Contexto
GEMF usó Gemini offline para producir una representación estructurada del contenido visual y pragmático de los memes. El clasificador supervisado consumió después ese artefacto junto a otras modalidades.
El diseño facilita congelar entradas y repetir el entrenamiento, pero mantiene una dependencia: cambiar el modelo, el prompt o la política del proveedor cambia el dataset derivado.
Ejemplo didáctico · situación inventada
El enriquecimiento cambió entre dos entrenamientos
Se repite un entrenamiento con el mismo clasificador, pero parte de las descripciones auxiliares se ha regenerado con otra versión del intérprete multimodal.
Qué decisión cambia. Trata la nueva colección de descripciones como una versión diferente del dataset. Compara ambos artefactos antes de atribuir la variación al clasificador; guardar solo su código no reproduce todo el experimento.
Qué comprobar antes de empezar
- Versión del modelo, prompt, parámetros y fecha de generación.
- Tasa de fallos, contenido bloqueado y salidas inválidas.
- Información añadida, omitida o inventada por el mediador.
- Ganancia frente a OCR, visión o texto sin enriquecer.
- Licencia, privacidad, coste y posibilidad de regenerar el artefacto.
Método de trabajo
Definir el esquema
La salida tiene campos, valores permitidos y validaciones independientes del texto libre.
Congelar la generación
Prompt, modelo, respuestas y errores se versionan antes de entrenar el clasificador.
Comparar sin enriquecimiento
Comparamos con sistemas de referencia que no reciben el enriquecimiento semántico. El resto de la configuración debe mantenerse para no atribuir a ese cambio el efecto de otro.
Auditar ejemplos
Revisamos una muestra de aciertos, fallos, alucinaciones y contenido no procesado.
Señales para detener la prueba
- Las salidas auxiliares se usan como etiquetas verdaderas.
- El artefacto no puede regenerarse con una configuración identificable.
- La mejora desaparece al retirar información que filtra la etiqueta.
- El coste, la política o la latencia impiden mantener la modalidad.
Fuentes
Para seguir con esta decisión
- ¿Cuándo necesita un problema un modelo temporal o un grafo?
- ¿Qué debe demostrar un piloto de IA en una administración pública?
- ¿Cuándo ayuda Edge AI a la privacidad por diseño?
Servicio de I+D en inteligencia artificial: alcance y entregables
Publicado por Ordantis el .