Gestión de productos, IA generativa y ChatGPT: conviértete en diez veces más gerente de productos

1. ¡Te damos la bienvenida al curso!: Todos, y bienvenidos. Aquí, vamos a hablar de tecnología de IA generativa, un término que probablemente hayas escuchado incluso más que cadena de bloques, DFI o NFTs, ya que ahora es el tema más candente en el panorama tecnológico, comenzaremos con una visión general del panorama de la IE tal como está Una conferencia opcional para aquellos que quieran explorar el panorama más amplio de la IE más allá de la IA generativa A continuación, tendremos conferencias sobre introducción de la tecnología de IA generativa y cómo las empresas pueden beneficiarse al integrarla en sus productos o servicios Por supuesto, dado que este es un curso de gestión de productos, nos sumergiremos en cómo la IA generativa impactará la productividad de un gerente de producto Después de eso, elegirás una tarea en la que quieras asistencia de la IA generativa y construiremos tu propio asistente de IA, que podrás usar de inmediato. Espero que disfrutes aprendiendo y encuentres las próximas conferencias atractivas y perspicaces mientras exploramos todas las posibilidades de la IA generativa juntos 2. El panorama de la IA de hoy en día: Uno. Bienvenido de nuevo. En esta conferencia, pasaremos por una visión general del panorama de la IA a partir de hoy. En primer lugar, definamos qué es la IA. En términos simples, la IA es la capacidad de las máquinas para aprender, comprender, razonar e interactuar de maneras similares a las de los humanos. Esto permite a las máquinas resolver nuevos conjuntos de problemas que antes no podían. Por ejemplo, AI Powers la asistencia de voz como Siri recomienda películas en Netflix, ayuda a los médicos a diagnosticar enfermedades La IA abarca una gama de tecnologías, desde reglas automatizadas simples en gadgets cotidianos hasta sistemas avanzados que aprenden y se adaptan. Si bien la IA puede realizar tareas específicas a nivel humano o por encima del mismo, momento de grabar este video, no posee inteligencia general ni conciencia. Recientemente, la IA también ha logrado avances significativos en los campos creativos, generando arte, música y literatura. Bien, ahora que entiendes lo que es la IA, discutamos cómo las máquinas realmente aprenden en su núcleo, aprendizaje automático, componente clave de la IA implica enseñar computadoras a reconocer patrones y tomar decisiones basadas en datos. Este proceso es algo similar a cómo los humanos aprenden de la experiencia. Pero en lugar de aprender de las experiencias de la vida, las máquinas aprenden de los datos. Las máquinas aprenden de diferentes maneras, principalmente categorizadas en tres tipos. Aprendizaje supervisado, aprendizaje no supervisado y aprendizaje por refuerzo Estas son las que llamamos las metodologías de aprendizaje fundacionales Cada una de estas metodologías tiene su propio enfoque de aprendizaje y se utiliza para diferentes tipos de tareas. El aprendizaje supervisado implica entrenar modelos de IA sobre datos etiquetados. Las etiquetas son identificadores asociados con los datos de entrada. Por ejemplo, pueden ser textuales en un conjunto de datos de fotos de animales, cada entrada de foto Ser etiquetados con el nombre de la salida animal, como gato, perro, etcétera Otro ejemplo son las etiquetas numéricas que se pueden utilizar para predecir los precios de las casas en función de las características. Aprendizaje supervisado esencial para aplicaciones donde el modelo aprende a predecir resultados con base en ejemplos proporcionados. Esto incluye reconocimiento de voz, clasificación de imágenes y sistemas expertos, sistemas IA que imitan las habilidades de toma de decisiones de un experto humano en un dominio específico aprendizaje no supervisado se enfoca en encontrar patrones o estructuras en datos no etiquetados En otras palabras, descubre los patrones subyacentes en los datos sin orientación explícita El aprendizaje no supervisado es fundamental en dominios como los sistemas de recomendación, sistemas que predicen las preferencias del usuario y sugieren elementos relevantes También se utiliza en ciertos aspectos de la visión por computador que se enfoca en permitir que las máquinas interpreten y respondan a la información visual del entorno circundante. La tercera metodología es el aprendizaje por refuerzo. Se enfoca en modelos de capacitación para tomar decisiones a través de prueba y error, recibir retroalimentación del entorno y aprender acciones óptimas a través de recompensas. Es clave en robótica, vehículos autónomos y algunas tareas de planificación y programación como gestión de recursos y los sistemas de programación automatizados Tenga en cuenta que la mayoría de las áreas de aplicación dependen de una combinación de diferentes metodologías de aprendizaje para aprovechar las fortalezas de cada una. Este enfoque a menudo obtiene un mejor rendimiento y soluciones más robustas. Por ejemplo, muchos sistemas de recomendación modernos integran las tres metodologías para aprovechar sus fortalezas El aprendizaje supervisado proporciona precisión basada en datos históricos como predecir y recomendar nuevas películas o productos que un usuario podría gustar en función de datos históricos con preferencias o calificaciones del usuario Por otro lado, el aprendizaje no supervisado ofrece información sobre los usuarios que podrían no ser evidentes solo a través de las calificaciones. Algoritmos de clustering, un tipo de técnica de aprendizaje no supervisado que organiza los datos en clusters o grupos en base Podría encontrar que ciertos grupos de usuarios tienden a ver géneros similares de películas incluso sin calificaciones explícitas y recomiendan películas basadas en estos clústeres. Por último, en caso de que queramos que el motor de recomendaciones sea dinámico y adapte las recomendaciones en función de cómo interactúan los usuarios con diferentes contenidos. Por ejemplo, al navegar, ver trailers, seleccionar y ver películas, entra en juego el aprendizaje por refuerzo. El sistema aprenderá interactuando con los usuarios a lo largo del tiempo y ajustará sus recomendaciones en función de la participación y retroalimentación del usuario. Todo bien. Nuestra visión general de las áreas de aplicación de IA no estará completa sin las otras dos que también aprovechen las tres metodologías de aprendizaje fundamentales Estas áreas de aplicación son procesamiento del lenguaje natural o PNL y la IA generativa La PNL implica comprender, interpretar y generar lenguaje humano, y se utiliza en aplicaciones tales como traducción de idiomas, análisis de sentimientos, tableros de chat y Y por último, IA generativa, el término que se ha vuelto extremadamente popular en 2023 y del que probablemente hayas oído hablar antes Se trata de un término paraguas que incluye diversas técnicas enfocadas a crear nuevos contenidos originales que nunca antes existían, como imágenes o texto que imita o se inspira en ejemplos del