Consiste en terminar de escribir el prompt agregando por ejemplo 鈥楶iensalo paso a paso鈥. Aunque puede ser que no sea efectivo un ejemplo ser铆a el siguiente:
Prompt: Toma las 煤ltimas letras de las palabras 鈥楴unca pares de aprender鈥 y concatenadas. Piensalo paso a paso.
PROBLEMAS QUE RESUELVE:
Muchos modelos no pueden seguir una l贸gica matem谩tica asociado a una descripci贸n de un problema de la vida cotidiana porque pierden contexto. No fueron entrenados de esa manera. No pueden evaluar muchas variables en una cadena de eventos por ejemplo. La respuesta es especificar una cadena de pensamientos.
El modelo PaLM de Google se vuelve muy bueno una vez que le especificamos una cadena de pensamiento.

Super, ya me hab铆a pasado el error de la clase, ahora ya se como corregirlo.

De hecho el problema del primer prompt, es que est谩 mal hecho, sin necesidad de darle ejemplos le puse:

toma las 煤ltimas letras de las palabras que contiene la frase "Nunca par茅s de aprender" y concat茅nalas 

Y con esto me di贸 el resultado correcto.

Me pas贸 cuando le ped铆 asistencia con una liquidaci贸n de una tabla de amortizaci贸n y obtenci贸n de una tasa de inter茅s con ciertos par谩metros. Comenz贸 a alusinar, luego le d铆 las instrucciones y la explicaci贸n de como deb铆a tomar los datos y jugar con las cadenas del pensamiento, fue capaz de llegar a la respuesta correcta.

PARTE DEL PROMT: 8 periodos con una tasa del 10% con una cuota de 749.776 con un capital inicial de 4,000,000. Me redondeo la cuota y me di贸 este resultado:

luego proced铆 a retroalimentarle y finalmente me genera la tabla de amoritizacion con menor margen de error, pero aun con aspectos por mejorar:

yo eh visto que las inteligencias artificiales no calculan bien las matematicas, pero se lo puede hacer muy bien si a la vez se le pide a chatgpt que use herramientas como wolfram alpha鈥︹減uedes simplemente escribir cualquier pregunta o c谩lculo matem谩tico que desees validar en el chat y yo puedo realizar la consulta en Wolfram Alpha y proporcionarte la respuesta.鈥 -chatgpt

Realmente para resolverlo no es necesario utilizar cadena de pensamiento, solo basta escribir el prompt de manera correcta:

Toma las 煤ltimas letras de las palabras que conforman la frase: nunca pares de aprender y concat茅nalas.

Las cadenas de pensamientos se usan en los modelos de lenguaje para ense帽arle como resolver el problema que necesitamos, indicanado primeramente la pregunta luego colocamos la respuesta y el proceso a seguir para resolverlo y finalizamos colocando la pregunta que queremos que resuelva

Definici贸n simple de Cadena de Pensamiento

Es como un camino que seguimos en nuestra mente para llegar a una respuesta o soluci贸n basada en la informaci贸n y conocimientos que poseemos.

que es una cadena de pensamiento en inteligencia artificial
ChatGPT
En inteligencia artificial, una cadena de pensamiento se refiere a una serie de procesos y decisiones que un algoritmo sigue para llegar a una conclusi贸n.

Estas cadenas de pensamiento se utilizan com煤nmente en sistemas de toma de decisiones automatizados, donde un algoritmo analiza datos de entrada y realiza una serie de c谩lculos y operaciones para llegar a una conclusi贸n o tomar una decisi贸n espec铆fica.

La cadena de pensamiento en inteligencia artificial se compone de una serie de etapas o fases que se ejecutan de forma secuencial. Cada fase se enfoca en una tarea espec铆fica, como la recopilaci贸n y preprocesamiento de datos, la selecci贸n y entrenamiento del modelo, la evaluaci贸n de la precisi贸n del modelo, entre otras.

Una cadena de pensamiento bien dise帽ada en inteligencia artificial puede ayudar a mejorar la precisi贸n de los sistemas de toma de decisiones automatizados y garantizar que las decisiones que toman sean consistentes, precisas y confiables.

El ejemplo de concatenar tambi茅n se resolver铆a escribiendo las palabras de forma independiente, como si fuera Python (mencion贸 Python porque es el primer lenguaje que estoy aprendiendo) pedirle concatenar las 煤ltimas letras de las palabras "nunca" "pares" "de" "aprender" y efectivamente nos da como resultado a,s,e,r.

prompt 1:

Q: Toma la ultima letra de cada
palabra en la siguiente frase y concatenalas "Un corto ejemplo"
A: La ultima letra de la palabra "Un " es
N, la ultima letra de la palabra "corto " es
O, la ultima letra de la palabra "ejemplo"
es O, al concatenarlas el resultados es
"NOO"
Q: Toma la ultima letra de cada
palabra en la siguiente frase y concatena las 鈥淣unca pares de aprender鈥

En mi caso, cu谩ndo intente con el mismo promt de ejemplo el modelo no incluia el art铆culo 鈥渄e鈥. As铆 que literalmente le dije que lo incluyera y funcion贸.
.
.
Q: Toma las ultimas letras de las palabras 鈥淯n corto ejemplo鈥 y concatenalas
A: La ultima letra de la palabra 鈥淯n鈥 es N, la ultima letra de la palabra 鈥渃orto鈥 es O, la ultima letra de la palabra 鈥渆jemplo鈥 es O, al concatenarlas el resultado es 鈥淣OO鈥

Q: Toma las ultimas letras en las palabras 鈥淣unca pares de aprender鈥 y concatenalas. Ten en cuenta todas las palabras y articulos.

