Reducir las alucinaciones

Incluso los modelos de lenguaje más avanzados, como Claude, pueden a veces generar texto que es factualmente incorrecto o inconsistente con el contexto dado. Este fenómeno, conocido como “alucinación”, puede socavar la fiabilidad de sus soluciones impulsadas por IA. Esta guía explorará técnicas para minimizar las alucinaciones y asegurar que las salidas de Claude sean precisas y confiables.

​

Estrategias básicas para minimizar las alucinaciones

• Permitir que Claude diga “No lo sé”: Dar explícitamente permiso a Claude para admitir incertidumbre. Esta simple técnica puede reducir drásticamente la información falsa.

• Usar citas directas para fundamentación factual: Para tareas que involucran documentos largos (>20K tokens), pide a Claude que extraiga citas textuales primero antes de realizar su tarea. Esto fundamenta sus respuestas en el texto real, reduciendo las alucinaciones.

• Verificar con citaciones: Haz que la respuesta de Claude sea auditable haciendo que cite frases y fuentes para cada una de sus afirmaciones. También puedes hacer que Claude verifique cada afirmación encontrando una cita de respaldo después de generar una respuesta. Si no puede encontrar una cita, debe retractar la afirmación.

​

Técnicas avanzadas

• Verificación de cadena de pensamiento: Pide a Claude que explique su razonamiento paso a paso antes de dar una respuesta final. Esto puede revelar lógica o suposiciones defectuosas.

• Verificación mejor de N: Ejecuta Claude con el mismo prompt múltiples veces y compara las salidas. Las inconsistencias entre las salidas podrían indicar alucinaciones.

• Refinamiento iterativo: Usa las salidas de Claude como entradas para prompts de seguimiento, pidiéndole que verifique o expanda declaraciones previas. Esto puede detectar y corregir inconsistencias.

• Restricción de conocimiento externo: Instruye explícitamente a Claude para que use solo información de los documentos proporcionados y no su conocimiento general.