Módulo 14
Ingeniería de optimización con DSPy y búsqueda multiobjetivo
- Fase del proceso:
- Mejorar
- Nivel de competencia:
- Arquitectura
- Tiempo estimado:
- 10-12 horas
- Requisitos previos:
- Seguridad de la IA, red teaming y arquitectura de seguridad
Optimiza solo cuando ya tienes una medición. Aquí usas el análisis de errores, las abstracciones de programa de DSPy, MIPROv2, GEPA, el enrutamiento entre modelos y el razonamiento de Pareto, y aprendes a protegerte del sobreajuste y de los candidatos que hacen trampa con el objetivo.
Al terminar este módulo sabrás
- Crear una línea base y diagnosticar las clases de fallo antes de optimizar.
- Usar firmas y módulos de DSPy, y al menos un optimizador, en una tarea ya medida.
- Comparar la búsqueda bayesiana de instrucciones y ejemplos al estilo de MIPROv2 con la evolución reflexiva de prompts al estilo de GEPA.
- Evaluar los programas optimizados con datos reservados y frente a los objetivos de calidad, costo y latencia.
Qué vas a producir: Informe de optimización y programa o prompt compilado: Las divisiones, la línea base, el registro de la optimización, la comparación de Pareto y el programa elegido con sus resultados en datos reservados. Se guarda en tu Cuaderno de Ingeniería como evidencia de lo que sabes hacer.
Lecciones
14.1 La optimización empieza por el análisis de errores
Agrupa los fallos por su causa raíz y corrígelos en la capa que corresponde.
Punto de práctica: Etiqueta 40 trazas de fallos y decide en qué capa hay que intervenir en cada caso.
14.2 Programas y métricas de DSPy
Firmas, módulos, métricas, divisiones de entrenamiento, desarrollo y prueba, y la compilación como proceso reproducible.
Punto de práctica: Convierte un pipeline escrito a mano en un pequeño programa de DSPy.
14.3 MIPROv2
Generación conjunta de candidatos de instrucciones y de ejemplos few-shot, con optimización bayesiana para elegir entre ellos.
Punto de práctica: Optimiza un clasificador o un extractor y compáralo con la línea base manual.
14.4 GEPA y la evolución reflexiva de prompts
Las trayectorias de ejecución y la retroalimentación en texto proponen cambios concretos, mientras se mantiene un conjunto de Pareto.
Punto de práctica: Haz un pequeño experimento con GEPA sobre fallos con retroalimentación abundante y examina las instrucciones que van evolucionando.
14.5 Optimización multiobjetivo y sobreajuste
Los compromisos entre calidad, costo y latencia, las filas protegidas de gravedad alta y el rechazo de los candidatos que hacen trampa con la métrica.
Punto de práctica: Construye una frontera de Pareto y elige, con restricciones explícitas, el candidato que irá a producción.
Laboratorio: Optimiza un pipeline ya medido
Estableces la línea base, divides los datos, ejecutas un optimizador ligero y comparas las métricas.
Se ejecuta en Google Colab: sin instalar nada y sin API key.
Ver el notebook en Colab (se abre en una pestaña nueva)Reto de ingeniería
Mejora la calidad medida en datos reservados en un margen definido, sin incumplir las restricciones de costo y latencia ni las de seguridad de gravedad alta.
Artefacto: Informe de optimización y programa o prompt compilado
Control de competencia
Mejora en datos reservados; ninguna regresión en los casos protegidos.
- OPT-01 Existe una división en entrenamiento, desarrollo y prueba
- OPT-02 La línea base queda registrada
- OPT-03 Se conserva el registro de la optimización
- OPT-04 El conjunto de prueba reservado no se usa para ajustar (crítico)
- OPT-05 Se produce una comparación de Pareto
- OPT-06 Mejora en datos reservados sin regresión en los casos protegidos (crítico)
Referencias
- [R10]DSPy - MIPROv2 (se abre en una pestaña nueva): DSPy; revisado el 2026-09-28
- [R11]DSPy - GEPA (se abre en una pestaña nueva): DSPy; revisado el 2026-09-28
- [R18]Enterprise Prompt and Context Engineering: An Engineering Design Process Curriculum for Foundation Model Systems (2026 Edition): User research (source document supplied to this project); revisado el 2026-09-28