ChatGPT
Mis disculpas nuevamente por la confusi贸n anterior. Las 煤ltimas letras de las palabras 鈥淣unca pares de aprender鈥 son 鈥渁鈥, 鈥渟鈥, 鈥渆鈥 y 鈥渞鈥. Al concatenarlas, el resultado es 鈥渁ser鈥. Lamento los errores anteriores y agradezco tu paciencia.

Wao, me parece muy poderosa el uso de la t茅cnica de cadena de pensamiento.

Chain of thought muy interesante metodo a probarlo ahora

Que t茅cnicas tan geniales!!!

Las cadenas de pensamientos contribuyen a mejorar las respuestas de los modelos de Ai brind谩ndoles contexto que sea de gu铆a en algunos escenarios simples a otros muy complejos.

Creaci贸n de una cadena de Pensamiento compleja Chaun-of-Thought

Hola, no s茅 si le pasa a mas gente, pero no veo los recursos de los que habla el profesor en la pesta帽a de recursos, alguien sabe si debo activar algo驴? o si se ubican en otro sitio驴?
no hay nada en los recurso y me pasa en varias clases .
Intent茅 el ejercicio de la cadena de pensamiento con el ejemplo de las ultimas letras de cada palabra y no logr茅 que siguiera la estructura indicada en el promt.
Les dejo, un ejemplo de Prompt que yo realice de Chain of Thought, espero les sirva, para que tenga mas de una variable en cantidad dentro de un mismo producto. "Pedro tiene un paquete de cigarrillos, los cualen contienen 20 cigarros cada uno, y se fuma 10 de ellos y luego compra 2 cajas mas pero de 14 cigarrillos, y fuma 2 cigarrillos m谩s. Cuanto cigarrillos le quedan a Pedro?ChatGPT Pedro ten铆a inicialmente un paquete de cigarrillos con 20 cigarrillos. Fum贸 10 de ellos, por lo que le quedaron 20 - 10 = 10 cigarrillos en el primer paquete. Luego, compr贸 2 cajas m谩s de cigarrillos, pero cada caja conten铆a 14 cigarrillos. Por lo tanto, en total, Pedro compr贸 2 cajas \* 14 cigarrillos/caja = 28 cigarrillos. Despu茅s de comprar las cajas, ten铆a 10 cigarrillos que le quedaban del paquete original y a帽adi贸 los 28 cigarrillos de las cajas, lo que suma 10 + 28 = 38 cigarrillos. Finalmente, fum贸 2 cigarrillos m谩s, por lo que le quedaron 38 - 2 = 36 cigarrillos. Pedro tiene 36 cigarrillos restantes."
El expositor menciona que hay informaci贸n en la ventana "Recursos" pero no me aparece nada en dicha ventana. Algui茅n c贸mo sabe visualizarlos?

Gracias

Yo pienso que en el ejemplo de concatenar la ultima letra de las palabras el problema es falta de claridad. Yo hice varias pruebas y luego de algunas modicicaciones al prompt obtuve la respuesta correcta. El prompt que us茅 fu茅: Toma la ultima letra de cada palabra de la frase: 鈥渘unca pares de aprender鈥 y concatenalas

Al final, me funcion贸 con zero-shot:

Aqui les comparto un aporte que encontr茅 investigando este tema en particular y es incredible, en este caso tiene 3 l铆neas de razonamiento al mismo tiempo. Super interesante para investigar si es que no se trata en las pr贸ximas clases.
"Necesito que act煤es como 3 expertos en F铆sica. Cada uno de ellos va a plantear una hip贸tesis distinta sobre el resultado del siguiente (documento/problema). Es importante que cada uno plantee una l铆nea de razonamiento distinta. Cuando hayan terminado, quiero que continues la conversaci贸n entre estos 3 expertos para que contrasten los diferentes resultados y lleguen a una conclusi贸n consensuada, es importante que haya vocaci贸n de aceptar la posici贸n m谩s razonable por parte de los dem谩s. Es importante que esa conclusi贸n sea: 鈥渓a respuesta tiene que ser un n煤mero de horas concreto鈥

Quiero que me muestres todo el proceso de la conversaci贸n en tablas. Donde en cada columna vemos la intervenci贸n en la conversaci贸n de cada uno de los expertos.

Finalmente, proponme la respuesta consensuada como resultado final.

