{"id":33987,"date":"2025-07-29T10:23:17","date_gmt":"2025-07-29T13:23:17","guid":{"rendered":"https:\/\/building.nubank.com\/?p=33987"},"modified":"2025-07-29T10:28:33","modified_gmt":"2025-07-29T13:28:33","slug":"optimizando-narrativas-usuario-modelos-fundacionales","status":"publish","type":"post","link":"https:\/\/building.nubank.com\/es\/optimizando-narrativas-usuario-modelos-fundacionales\/","title":{"rendered":"Optimizando Narrativas de Usuario para Modelos Fundacionales"},"content":{"rendered":"\n

Autor: Taylor Foust<\/a><\/em><\/p>\n\n\n\n

Este trabajo es el resultado de un esfuerzo colaborativo de muchos ingenieros de Nubank (en orden alfab\u00e9tico): Austin McEver, Brayan Garzon, Daniel Braithwait, F\u00e1bio Souza, Gabriel Gandour, Gustavo Vieira, Helder Dias, Hiroto Udagawa, Jos\u00e9 Mora, Lucas Costa, Marcelo Buga, Matheus Ramos, Neriton Tolentino y Stelios Karvanis. Tambi\u00e9n agradecemos a Rohan Ramanath, Daniel Silva y Guilherme Tanure por su apoyo.<\/em><\/p>\n\n\n\n

\n\n\n\n

<\/p>\n\n\n\n

Introducci\u00f3n<\/h2>\n\n\n\n

En publicaciones anteriores de nuestro blog, presentamos el concepto de c\u00f3mo Nubank utiliza modelos fundacionales para aprender representaciones \u00f3ptimas de caracter\u00edsticas en tareas predictivas. En particular, demostramos c\u00f3mo los datos de transacciones bancarias pueden representarse como una secuencia de tokens construidos a partir de atributos de la transacci\u00f3n (por ejemplo: fecha, monto, descripci\u00f3n). Las transacciones se combinan con otros eventos e informaci\u00f3n de contexto para formar una representaci\u00f3n del usuario (o narrativa), que luego es tokenizada y enviada a nuestros modelos fundacionales. Estos modelos convierten la secuencia de tokens en representaciones \u00f3ptimas para sus tareas de aprendizaje. Estas narrativas de usuario no son fijas: es necesario decidir qu\u00e9 informaci\u00f3n incluir y c\u00f3mo representarla de la manera m\u00e1s \u00fatil para los modelos.<\/p>\n\n\n\n

En el resto de esta publicaci\u00f3n, mostramos que construir estas narrativas puede considerarse como una b\u00fasqueda de hiperpar\u00e1metros en dos dimensiones principales: qu\u00e9 fuentes de informaci\u00f3n incluir y c\u00f3mo representar los eventos que componen cada fuente. Presentamos nuestro enfoque experimental para explorar este espacio de hiperpar\u00e1metros, y mostramos c\u00f3mo este proceso reduce significativamente el esfuerzo necesario para incorporar nuevas fuentes de datos, elimina la necesidad de suposiciones y mejora el rendimiento de los modelos.<\/p>\n\n\n\n

Incluir una transacci\u00f3n en una narrativa de usuario: \u00bfc\u00f3mo representamos una transacci\u00f3n?<\/h2>\n\n\n\n

Presentemos el proceso con un ejemplo sencillo: una persona realiza una compra con tarjeta de cr\u00e9dito. En su forma m\u00e1s simple, podr\u00edamos representar este evento con un \u00fanico token, como <compra-tarjeta-credito>, pero la historia completa incluye mucho m\u00e1s.<\/p>\n\n\n\n

\"\"\/
Figura 1<\/figcaption><\/figure>\n\n\n\n

\u00bfCu\u00e1ndo se realiz\u00f3 la compra? \u00bfCon qu\u00e9 comercio? \u00bfFue una compra presencial o en l\u00ednea? \u00bfCu\u00e1nto dinero se gast\u00f3? \u00bfLa compra fue aprobada? Si fue rechazada, \u00bfcu\u00e1l fue la raz\u00f3n? \u00bfCu\u00e1l era el saldo de la cuenta despu\u00e9s de la compra?<\/p>\n\n\n\n

