Cuando desplegamos Azure OpenAI Service tendremos acceso a Azure OpenAI Studio, una plataforma diseñada para desplegar y probar diferentes versiones de modelos de IA generativa, desplegar rápidamente asistentes virtuales, manejar datasets que sean usados para procesos de fine-tuning, consultar y gestionar las cuotas asignadas a nuestros modelos y crear filtros personalizados de contenido para aplicar a los modelos, de tal manera que podamos controlar el tipo de contenido que podrían generar.
Modelos
En la sección de modelos podemos ver todo el catálogo disponible para desplegar en nuestro recurso de Azure OpenAI service.
Azure OpenAI también nos permite aplicar fine-tuning a algunos modelos base para crear modelos personalizados que hayan sido ajustados y validados utilizando nuestros propios datos.
Deployments
En esta sección visualizaremos todos los modelos desplegados en nuestro recurso de Azure OpenAI y también tendremos la posibilidad de desplegar nuevos modelos base o modelos que han sido ajustados.
Datos
Con el fin de mantener seguros nuestros datos y garantizar características de encriptación, en esta sección Azure OpenAI Service nos provee un mecanismo para almacenar los datasets usados durante el entrenamiento o validación de los modelos que pasan por procesos de fine-tuning.
Filtros de Contenido
La IA Generativa Responsable nos recomienda una serie de principios que están enfocados en evitar que nuestras aplicaciones basadas en LLMs generen contenido que pueda llegar a ser perjudicial. Existen diferentes técnicas que nos permiten ayudar a controlar este tipo de situaciones, como por ejemplo el prompting o metaprompting. Sin embargo, en algunos escenarios es indispensable clasificar el contenido que se analiza (prompts) y el contenido generado (completions) por parte de los modelos con el fin de evitar que se genere contenido con alto nivel de severidad en estas categorías:
Odio
Sexual
Autolesión
Violencia
Playground
Azure OpenAI service nos ofrece 3 platygrounds que nos permiten interactuar rápidamente con los modelos base o modelos ajustados que se despliegan.
Chat Playground
Este playground nos permite interactuar con los modelos conversacionales (Chat Completions) que hemos desplegado.
Esta interfaz nos provee un mecanismo para hacer la configuración que permite establecer el comportamiento del asistente virtual, así como un mecanismo rápido para agregar ejemplos que sirvan de contexto para el modelo y una sección donde se puede escoger el modelo conversacional a usar.
Completions Playground
Este playground nos permite interactuar con modelos que no tienen la API de chat completions, como por ejemplo Codex o solo la API de Completions. En esta interfaz vamos a poder especificar el modelo desplegado que queremos usar, el lenguaje que se debe considerar para generar los completions, realizar ajustes de los hiperparámetros e incluso revisar y probar ejemplos de prompts que podríamos usar para determinados escenarios.
DALL-E Playground
El playground de DALL-E nos ofrece una interfaz para generar imágenes a partir de un prompt en lenguaje natural, así como también establecer la configuración que permite especificar los parámetros del modelo encargado de generar la imagen: número de imágenes a generar y tamaño de las imágenes.
Gestión de Azure OpenAI Studio y Modelos Generativos
Contar conesta herramienta facilita crear entornos personalizados para proyectos corporativos, ventajas que solo se pueden usar si tienes una cuenta empresarial registrada en azure.
📚 CLASE: DALL·E y generación de código
🎯 IDEA PRINCIPAL
Los modelos de IA generativa pueden crear imágenes a partir de instrucciones en lenguaje natural y ayudarte a integrar esa capacidad en aplicaciones mediante una API.
🟡 La oportunidad está en combinar dos habilidades: diseñar buenos prompts visuales y construir aplicaciones que generen imágenes automáticamente según las necesidades del usuario.
🔴 Actualización importante: la clase puede utilizar DALL·E, pero Microsoft retiró DALL·E 3 de Azure el 4 de marzo de 2026. Para nuevos proyectos, debes revisar los modelos de la familia GPT Image disponibles en Microsoft Foundry.
━━━━━━━━━━━━━━━━━━
⚡ RESUMEN ULTRA RÁPIDO
- 🔵 La generación de imágenes convierte descripciones textuales en contenido visual mediante modelos generativos.
- 🟢 Describe el sujeto, el entorno, el estilo, la composición y el formato que necesitas.
- 🔵 Una API permite integrar la generación de imágenes en aplicaciones Python sin depender de una interfaz manual.
- 🟡 La calidad del resultado depende del prompt, el modelo elegido y los parámetros de generación.
- 🔴 No confundas generar código con generar imágenes: son capacidades distintas que pueden combinarse en una aplicación.