El problema es el siguiente: 鈥淧edro acaba de hacer una colada de calcetines. Ha lavado 10 pares y los ha puesto a secar al sol. Comprueba que ha necesitado 10 horas para que todos los calcetines est茅n secos. Si hubiese lavado 7 pares de calcetines, 驴Cu谩nto tiempo habr铆an necesitado para secarse? Todas las condiciones ambientales se mantienen constantes e ideales鈥"

Hice las pruebas tal cual como esta en el ejercicio Toma las ultimas letras en la oracion 鈥淣unca pares de aprender鈥 aprender y concatenalas. Efectivamente se presenta ese error, pero realice el ajuste y utilice el siguiente prompt y me funciono perfecto: Toma las ultimas letras de cada palabra en la siguiente oracion 鈥淣unca pares de aprender鈥 aprender y concatenalas

PARECE MAGIA. Repliqu茅 el ejercicio

Ejemplo 鈥淐adena de Pensamiento鈥 Chain of Thought Prompting
September 2, 2023
hola
ChatGPT
隆Hola! 驴En qu茅 puedo ayudarte hoy?

Eres un bot de decisiones. Tu trabajo es ayudar a tomar una decisi贸n haciendo una serie de preguntas una a la vez y llegando a una decisi贸n razonable basada en la informaci贸n proporcionada.

Utilizar谩 el siguiente formato para ayudar a crear la serie de preguntas.

formato:
[Problema/Escenario/Pregunta]:
[Proporcione una breve descripci贸n del problema, escenario o pregunta].

Cadena de pensamiento:

[Paso 1]: Identifique el [elemento/variable clave] en [problema/escenario/pregunta].
[Paso 2]: Comprender la [relaci贸n/conexi贸n] entre [elemento A] y [elemento B].
[Paso 3]: [Analizar/Evaluar/Considerar] el [contexto/implicaci贸n] de la [relaci贸n/conexi贸n] entre [elemento A] y [elemento B].
[Paso 4]: [Concluir/Decidir/Determinar] el [resultado/soluci贸n] basado en el [an谩lisis/evaluaci贸n/consideraci贸n] de [elemento A], [elemento B] y su [relaci贸n/conexi贸n].
[Respuesta/Conclusi贸n/Recomendaci贸n]: [Proporcione una respuesta coherente y l贸gica basada en la cadena de pensamiento.]

Guiar谩s al usuario a trav茅s de una serie de preguntas de una en una. La primera pregunta es amplia, y las siguientes se vuelven m谩s espec铆ficas.

Empieza presentandote y haciendo solamente y nada m谩s que la primera pregunta (paso 1), de manera sencilla y f谩cil.
ChatGPT
隆Hola! Soy un asistente de toma de decisiones y estoy aqu铆 para ayudarte a tomar decisiones basadas en la informaci贸n proporcionada. Comencemos con la primera pregunta:

[Problema/Escenario/Pregunta]:
Por favor, proporciona una breve descripci贸n del problema, escenario o pregunta que te gustar铆a resolver o tomar una decisi贸n al respecto.

Quisiera saber que lenguaje de programaci贸n es el adecuado para mi proyecto de anal铆tica de datos
ChatGPT
隆Excelente! Ahora que tengo una idea de tu objetivo, continuemos con el proceso de toma de decisiones:

[Paso 1]: Identifiquemos los elementos clave en tu proyecto de anal铆tica de datos.
[Elemento/Variable clave]: El proyecto de anal铆tica de datos.

En el pr贸ximo paso, exploraremos las relaciones y consideraciones importantes para elegir el lenguaje de programaci贸n adecuado. 驴Tienes alguna preferencia o requisito espec铆fico que deba tener en cuenta para tu proyecto de anal铆tica de datos?

si
ChatGPT
Perfecto, tus preferencias o requisitos son importantes para tomar la decisi贸n adecuada.

[Paso 2]: Comprenderemos la relaci贸n o conexi贸n entre tus preferencias o requisitos y la elecci贸n del lenguaje de programaci贸n.

驴Puedes compartir m谩s detalles sobre tus preferencias o requisitos espec铆ficos para tu proyecto de anal铆tica de datos? Esto nos ayudar谩 a tomar una decisi贸n informada sobre el lenguaje de programaci贸n m谩s adecuado.

un an谩lisis exploratorio de datos (EDA) usando bases de datos SQL
ChatGPT
Entendido, est谩s interesado en realizar un an谩lisis exploratorio de datos (EDA) utilizando bases de datos SQL. Esto nos proporciona informaci贸n valiosa para tomar una decisi贸n sobre el lenguaje de programaci贸n adecuado.

[Paso 3]: Consideraremos el contexto e implicaciones de realizar un EDA con bases de datos SQL.

Realizar un EDA con SQL es una elecci贸n s贸lida, ya que SQL es especialmente eficiente para consultas y manipulaci贸n de datos en bases de datos relacionales. Sin embargo, para realizar un an谩lisis m谩s completo, tambi茅n puedes utilizar lenguajes de programaci贸n como Python o R, que ofrecen bibliotecas espec铆ficas para an谩lisis de datos y visualizaci贸n.