Intuitivamente, podr\u00edamos pensar que usar la mayor cantidad posible de informaci\u00f3n en la representaci\u00f3n de una transacci\u00f3n llevar\u00eda al mejor desempe\u00f1o del modelo \u2013 el modelo podr\u00eda simplemente aprender a ignorar lo irrelevante. Sin embargo, nuestros experimentos muestran que agregar m\u00e1s tokens (incluso aquellos que parecen informativos) no siempre mejora el rendimiento del modelo.<\/p>\n\n\n\n

Nuestros modelos, como todas las arquitecturas basadas en transformers, tienen una longitud de contexto limitada, debido al escalamiento cuadr\u00e1tico de la atenci\u00f3n \u2013 incluso cuando usamos algoritmos eficientes como FlashAttention<\/a>. Esto significa que, cuando la ventana de contexto est\u00e1 llena, cualquier informaci\u00f3n adicional har\u00e1 que otra informaci\u00f3n sea desplazada. Por eso, cada token debe justificar su presencia: debe aportar informaci\u00f3n \u00fatil para la tarea de modelado y no repetir lo que j\u00e1 est\u00e1 representado en otros tokens. En cierto sentido, podemos pensar en este proceso como editar un documento de usuario: asegur\u00e1ndonos de que el lenguaje sea conciso y que solo conservemos lo esencial.<\/p>\n\n\n\n

\"\"\/
Figura 2<\/figcaption><\/figure>\n\n\n\n

Optimizando Representaciones de Transacciones<\/h2>\n\n\n\n

Nuestro objetivo al crear documentos de usuario es doble: incluir la mayor cantidad de informaci\u00f3n \u00fatil posible y representar esa informaci\u00f3n con la menor cantidad de tokens posible. Entonces, \u00bfc\u00f3mo sabemos si vale la pena incluir un token determinado? Determinamos la efectividad de la selecci\u00f3n de tokens mediante experimentaci\u00f3n y pruebas emp\u00edricas con m\u00e9tricas de evaluaci\u00f3n offline.<\/p>\n\n\n\n

Para ilustrar este proceso, consideremos el siguiente ejemplo de usuario: abc-123. Esta persona tiene cuatro transacciones: una transferencia recibida y tres compras con tarjeta de cr\u00e9dito. Estas transacciones se muestran en la Figura 3 a continuaci\u00f3n:<\/p>\n\n\n\n

\"\"\/
Figura 3: transacciones de ejemplo para el usuario abc-123<\/figcaption><\/figure>\n\n\n\n

Para cada una de estas transacciones, hay varios atributos que pueden ser \u00fatiles para nuestros modelos: el monto, la fecha (a\u00f1o, d\u00eda, d\u00eda de la semana, mes, etc.), el estado de la transacci\u00f3n, la fuente, la descripci\u00f3n, el motivo de rechazo (si corresponde) y el modo de entrada (c\u00f3mo se realiz\u00f3 la transacci\u00f3n). Para cada uno de estos atributos, creamos m\u00f3dulos de preprocesamiento que agregan los tokens necesarios a la representaci\u00f3n de la transacci\u00f3n. Muchos de estos m\u00f3dulos agregan tokens especiales (rangos de monto, si fue pago o recepci\u00f3n, atributos de fecha, estado de la transacci\u00f3n), mientras que otros (como la descripci\u00f3n) se env\u00edan como texto sin procesar al tokenizador y se tokenizan con el algoritmo BPE.<\/p>\n\n\n\n

