Intro
El método T-A-G es otra estrategia o framework -si se quiere- que podemos usar para elaborar un prompt a la medida de nuestras necesidades y darle una instrucción específica a la GenAI para que nos devuelva el resultado que estamos esperando.
Para tu conocimiento, publiqué un contenido vinculado con el método R-T-F (Role-Task-Format), en el que explico lo básico de la estrategia y un ejemplo para que puedas hacer un primer ejercicio enfocado a nuestra práctica de agile testing. De ahí en más, podrás seguir explorando y refinando el método agregándole parámetros y/o esquema de preguntas previas al procesamiento que deba llevar a cabo.
Entiendo, por experiencia personal, que sobre la base de haber hecho un primer ejercicio con el método R-T-F, podrás interpretar y explorar mucho mejor el método que aquí te muestro.
Concepto
El método T-A-G es una estrategia de estructuración de prompts que se utiliza en el procesamiento de lenguaje natural (NLP) para generar a través de la GenAI, una respuesta específica que atiende una necesidad que tengamos y que requiere que la abordemos de una cierta forma. Este enfoque ayuda a descomponer y clarificar los componentes de una tarea que se le solicita a un modelo de IA, facilitando una mejor comprensión y ejecución por parte del modelo.
¿Cuál es la estructura del método T-A-G?
Task (Tarea):
Definir con la mayor claridad posible que se espera que realice el modelo de IA, incluyendo el tipo de actividad o problema que se necesita resolver.
La tarea es la declaración principal de lo que quieres que haga el modelo de IA. Es esencialmente el «qué» de la solicitud. Definir claramente la tarea ayuda a establecer el contexto y la naturaleza del trabajo que el modelo debe realizar.
Características:
- Específica: La tarea debe ser claramente definida y específica para evitar confusiones.
- Directa: Debe ser concisa y directa al punto, sin ambigüedades.
Ejemplo: » Elaborar un resumen del documento ‘abc’ que contiene la definición del proceso ‘x’ que conduce desde el back end la funcionalidad ‘y’ representada en la historia de usuario ‘xy’ «
Action (Acción):
Especificar las acciones o pasos concretos que el modelo debe seguir para completar la tarea solicitada, incluyendo -si se requiere- sub-tareas o detalles específicos sobre la manera de abordar la tarea en sí misma.
La acción detalla los pasos o procesos que el modelo debe seguir para completar la tarea. Es el «cómo» se debe realizar la tarea. Este componente desglosa la tarea en acciones más pequeñas y manejables, proporcionando instrucciones claras al modelo.
Características:
- Detallada: Incluir pasos específicos que el modelo debe seguir.
- Lógica: Los pasos deben tener un flujo lógico y ser coherentes con la tarea.
Ejemplo: «Analizar el contenido del documento ‘abc’, identificar los aspectos clave vinculados con la seguridad informática y la gestión de las alertas en el servidor ‘w’, y sintetizar la información en un resumen que no supere las 200 palabras.»
Goal (Objetivo):
Definir el resultado esperado o el objetivo final de la tarea para ayudar a asegurar que el modelo de IA se enfoque en producir un resultado que cumpla con las expectativas del usuario.
El objetivo define el resultado final deseado de la tarea. Es el «por qué» de la solicitud. Asegura que el modelo de IA tenga un claro entendimiento del propósito y las expectativas del resultado final, alineando su output con las necesidades del usuario.
Características:
- Medible: Debe ser posible evaluar si el objetivo se ha alcanzado.
- Relevante: El objetivo debe ser directamente relevante para la tarea y proporcionar valor al usuario.
Ejemplo: «El resumen debe ser conciso, informativo y captar los puntos principales del documento ‘abc’, facilitando una rápida comprensión del contenido.»
Algo importante: Recuerda que ChatGPT memoriza las instrucciones y se van actualizando de manera automática y a pedido nuestro para reforzar el aprendizaje.
¿Cuál es su alcance?
El método T-A-G es de mucha utilidad para una amplia variedad de aplicaciones de IA y NLP, incluyendo por ejemplo las siguientes situaciones, pero claro está, no se limita sólo a los citados:
- Generación de contenidos: Nos ayuda a generar contenidos coherentes y alineados con las expectativas que tengamos o con las que tengan nuestros usuarios. Aquí una pequeña mención: es necesario que lleves a cabo un procesamiento de refinamiento para garantizar realmente la coherencia del texto.
- Traducción de contenidos: Nos ayuda a mejorar con mayor precisión y relevancia la traducción automática de textos, clarificando la tarea y los objetivos. Misma mención que el punto anterior.
- Asistentes Virtuales: Nos ayuda a optimizar las respuestas de los asistentes virtuales para que sean más útiles frente a la diversidad de consultas que reciba del usuario.
¿Cuáles son los beneficios?
- Claridad y Precisión: Nos ayuda a evitar malentendidos, malas interpretaciones y respuestas ambiguas por parte del modelo, siempre y cuando definamos un correcto alcance del método de prompt.
- Enfoque en el Usuario: Nos ayuda a centrarnos en el objetivo, asegurando que los resultados sean útiles y relevantes para el usuario final.
- Mejora del Rendimiento: Facilita una mejor interpretación de las instrucciones por parte del modelo, lo que puede mejorar la calidad y precisión de las respuestas.
Reflexión
Luego de haber leído todo el artículo, ¿No encuentras una cierta similitud cuando te pones a diseñar el caso de prueba sobre la base de la historia de usuario / criterios de aceptación?
¿No es acaso que todo lo que venimos haciendo como agile testers nos puede estar sirviendo para aplicar en la elaboración de un método que nos permita aumentar nuestro rendimiento en el proceso de control de calidad que conducimos?
Nuestra capacidad de análisis y el conocimiento técnico que hayamos adquirido seguramente nos facilitará y mucho el entendimiento en esta nueva área de conocimiento por explorar e investigar nuevas formas de trabajo.
Seguime en LinkedIn donde publico habitualmente y déjame comentarios y likes porque me ayudan en la red. Muchas gracias