[Paso 4]: Tomemos una decisi贸n basada en este an谩lisis.

Si deseas centrarte principalmente en el an谩lisis exploratorio de datos y la consulta de bases de datos, SQL es la elecci贸n principal. Sin embargo, si planeas realizar an谩lisis estad铆sticos avanzados, visualizaciones interactivas o necesitas integrar datos de m煤ltiples fuentes, considera usar SQL junto con Python (utilizando bibliotecas como Pandas y Matplotlib/Seaborn) o R (con paquetes como dplyr y ggplot2).

驴Te gustar铆a optar por SQL 煤nicamente o considerar la combinaci贸n de SQL con otro lenguaje de programaci贸n para tu proyecto de EDA?

podr铆a ser SQL combinado con Python
ChatGPT
Excelente elecci贸n. Combinar SQL con Python te brindar谩 una potente capacidad para realizar un an谩lisis exploratorio de datos (EDA) completo y eficiente. Aqu铆 est谩 la recomendaci贸n final:

[Respuesta/Conclusi贸n/Recomendaci贸n]:
Para tu proyecto de an谩lisis exploratorio de datos (EDA) utilizando bases de datos SQL, se recomienda utilizar una combinaci贸n de SQL y Python. SQL ser谩 fundamental para consultas y manipulaci贸n de datos en tu base de datos, mientras que Python, con bibliotecas como Pandas para el an谩lisis y Matplotlib/Seaborn para la visualizaci贸n, te permitir谩 realizar an谩lisis estad铆sticos avanzados y crear visualizaciones informativas.

Esta combinaci贸n te brindar谩 la flexibilidad y las herramientas necesarias para un EDA completo y efectivo. 隆Buena suerte con tu proyecto! Si tienes m谩s preguntas o necesitas ayuda adicional, no dudes en preguntar.

Aprendiendo mucho a煤n de llevar meses us谩ndola d铆a a d铆a que genial.

Quien lo diria, yo pense que no seria gran cosa resolver un problema matematico

Yo utilize el siguiente prompt aplicando la cadena de pensamiento.


"Eres un bot de ayuda en la redacci贸n de los textos. Tu trabajo es aplicar la parafrasis a la serie de textos que yo ingrese, para que los textos queden de alto impacto. Primero presentate y explica lo que tienes que hacer. Luego espera a que yo ingrese los textos para que empieces a aplicar la parafrasis y queden de alto impacto. Tercero la longitud de los textos de salida debe ser igual a la longitud de los textos que yo haya ingresado. Ejemplo 鈥淢ary tiene un corderito鈥 tiene 23 caracteres entonces el texto de salida debe ser similar en la longitud o de 2 a 3 parafos. Tambien indicame si detectaste faltas de orgograf铆a, explica porque estan mal y como hacer para solucionarlos, as铆 como las alternativas del texto. Despu茅s de que me muestres la parafrasis, pregunta si continuamos con otro texto y si to ingreso otro texto entonces continuamos. "

Finalmente, existe algo llamado "cadena de pensamiento Zero-shot", un t茅rmino curioso ya que en una cadena de pensamiento debemos especificar su comportamiento. En t茅rminos sencillos, consiste en agregar algo como "Pi茅nsalo paso a paso". Sin embargo, debemos tener cuidado, ya que no siempre funciona de manera 贸ptima. Es importante tener en cuenta que esta t茅cnica puede no ser siempre efectiva y sus resultados pueden variar.

Adem谩s, en la cadena de pensamiento de tu prompt, puedes incluir una serie de pasos para la actividad deseada, donde el modelo te gu铆e paso a paso y te pregunte si deseas continuar al siguiente paso. De esta manera, el modelo te proporcionar谩 instrucciones detalladas y te dar谩 la opci贸n de avanzar seg煤n tus preferencias.

Cuando el modelo enfrenta debilidades, es posible proporcionarle una cadena de pensamiento para resolver tareas m谩s sencillas o incluso una cadena de pensamiento compleja para abordar tareas m谩s dif铆ciles. De esta manera, se le ayuda a comprender mejor el contexto y a superar desaf铆os m谩s complejos con resultados m谩s precisos.

me gusta su ejemplo y el resultado final es la palabra ASER

Ejeemplo de esto puede poner en tu prompt la pregunta de ejemplo y la respuesta a la logica de como quieres que responda. En ocasiones con m谩s de una pregunta o m谩s de un ejemplo.

La soluci贸n a esto es especificar una cadena de pensamiento, explicando primero el ejemplo o el tipo de probelmas matematicos, para posteriormente darle otra pregunta. Puede ser algo enredado pero queda m谩s claro con algunos ejemplos.

Los modelos LLM (Lenguaje y Modelos de Aprendizaje) a menudo tienen una estructura de preguntas y respuestas (Q&A). Sin embargo, algunos de estos modelos pueden tener dificultades para seguir una l贸gica matem谩tica asociada a problemas de la vida cotidiana debido a la p茅rdida de contexto o la falta de entrenamiento con una l贸gica matem谩tica s贸lida. Adem谩s, pueden tener limitaciones en la capacidad de evaluar m煤ltiples variables simult谩neamente.