En este experimento, generamos varios m\u00f3dulos de preprocesamiento: amount, date, description, source, status, denial_reason y entry_mode<\/strong>, que, al seleccionarse, alteran la representaci\u00f3n de las transacciones que se env\u00edan al modelo. Luego podemos seleccionar cualquier combinaci\u00f3n de estos m\u00f3dulos al inicializar el modelo, entrenarlo y generar m\u00e9tricas de evaluaci\u00f3n en un conjunto de prueba.<\/p>\n\n\n\n

En la prueba 1, inicializamos el modelo con pre_processors = [amount, date, description]. <\/strong>Una versi\u00f3n tokenizada de la transacci\u00f3n 4 aparece en la Figura 4, con el texto representado por cada token entre corchetes angulares.<\/p>\n\n\n\n

\"\"\/
Figura 4<\/figcaption><\/figure>\n\n\n\n

En la prueba 2,  pre_processors = [amount<\/strong>, date<\/strong>, description, source]<\/strong>.  La representaci\u00f3n cambia a:<\/p>\n\n\n\n

\"\"\/
Figura 5<\/figcaption><\/figure>\n\n\n\n

En la prueba  3,  pre_processors = [amount<\/strong>, date<\/strong>, description, status]<\/strong>:<\/p>\n\n\n\n

\"\"\/
Figura 6<\/figcaption><\/figure>\n\n\n\n

En la prueba  4,  pre_processors = [amount<\/strong>, date<\/strong>, description, entry_mode]<\/strong>:<\/p>\n\n\n\n

\"\"\/
Figura 7<\/figcaption><\/figure>\n\n\n\n

En la prueba 5,   pre_processors = [amount<\/strong>, date<\/strong>, description, denial_reason]<\/strong>:<\/p>\n\n\n\n

\"\"\/
Figura 8<\/figcaption><\/figure>\n\n\n\n

En la prueba  6,   pre_processors = [amount<\/strong>, date<\/strong>, description, status, denial_reason]<\/strong>:<\/p>\n\n\n\n

\"\"\/
Figura 9<\/figcaption><\/figure>\n\n\n\n

Entrenamos los modelos y evaluamos el rendimiento en nuestro conjunto de validaci\u00f3n. Existen muchas m\u00e1s combinaciones posibles adem\u00e1s de las que mostramos aqu\u00ed. Resultados de ejemplo se ilustran en la Figura 10 a continuaci\u00f3n:<\/p>\n\n\n\n

\"\"
Figura 10<\/figcaption><\/figure>\n\n\n\n

Aunque limitado en alcance con fines ilustrativos, este experimento nos permiti\u00f3 encontrar una forma optimizada de representar transacciones \u2014 un componente clave de la narrativa de usuario. Primero, creamos preprocesadores reutilizables que convierten atributos de transacciones en tokens, y luego realizamos una b\u00fasqueda de hiperpar\u00e1metros para determinar la combinaci\u00f3n \u00f3ptima de estos preprocesadores. En este caso, descubrimos que incluir m\u00e1s informaci\u00f3n no siempre mejora el rendimiento: en algunos casos, la inclusi\u00f3n de ciertos preprocesadores (o sus combinaciones) puede degradar el desempe\u00f1o, a menudo debido a la ventana de contexto limitada del modelo.<\/p>\n\n\n\n

\u00bfQu\u00e9 fuentes de informaci\u00f3n incluir?<\/h2>\n\n\n\n

En los ejemplos anteriores, solo hablamos de fuentes de datos de transferencias y compras con tarjeta de cr\u00e9dito, pero Nubank cuenta con muchas m\u00e1s fuentes de transacciones, adem\u00e1s de otras que no son transaccionales. Al evaluar nuevas fuentes de datos, aplicamos el mismo enfoque experimental para asegurarnos de que la informaci\u00f3n adicional enriquece las representaciones de usuario y mejora nuestros indicadores de desempe\u00f1o. Sin embargo, en algunas fuentes, ciertos tokens pueden no ser \u00fatiles, y otras pueden requerir la incorporaci\u00f3n de nuevos tokens. Por eso, dise\u00f1amos nuestro framework para que cada fuente pueda utilizar una l\u00f3gica de preprocesamiento independiente.<\/p>\n\n\n\n