mundo real Nuestra próxima conferencia se centrará en aprender más sobre la tecnología generativa de IA Pero antes de comenzar, resumimos lo que hemos aprendido en esta conferencia. IA es la capacidad de las máquinas para aprender, comprender, razonar e interactuar de maneras similares a las de los humanos. Un componente clave de la IA, aprendizaje automático implica enseñar a las computadoras a reconocer patrones y tomar decisiones basadas en datos. Las máquinas aprenden de diferentes maneras, principalmente categorizadas en tres tipos o metodologías de aprendizaje fundacionales, supervisadas, no supervisadas y de refuerzo El aprendizaje supervisado enseña IA con datos etiquetados. aprendizaje no supervisado encuentra patrones de datos sin orientación, y el aprendizaje de refuerzo implica el aprendizaje a través de retroalimentación La mayoría de las áreas de aplicación se basan en una combinación de estas metodologías de aprendizaje para aprovechar la fuerza de cada una. La IA generativa es un término paraguas que incluye diversas técnicas enfocadas crear nuevos contenidos que nunca antes existían, inspirados en ejemplos del mundo real Todo bien. Y eso es todo para la conferencia, y te veremos en el siguiente video. 3. Presentación de la IA generativa (parte 1): Hola a todos. Si viste la conferencia anterior, ya tienes una idea inicial de qué es la IA generativa Ya que esa conferencia fue opcional, permítanme recapitular la definición para aquellos de ustedes que decidieron omitirla IA generativa se refiere a algoritmos que pueden crear nuevos contenidos, ideas o predicciones basadas en los datos en los que han sido entrenados Al igual que la IA tradicional, que se enfoca en identificar patrones y tomar decisiones, la IA generativa tiene la capacidad de producir nuevos datos, ya sea texto, imágenes, música o incluso código Puede elaborar artículos, generar informes de negocios, diseñar gráficos y más, todo aprendiendo de grandes cantidades de información. Pero analicemos esta definición de alto nivel y veamos el ecosistema generativo de IA, que se puede visualizar como un embudo con varias capas, cada una representando un nivel diferente de infraestructura de IA En la parte superior de la final, tenemos aplicaciones y agentes de IA. Estas son las herramientas y plataformas con las que los usuarios finales interactúan con las extremidades directas. El ejemplo más destacado aquí es el chat GPT, un tablero de chat generador de texto desarrollado por Open AI que llegó a 1 millón de usuarios en tan solo cinco días de su lanzamiento Por lo que es el crecimiento más rápido de todos los tiempos. accesibilidad está lista para usar hace que una IA generativa sea diferente de toda la IA que vino antes de ella. Los usuarios no necesitan un título en aprendizaje automático para interactuar con él o ver su valor. Casi cualquier persona que pueda hacer preguntas y utilizarla. Otro ejemplo famoso de producto generativo de IA es Mid journey Genera contenido visual único basado en descripciones de texto o indicaciones proporcionadas por los usuarios, mostrando las capacidades creativas de la IA para generar salidas nuevas y originales También hay una tendencia creciente para que las empresas cambien sus hojas de ruta de productos incorporando características generativas de IA en sus productos existentes para mejorar la funcionalidad, mejorar la experiencia del usuario y proporcionar soluciones innovadoras Estos son solo algunos ejemplos. Microsoft presentó Microsoft 365 copilo en noviembre de 2023, un conjunto de capacidades generativas de IA integradas directamente en el conjunto de aplicaciones de Microsoft Office como Word, Excel, Power Point, Outlook Utiliza modelos avanzados de IA como los desarrollados por Open AI para proporcionar características que ayudan a los usuarios a generar texto, resumir documentos, crear y analizar datos, diseñar presentaciones, automatizar la redacción de correo electrónico y más Luego, Iki lanzó un conjunto de herramientas eléctricas Open AI en octubre de 2023, agregando herramientas de lectura y escritura un mes después, así como herramientas para ayudar con la redacción de perfiles, anuncios de reclutamiento y páginas de empresas Adobe, una compañía de software que brinda sus usuarios soluciones de marketing digital y medios, lanzó la aplicación generativa de IA Firefly en marzo Introdujo características impulsadas por Firefly sus productos estrella como Photoshop e Illustrator Bien, creo que son suficientes ejemplos por ahora. Si tienes tu propio producto o función de IA generativa favorita , no olvides compartir su nombre en la sección de preguntas y respuestas para esta conferencia Y sigamos explorando los niveles del sistema AIC. Debajo de las aplicaciones y agentes de IA, encontramos modelos fundamentales Piense en ellos como los motores detrás de la creatividad y la inteligencia de las aplicaciones y funciones generativas impulsadas por IA Un modelo fundamental es un modelo de IA a gran escala entrenado en vastos y diversos conjuntos de datos tomados de muchas fuentes diferentes, incluidos libros, artículos, sitios web, imágenes y otro contenido digital, lo que permite que el modelo aprenda de una gran variedad de información Debido a que los modelos fundamentales están capacitados en conjuntos de datos tan masivos, pueden capturar un amplio espectro de conocimiento, haciéndolos altamente versátiles y capaces de adaptarse a numerosas tareas Por ejemplo, el modelo fundacional puede resumir rápidamente un extenso trabajo de investigación sobre el cambio climático, escribir un guión de servicio al cliente para un minorista en línea y sugerir diferentes técnicas de meditación basadas en el nivel de estrés de una persona La desventaja de esta amplia capacidad es que, por ahora, IA generativa a veces puede proporcionar resultados menos precisos, destacando la importancia de una supervisión cuidadosa de la IA y la gestión de riesgos Los modelos fundacionales pueden ser de diferentes tipos, incluyendo modelos de lenguaje grande, modelos generación de imágenes, modelos de generación de video y modelos multimodelo Estos diferentes tipos de modelos fundamentales se basan en principios similares de entrenamiento de datos a gran escala, pero están optimizados para diferentes salidas y casos de uso Repasemos algunos ejemplos. 