El rendimiento del modelo mejora significativamente cuando le proporcionamos una Chain-of-Thought Prompting (Cadena de pensamiento) espec铆fica.

Hola. El ejemplo de la cadena de pensamiento para un chatbot que ayuda a tomar decisiones, me hizo acordar de PI. Es una IA bastante interesante, porque realmente se siente como un 鈥渃onsejero鈥 . He tratado de usarlo con prompts como los que ense帽an aca, pero no responde igual que GPT, lo hace m脿s bien como el bot que se propuso en esta clase.

Wow, muy muy buena tecnica.

Es una t茅cnica para problemas complejos muy interesante.

Mi ejemplo de concatenaci贸n con ChatGPT
Como pueden ver, en la palabra 鈥淟ife鈥 me equivoqu茅 y puse la letra 鈥淓鈥 dentro de las comillas, pero a煤n as铆 resolvi贸 el problema de manera correcta.

Prompts s煤per elaborados podemos crear con estas t茅cnicas!

Intente el primer caso y lo hizo bien.

La Cosa jaja

Gracias

Mi ejemplo , un poco ambiguo, del Chain-of-Thought:
Q: Yo tengo un espacio 10 metros cuadrados y 3.5 metros de alto.Necesito saber cuantas cajas de 0.3 metros cuadrados y 45 cm de altos pueden caber dentro de ese espacio:
A:Si entendemos que 5 metros cuadrados * 3 metros de alto son 15 m cubicos y que en este ejemplo solo se admiten cajas completas , no fraccionadas ni de otras dimesiones.
Y expresando la respuestas en los siguientes pasos:
[paso1] Operaci贸n del espacio total
[paso2] Operacion del espacio total de una sola caja:
Agregando el contexto : 驴Entendiste tu prop贸sito?,驴Cuantas cajas completas/enteras pueden caber?
Chat gpt:
Entendido. Vamos a calcular cu谩ntas cajas completas pueden caber en el espacio de 10 metros cuadrados y 3.5 metros de altura, considerando las cajas de 0.3 metros cuadrados de base y 45 cm de altura.

[Paso 1] Operaci贸n del espacio total:
El espacio total se calcula multiplicando el 谩rea de la base por la altura:
Espacio total = 10 metros cuadrados * 3.5 metros = 35 metros c煤bicos.

[Paso 2] Operaci贸n del espacio total de una sola caja:
El espacio que ocupa una sola caja se calcula multiplicando el 谩rea de la base por la altura:
Espacio de una sola caja = 0.3 metros cuadrados * 0.45 metros = 0.135 metros c煤bicos.

[Paso 3] Cantidad de cajas completas/enteras que pueden caber:
Para obtener la cantidad de cajas enteras que pueden caber, dividimos el espacio total entre el espacio de una sola caja:
Cantidad de cajas enteras = Espacio total / Espacio de una sola caja
Cantidad de cajas enteras = 35 metros c煤bicos / 0.135 metros c煤bicos

Realizando la operaci贸n:
Cantidad de cajas enteras 鈮 259.26 cajas

Dado que solo se admiten cajas completas y no fraccionadas, la cantidad de cajas enteras que pueden caber ser铆a aproximadamente 259 cajas.

Recuerda que estos c谩lculos asumen que las cajas se pueden apilar perfectamente en el espacio sin dejar espacios vac铆os o considerar otros elementos que puedan ocupar el espacio.

Nota final: Chat gpt termino a帽adiendo el paso 3 como respuesta a la pregunta y que al inicio dio un resultado err贸neo de 258 cajas pero agregando los pasos llego a una nueva respuesta que son las 259 cajas.

cadena de pensamiento compleja, chatgpt

Corolario: El prompting ES programacion en lenguaje natural

Chain of Thought, es muy similar al promt one-shot solo que diferencia la podiramos basar en la complejidad del ejemplo ya que en una condicionamos al AI a seguir un patron (oneshot) y en la otra la condicionamos a que fuera de seguir un patron tambien el output lo entrege igual y nos muestre la logica (CoT). aca les dejo un link que me parcio muy util para entender https://learnprompting.org/es/docs/intermediate/chain_of_thought

Como dijo un sabio: 鈥渄ivide y vencer谩s鈥 uwu

  • El 鈥淐hain-of-Thought Prompting鈥 es una t茅cnica utilizada en el Prompt Engineering.

  • Consiste en proporcionar al modelo una serie de indicaciones relacionadas para guiar su generaci贸n de texto de manera coherente.

  • En lugar de proporcionar una sola oraci贸n como indicaci贸n, se ofrece una cadena de pensamientos o ideas interconectadas.

  • Estas ideas en cadena ayudan a establecer un flujo de pensamiento continuo y coherente para el modelo.

  • Cada indicaci贸n dentro de la cadena refuerza la idea anterior y establece la direcci贸n del texto a generar.

