La inteligencia artificial ya dejó de ser el «juguete nuevo» para convertirse en una herramienta de uso cotidiano para quienes trabajamos con datos. Ya sea que necesitemos una consulta en SQL medio complicada, una transformación en Python o un análisis exploratorio, la IA nos lo entrega en cuestión de segundos. El problema es que la calidad de ese entregable depende en gran medida de cómo formulamos el pedido.
La IA rara vez admite que no puede responder adecuadamente a un prompt. Tampoco cuestiona la calidad o la facilidad de comprensión de los prompts que le enviamos. En vez de eso, siempre nos da alguna respuesta, aunque la pregunta sea confusa o esté mal formulada. Esa respuesta será código y análisis elegantes, código que funciona, pero que posiblemente no haga las cosas bien.
Puede ocurrir que arrastre supuestos incorrectos, que incluya joins dudosos o que haga interpretaciones débiles, todo lo cual incrementará la necesidad de validación de los resultados. Con un prompt adecuado y bien pensado, no eliminaremos la fase de validación, pero reduciremos mucho el esfuerzo requerido para asegurar la fiabilidad de los resultados.
Este artículo forma parte de la serie sobre ciencia de datos en la era de la IA. Aquí nos enfocamos en una habilidad práctica: cómo obtener de la IA mejores análisis y mejor código, constituyendo un complemento para el artículo sobre cómo validar el trabajo de la IA.
