El tipo de aleatorizador al que me refiero es un sistema capaz de devolver al azar un elemento dentro de una categoría como música, cine o comida.
Por ejemplo, si pides a un modelo generativo que te devuelva un artista musical aleatorio, no obtendrás verdadera aleatoriedad. Al repetir la petición, es habitual que aparezca una y otra vez el mismo nombre, como Tame Impala.
Los LLM tienden hacia la media de sus datos de entrenamiento, de modo que ciertos resultados se asocian con fuerza a la idea de algo aleatorio y se repiten con demasiada frecuencia.
Yo quería aleatoriedad real, resultados de nicho. Para lograrlo, diseñé un algoritmo de prompting muy simple que amplía el espacio de salida hasta miles o incluso trillones de posibilidades.
La idea aprovecha la estructura recursiva de subclasificaciones por ramas. En música, por ejemplo, es natural subdividir por género. Así funciona el proceso: primero se solicita al modelo una lista de subgéneros; luego, en tu código, seleccionas uno al azar y vuelves a pedir subclasificación de ese subgénero. Y repites.
De este modo vas descendiendo por el árbol hasta llegar a una rama muy específica, como podría ser un subsubgénero del tipo cowpunk. Solo cuando alcanzas la profundidad final solicitas ejemplos de artistas dentro de esa etiqueta concreta.
Por la naturaleza exponencial de estos árboles de clasificación, el número de posibilidades en los niveles profundos se dispara. En la práctica, este método genera una diversidad suficiente como para sentirse realmente aleatorio y sí puede alimentar un aleatorizador útil.
He utilizado esta estrategia para descubrir música nueva y platos interesantes de todo el mundo, entre otras cosas. Puedes probar un enfoque similar en sitios como lifeisrandom.io.
Importa todo esto. Ejecutar algoritmos recursivos con LLM puede ampliar de forma notable su creatividad y la variedad de sus salidas, algo especialmente valioso en sesiones de lluvia de ideas, personalidades de asistentes, narrativas y muchos más casos.
Bonus sobre la temperatura. Las API de LLM incluyen un parámetro de temperatura para controlar la aleatoriedad. A 0, el modelo es determinista; a 2, maximiza la variación. Probé lanzar la petición devuélveme un artista musical aleatorio 100 veces por cada nivel de temperatura. Incluso en el punto más alto, la repetición de Tame Impala bajó, pero siguió apareciendo varias veces. No es suficiente. Un aleatorizador serio debería disponer de un pool de salida de miles de opciones, donde un artista concreto rara vez se repita en ejecuciones consecutivas.
En Q2BSTUDIO, empresa de desarrollo de software y aplicaciones a medida, diseñamos soluciones con inteligencia artificial para empresas que combinan muestreo estratificado, agentes IA y orquestación en la nube para lograr diversidad real en generadores, recomendadores y motores de descubrimiento. Si buscas ir más allá del simple ajuste de temperatura, nuestro equipo integra modelos, datos y lógica de negocio en software a medida listo para producción.
Te ayudamos a crear pipelines de IA robustos y auditables, conectados a datos y APIs, y con supervisión de ciberseguridad de extremo a extremo. También integramos estos flujos con servicios cloud aws y azure, cuadros de mando con power bi y servicios inteligencia de negocio, así como automatización de procesos y observabilidad.
Descubre cómo aplicamos ia para empresas en nuestra página de inteligencia artificial, o consulta cómo industrializar tus flujos con automatización de procesos para llevar tus aleatorizadores y sistemas de recomendación del prototipo a producción.