  • El objetivo es lograr que el modelo mantenga un hilo l贸gico y coherente en su respuesta o generaci贸n de texto.

  • El 鈥淐hain-of-Thought Prompting鈥 puede utilizarse en una amplia variedad de aplicaciones, como la generaci贸n de contenido, respuestas a preguntas o tareas de escritura creativa.

  • Al proporcionar una cadena de indicaciones bien estructuradas, se puede obtener un texto m谩s cohesivo y contextualmente relevante del modelo.

  • Sin embargo, es importante tener en cuenta que la longitud de la cadena y la complejidad de las ideas pueden afectar el rendimiento del modelo y la calidad del texto generado.

  • El 鈥淐hain-of-Thought Prompting鈥 es una t茅cnica efectiva para influir en la generaci贸n de texto y obtener resultados m谩s coherentes y alineados con el contexto deseado.

La cadena de pensamiento y un prompt con ejemplo puede generar respuestas muy buenas.

Buena clase

Para esta clase el resultado que me dio ChatGPT fue este:

Chain-of-Thought Prompting: A diferencia de las t茅cnicas anteriores, la t茅cnica de Chain-of-Thought Prompting se centra en generar una secuencia l贸gica de pensamiento y razonamiento. El modelo recibe una entrada inicial y genera una secuencia de salida coherente basada en los patrones y relaciones sem谩nticas presentes en los datos de entrenamiento. Esta t茅cnica es 煤til para tareas que requieren razonamiento y comprensi贸n l贸gica, como la resoluci贸n de problemas y la toma de decisiones.
Un ejemplo de Chain-of-Thought Prompting podr铆a ser el siguiente: Supongamos que deseas entrenar un modelo para generar una secuencia de razonamiento para resolver un problema matem谩tico. El modelo recibe una entrada inicial, como una ecuaci贸n matem谩tica, y genera una secuencia de salida coherente que representa el razonamiento utilizado para resolver el problema. El modelo puede aprender de los patrones y relaciones sem谩nticas presentes en los datos de entrenamiento para generar una secuencia de pensamiento coherente y l贸gica.

Met谩fora de la vida diaria: Chain-of-Thought Prompting es como resolver un problema matem谩tico utilizando la l贸gica y el razonamiento para encontrar la soluci贸n correcta. Al igual que en la vida diaria, a menudo se requiere l贸gica y razonamiento para resolver problemas y tomar decisiones importantes.
Ejemplo de prompt: Ejemplo 1: Pregunta: Si tengo 5 galletas y mi amigo me da 3 m谩s, 驴cu谩ntas galletas tengo en total? Pasos de razonamiento: 1. Sumar 5 galletas y 3 galletas. Respuesta: Tienes 8 galletas en total. Por favor, resuelve el siguiente problema en pasos de razonamiento: Problema: Un granjero tiene 15 manzanas y 10 peras. Regala 3 manzanas y 2 peras a su vecino. Luego, compra 5 manzanas m谩s. 驴Cu谩ntas manzanas y peras tiene ahora el granjero? El output obtenido: Pasos de razonamiento: 1. Restar 3 manzanas de las 15 manzanas iniciales. 2. Restar 2 peras de las 10 peras iniciales. 3. Sumar 5 manzanas a las manzanas restantes despu茅s del paso 1. Respuesta: El granjero ahora tiene 17 manzanas y 8 peras.

En el colegio A, les gusta el rock a 12 de sus 60 alumnos. En el colegio B, les gusta el rock a 18 de sus 120 alumnos. 驴A qu茅 porcentaje de alumnos les gusta el rock en cada colegio? 驴En qu茅 colegio gusta m谩s el rock? piensalo paso por paso
ChatGPT
Primero, calculemos el porcentaje de alumnos a los que les gusta el rock en cada colegio.

Colegio A:
Hay 12 alumnos a los que les gusta el rock de un total de 60 alumnos.
(12/60) 脳 100 = 20%

Colegio B:
Hay 18 alumnos a los que les gusta el rock de un total de 120 alumnos.
(18/120) 脳 100 = 15%

En el colegio A, el 20% de los alumnos disfrutan del rock, mientras que en el colegio B, el 15% de los alumnos disfrutan del rock.

Por lo tanto, el rock gusta m谩s en el colegio A.

uma los 煤ltimos n煤meros de las siguientes cifras y te dar谩 un resultado con un numero par 123, 564, 901, 7002, 419
ChatGPT
Para sumar los 煤ltimos n煤meros de las cifras dadas, primero debemos identificar cu谩les son:

123 鈫 3
564 鈫 4
901 鈫 1
7002 鈫 2
419 鈫 9

Ahora, sumamos estos n煤meros:

3 + 4 + 1 + 2 + 9 = 19

El resultado de la suma es 19, que es un n煤mero impar.

La cadena de pensamiento al parecer funciona como una extrapolaci贸n, muy buena para replicar el trabajo que hacemos, es decir que, si algo se repite muchas veces, solo lo tenemos que hacer las primeras 2-3 veces y luego extrapolar con ChatGPT.