4. Presentación de la IA generativa (parte 2): Los modelos de lenguaje grande son modelos avanzados de aprendizaje automático diseñados específicamente para comprender, generar y manipular el lenguaje humano. Estos modelos están entrenados en grandes cantidades de datos de texto, lo que les permite predecir la siguiente palabra en una secuencia, generar texto coherente, traducir idiomas, responder preguntas, resumir documentos e incluso realizar razonamientos Ejemplos de modelos de lenguaje grande incluyen la serie GPT de OpenAI, nube desarrollada por una compañía llamada modelos trópicos de Mistral desarrollados por la compañía también llamada Mistral, Lama, Lama, Las capacidades existentes de los modelos de lenguaje grandes son realmente impresionantes, por decir lo menos. Por ejemplo, GPT four, el último modelo de lenguaje grande de OpenAI, exhibe desempeño a nivel humano en la mayoría de los exámenes profesionales y académicos En particular, pasa una versión simulada del examen uniforme de la barra, una prueba de calificación para abogados con una puntuación en el 10% superior de los examinados PIT cuatro también muestra capacidades de comprensión de imagen a nivel humano, así como comprensión y explicación del humor. Los modelos de lenguaje grande pueden comprender los objetos físicos, incluyendo su tamaño, forma y prioridades físicas. Finalmente, los grandes modelos de lenguaje también han sido evaluados en tareas de teoría de la mente. La teoría de la mente es un concepto cognitivo y psicológico que se refiere a la capacidad atribuir estados mentales como creencias, deseos, intenciones, emociones y conocimiento a uno mismo y a los demás. Es fundamental para la cognición social humana, permitiendo a los individuos interpretar y predecir el comportamiento de los demás, conduciendo a una comunicación y relaciones interpersonales más matizadas y efectivas permitiendo a los individuos interpretar y predecir el comportamiento de los demás, conduciendo a una comunicación y relaciones interpersonales más matizadas y efectivas. La teoría de la mente se evalúa típicamente a través de diversas tareas y pruebas. Sorprendentemente, GPT cuatro resolvió casi todas las tareas, 95% para ser exactos Estos hallazgos sugieren que la teoría de la mente como habilidad, hasta ahora, considera que es exclusivamente humana puede haber surgido espontáneamente como un subproducto modelos de lenguaje, mejorando las habilidades lingüísticas Bien, vamos a parar aquí por ahora. El formato de estas conferencias no me permite recorrer todos los trabajos de investigación extensamente, pero dejaré enlaces en la sección de recursos de este video para su referencia adicional. Bien, volviendo a los niveles del ecosistema de IA. Bajando por el embudo, nos encontramos con el software y la infraestructura de AI Cloud. Esta capa incluye las plataformas y herramientas que soportan la capacitación, implementación y escalado de modelos de IA. Los ejemplos incluyen servicios en la nube de proveedores como AWS, Azure y Google Cloud, que ofrecen la potencia computacional y los marcos necesarios para ejecutar aplicaciones de IA Esta capa es fundamental para garantizar que sus aplicaciones generativas de IA puedan escalar y funcionar de manera confiable En el núcleo de la infraestructura AI Cloud se encuentran los chips especializados, como GPU y supercomputadoras Estos chips están diseñados para manejar los cálculos intensivos requeridos para entrenar y ejecutar modelos de IA Sin chips potentes, sería imposible ejecutar modelos complejos de IA a escala. Por último, en la base del embudo está la electricidad. Puede parecer básico, pero la electricidad alimenta todo en el ecosistema de IA, desde los centros de datos, infraestructura de IA de vivienda hasta los dispositivos y con los que interactúan los usuarios. electricidad es la base que soporta toda la pila generativa de IA Lo más probable es que los últimos niveles del ecosistema no sean algo en lo que pienses al considerar la IA generativa Pero es importante reconocer que la escalabilidad y eficiencia de la IA generativa dependen en gran medida de estos recursos subyacentes A medida que los modelos de IA se vuelvan más sofisticados y generalizados, la demanda de chips avanzados aumentará la demanda de chips avanzados y fuentes de electricidad confiables. Potencialmente creando cuellos de botella que podrían ralentizar el progreso y la innovación en el campo Bien. Y eso es todo para esta conferencia. Resumamos lo que acabamos de cubrir aquí. IA generativa se refiere a algoritmos que pueden crear nuevos contenidos, ideas o predicciones basadas en los datos en los que han sido entrenados El ecosistema generativo de IA consta de cinco capas. La primera capa son las aplicaciones y agentes de IA, que incluye herramientas orientadas al usuario como HAGBT y Mid Journey La segunda capa, los modelos fundamentales consisten en modelos de IA a gran escala entrenados en vastos y diversos conjuntos de datos tomados de muchas fuentes diferentes como texto, imágenes y otras Los modelos fundacionales pueden elaborar artículos, generar informes de negocios, diseñar gráficos y más, todo aprendiendo de grandes cantidades de información Los modelos fundacionales pueden ser de diferentes tipos, incluyendo modelos de lenguaje grande, modelos generación de imágenes, modelos de generación de video y modelos multimodelo Modelos como GPT four ya exhiben habilidades avanzadas como razonamiento y la resolución de tareas de teoría de la mente La tercera capa es el software y la infraestructura de AI Cloud, que es fundamental para capacitar e implementar modelos de IA y es compatible con plataformas como AWS y Azure. Las capas cuarta y quinta incluyen chips especializados como GPU y supercomputadoras, que manejan cálculos intensivos Y la electricidad, que alimenta todos los aspectos del ecosistema de IA. Por último, pero no menos importante, el desarrollo futuro de la IA generativa puede enfrentar cuellos de botella debido a mayor demanda de hardware avanzado y Y eso es todo para esta conferencia, ILCA en la siguiente 5. ¿Quién se va a beneficiar más de la IA generativa?: Todo el mundo. Bienvenida de nuevo. Ahora que ya sabe qué es la IA generativa y de qué es capaz la tecnología, exploremos cómo la IA generativa puede transformar la forma en que trabajamos y qué valor puede aportar a industrias y negocios Empecemos. Es probable que la IA generativa tenga el mayor impacto en el conocimiento, el trabajo, las tareas y las actividades que involucran principalmente funciones cognitivas como procesar, manejar y generar información y conocimiento, que generalmente son realizadas por trabajadores del conocimiento Específicamente, esto incluye actividades que involucran la toma de decisiones. Y la colaboración, que anteriormente tenía el menor potencial de automatización. McKinzie estima que el potencial técnico para automatizar la aplicación de la experiencia aumentó 34 puntos porcentuales, mientras que el potencial para automatizar la gestión y el desarrollo de personas aumentó del 16% 49% en 2023. La capacidad de la IA generativa para comprender y usar el lenguaje natural para una variedad de actividades y tareas explica en gran medida por qué el potencial de automatización ha aumentado de manera tan pronunciada Ahora, veamos qué áreas de negocio pueden sacar el máximo provecho de la IA generativa También me referiré a la investigación de McKin que predice que alrededor del 75% del valor que genera casos de uso de IA podría ofrecer caídas en cuatro áreas de operaciones de clientes, marketing y ventas, ingeniería de software e I+D. Veamos algunos ejemplos de cómo la IA generativa puede