Entender

Qué es: Imagina la bandeja de entrada de un equipo de cursos. Un mensaje pide una nueva contraseña, otro quiere saber el precio y un tercero cuestiona un cobro. Antes de redactar una respuesta, el equipo necesita decidir a quién se envía cada solicitud. Esa elección tiene pocas alternativas conocidas y puede estudiarse por separado de la redacción de la respuesta.

Por qué aprender: Elegir entre una regla, una decisión estructurada y una respuesta generativa.

Conceptos clave: contexto, criterios y evidencia aplicados a la clase 1.1.

Qué es: Una decisión depende de tres elementos. El contexto contiene el material a evaluar. La pregunta declara exactamente el juicio deseado. Las opciones delimitan las respuestas que el sistema sabe interpretar. Si alguno de ellos está mal definido, la salida puede ser válida en el formato y útil en la operación.

Por qué aprender: Elegir entre una regla, una decisión estructurada y una respuesta generativa.

Conceptos clave: contexto, criterios y evidencia aplicados a la clase 1.2.

Qué es: Un anuncio puede mostrar una gran diferencia de velocidad entre dos sistemas. Para entender el número, necesitamos saber qué tarea se usó, cuánto contexto entró, qué modelo se comparó, qué configuración tenía y qué cuenta como respuesta correcta. Un máximo observado no se convierte en una ventaja fija en cualquier uso.

Por qué aprender: Elegir entre una regla, una decisión estructurada y una respuesta generativa.

Conceptos clave: contexto, criterios y evidencia aplicados a la clase 1.3.

Qué es: Choice sirve para elegir entre alternativas descritas previamente. En una clasificación, las opciones pueden representar equipos. Los nombres deben ser estables para el código y los criterios deben ser comprensibles para quienes etiquetan ejemplos. No basta con escribir una lista de palabras vagas: “financiero” y “administrativo” pueden solaparse si no se explican los límites.

Por qué aprender: Distinguir Choice, Noul y Score según el tipo de respuesta necesaria.

Conceptos clave: contexto, criterios y evidencia aplicados a la clase 2.1.

Qué es: Noul responde a una pregunta binaria con un número entre cero y uno. El valor representa la probabilidad de “sí” según el modelo. Cerca de uno apunta a sí; cerca de cero apunta a no. El valor intermedio no representa una intensidad intermedia del tema: indica que las alternativas no están bien separadas.

Por qué aprender: Distinguir Choice, Noul y Score según el tipo de respuesta necesaria.

Conceptos clave: contexto, criterios y evidencia aplicados a la clase 2.2.

Qué es: Score es adecuado cuando existe una escala con descripciones. “¿Cómo está la prioridad?” solo funciona bien si cada nivel tiene un significado operativo. Baja puede significar duda sin bloqueo; media, dificultad con una alternativa para rodear; alta, bloqueo del trabajo sin alternativa. El objetivo es que la rúbrica sea revisable por personas.

Por qué aprender: Distinguir Choice, Noul y Score según el tipo de respuesta necesaria.

Conceptos clave: contexto, criterios y evidencia aplicados a la clase 2.3.

Qué es: En Choice, la distribución informa un valor para cada alternativa. El campo confidence resume una propiedad de esa distribución según la implementación del proveedor. No asumimos que sea igual a la mayor probabilidad. Al registrar un resultado, guardamos ambos campos con nombres distintos.

Por qué aprender: Usar la incertidumbre sin transformarla en autorización automática.

Conceptos clave: contexto, criterios y evidencia aplicados a la clase 3.1.

Qué es: Crea un caso ficticio: la persona escribe “no quiero cancelar; solo necesito cambiar la fecha”. El modelo elige cancelar con probabilidad alta. La salida es estructuralmente válida, pero la interpretación falló en la negación. Este ejemplo no necesita ser un benchmark real para revelar una falla de arquitectura: ejecutar una acción irreversible solo porque el número es alto.

Por qué aprender: Usar la incertidumbre sin transformarla en autorización automática.

Conceptos clave: contexto, criterios y evidencia aplicados a la clase 3.2.

Qué es: El siguiente paso depende tanto de la incertidumbre como del costo de equivocarse. Mostrar una fila sugerida y borrar una cuenta tienen consecuencias diferentes. No existe un umbral universal que haga que ambas acciones sean equivalentes. El proyecto debe definir qué acciones son reversibles, cuáles requieren confirmación y cuáles quedan solo para personas autorizadas.

Por qué aprender: Usar la incertidumbre sin transformarla en autorización automática.

Conceptos clave: contexto, criterios y evidencia aplicados a la clase 3.3.

Qué es: Una tarifa por millón de tokens necesita convertirse antes de multiplicarse por el volumen de llamadas. En la referencia de precio consultada el 18/09/2026, la entrada de Jev cuesta US$ 0,042 por millón. Para 10.000 tokens totales de entrada, dividimos 10.000 entre un millón y multiplicamos por 0,042. El resultado es US$ 0,00042.

Por qué aprender: Calcular la viabilidad incluyendo el trabajo que ocurre después del modelo.

Conceptos clave: contexto, criterios y evidencia aplicados a la clase 4.1.

Qué es: Una llamada barata no garantiza un proceso barato. Después de la clasificación puede haber un modelo generativo, revisión humana, extracción de texto, almacenamiento y reprocesos. Si el error envía una solicitud al equipo equivocado, el costo real incluye el tiempo de corregir el reenvío.

Por qué aprender: Calcular la viabilidad incluyendo el trabajo que ocurre después del modelo.

Conceptos clave: contexto, criterios y evidencia aplicados a la clase 4.2.

Qué es: Un primer piloto debe responder una pregunta de negocio pequeña y verificable. “Automatizar toda la empresa” no ofrece un criterio de finalización. “Sugerir la fila de tickets en portugués sin aumentar los reprocesos” permite reunir ejemplos, revisar los resultados y decidir si vale la pena avanzar.

Por qué aprender: Calcular la viabilidad incluyendo el trabajo que ocurre después del modelo.

Conceptos clave: contexto, criterios y evidencia aplicados a la clase 4.3.