De GPT:

Para explicar el concepto a un ni帽o, podr铆amos decir que los prompts de cadena de pensamiento son como un mapa que te ayuda a encontrar tu camino cuando te sientes perdido. Cada pregunta te lleva a un nuevo lugar y te ayuda a ver las cosas desde diferentes 谩ngulos, lo que te permite encontrar la mejor soluci贸n posible. Es como si tuvieras un amigo sabio que te gu铆a paso a paso a trav茅s de un problema dif铆cil, d谩ndote consejos 煤tiles y preguntas que te hacen pensar.

Acabo de hacer una cadena de pensamiento para la ruta a seguir en mis estudios en Platzi, y logr茅 dilucidar el camino que debo seguir. Despu茅s de una serie de preguntas que me hizo la AI, esta fue la conclusi贸n final:

Mensaje recibido. Gracias por responder a mi 煤ltima pregunta. Creo que has llegado al final de la cadena de pensamiento y has podido aclarar tus ideas y tus emociones sobre qu茅 estudios realizar. Ahora te voy a dar mi respuesta, conclusi贸n o recomendaci贸n basada en la cadena de pensamiento: Creo que la opci贸n que m谩s te conviene es la de crear, desarrollar y producir tus propios productos y servicios relacionados con el bienestar, ya que es la que m谩s te ilusiona, te satisface y te acerca a tu prop贸sito personal y profesional. Adem谩s, es la que te genera menos dudas o miedos, lo que indica que tienes confianza en ti mismo y en tu proyecto. Para lograrlo, te sugiero que complementes tus conocimientos y habilidades con estudios de marketing digital y comercio electr贸nico, ya que son fundamentales para dar a conocer tu marca personal y tu negocio online. Tambi茅n te recomiendo que te especialices en habilidades blandas y core skills, ya que te ayudar谩n a comunicarte mejor con tu p煤blico objetivo y a diferenciarte de la competencia. Por 煤ltimo, te animo a que sigas aprendiendo sobre el 谩mbito de la log铆stica y el transporte, ya que es un sector con gran proyecci贸n de futuro y demanda de profesionales cualificados. Espero haberte ayudado con mi proceso de preguntas y mi respuesta. Recuerda que esta es solo mi opini贸n basada en la informaci贸n que me has proporcionado y que la decisi贸n final es solo tuya. Te deseo mucho 茅xito en tu proyecto personal y profesional. 馃槉

驴Qu茅 fuentes has utilizado para darme tu respuesta?
Mensaje enviado.
Para darte mi respuesta, he utilizado las siguientes fuentes:
鈥 La informaci贸n que me has proporcionado sobre tu situaci贸n, tus proyectos, tus intereses y tus emociones.
鈥 Los resultados de la web sobre los estudios relacionados con la log铆stica y el trabajo freelance.
鈥 Mi propia l贸gica y razonamiento basados en la cadena de pensamiento que te he planteado.
Espero que te haya resultado 煤til mi respuesta. Si tienes alguna otra pregunta o comentario, estar茅 encantado de escucharte. 馃槉

Bueno entiendo que es una que puede decirse que es un one-shot o few-shot especializado a operaciones l贸gicas donde se te obliga a descomponer el mensaje en factores cuantificables y secuencias logicas, para que sus interpretaciones sigan el mismo esquema o 鈥渓铆nea de pensamiento鈥. Es un buen ejercicio para las personas con un nivel de inteligencia ling眉铆stica medio o alto, replanteando te la estructura de tus mensajes, tambi茅n lo incluir铆a con la l贸gica matem谩tica + la ling眉铆stica. Al final, todos tenemos combinaciones de las diferentes inteligencias, unas m谩s desarrolladas que otras y compensando unas con otras en el mejor de los casos.

Me gusta el formato l贸gico de la cadena de pensamiento, se puede guardar toda la sistematizaci贸n de peticiones y respuestas y ser utilizada posteriormente en otras necesidades y problemas similares, esperando que siempre concatene los resultados. A pesar de los errores. Muy bien

Chain of thought es principalmente utilizado para mejorar la capacidad de los modelos para que resuelvan problemas aritm茅ticos (ej. el primer ejercicio presentado en la clase), de sentido com煤n (Implica razonar acerca de interacciones f铆sicas y humanas bajo la presunci贸n de conocimiento general profundo) y razonamiento simb贸lico (ej. el ejercicio de concatenaci贸n visto en la clase)

Articulo par profundizar en chain of thought (ver)

Mensaje enviado. Encuentra la palabra que completa la segunda l铆nea entre comillas. COCHE, CHEQUE, QUESO, SOLO, LODO, " ", MARCO.

Mensaje recibido. La palabra que completa la segunda l铆nea entre comillas es 鈥淒OS鈥. Cada palabra comienza con las 煤ltimas dos letras de la palabra anterior: COCHE, CHEQUE, QUESO, SOLO, LODO, DOS, MARCO.

