Prompts para resumir y extraer información

Los modelos de lenguaje de gran tamaño (LLM) son herramientas potentes para procesar grandes cantidades de texto. Dos tareas fundamentales y muy valiosas que puede realizar con ellos son el resumen y la extracción.

El resumen le ayuda a comprender rápidamente los puntos principales de documentos extensos. La extracción le permite localizar y obtener datos específicos y estructurados. ¡Dominar estas técnicas le permite ahorrar tiempo y convertir la información en algo útil!

El resumen es el proceso de condensar un texto extenso en una versión más breve, asegurándose de conservar su significado esencial y la información clave. Piense en ello como crear una visión general concisa o un resumen.

Para pedirle un resumen a un LLM mediante un prompt, normalmente debe proporcionar el texto y una instrucción clara. Por ejemplo:

"Summarize the following article: [ARTICLE TEXT]"

Puede orientar al LLM para que produzca resúmenes que se ajusten exactamente a sus necesidades. Especifique en su prompt aspectos como:

• Longitud: "en 3 oraciones", "menos de 100 palabras", "un resumen breve".
• Formato: "en forma de viñetas", "en un párrafo", "como titular".
• Estilo o tono: "para un público no técnico", "con un tono formal", "como un reportaje de noticias".

La especificidad ayuda al LLM a proporcionar exactamente la salida que busca.

Veamos cómo resumir un párrafo breve sobre la ingeniería de prompts. Así podría construir su prompt:

Texto de entrada: "La ingeniería de prompts es un concepto de la inteligencia artificial, especialmente del procesamiento del lenguaje natural, que se centra en desarrollar y optimizar prompts para utilizar modelos de lenguaje de forma eficiente en una amplia variedad de aplicaciones y temas de investigación. Es una disciplina relativamente nueva que describe los métodos para comunicarse con LLMs y orientar su comportamiento hacia los resultados deseados sin modificar los pesos del modelo."

Prompt:

"Summarize the following text in one concise sentence: Prompt engineering is a concept in artificial intelligence, especially natural language processing, that focuses on developing and optimizing prompts to efficiently use language models for a wide range of applications and research topics. It's a relatively new discipline, outlining the methods for communicating with LLMs to steer their behavior for desired outcomes without modifying the model's weights."

La extracción consiste en identificar y obtener fragmentos específicos de información de un texto extenso. A diferencia del resumen, no se condensa el contenido, sino que se aíslan datos concretos, hechos o entidades.

Entre las tareas habituales de extracción se encuentran localizar nombres, fechas, ubicaciones, características de productos o sentimientos. Esta técnica es fundamental cuando necesita convertir texto no estructurado en datos estructurados.

Al extraer información, suele ser conveniente especificar el formato de salida deseado. Esto facilita el procesamiento, el análisis o la integración de los datos extraídos en otros sistemas.

• Listas: "Enumere todos los nombres de empresas mencionados."
• JSON: "Extraiga el nombre, la edad y la ciudad como un objeto JSON."
• Tablas: "Presente los resultados en una tabla con columnas para 'Elemento' y 'Precio'."

Las instrucciones claras de formato son esenciales para obtener salidas de datos estructurados.

Veamos cómo extraer datos de contacto de un fragmento de correo electrónico. Así podría formular un prompt para un LLM:

Texto de entrada: "Estimado John Smith: Gracias por su consulta. Puede ponerse en contacto con nuestra representante de ventas, Sarah Jones, en sarah.jones@example.com o por teléfono llamando al (555) 123-4567. Nuestra oficina se encuentra en 123 Main St, Anytown, EE. UU."

Prompt:

"Extract the following information from the text: recipient name, sales representative name, sales representative email, sales representative phone, and office address. Present the output as a JSON object. Text: Dear John Smith, Thank you for your inquiry. Our sales representative, Sarah Jones, can be reached at sarah.jones@example.com or by phone at (555) 123-4567. Our office is located at 123 Main St, Anytown, USA."

Para tareas más complejas, a menudo puede combinar estas dos técnicas potentes:

• Resumir y después extraer: Primero, obtenga un resumen conciso de un documento extenso y, después, extraiga entidades o hechos específicos de ese resumen.
• Extraer y después resumir: Extraiga todos los hechos relevantes y, a continuación, pida al LLM que resuma esos hechos en una afirmación coherente.

Este enfoque modular puede ayudarle a gestionar la complejidad y mejorar la precisión de sus resultados.

Para obtener resúmenes y extracciones más eficaces de sus LLMs:

• Sea específico: Indique claramente sus requisitos (por ejemplo, la longitud del resumen, el formato de salida o las entidades específicas que se deben extraer).
• Utilice delimitadores: Encierre el texto que desea procesar entre delimitadores claros, como comillas triples (""") o etiquetas XML, para separarlo de sus instrucciones.
• Proporcione contexto: Explique brevemente el propósito del resumen o de la extracción si esto ayuda al LLM a comprender el objetivo.
• Itere: Si la salida inicial no es perfecta, refine su prompt. ¡Pequeños cambios pueden marcar una gran diferencia!

Considere las siguientes situaciones. ¿Cuál de estas tareas requeriría principalmente extracción (y no un resumen) a partir de un texto determinado?

En esta lección, hemos explorado dos técnicas potentes de ingeniería de prompts para procesar texto con LLMs:

• Resumen: Hemos aprendido a condensar el texto en versiones más breves y a controlar la longitud, el formato y el estilo para captar rápidamente la idea principal.
• Extracción: Nos hemos centrado en obtener información específica y estructurada, como nombres, fechas o hechos, destacando la importancia de especificar formatos de salida como JSON o listas.

Dominar estas técnicas mejorará significativamente su capacidad para procesar y utilizar de forma eficiente información procedente de datos de texto no estructurados mediante LLMs.