Las Caixinhas de Nubank son cuentas de inversi\u00f3n donde las personas pueden asignar fondos a productos de inversi\u00f3n seg\u00fan sus preferencias \u2014 normalmente con un objetivo de ahorro espec\u00edfico. La estructura de estas transacciones es similar a la que ya exploramos con transferencias y tarjetas de cr\u00e9dito: vemos montos entrando y saliendo, y usualmente la descripci\u00f3n corresponde a la meta de ahorro indicada por el usuario. Un ejemplo de estos datos se muestra en la Figura 11 a continuaci\u00f3n.<\/p>\n\n\n\n

\"\"\/
Figura 11<\/figcaption><\/figure>\n\n\n\n

Usar los mismos m\u00f3dulos de preprocesamiento que aplicamos a las fuentes de transacciones anteriores permite capturar una buena cantidad de informaci\u00f3n (como monto, fecha, descripci\u00f3n, origen y estado). Sin embargo, hay algunos campos adicionales que son \u00fanicos de las transacciones de Caixinhas y que tambi\u00e9n pueden ser \u00fatiles: transaction_type, investment_type y account_balance<\/strong>. Podemos crear nuevos m\u00f3dulos que procesen esta informaci\u00f3n en tokens especiales y probar la inclusi\u00f3n de la fuente de Caixinhas tanto con los preprocesadores est\u00e1ndar como con los nuevos m\u00f3dulos.<\/p>\n\n\n\n

Realizar estos experimentos es pr\u00e1cticamente igual a las pruebas que mostramos anteriormente \u2014 con la diferencia de que ahora se especifica un conjunto de datos que contiene transacciones de Caixinhas y se activan los nuevos preprocesadores dise\u00f1ados para estas transacciones. As\u00ed, podemos definir las siguientes pruebas adicionales:<\/p>\n\n\n\n

Prueba 7: pre_processors = [amount<\/strong>, date<\/strong>, description, status, denial_reason<\/strong>], dataset=\u201dtransactions_with_money_box\u201d<\/p>\n\n\n\n

Prueba 8: pre_processors = [amount<\/strong>, date<\/strong>, description, status, denial_reason<\/strong>], dataset=\u201dtransactions_with_money_box\u201d, pre_processor_overrides={\u201cMONEY BOX\u201d: [amount, date, description, status, transaction_type, investment_type, account_balance<\/strong>]}<\/p>\n\n\n\n

En la prueba 8, agregar\u00edamos al documento de usuario una entrada como la siguiente:<\/p>\n\n\n\n

\"\"\/
Figura 12<\/figcaption><\/figure>\n\n\n\n

De manera similar, en las transacciones relacionadas con pr\u00e9stamos existen varios atributos adicionales que pasamos al modelo y que no son relevantes para las otras fuentes que mencionamos hasta ahora. Los pr\u00e9stamos tienen tasas de inter\u00e9s asociadas, saldos pendientes, n\u00famero de cuotas pagadas, entre otros. Para aprovechar esta informaci\u00f3n valiosa sin llenar la ventana de contexto con tokens irrelevantes para otras fuentes, permitimos que cada fuente extraiga solo los tokens que necesita.<\/p>\n\n\n\n

Para representar un pago de pr\u00e9stamo incluyendo los preprocesadores interest_rate, number_of_payments_made y remaining_balance,<\/strong> la transacci\u00f3n podr\u00eda verse de la siguiente manera:<\/p>\n\n\n\n