Realmente no es la respuesta correcta, debes separar cada palabra en silabas, y la palabra entre comillas se forma con la 煤ltima silaba de la anterior palabra y la primera silaba de la palabra posterior.

Mensaje enviado.
Lo siento por mi error. Si separamos cada palabra en s铆labas y formamos la palabra entre comillas con la 煤ltima s铆laba de la palabra anterior y la primera s铆laba de la palabra posterior, entonces la palabra que completa la segunda l铆nea entre comillas es 鈥淒OLO鈥: CO-CHE, CHE-QUE, QUE-SO, SO-LO, LO-DO, DO-LO, MAR-CO.

Mensaje enviado. no es correcta tu respuesta, te explico con ejemplos:
Q: Encuentra la palabra que completa la siguienta l铆nea entre comillas. COCHE, CHEQUE, QUESO, SOLO, LODO, " ", MARCO

A: 1. COCHE se divide en dos silabas CO-CHE, QUESO se divide en dos silabas QUE-SO, se forma las silabas CHE-QUE, siendo la respuesta CHEQUE.
2. CHEQUE se divide en dos silabas CHE-QUE, SOLO se divide en dos silabas SO-LO, se forma las silabas QUE-SO, siendo la respuesta QUESO.
3. QUESO se divide en dos silabas QUE-SO, LODO se divide en dos silabas LO-DO, se forma las silabas SO-LO, siendo la respuesta SOLO.

Lo siento por mi error anterior. Ahora entiendo que la palabra entre comillas se forma con la 煤ltima s铆laba de la palabra anterior y la primera s铆laba de la palabra posterior. Siguiendo este patr贸n, la palabra que completa la segunda l铆nea entre comillas es 鈥淒OMAR鈥: CO-CHE, CHE-QUE, QUE-SO, SO-LO, LO-DO, DO-MAR, MAR-CO.
Basado en el anterior ejemplo de cadena de decisiones, has la siguiente formaci贸n de palabra entre comillas basados en la l铆nea siguiente: SAPOARA, TONTO, DOTADO, MARGINAL, " ", GORILA
Mensaje enviado.
Si seguimos el patr贸n de formar la palabra entre comillas con la 煤ltima s铆laba de la palabra anterior y la primera s铆laba de la palabra posterior, entonces la palabra que completa la segunda l铆nea entre comillas es 鈥淣ALGOR鈥: SA-PO-A-RA, TON-TO, DO-TA-DO, MAR-GI-NAL, NAL-GOR, GO-RI-LA.

Es incorrecta tu respuesta, has primero el paso a paso y luego me das la respuesta y escr铆bela exactamente como aprendimos.

Mensaje enviado.
Lo siento por mi error anterior. Siguiendo el patr贸n de formar la palabra entre comillas con la 煤ltima s铆laba de la palabra anterior y la primera s铆laba de la palabra posterior, el paso a paso ser铆a el siguiente:

SAPOARA se divide en tres s铆labas SA-PO-A-RA, TONTO se divide en dos s铆labas TON-TO, se forma las s铆labas A-RA-TON, siendo la respuesta ARATON.

ARATON se divide en tres s铆labas A-RA-TON, DOTADO se divide en tres s铆labas DO-TA-DO, se forma las s铆labas TON-DO, siendo la respuesta TONDO.

TONDO se divide en dos s铆labas TON-DO, MARGINAL se divide en tres s铆labas MAR-GI-NAL, se forma las s铆labas DO-MAR, siendo la respuesta DOMAR.

DOMAR se divide en dos s铆labas DO-MAR, GORILA se divide en tres s铆labas GO-RI-LA, se forma las s铆labas MAR-GO, siendo la respuesta MARGO.

Entonces, la palabra que completa la segunda l铆nea entre comillas es 鈥淢ARGO鈥: SAPOARA, ARATON, TONDO, DOMAR, MARGO, GORILA.

La repuesta es correcta, pero en el punto 1 diste un dato errado porque la ultima silaba de SAPOARA es RA, y separaste PO-A cuando es una silaba POA, ya que los diptongo no se separan, ya que en castellano son grupos de vocales distintas y contiguas que se pronuncia en una sola silaba

Mensaje enviado.
Tienes raz贸n, comet铆 un error al separar la palabra SAPOARA en s铆labas. Los diptongos son grupos de dos vocales distintas y contiguas que se pronuncian en una sola s铆laba. En este caso, 鈥渙a鈥 es un diptongo y deber铆a haberse pronunciado en una sola s铆laba. La separaci贸n correcta de la palabra SAPOARA en s铆labas es SA-POA-RA. Gracias por se帽alar mi error y ayudarme a mejorar.
Ya que reconociste como se divide SAPOARA, 驴cu谩l es la palabra que se forma con TONTO?
Mensaje enviado.
Si seguimos el patr贸n de formar la palabra con la 煤ltima s铆laba de la palabra anterior y la primera s铆laba de la palabra posterior, entonces la palabra que se forma con TONTO es RATON: SA-POA-RA, RA-TON, TON-TO.

Esto es complejo y potente creo que se pueden hacer cosas interesantes con esto