transformar cada una de estas áreas con más detalle Para las operaciones del cliente, paneles de chat y los agentes generativos impulsados por IA pueden proporcionar respuestas instantáneas y personalizadas a solicitudes complejas de clientes independientemente del idioma o ubicación del cliente, por ejemplo, la plataforma de servicio al cliente ZnDSk ha integrado la IE generativa en su plataforma de atención al cliente detectar automáticamente lo que quieren los paneles de chat y los agentes generativos impulsados por IA pueden proporcionar respuestas instantáneas y personalizadas a solicitudes complejas de clientes independientemente del idioma o ubicación del cliente, por ejemplo, la plataforma de servicio al cliente ZnDSk ha integrado la IE generativa en su plataforma de atención al cliente para detectar automáticamente lo que quieren los clientes y cómo sienten respondiendo como lo harían los agentes humanos. Sus agentes de EI también pueden llevar a cabo tareas completas como reembolsos, cambio de contraseñas o cancelaciones Se estima que la aplicación IA generativa a las funciones de atención al cliente aumenta la productividad en un valor que oscila entre 30 y 45% de los costos actuales de las funciones En marketing, la IA generativa podría reducir significativamente el tiempo requerido para la ideación y redacción de contenido, ahorrando tiempo y esfuerzos valiosos Por ejemplo, Coca Cola usa AI Abiertas, modelos generativos para crear contenido publicitario atractivo y publicaciones en redes sociales Esto permite a la compañía mantener una voz y estilo de marca consistentes en diferentes plataformas mientras adapta rápidamente el contenido para diversas audiencias. En ventas, la IA generativa puede ayudar a nutrir clientes potenciales y automatizar tareas repetitivas Salesforce integra IA generativa en su plataforma CRM para ayudar a los representantes de ventas elaborar correos electrónicos de divulgación personalizados, mensajes de seguimiento y discursos Por ejemplo, la IA puede generar mensajes personalizados basados en interacciones previas de clientes potenciales, preferencias e historial de participación. Además, empresas como outreach dot IO utilizan IA generativa para automatizar los seguimientos y mantener compromiso continuo con los clientes potenciales hasta que estén listos para una conversación directa con el representante de ventas IA generativa tiene el potencial de impactar significativamente ingeniería de software al tratar lenguajes informáticos como lenguajes naturales Según el análisis de McKinney, el impacto directo de la IA en la productividad de la ingeniería de software oscilaría entre 20 y 45% del gasto anual actual en Este valor surgiría principalmente de reducir el tiempo dedicado a actividades como generar borradores de código iniciales, corrección de código y refactorización Y análisis de causa raíz. Un estudio empírico interno de McKinzy de equipos de ingeniería de software encontró que aquellos que estaban capacitados para usar herramientas generativas de IA redujeron rápidamente el tiempo necesario para generar y refactorizar código, y los ingenieros también reportaron una mejor experiencia laboral con mejoras La IA generativa tiene un potencial significativo para mejorar la productividad de la I+D, entregando valores estimados entre el 10 y el 15% de los costos generales de I+D en industrias como las ciencias de la vida y IA generativa ya se está utilizando para el diseño generativo. Donde puede acelerar el desarrollo de nuevos fármacos y materiales mediante la generación de moléculas candidatas. Por ejemplo, en Silka Medicine, una compañía de biotecnología utiliza modelos generativos de IA para identificar nuevos candidatos a fármacos de manera más eficiente mediante el análisis de vastos conjuntos de datos y la generación de posibles estructuras moleculares Bien, pasando a qué industrias se beneficiarán más de la IA generativa La buena noticia es que prácticamente todos los sectores pueden ganar. Por ejemplo, en el sector bancario, adopción de IA generativa podría agregar 200 mil millones adicionales a 340 mil millones de dólares anuales al aprovechar las eficiencias ya logradas por la logradas por Esto se haría automatizando tareas de menor valor en la gestión de riesgos, como la generación de informes requeridos, seguimiento de las actualizaciones regulatorias y la recolección de datos En la industria de las ciencias de la vida, IA generativa está destinada a desempeñar un papel importante en el avance descubrimiento y desarrollo de fármacos mediante la predicción de estructuras moleculares, generación de informes de pacientes e incluso la simulación Esto reduce drásticamente el tiempo de comercialización de nuevos tratamientos y mejora la medicina personalizada. Entonces, como podemos ver, las empresas tienen oportunidades reales mejorar el rendimiento y aumentar los ingresos a través la implementación estratégica de IA generativa, y al implementar IA generativa, no necesariamente nos referimos a desarrollar nuevos productos de IA no necesariamente nos referimos generativa Una gran parte del uso de la IA generativa dentro de una organización provendrá de empleados que utilicen funciones integradas en el software que ya usan Por ejemplo, las plataformas de correo electrónico podrían ofrecer opciones para redactar mensajes iniciales. Las herramientas de productividad podrían crear esquemas de presentación basados en breves descripciones y los sistemas CRM podrían sugerir estrategias para involucrar a los clientes. Estas capacidades tienen el potencial de impulsar significativamente la productividad de cada trabajador del conocimiento. En la siguiente conferencia, hablaremos con más detalle sobre cómo implementar IA generativa puede impactar el trabajo de los equipos de producto y los gerentes de producto Y por ahora, vamos a resumir la conferencia. Es probable que la IA generativa tenga el mayor impacto en el trabajo de conocimiento, las tareas y las actividades que involucran principalmente funciones cognitivas Según la investigación de McKinney, alrededor del 75% del valor que los casos de uso de IA generativa podrían ofrecer cae en cuatro áreas de operaciones de clientes, marketing y ventas, ingeniería de software e investigación y desarrollo, casi todas las industrias, desde la banca hasta la atención médica, casi todas las industrias, desde pueden beneficiarse de la IE generativa a través mayor eficiencia La integración de la IA generativa en software existente puede aumentar significativamente la productividad sin la necesidad de desarrollar productos de IA generativa completamente nuevos Eso es todo por ahora, Ilsa en el siguiente video 6. Cómo la IA generativa puede afectar a la productividad de los gerentes de productos: Todos. Bienvenido de nuevo. Ya que estás inscrito en el curso de gestión de productos, no podemos dejar de discutir el tema de cómo generar IA impactará el trabajo y la productividad de los gerentes de producto, dado que los