\"\"\/
Figura 13<\/figcaption><\/figure>\n\n\n\n

Tambi\u00e9n incorporamos una variedad de otras fuentes de datos que son a\u00fan m\u00e1s diferentes de las transacciones tradicionales. Por ejemplo, en nuestros modelos fundacionales de Brasil, integramos datos del Sistema de Informaci\u00f3n Crediticia (SCR)<\/a>. Estos datos son completamente distintos de las transacciones y toman la forma de actualizaciones mensuales de m\u00e9tricas relacionadas con el cr\u00e9dito de los usuarios. Esta informaci\u00f3n puede aportar visibilidad sobre el historial financiero de los usuarios antes de unirse a Nubank, y ofrecer una visi\u00f3n de su vida financiera fuera de Nubank. Esto ayuda a garantizar que nuestros modelos funcionen de manera robusta tanto para nuevos clientes como para aquellos que utilizan los servicios de Nubank con menor frecuencia. Despu\u00e9s del preprocesamiento, estos datos pueden tener un formato similar al de la Figura 14.<\/p>\n\n\n\n

\"\"\/
Figura 14<\/figcaption><\/figure>\n\n\n\n

Tener la flexibilidad de incorporar diferentes formatos de datos f\u00e1cilmente es crucial para acelerar la experimentaci\u00f3n y nos permite cubrir vac\u00edos en la comprensi\u00f3n de nuestros usuarios. Al igual que antes, agregar estas nuevas fuentes al modelo y probar su impacto en el desempe\u00f1o consiste simplemente en crear el m\u00f3dulo de preprocesamiento, seleccionar el conjunto de datos con la nueva fuente disponible y activar el m\u00f3dulo de preprocesamiento. Al optimizar estos hiperpar\u00e1metros, optimizamos la representaci\u00f3n de los usuarios y logramos mejoras en el rendimiento del modelo. En la Figura 15 a continuaci\u00f3n se representa el desempe\u00f1o observado.<\/p>\n\n\n\n

\"\"
Figura 15<\/figcaption><\/figure>\n\n\n\n

Escribiendo Documentos de Usuario<\/h2>\n\n\n\n

Con las fuentes de datos que mencionamos, el documento para nuestro usuario de ejemplo toma una forma similar a la siguiente:<\/p>\n\n\n\n

\"\"\/
Figura 16<\/figcaption><\/figure>\n\n\n\n

Aunque no sea una lectura agradable para una persona, hemos validado a trav\u00e9s de experimentaci\u00f3n que nuestros modelos prefieren esta estructura. Esta representaci\u00f3n permite que nuestros modelos comprendan el recorrido de este usuario, desde antes de que se convirtiera en cliente de Nubank hasta la adopci\u00f3n de varios productos del banco. El modelo puede entender la situaci\u00f3n financiera del usuario, c\u00f3mo ha cambiado a lo largo del tiempo, sus h\u00e1bitos de gasto y ahorro, sus objetivos financieros y dificultades, y los productos de Nubank que utiliza para mejorar su vida. Lo m\u00e1s importante es que nuestro rol no es crear la representaci\u00f3n final de los datos para el modelo, sino presentarlos de manera que el modelo pueda extraer de forma \u00f3ptima la informaci\u00f3n que necesita y construir las caracter\u00edsticas que lo ayuden a cumplir sus objetivos.<\/p>\n\n\n\n

La selecci\u00f3n y representaci\u00f3n de los datos son extremadamente importantes en todas las aplicaciones de aprendizaje autom\u00e1tico, y son una de las partes m\u00e1s laboriosas del proceso. Puede tomar semanas para los profesionales de aprendizaje autom\u00e1tico evaluar una nueva fuente de datos, descubrir c\u00f3mo derivar caracter\u00edsticas tabulares, limpiar y preprocesar estas caracter\u00edsticas y finalmente entrenar un nuevo modelo con esos datos y ejecutar la evaluaci\u00f3n.<\/p>\n\n\n\n

