Técnicas para Mejorar el Output del Modelo
Dominio 3 del examen · Peso aproximado: 20% · Nombre oficial: Techniques to improve gen AI model output
Lecciones
Limitaciones de los modelos, HITL y monitorización
Identificar qué práctica mitiga cada limitación del modelo —dependencia de datos, knowledge cutoff, sesgo, equidad, alucinaciones y casos límite— y en qué decisiones de alto riesgo el human-in-the-loop es obligatorio.
Técnicas de prompt engineering
Agotar el prompting antes de adaptar el modelo: elegir entre zero-shot, few-shot, role prompting, prompt chaining o chain-of-thought según la tarea, porque se aplica en días y sin especialistas en ML.
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, RAG APIs o grounding con Google Search según el origen del dato.
Temperatura, top-p y safety settings
Ajustar la temperatura y el top-p según la tarea pida respuestas deterministas o creativas, fijar los safety settings según el riesgo del canal y contener el coste con el número de tokens y la longitud de salida.
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.