gerentes de producto son trabajadores del conocimiento. Aquellos que serán más impactados por la IA generativa. Como la tecnología es nueva y evoluciona rápidamente, muchos gerentes de producto y equipos de producto todavía están explorando qué herramientas elegir, cómo aprovecharlas al máximo y qué caso de uso comenzar, McKinzy realizó una investigación interesante para McKinzy realizó una investigación interesante comprender y medir el impacto de la IA generativa en la gestión de productos. Encontré los resultados que vale la pena Así que permítanme compartir más sobre la investigación. La compañía reclutó a 40 gerentes de producto con diferentes niveles de experiencia de Estados Unidos, Canadá, Europa y América Latina para participar en un estudio. Antes de participar en el estudio, los PM asistieron a un breve taller de capacitación para familiarizarse con las herramientas generativas Luego se pidió a los participantes de la investigación que desempeñaran el papel de PM para una compañía ficticia y que trabajaran individualmente a través de cinco actividades a su propio ritmo Las actividades simularon el trabajo de la vida real de un PM en tres fases del proceso de administración de productos, descubrimiento, validación y desarrollo, y requirieron que los PM crearan entregables, como documentos de investigación de mercado, un comunicado de prensa con preguntas frecuentes, un buscapersonas del producto, un documento compartido con las partes interesadas internas para alinearse con las partes interesadas internas para alinearse en tres fases del proceso de administración de productos, descubrimiento, validación y desarrollo, y requirieron que los PM crearan entregables, como documentos de investigación de mercado, un comunicado de prensa con preguntas frecuentes, un buscapersonas del producto, un documento compartido con las partes interesadas internas para alinearse con el por qué detrás de la iniciativa del producto, su propuesta de valor y cómo se verá el éxito Los participantes también necesitaban producir documento de requisitos de producto y un backlog de productos Los participantes se dividieron en tres grupos, cada uno con acceso a diferentes herramientas generativas de IA, un grupo tuvo acceso a herramientas específicas de tarea como copy.ai Otro solo tenía acceso al chat GPT. Y el tercer grupo no tuvo acceso a ninguna herramienta generativa de IA Cada grupo girado y los tiempos de inicio y finalización se registraron para medir el tiempo empleado en cada tarea. Los PM que utilizaron herramientas generativas de IA, ya sea herramientas genéricas como CHAD GPT o herramientas específicas de tareas tardaron menos tiempo en promedio en completar actividades que los PM que no las usaron, acelerando el tiempo de comercialización de los productos aproximadamente un 5% durante un ciclo de vida de desarrollo de productos de seis meses El ahorro de tiempo se vio impulsado por el uso de IA generativa para sintetizar la investigación de usuarios y escribir comunicados de prensa en la fase de descubrimiento, desarrollar documentos de requisitos de productos en la fase de validación y crear rezagos de productos en la fase Otra visión de la investigación es que los gerentes de producto reportaron una mejora significativa en su experiencia al usar herramientas generativas de IA 100% de los participantes dijo que acceso a la IA generativa mejoró su experiencia en la gestión de productos Todos menos uno de los PM informaron que las herramientas fueron útiles con las tareas y que serían muy o algo probables de usar estas herramientas en su trabajo después de que finalizara el estudio Tres de cada cuatro creían que la calidad de sus entregables mejoraba en gran medida o algo en gran medida o algo en comparación con lo que lograron sin ellos. PM percibieron las herramientas como automatizando sus tareas rutinarias mundanas y permitiéndoles enfocarse en actividades más estratégicas, como definir la visión del producto, como definir la visión del producto, crear una Y participar en actividades orientadas al cliente. Bien, pasemos a la tercera visión de investigación. Las herramientas generativas de IA tuvieron casi el doble de impacto positivo en las tareas pesadas de contenido, sintetizando información, creando y puliendo contenido ideas que en tareas ligeras de contenido, como la recopilación y visualización de datos Específicamente, la productividad de PM con tareas pesadas de contenido mejoró en un 40%. ¿Qué tan increíble es eso? Las herramientas de propósito general como hA GPT fueron utilizadas más fácilmente por los PM que las herramientas específicas de tareas, lo que permitió a los PM iterar con flexibilidad y usar las herramientas como socios en la resolución Este resultado probablemente se deba a que las herramientas generales son más familiares para los PM y son más fáciles de usar que las herramientas especializadas Además, algunas herramientas específicas de IA generativa están diseñadas para abordar casos de uso más matizados y requieren entradas personalizadas e instrucciones de texto que los PM no están Ahora bien, ¿qué tal la calidad de los entregables producidos utilizando herramientas generativas de IA Según los resultados de la encuesta, en promedio, herramientas generativas de IA ayudaron a los PM a producir resultados más precisos y completos Sin embargo, el impacto de la IA generativa generalmente varió en función del nivel de experiencia de los PM que los utilizan Los PM más experimentados mantuvieron una alta calidad de producción, mientras que los PM junior ganaron productividad pero a expensas de qualdm A partir de este hallazgo de investigación, podemos plantear la hipótesis de que los gerentes de productos experimentados pueden proporcionar mejores instrucciones a IA generativa y realizar revisiones más efectivas de la producción dada su experiencia y su producto más fuerte Más PMS junior, por otro lado, siguen aprendiendo a crear entregables de alta calidad Y aún no se pueden escribir instrucciones completas para la IA generativa o revisar efectivamente los resultados La conclusión final que los investigadores están haciendo es que si bien IA generativa no puede reemplazar las habilidades fundamentales necesarias para ser un gerente de producto, puede ayudar a los PM a desarrollar Tiendo a estar de acuerdo con esta conclusión, ¿y qué opinas? Por favor, comparta sus pensamientos en la sección de preguntas y respuestas. Entonces, como podemos ver en esta y en las conferencias anteriores, IA generativa no es solo una tendencia pasajera, sino una poderosa herramienta que puede potenciar enormemente nuestro trabajo Finalmente podemos obtener un par de manos extra y delegar tareas repetitivas rutinarias, dándonos el tiempo extra muy necesario para enfocarnos en el pensamiento estratégico y la resolución creativa de problemas Si estás dudando en incluir la IE generativa en tu rutina de trabajo diaria o no estás seguro de qué herramienta usar, estás en el La próxima serie de conferencias será muy práctica. Aprenderás a crear tu propio asistente de IA para manejar las tareas de los gerentes de productos pesados de contenido. Como siempre, compartiré mi experiencia trabajando con estas herramientas y demostraré cómo crear uno de los asistentes de IA sin ningún tipo de codificación involucrada. Pongámonos a la práctica. Nos vemos en el siguiente video. 