Esta semana me encontré con lo mismo mientras experimentaba con @OpenGradient .

No fue la salida lo que captó mi atención. Fue cuántas veces dejé de intentar "arreglar" la respuesta y empecé a revisar cómo se produjo la respuesta.

Con la mayoría de las herramientas de IA, si algo se siente un poco raro, básicamente estás adivinando. Reescribes el prompt, cambias algunas palabras, le das a regenerar y esperas un mejor resultado. He hecho eso más veces de las que me gustaría admitir 😅

OpenGradient cambió un poco ese hábito para mí.

Lo extraño es que más visibilidad no me hizo confiar más en el modelo. De hecho, me hizo cuestionarlo más. Un par de veces seguí el camino de razonamiento y encontré suposiciones que parecían inestables, a pesar de que la respuesta final sonaba completamente segura.

Normalmente, probablemente habría aceptado esas respuestas y seguir adelante.

Eso es lo que se siente diferente en toda la conversación sobre la "caja negra de IA". La gente habla de la transparencia como si fuera principalmente una característica de confianza. Después de usar algo donde puedes inspeccionar más de lo que está sucediendo, se siente mucho más cerca de una característica de depuración.

Noté que pasaba menos tiempo ajustando el prompt y más tiempo verificando si la lógica del modelo realmente se sostenía.
No todas las respuestas mejoraron.

Simplemente me volví mucho menos cómodo aceptando una respuesta porque sonaba convincente, lo cual probablemente no es la dirección que la mayoría de los productos de IA esperaban que los usuarios tomaran.
$OPG
#OPG
#SKHynixADRListing #OilErasesGains
$NVDAB $TRX