3 mejores prácticas para escribir evaluaciones de IA: 1. Equilibrar velocidad y rigor Comienza con una docena de casos de prueba y itera a partir de ahí. No construyas cientos cuando aún estás haciendo cambios importantes en los prompts. Identifica y corrige los mayores modos de fallo, luego expande la cobertura. 2. Obsérvate sobre los criterios de evaluación y las etiquetas manuales Tus criterios de evaluación y el conjunto de datos dorado son la base de todo lo demás. No hay forma de evitar hacer este trabajo manual en hojas de cálculo: obsérvate en hacer que tus etiquetas humanas sean buenas. 3. No escales el juez LLM prematuramente Apunta a un ~80% de alineación entre tu juez LLM y los etiquetadores humanos antes de escalar. Audita los resultados regularmente: no asumas que siempre está correcto. Mañana, compartiré una guía para principiantes sobre evaluaciones de IA que explica un ejemplo paso a paso que cualquiera puede seguir. 📌 Regístrate para recibirlo en tu bandeja de entrada: (P.D. Así es como imagino que se ve un juez LLM)