Según MarkTechPost (AI/ML News), un enfoque innovador en inteligencia artificial permite mejorar la capacidad de modelos lingüísticos para resolver problemas aritméticos mediante la evolución de prompts. Este método, conocido como GEPA, se basa en una estructura de retroalimentación iterativa que permite al sistema aprender de sus errores y ajustar sus instrucciones de forma progresiva. El proceso comienza con un prompt inicial débil, que luego es sometido a una evaluación sistemática usando un conjunto de datos determinístico. Este conjunto incluye escenarios específicos como descuentos, viajes, gestión de bolsillos y cadenas de precios, generados con valores numéricos predefinidos entre 40 y 120 unidades, y cantidades de 5 a 10 artículos. Cada problema se configura con descuentos variables del 10 al 50 por ciento, asegurando una diversidad de casos sin introducir incertidumbre.
La estrategia se desarrolla en múltiples capas: primero se define un modelo de tareas que resuelve el problema, y un modelo de reflexión que analiza el resultado y ofrece retroalimentación estructurada. Esta retroalimentación se utiliza para modificar el prompt de forma que mejore la precisión en futuras ejecuciones. La optimización se lleva a cabo en un entorno controlado, donde se establece un límite de 100 llamadas a métricas, lo que garantiza que el proceso no se extienda innecesariamente. Además, el sistema emplea un diseño de prompts compuestos, en el que tanto la instrucción como las reglas de formato de salida se ajustan simultáneamente, lo que permite una coherencia mayor en las respuestas generadas.
El resultado se evalúa en un conjunto de validación independiente, donde se compara el rendimiento del prompt original con el resultado tras la optimización. Los datos muestran una mejora significativa en la precisión, especialmente en problemas que requieren comprensión de contextos complejos o múltiples pasos. Este tipo de avance no solo refuerza la capacidad de los modelos para operar en entornos reales, sino que también ofrece una metodología replicable para aplicaciones en educación, finanzas o gestión de operaciones.
Para el lector peruano, este desarrollo tiene implicaciones directas en el acceso a herramientas de apoyo en educación y gestión financiera. En un contexto donde muchos estudiantes enfrentan dificultades para interpretar problemas matemáticos en contextos cotidianos —como calcular descuentos en compras o gestionar gastos mensuales—, soluciones basadas en inteligencia artificial pueden convertirse en recursos clave. Además, en el ámbito de inversiones, donde la capacidad de interpretar datos y relaciones numéricas es fundamental, estos avances permiten desarrollar asistentes más precisos que ayuden a tomar decisiones informadas. Así, la integración de tecnologías como GEPA no solo es una cuestión técnica, sino una oportunidad para democratizar el acceso a conocimientos cuantitativos.