━━━━━━━━━━━━━━━━━━
🔑 LO IMPORTANTE
- 🔵 Prompt visual: instrucciones que describen qué debe aparecer en la imagen y cómo debe representarse.
- 🟡 Composición: especifica la posición de los elementos, el encuadre, la perspectiva y el espacio disponible.
- 🟡 Estilo visual: define si buscas un resultado fotográfico, ilustrado, minimalista, técnico o cinematográfico.
- 🔵 API de imágenes: permite enviar un prompt al modelo y recibir la imagen generada, habitualmente codificada en Base64 según el modelo y el endpoint.
- 🟢 Iteración: genera una primera versión, detecta los defectos y modifica las instrucciones de forma específica.
- 🔴 No escribas prompts vagos como «crea una imagen bonita». Define el objetivo y los elementos visuales relevantes.
- 🔴 No supongas que todos los modelos aceptan los mismos parámetros, tamaños o formatos de salida.
- 🟣 Aporte experto: si necesitas generar imágenes para una aplicación, separa la lógica de generación del almacenamiento y de la presentación visual.
- 🔵 Microsoft documenta actualmente la generación y edición de imágenes mediante modelos GPT Image y las herramientas de Microsoft Foundry.
- 🔵 Necesidad visual: define para qué servirá la imagen.
- 🟢 Prompt: especifica sujeto, contexto, estilo y composición.
- 🔵 Generación: envía la solicitud a la API compatible con el modelo desplegado.
- 🟢 Validación: revisa que la imagen cumpla el propósito y las restricciones de formato.
- 🟣 Integración: guarda el archivo, registra sus metadatos y muéstralo en la aplicación.
━━━━━━━━━━━━━━━━━━
🚀 ACCIONES PARA HOY
- 🟢 Elige una función de tu aplicación que pueda beneficiarse de imágenes generadas por IA.
- 🟢 Escribe tres versiones del prompt: una general, otra detallada y otra con restricciones visuales concretas.
- 🟢 Compara los resultados y determina qué instrucciones mejoran realmente la imagen.
- 🟢 Revisa la documentación oficial de generación de imágenes en Azure para identificar los modelos y requisitos vigentes.
- 🟢 Si tienes acceso a Microsoft Foundry, despliega un modelo de generación de imágenes compatible y realiza una prueba pequeña.
- 🟢 Si utilizas Python, estudia cómo recibir la respuesta de la API, decodificar la imagen y guardarla como archivo PNG.
- 🟢 Registra los costos y el tiempo de generación para comparar las opciones antes de integrarlas en producción.
━━━━━━━━━━━━━━━━━━
🟣 VENTAJA PROFESIONAL
- 🟣 En proyectos reales, la generación de imágenes puede automatizar recursos gráficos para catálogos, prototipos, materiales educativos y contenido personalizado.
- 🟣 Aporte experto: crea plantillas de prompts con campos variables para reutilizar el mismo flujo con distintos usuarios y productos.
- 🟣 Aporte experto: almacena las imágenes en un sistema de archivos o almacenamiento de objetos; guarda en la base de datos la ruta, el prompt y los metadatos necesarios.
- 🟣 Aporte experto: implementa límites de solicitudes, validación de entradas y tratamiento de errores para controlar el consumo.
- 🔴 No generes una imagen nueva en cada carga de página si puedes reutilizar un resultado existente.
━━━━━━━━━━━━━━━━━━
📝 CIERRE
Un principiante escribe un prompt y obtiene una imagen. Un profesional diseña un proceso repetible que produce recursos útiles, controla los costos y se integra con el resto de la aplicación.
🟢 Tu siguiente paso: crea un pequeño prototipo en Python que reciba una descripción, genere una imagen mediante una API compatible y guarde el resultado.
es decir se debe explicar bien para obtener una buena respuesta
Exacto, Enma. Pensar que el modelo "entiende" es el error común. En realidad, es un motor de probabilidad increíblemente sofisticado. Si le das instrucciones vagas, te devolverá resultados mediocres con una confianza pasmosa.
Imagina que le das instrucciones a un genio extremadamente capaz pero sin contexto: cuanto más detalle, estructura y límites le pongas, menos espacio tendrá para alucinar o desviarse. No es solo "explicar bien", es diseñar la arquitectura de la respuesta que quieres recibir. Es como programar con lenguaje natural.
Si tuvieras que elegir el ingrediente más crítico para que el modelo no se pierda, ¿crees que es el contexto de fondo, el formato de salida que esperas o el rol que le asignas al modelo?
lock
lock
lock
lock
lock
lock
lock
lock