7. Seguimiento: ¡construyamos tu asistente de IA PM!: Todos, y bienvenidos de nuevo. Hasta el momento, nuestra discusión ha sido mayormente teórica. Entonces sugiero que cambiemos las cosas e intentemos automatizar una de nuestras tareas de gestión de productos. Esta es mi parte favorita porque para ser honesto, uso GeneratFi bastante extensamente para apoyar muchas de mis tareas, desde la lluvia de ideas y redacción de guiones de entrevistas Para ayudar con las comprobaciones ortográficas y gramaticales. En la conferencia anterior, mencionamos que las herramientas generativas de IA son más efectivas para tareas pesadas de contenido, que incluyen las siguientes: generar contenido, por ejemplo, escribir una declaración de problemas, ecuaciones de entrevistas de usuario, guías de discusión, ecuaciones de encuestas, documentos de requisitos de productos , etc. También incluiría ideas de lluvia de ideas aquí, análisis e investigación Esto incluye tareas como analizar entrevistas a clientes, información de tickets de soporte, realizar investigaciones de mercado y competitivas, y otras tareas similares. Obteniendo comentarios. Esta es una categoría que aún no hemos discutido. Por ejemplo, podrías pedir comentarios sobre tu currículum antes una entrevista de trabajo o solicitar asesoramiento sobre qué preguntas te podrían hacer. Podrías subir tu portafolio de productos y pedirte sugerencias sobre cómo mejorarlo. Hay innumerables ejemplos en los que es posible que desee comentarios. Personalmente, este es uno de mis casos de uso favoritos para IA generativa Sin embargo, debe tener cuidado con la privacidad de los datos, especialmente cuando se trata de documentos bajo NDA Siempre verifique la política de uso de datos para ver cómo se manejan sus datos y si se compartirán con terceros. En caso de duda, evite enviar todo el documento y en su lugar cargue solo una parte que no contenga información sensible. O describa con sus propias palabras sobre qué quiere comentarios. Después de ver esta conferencia, tu tarea será decidir qué tipo de tareas, generación de contenido, análisis o retroalimentación te gustaría automatizar con IA generativa Al hacer tu selección, recomiendo encarecidamente elegir una tarea que ya estés familiarizado con una que hayas hecho varias veces. Como pronto verá, deberá proporcionar instrucciones detalladas para el modelo, lo que tener experiencia previa ayudará a escribir esas instrucciones. Para los tutoriales, Aina y yo demostraremos dos proyectos, una aplicación generadora de ideas de proyectos paralelos para ayudar a los aspirantes a gerentes de producto a hacer una lluvia ideas de proyectos del sitio y la revisión del CV del gerente de producto para ayudar a mejorar CV del gerente de producto para la primera o próxima solicitud de empleo de PM. Para construir estas aplicaciones, utilizaremos uno de los modelos fundamentales de OpenAI GPT four para crear GPT four para crear Los GPT son versiones personalizadas de chat GPT que los usuarios pueden adaptar para tareas o temas específicos Pueden ir desde responder preguntas frecuentes hasta realizar análisis detallados de datos, generar contenido creativo. O incluso interactuar con aplicaciones de terceros para automatizar flujos de trabajo. En situaciones del mundo real, sin embargo, elegir el modelo fundacional adecuado para su caso de uso puede ser un desafío Resulta que usar el modelo más grande no siempre es la mejor opción, ya que puede ser más costoso, más difícil de administrar y puede producir resultados inconsistentes en diferentes tareas. Un modelo más pequeño y más enfocado podría ser un mejor ajuste para ciertos casos de uso. Pero, ¿cómo decides qué modelo es el correcto? Me pareció muy útil un framework de seis pasos de IBM, y es algo que uso para mis proyectos. Dejo un enlace al framework en la sección de recursos para que puedas profundizar en él cuando tengas la tarea seleccionar el modelo fundacional adecuado Bien, volvamos a las manos en parte de la conferencia. Ahora es tu turno de elegir qué tarea quieres automatizar. Por favor, comparta su decisión en la sección de preguntas y respuestas y la veré en la próxima conferencia 8. Seguimiento: cómo preparar tu cuenta ChatGPT y explorar la tienda de GPT: Uno. Bienvenida de nuevo. Lo primero que tenemos que hacer para construir nuestro sistema de IA es crear una cuenta con CHAD GPT Necesitarás acceder a la opción de suscripción paga para poder crear GPDs personalizados Sin embargo, si aún no quieres seleccionar un plan BAD, puedes inscribirte en su nivel gratuito y seguir los tutoriales. La diferencia es que no podrás guardar tus instrucciones dentro de tu GBT En su lugar, deberá crear un nuevo gráfico y pegar las instrucciones siempre que necesite asistencia de IA para esa tarea. Voy a proporcionar más detalles en los próximos tutoriales. Después de crear tu cuenta, el siguiente paso es establecer instrucciones personalizadas para el chat GPT Esta función le permite personalizar las respuestas de hat GPT en función de sus preferencias, y puede modificar o eliminar estos ajustes en cualquier momento para futuras conversaciones Desde la pantalla principal, haz clic en el icono de tu cuenta. La esquina superior derecha y luego seleccionar personalizar chat GPT. La primera pregunta que responderás es, ¿qué te gustaría que el sombrero GPT supiera ti para brindar mejores respuestas Aquí, proporciona información sobre tus antecedentes, dónde trabajas actualmente y qué haces. Esto lo puedes explicar en términos simples como si estuvieras escribiendo un ensayo sobre ti mismo. La segunda pregunta es, ¿cómo le gustaría que respondiera Chad GPT Aquí, proporcione cualquier detalle que ayude a Chad GPT a estructurar sus respuestas Por ejemplo, dije, prefiero respuestas enmarcadas en lenguaje conversacional sin usar palabras formales o clichés Dado que muchos de mis alumnos son no técnicos, le pedí que usara un lenguaje que pueda ser fácilmente comprendido por personas no técnicas que no sean expertos en el tema que estoy enseñando. También puede elegir qué capacidades planea usar la mayor parte del tiempo. Tómate un tiempo para pensar qué información te gustaría proporcionar para chatear GPT Cuando haya terminado, haga clic en Guardar. Otro escenario que vale la pena explorar son los controles de datos. Tienes que decidir si quieres permitir que tu contenido sea utilizado para entrenar modelos Open AI. Puede activar o desactivar esta configuración. El último paso es opcional, pero te recomiendo hacerlo si es tu primera vez personalizando GPTs Ve a Explorar GPTs y navega por las aplicaciones ya disponibles en la tienda Puedes