<aside> 🧠
Cómo usar este cuestionario
Antes de desplegar la respuesta, intenta justificar tu decisión en voz alta. No basta con nombrar el concepto: explica por qué aplica y, cuando corresponda, por qué descartarías las alternativas.
</aside>
Escenario: Un equipo de desarrollo quiere que su modelo devuelva las respuestas con un formato JSON estricto. Un desarrollador júnior propone realizar un entrenamiento de Fine-tuning inmediato. Sin embargo, el arquitecto sugiere incluir una plantilla con la estructura JSON requerida directamente dentro del prompt.
Pregunta: ¿Por qué la solución del arquitecto (In-Context Learning) es la primera alternativa recomendable en términos de costo y tiempo?
Escenario: Una aseguradora necesita un asistente que responda preguntas sobre las cláusulas específicas de la póliza de un cliente que fue modificada esta mañana.
Pregunta: ¿Por qué hacer Fine-tuning al modelo con la póliza de esta mañana es una pésima decisión técnica y por qué RAG es la arquitectura adecuada?
Escenario: Creas una aplicación en Amazon Bedrock que convierte instrucciones en lenguaje natural a consultas SQL. En producción, notas que para la misma instrucción el modelo a veces genera sintaxis SQL diferente o creativa que falla en la base de datos.
Pregunta: ¿Qué parámetro de inferencia debes ajustar y en qué dirección para forzar al modelo a ser predecible y consistente?
Escenario: Un banco quiere implementar RAG para analizar redes de fraude. El requisito clave es almacenar embeddings de sospechosos pero pudiendo consultar y trazar relaciones complejas de varios niveles entre cuentas, teléfonos y empresas.
Pregunta: ¿Qué servicio de base de datos administrado por AWS que soporta búsquedas vectoriales es el adecuado para este caso de uso de relaciones complejas?