\n Nuestra Newsletter <\/h2>\n
\n Recibe en tu bandeja de entrada informaci\u00f3n
exclusiva sobre lo m\u00e1s relevante
del marketing digital. <\/p>\n <\/div>\n\n
\n
\n
![\"\"](\"\/wpe-content\/uploads\/2023\/11\/Picture1-300x158.jpg\")
<\/p>\nLos grandes modelos ling\u00fc\u00edsticos (Large Lenguage Model) m\u00e1s recientes son a\u00fan como ni\u00f1os peque\u00f1os. Sin embargo, son de alguna forma mucho m\u00e1s inteligentes que un ser humano promedio. No s\u00f3lo saben m\u00e1s, sino que tienen una capacidad mucho mayor para procesar y actuar en base a una amplia gama de instrucciones.<\/p>\n
Recientemente hemos explorado el potencial de los LLMs para interpretar o generar textos considerando numerosos par\u00e1metros con extraordinaria precisi\u00f3n. Hemos demostrado su capacidad para evaluar bloques de texto no estructurados y calificarlos, con \u00e9xito, utilizando diferentes escalas. Adem\u00e1s, hemos sido capaces de generar contenido espec\u00edfico y personalizado utilizando una serie complejas instrucciones, que a su vez pueden ser ajustadas con precisi\u00f3n al atendiendo al mismo conjunto de escalas.<\/p>\n
Estamos entrando en una nueva era de contenido basado en el rendimiento, impulsados a trav\u00e9s de los datos, donde podemos transformar los LLMs en plataformas para la producci\u00f3n de contenidos escritos teniendo como base un tablero, que funciona como control de mandos, y donde podemos utilizar diales para ajustar num\u00e9ricamente los contenidos de marketing \u00f3ptimos para cada formato.<\/p>\n
A continuaci\u00f3n, compartimos los hallazgos de nuestros experimentos iniciales, as\u00ed como una metodolog\u00eda general, con el objetivo de utilizar los LLMs para obtener una medici\u00f3n cuantitativa sobre el rendimiento de los textos, abriendo la puerta al an\u00e1lisis estad\u00edstico y la optimizaci\u00f3n de la creaci\u00f3n de contenido.<\/p>\n
<\/p>\n
Source: Analytics Vidhya\u00a0<\/span><\/p>\n Los grandes modelos ling\u00fc\u00edsticos se construyen utilizando vectores matem\u00e1ticos. Esta base les permite traducir h\u00e1bilmente bloques de texto -calificar, puntuar o mapear contenidos- en valores num\u00e9ricos que captan las cualidades distintivas de cada bloque. Por ejemplo, podemos pedir al modelo que eval\u00fae la parte “t\u00e9cnica” de este blog en una escala del 1 al 10, estando los l\u00edmites establecidos mediante ejemplos o a trav\u00e9s de instrucciones del usuario. Del mismo modo, los LLM pueden invertir esta direcci\u00f3n para generar bloques de texto que correspondan a puntuaciones num\u00e9ricas de un determinado atributo enviado por un usuario. Por ejemplo, se puede pedir al LLM que escriba una entrada de blog en la que el grado de tecnicidad obtenga una puntuaci\u00f3n de 9 sobre 10.<\/p>\n Podemos incluir m\u00e1s conceptos de forma aditiva para construir un espacio conceptual. Esto es lo que llamamos un espacio cartesiano conceptual, al que el LLM puede referirse para la generaci\u00f3n de contenido. Podemos trazar un punto en este espacio para definir una idea bas\u00e1ndonos en su posici\u00f3n relativa a cada uno de los ejes que definen nuestro espacio.<\/p>\n Fuente: https:\/\/serokell.io\/blog\/language-models-behind-chatgpt\u00a0<\/span><\/p>\n <\/p>\n Hemos llevado a cabo una serie de experimentos para validar la eficacia y flexibilidad del mapeo cartesiano conceptual mediante LLM. Para validar nuestra metodolog\u00eda, adoptamos un enfoque “de abajo arriba”, empezando con experimentos b\u00e1sicos y aumentando la complejidad en cada paso.<\/p>\n Este experimento explora la capacidad del LLM para escalar contenidos a lo largo de gradientes lineales, proporcionando a los usuarios control en la generaci\u00f3n o evaluaci\u00f3n de textos. Examinamos diferentes rangos de escala (1-10 y 1-100) y demostramos la adherencia del modelo a marcos de puntuaci\u00f3n espec\u00edficos. Los resultados confirman la capacidad del modelo para seguir met\u00f3dicamente los gradientes elegidos.<\/p>\n En este experimento, probamos la influencia de m\u00e9todos de puntuaci\u00f3n alternativos en la producci\u00f3n de texto. El LLM recibe instrucciones para aplicar varios marcos de puntuaci\u00f3n, lo que demuestra la adaptabilidad del modelo. Elabora con \u00e9xito respuestas basadas en reglas espec\u00edficas, lo que indica el potencial de personalizaci\u00f3n de los LLM para diversas aplicaciones. Incluso utilizamos un marco psicol\u00f3gico respetado para calificar (o diagnosticar) puntuaciones de empat\u00eda para un bloque de contenido.<\/p>\n Este experimento profundiza en el rendimiento del modelo en espacios multidimensionales. El estudio introduce conceptos como practicidad y tecnicidad como ejes adicionales, ilustrando la capacidad del LLM para manejar ideas complejas y m\u00faltiples dimensiones con eficacia. Los resultados indican la agilidad del modelo para navegar por intrincados espacios multidimensionales.<\/p>\n Este experimento explora la capacidad del LLM para analizar cuantitativamente ideas en relaci\u00f3n con otras ideas, no gradientes a lo largo de un \u00fanico eje. Una importante aplicaci\u00f3n pr\u00e1ctica para los profesionales del marketing es el posicionamiento del contenido en relaci\u00f3n con los competidores; utilizamos el LLM para generar una pol\u00edtica de vivienda para un candidato ficticio a la alcald\u00eda que se posiciona cuantitativamente en relaci\u00f3n con varios candidatos existentes.<\/p>\n Nuestro estudio demostr\u00f3 la capacidad de este modelo para manejar tareas de generaci\u00f3n de contenidos abiertos con precisi\u00f3n cuantitativa, mostrando su potencial en entornos en los que las ideas carecen de marcos predefinidos estrictos.<\/p>\n \n Recibe en tu bandeja de entrada informaci\u00f3nLos grandes modelos ling\u00fc\u00edsticos son perfectos para trazar ideas<\/strong><\/h2>\n
![\"\"](\"\/wpe-content\/uploads\/2023\/11\/Picture2-300x174.png\")
<\/p>\nExperimentos y resultados <\/strong><\/h2>\n
\n
\n
\n
\n
\n \n \n Nuestra Newsletter <\/h2>\n
exclusiva sobre lo m\u00e1s relevante
del marketing digital. <\/p>\n <\/div>\n\n \n \n