The AI Leader

Técnicas para Mejorar el Output del Modelo

Dominio 3 del examen · Peso aproximado: 20% · Nombre oficial: Techniques to improve gen AI model output

Lecciones

  1. Limitaciones de los modelos y human-in-the-loop

    Identificar qué práctica mitiga cada limitación del modelo (dependencia de datos, knowledge cutoff, sesgo, equidad, alucinaciones y casos límite) y qué decisiones de alto riesgo requieren human-in-the-loop.

    [§ 3.1] · 10 min · Capa: Modelos

  2. Técnicas de prompt engineering

    Agotar el prompt engineering, el arte y la ciencia de crear entradas eficaces para un modelo, antes de adaptarlo: zero-shot, few-shot, role prompting, prompt chaining o chain-of-thought según la tarea, en días y sin especialistas en ML.

    [§ 3.2] · 12 min · Capa: Modelos

  3. Chain-of-thought o ReAct: cuándo usar cada técnica

    Elegir ReAct cuando la respuesta depende de consultar un dato vigente o de actuar con herramientas, y chain-of-thought cuando basta razonar por pasos con lo que ya está en el prompt.

    [§ 3.2] · 8 min · Capa: Agentes

  4. Temperatura, top-p y safety settings

    Ajustar la temperatura y el top-p según la tarea pida respuestas más estables o más creativas, fijar los safety settings según el riesgo del canal y contener el coste con el número de tokens y la longitud de salida.

    [§ 3.3] · 8 min · Capa: Modelos

  5. Grounding y RAG en Google Cloud

    Anclar las respuestas del modelo en fuentes verificables (datos propios, de terceros o del mundo) eligiendo entre RAG prebuilt, o grounding con según el origen del dato.

    [§ 3.3] · 10 min · Capa: Plataforma

  6. RAG, caché de contexto o fine-tuning

    Elegir dentro del trío de adaptación (RAG, ventana de contexto larga con context caching o fine-tuning) según el volumen de datos y usuarios, la frescura del dato y cuánto se reutiliza el mismo contexto.

    [§ 3.3] · 12 min · Capa: Plataforma

  7. Monitorización y gestión del modelo en producción

    Después del lanzamiento, mantener una monitorización y evaluación continua del modelo y gestionarlo con las herramientas gestionadas de , en lugar de darlo por validado o montar procesos propios.

    [§ 3.1] · 10 min · Capa: Plataforma

RAG APIs

APIs de Agent Platform para construir un RAG propio pieza a pieza: parseo de documentos, embeddings, búsqueda vectorial, ranking semántico y generación fundamentada. RAG Engine orquesta ese flujo como servicio gestionado, desde la ingesta y la indexación hasta la recuperación.

Ficha de RAG APIs
Grounding con Google Search

Función de Agent Platform que conecta las respuestas de Gemini con los resultados del buscador de Google sobre la web pública, para anclarlas en información actual y verificable y devolver enlaces a las fuentes consultadas.

Ficha de Grounding con Google Search
Agent Platform

Plataforma unificada de ML de Google Cloud para construir, entrenar, desplegar y gestionar soluciones de ML, de IA generativa y agentes. Agrupa Model Garden, Model Builder, Agent Studio, Agent Search y Agent Runtime, con controles de gobierno según el servicio y la región.

Ficha de Agent Platform