buscar por categorías o palabras clave. Por ejemplo, busquemos gerente de producto y veamos qué surge. Aquí hay una lista de GPT personalizados relevantes junto con la breve descripción y el número de conversaciones para las que se ha utilizado cada GPT Haga clic en el GPT de su elección y explore cómo funciona. Echa un vistazo a los iniciadores de conversación y ve qué sucede cuando haces clic en uno de ellos. Al explorar los GPT existentes y ver cómo funcionan, puede tener una buena idea de cómo diseñar su propio GPT Además, es posible que encuentre una aplicación útil que pueda usar para sus propias tareas en lugar de crear una desde cero. En la sección de preguntas y respuestas para este video, por favor comparta qué GPT personalizados ha descubierto e ILCA en el 9. Seguimiento: creación de GPT personalizados: Todo el mundo. Bienvenida de nuevo. Vamos a crear nuestro primer GPT personalizado. Para comenzar, vaya a la configuración de la cuenta. Mi GPT es crear un GPT. En el primer paso, verás un generador de GPT que utiliza una interfaz conversacional para ayudarte a crear tu GPT sin tener que rellenar manualmente todos los La pestaña configurada le permite proporcionar instrucciones más detalladas para su GPT Normalmente prefiero comenzar con el toque configurado de inmediato, y eso es lo que haremos para este tutorial. Comienza definiendo el nombre y la descripción de tu GPT. A continuación, puedes subir un logotipo para el GPT o crear uno usando Dali Abra Ayes texto a modelo de imagen. mantengamos las instrucciones y los campos de inicio de conversación Por ahora mantengamos las instrucciones y los campos de inicio de conversación y exploremos las tres secciones al final de la página. La función de conocimiento le permite proporcionar contenido adicional para que su GPT haga referencia Puedes subir uno o varios documentos aquí para que tu GPT acceda mientras realiza tareas Para la generación de ID GPT, no usaremos ningún contenido adicional, por lo que dejaremos esta sección vacía La sección de capacidades le permite habilitar la navegación web, generación de imágenes DL y el análisis avanzado de datos. Si quieres que tu GPT realice funciones adicionales. Para mi GPT, elegiré navegación web y generación de imágenes DL Las acciones personalizadas son comandos o scripts que el GPT puede activar para realizar una variedad de funciones, como interactuar con API, manipular datos o activar Esencialmente, extienden la funcionalidad de los modelos GPT más allá de la generación de texto Por ejemplo, si un usuario solicita el clima actual, se podría configurar una acción personalizada para obtener datos meteorológicos en tiempo real y devolver esa información Las acciones personalizadas requieren conocimientos técnicos, por lo que no las incluiremos en la generación de ID GPT Ahora, volvamos a las secciones de instrucción, que describen la lógica central detrás de cómo funcionará el GPT personalizado Hay ciertas pautas a seguir al escribir instrucciones para obtener los mejores resultados. Vamos a repasarlos. Estas pautas son aplicables no solo para GPT personalizados sino también para cualquier chat individual que creará con chat GPT Si estás en el plan gratuito, no tendrás la misma interfaz para escribir instrucciones seguras ya que la personalización de los GPT no está incluida en el Como solución alternativa, recomiendo guardar el texto de instrucción en un documento de Google Para que puedas acceder a él más tarde cuando estés listo para probar o usar las instrucciones, solo tienes que abrir un nuevo chat y copiarlos y pegarlos. Siempre puedes acceder al historial de chat a través del menú del lado izquierdo. Ahora vamos a cubrir cómo escribir las instrucciones. Comience describiendo el propósito y caso de uso de su GPT personalizado Explica con qué tipo de preguntas o tareas debería ayudar y qué resultados esperas. Esto ayuda a que el modelo se mantenga enfocado en entregar respuestas relevantes. Por ejemplo, para la generación de ID GPT, tenemos las siguientes instrucciones El script completo de las instrucciones utilizadas para crear este GPT está disponible en la sección de recursos, así que no olvides echarle un vistazo A continuación, identifica el público objetivo para tu GPT. Esto incluye su nivel de habilidad, intereses y cualquier necesidad o preferencia específica. Tercero, describe el tono que quieres que tenga el GPT. Esto podría ser amigable, profesional, casual o humorístico, dependiendo de tu público objetivo Especifique si desea que el GPT use lenguaje conversacional o mantenga un estilo más formal También puede proporcionar instrucciones conductuales cómo GPT debe manejar diferentes tipos de interacciones, como preguntas que no puede responder, manejar temas delicados o cuándo redirigir a los usuarios a otros recursos El siguiente conjunto de instrucciones para el GPT que estamos construyendo dependerá del iniciador de conversación que hayas elegido conversación son indicaciones de ejemplo que los usuarios pueden usar para comenzar la interacción para la generación de ID GPT Tenemos dos iniciadores de conversación. Nuestras instrucciones variarán dependiendo de cuál seleccione el usuario. Así es como manejamos esta lógica. Primero, escribimos. Si un usuario selecciona, dame diez ideas para mi proyecto paralelo como iniciador de conversación, procede al paso uno al cuatro a continuación. Al escribir instrucciones, es importante desglosar las tareas de varios pasos en pasos más pequeños y más manejables para garantizar que el modelo pueda seguirlas con precisión. Sea lo más detallado posible, especialmente cuando se requieran múltiples acciones dentro de un solo paso. Por ejemplo, en el paso uno, pedimos al usuario que proporcione la siguiente información sobre sí mismo. Luego enumeramos las preguntas que queremos que el GPT haga una por una También incluimos una instrucción conductual para hacer cada pregunta secuencialmente, esperando la respuesta del usuario antes de pasar a la siguiente pregunta. En el paso dos, instruimos al GPT para generar diez ideas de proyectos de sitio Estas ideas deben cruzarse en las cuatro áreas que hemos definido Capitalizamos todo para enfatizar las instrucciones. En el paso tres, especificamos la información que se necesita proporcionar para cada idea. Observe que estructuramos la información en una lista para mejorar la claridad. También es una buena práctica incluir uno o más ejemplos para reducir la variabilidad en la producción. Aquí hay un ejemplo incluido en las instrucciones GPT de generación de ideas para el paso tres Por último, el paso cuatro pregunta al usuario si desea refinar o desarrollar aún más las ideas generadas. Acabamos de cubrir las instrucciones para iniciar la conversación. Dame diez ideas para mi proyecto paralelo. Instrucciones para el segundo iniciador de conversación. Cómo puedo construir mi proyecto paralelo son mucho más simples. Pedimos a GPT que proporcione un enlace junto con el siguiente texto. Genial. Ahora probemos