Con los modelos fundacionales en Nubank, hemos simplificado este proceso, transform\u00e1ndolo en una cuesti\u00f3n de mejorar las maneras de escribir documentos de usuario. Como hemos demostrado, a\u00fan hay matices en este proceso y es necesario pensar, pero el proceso es mucho m\u00e1s simple, r\u00e1pido, flexible y proporciona retroalimentaci\u00f3n cuantificable en t\u00e9rminos de rendimiento de la evaluaci\u00f3n del modelo. Podemos pasar de una fuente de datos sin procesar a obtener resultados de prueba en solo unos pocos d\u00edas. Y las representaciones de los datos no tienen que ajustarse a las restricciones t\u00edpicas del aprendizaje autom\u00e1tico tabular. Como investigadores en Nubank, solo tenemos que considerar: \u00bfqu\u00e9 informaci\u00f3n podr\u00eda enriquecer la narrativa que tenemos para este usuario y c\u00f3mo puedo presentar esta informaci\u00f3n a nuestros modelos de manera eficiente y \u00fatil? Luego, presentamos una variedad de opciones y dejamos que el modelo seleccione la representaci\u00f3n que m\u00e1s le guste.<\/p>\n","protected":false},"excerpt":{"rendered":"

Nubank optimiza la representaci\u00f3n de datos para sus modelos de IA, tratando la selecci\u00f3n de informaci\u00f3n y su forma de representaci\u00f3n como una b\u00fasqueda de hiperpar\u00e1metros. Este enfoque reduce el esfuerzo necesario para incorporar nuevos datos y mejora significativamente el rendimiento del modelo.<\/p>\n","protected":false},"author":178110103,"featured_media":33968,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"jetpack_post_was_ever_published":false,"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":true,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[778793308,2509,2508],"tags":[2597,2544,2564,2543,2500],"ppma_author":[2321],"class_list":["post-33987","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-research-es","category-data-analytics-es","category-data-science-machine-learning-es","tag-engineering-culture-es","tag-inteligencia-artificial-es","tag-large-language-models-es","tag-machine-learning-es","tag-software-engineering-es"],"acf":[],"yoast_head":"\nOptimizando Narrativas de Usuario para Modelos Fundacionales - Building Nubank<\/title>\n<meta name=\"description\" content=\"Nubank optimiza la representaci\u00f3n de datos para sus modelos de IA, tratando la selecci\u00f3n de informaci\u00f3n y su forma de representaci\u00f3n como una b\u00fasqueda de hiperpar\u00e1metros. Este enfoque reduce el esfuerzo necesario para incorporar nuevos datos y mejora significativamente el rendimiento del modelo.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/building.nubank.com\/es\/optimizando-narrativas-usuario-modelos-fundacionales\/\" \/>\n<meta property=\"og:locale\" content=\"es_ES\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Optimizando Narrativas de Usuario para Modelos Fundacionales - Building Nubank\" \/>\n<meta property=\"og:description\" content=\"Nubank optimiza la representaci\u00f3n de datos para sus modelos de IA, tratando la selecci\u00f3n de informaci\u00f3n y su forma de representaci\u00f3n como una b\u00fasqueda de hiperpar\u00e1metros. Este enfoque reduce el esfuerzo necesario para incorporar nuevos datos y mejora significativamente el rendimiento del modelo.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/building.nubank.com\/es\/optimizando-narrativas-usuario-modelos-fundacionales\/\" \/>\n<meta property=\"og:site_name\" content=\"Building Nubank\" \/>\n<meta property=\"article:published_time\" content=\"2025-07-29T13:23:17+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2025-07-29T13:28:33+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/building.nubank.com\/wp-content\/uploads\/2025\/07\/image-2-1024x665.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1024\" \/>\n\t<meta property=\"og:image:height\" content=\"665\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Nubank Editorial\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Escrito por\" \/>\n\t<meta name=\"twitter:data1\" content=\"Nubank Editorial\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tiempo de lectura\" \/>\n\t<meta name=\"twitter:data2\" content=\"13 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/optimizando-narrativas-usuario-modelos-fundacionales\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/optimizando-narrativas-usuario-modelos-fundacionales\\\/\"},\"author\":{\"name\":\"Nubank Editorial\",\"@id\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/#\\\/schema\\\/person\\\/462f4f5a8d4ec3ccbc3d661dde00f0a4\"},\"headline\":\"Optimizando Narrativas de Usuario para Modelos Fundacionales\",\"datePublished\":\"2025-07-29T13:23:17+00:00\",\"dateModified\":\"2025-07-29T13:28:33+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/optimizando-narrativas-usuario-modelos-fundacionales\\\/\"},\"wordCount\":2272,\"commentCount\":0,\"image\":{\"@id\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/optimizando-narrativas-usuario-modelos-fundacionales\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/i0.wp.com\\\/building.nubank.com\\\/wp-content\\\/uploads\\\/2025\\\/07\\\/image-2.png?fit=1966%2C1276&ssl=1\",\"keywords\":[\"Engineering culture\",\"inteligencia artificial\",\"large language models\",\"machine learning\",\"Software engineering\"],\"articleSection\":[\"AI Research\",\"Data & Analytics\",\"Data Science & Machine Learning\"],\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/building.nubank.com\\\/es\\\/optimizando-narrativas-usuario-modelos-fundacionales\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/optimizando-narrativas-usuario-modelos-fundacionales\\\/\",\"url\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/optimizando-narrativas-usuario-modelos-fundacionales\\\/\",\"name\":\"Optimizando Narrativas de Usuario para Modelos Fundacionales - Building Nubank\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/optimizando-narrativas-usuario-modelos-fundacionales\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/optimizando-narrativas-usuario-modelos-fundacionales\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/i0.wp.com\\\/building.nubank.com\\\/wp-content\\\/uploads\\\/2025\\\/07\\\/image-2.png?fit=1966%2C1276&ssl=1\",\"datePublished\":\"2025-07-29T13:23:17+00:00\",\"dateModified\":\"2025-07-29T13:28:33+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/#\\\/schema\\\/person\\\/462f4f5a8d4ec3ccbc3d661dde00f0a4\"},\"description\":\"Nubank optimiza la representaci\u00f3n de datos para sus modelos de IA, tratando la selecci\u00f3n de informaci\u00f3n y su forma de representaci\u00f3n como una b\u00fasqueda de hiperpar\u00e1metros. Este enfoque reduce el esfuerzo necesario para incorporar nuevos datos y mejora significativamente el rendimiento del modelo.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/optimizando-narrativas-usuario-modelos-fundacionales\\\/#breadcrumb\"},\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/building.nubank.com\\\/es\\\/optimizando-narrativas-usuario-modelos-fundacionales\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/optimizando-narrativas-usuario-modelos-fundacionales\\\/#primaryimage\",\"url\":\"https:\\\/\\\/i0.wp.com\\\/building.nubank.com\\\/wp-content\\\/uploads\\\/2025\\\/07\\\/image-2.png?fit=1966%2C1276&ssl=1\",\"contentUrl\":\"https:\\\/\\\/i0.wp.com\\\/building.nubank.com\\\/wp-content\\\/uploads\\\/2025\\\/07\\\/image-2.png?fit=1966%2C1276&ssl=1\",\"width\":1966,\"height\":1276},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/optimizando-narrativas-usuario-modelos-fundacionales\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Optimizando Narrativas de Usuario para Modelos Fundacionales\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/#website\",\"url\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/\",\"name\":\"Building Nubank\",\"description\":\"We make the extraordinary happen\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"es\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/#\\\/schema\\\/person\\\/462f4f5a8d4ec3ccbc3d661dde00f0a4\",\"name\":\"Nubank