nuestro GPT en acción Mm. Tenemos algunas ideas geniales en las que podemos comenzar a trabajar de inmediato o proporcionar instrucciones adicionales sobre inmediato o proporcionar instrucciones adicionales cómo deben refinarse. Por supuesto, una prueba no será suficiente para finalizar tu GPT, por lo que necesitarás iterar varias veces refinando y ajustando tus instrucciones en función de las respuestas Todo bien. Eso concluye el tutorial sobre la creación de tu primer GPT El GPT de generación de ID está disponible para que lo pruebes y explores Encontrará el enlace a la aplicación junto con las instrucciones utilizadas para personalizar el GPT en la sección de recursos Tómese su tiempo y revise las instrucciones que desea que siga su GPT En el siguiente tutorial, cubriremos cómo implementar un escenario donde el modelo requiera conocimiento más allá de que haya sido entrenado en S ahí. 10. Seguimiento: uso de archivos de conocimiento para GPT personalizados: Todos, bienvenidos de nuevo. Sigamos explorando cómo crear un GPT personalizado. Es posible que tengas un caso de uso cuando el modelo requiera conocimientos más allá de lo que se ha entrenado. Imagine que está creando GPT personalizado para ayudar a obtener información sobre los problemas de sus clientes y las oportunidades de mejora de productos Si bien GPT four puede ofrecer asesoramiento general sobre cómo realizar el descubrimiento de productos, no tiene acceso a detalles específicos sobre sus clientes y productos, como guiones de entrevistas a clientes, resultados de encuestas a clientes, tickets de soporte y otras fuentes relevantes La solución aquí es darle al GPT acceso a estas fuentes de datos para que pueda recuperar información relevante y ayudar a generar ideas de mejora de productos Para lograrlo, el GPT necesita un mecanismo para obtener e integrar información específica actualizada de sus herramientas internas en sus respuestas, que es donde entra en juego la generación aumentada de recuperación generación aumentada de recuperación es el proceso de recuperar información contextual relevante de una fuente de datos y pasar esa información a un modelo de lenguaje grande junto con el aviso del usuario Estos datos recuperados aumentan el conocimiento base del modelo para mejorar la precisión y relevancia de su producción Para implementar la generación aumentada de recuperación, puede conectar su GPT a fuentes de datos en vivo, como su sistema de tickets o base de datos de clientes, o usar la función de carga de Knowledge donde los archivos que contienen contexto adicional se indexan y PT luego recuperan estos datos dinámicamente para proporcionar información más relevante basada en las indicaciones del usuario Para este tutorial, aprenderemos a usar la función de carga de conocimientos. Vamos a sumergirnos en los detalles. He creado un segundo GPT personalizado diseñado para ayudar a los gerentes de producto mejorar su CV para la primera o siguiente aplicación de rol de gerente de producto Para este GPT, tenemos dos iniciadores de conversación. Cuando elija, por favor revise mi CV para el rol de gerente de producto. Se le pedirá que proporcione varios datos. Tu CV o las partes sobre las que quieres comentarios, una descripción del trabajo que te interesa solicitar y cualquier otra información relevante sobre tus antecedentes u objetivos profesionales que te ayuden a entender tu perfil. Una vez que se proporcione esta información, recibirá comentarios, incluida una revisión general de su currículum, comentarios sobre su experiencia laboral, educación, formato y estilo, y otras recomendaciones. Además, el GPT personalizado resaltará fuerza de tu perfil y las áreas de mejora Ahora veamos la pestaña configurada para el GPT. Pasemos directamente a la función de conocimiento. Aquí subí seis documentos para el GPT haga referencia a la hora de hacer sus recomendaciones Cinco de estos documentos incluyen información sobre cómo elaborar RCV específicamente para un rol de gerente de producto El último documento contiene ejemplos de requisitos laborales para roles de gerente de producto, que recopilé de trabajos de Linkin en tres regiones, US, Em y APAC Quiero que el GPT utilice estos documentos al revisar el CV enviado y que extraiga información sobre cómo debe estructurarse el CV y qué contenido debe incluirse en función de las expectativas actuales del mercado laboral Veamos cómo hago referencia a los documentos en la sección de instrucciones. En esta sección, incluí un párrafo que describía cómo el GPT debería usar los archivos de conocimiento Escribí, para dar recomendaciones, referirme a la sección de conocimientos de este GPT Después enumeré los nombres de los documentos seguido de una breve descripción de lo que contiene cada documento. Y eso es todo. No proporcioné detalles adicionales sobre cuándo debería referirse el GPT a cada archivo específico o qué información exacta debería extraer de ellos. En cambio, escribí lo siguiente. Para brindar recomendaciones, refiérase a la descripción del trabajo que el usuario quiere solicitar que le proporcioné, acceda al currículum dado contra esta descripción del trabajo, y para cada uno de los siete puntos enumerados anteriormente, aquí me refiero al formato de salida que verá el usuario resaltar cómo se puede mejorar el currículum para maximizar las posibilidades de ser preseleccionado para la entrevista Inicialmente, probé instrucciones más detalladas sobre cuándo el GPT debería acceder a cada uno de los archivos de conocimiento Por ejemplo, en una versión anterior escribí, al revisar la sección de experiencia laboral del CV presentado, asegurar que esté estructurado de acuerdo con las recomendaciones descritas en este expediente. Lo hice por cada ítem de la lista de salida. No obstante, al probar esa versión, descubrí que las recomendaciones no eran tan claras y tendían a ser algo ambiguas Me di cuenta de que había impuesto demasiadas restricciones al GPT, lo que dificultaba que el modelo respondiera de manera natural y amablemente eso modifiqué las instrucciones a la versión que ves ahora, lo que llevó a resultados mucho mejor estructurados, concisos y precisos. Eres bienvenido a probar este GPT tú mismo y compartir tus pensamientos en la sección de preguntas y respuestas para el video Encontrarás el enlace al GPT en la sección de recursos. También he subido el texto completo de las instrucciones que escribí para este GPT para que también puedas hacer referencia a ellas Y por cierto, si buscas más ejemplos sobre cómo escribir instrucciones, recomiendo revisar el GPT Builder de OpenAI El GPT Builder en sí es un GPT personalizado con instrucciones y acciones El texto completo de las instrucciones escritas para GPT Builder está disponible en la página de soporte de OpenAI, y me pareció muy útil revisar esto antes de escribir el mío Incluiré un enlace a esta página en la sección de recursos también, y eso es todo para este tutorial y ALCO en el siguiente. 11. Seguimiento: compartir tu GPT: Gracias.