Editorial\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/8c056170dc75ffd365b306a0ac7bea4e51d1cdab52a0c84e6ba0a42f7e2f4633?s=96&d=identicon&r=g0a78bc815f2126d9ba65b2af185671f1\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/8c056170dc75ffd365b306a0ac7bea4e51d1cdab52a0c84e6ba0a42f7e2f4633?s=96&d=identicon&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/8c056170dc75ffd365b306a0ac7bea4e51d1cdab52a0c84e6ba0a42f7e2f4633?s=96&d=identicon&r=g\",\"caption\":\"Nubank Editorial\"},\"url\":\"https:\\\/\\\/building.nubank.com\\\/es\\\/author\\\/editorial\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Optimizando Narrativas de Usuario para Modelos Fundacionales - Building Nubank","description":"Nubank optimiza la representaci\u00f3n de datos para sus modelos de IA, tratando la selecci\u00f3n de informaci\u00f3n y su forma de representaci\u00f3n como una b\u00fasqueda de hiperpar\u00e1metros. Este enfoque reduce el esfuerzo necesario para incorporar nuevos datos y mejora significativamente el rendimiento del modelo.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/building.nubank.com\/es\/optimizando-narrativas-usuario-modelos-fundacionales\/","og_locale":"es_ES","og_type":"article","og_title":"Optimizando Narrativas de Usuario para Modelos Fundacionales - Building Nubank","og_description":"Nubank optimiza la representaci\u00f3n de datos para sus modelos de IA, tratando la selecci\u00f3n de informaci\u00f3n y su forma de representaci\u00f3n como una b\u00fasqueda de hiperpar\u00e1metros. Este enfoque reduce el esfuerzo necesario para incorporar nuevos datos y mejora significativamente el rendimiento del modelo.","og_url":"https:\/\/building.nubank.com\/es\/optimizando-narrativas-usuario-modelos-fundacionales\/","og_site_name":"Building Nubank","article_published_time":"2025-07-29T13:23:17+00:00","article_modified_time":"2025-07-29T13:28:33+00:00","og_image":[{"width":1024,"height":665,"url":"https:\/\/building.nubank.com\/wp-content\/uploads\/2025\/07\/image-2-1024x665.png","type":"image\/png"}],"author":"Nubank Editorial","twitter_card":"summary_large_image","twitter_misc":{"Escrito por":"Nubank Editorial","Tiempo de lectura":"13 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/building.nubank.com\/es\/optimizando-narrativas-usuario-modelos-fundacionales\/#article","isPartOf":{"@id":"https:\/\/building.nubank.com\/es\/optimizando-narrativas-usuario-modelos-fundacionales\/"},"author":{"name":"Nubank Editorial","@id":"https:\/\/building.nubank.com\/es\/#\/schema\/person\/462f4f5a8d4ec3ccbc3d661dde00f0a4"},"headline":"Optimizando Narrativas de Usuario para Modelos Fundacionales","datePublished":"2025-07-29T13:23:17+00:00","dateModified":"2025-07-29T13:28:33+00:00","mainEntityOfPage":{"@id":"https:\/\/building.nubank.com\/es\/optimizando-narrativas-usuario-modelos-fundacionales\/"},"wordCount":2272,"commentCount":0,"image":{"@id":"https:\/\/building.nubank.com\/es\/optimizando-narrativas-usuario-modelos-fundacionales\/#primaryimage"},"thumbnailUrl":"https:\/\/i0.wp.com\/building.nubank.com\/wp-content\/uploads\/2025\/07\/image-2.png?fit=1966%2C1276&ssl=1","keywords":["Engineering culture","inteligencia artificial","large language models","machine learning","Software engineering"],"articleSection":["AI Research","Data & Analytics","Data Science & Machine Learning"],"inLanguage":"es","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/building.nubank.com\/es\/optimizando-narrativas-usuario-modelos-fundacionales\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/building.nubank.com\/es\/optimizando-narrativas-usuario-modelos-fundacionales\/","url":"https:\/\/building.nubank.com\/es\/optimizando-narrativas-usuario-modelos-fundacionales\/","name":"Optimizando Narrativas de Usuario para Modelos Fundacionales - Building Nubank","isPartOf":{"@id":"https:\/\/building.nubank.com\/es\/#website"},"primaryImageOfPage":{"@id":"https:\/\/building.nubank.com\/es\/optimizando-narrativas-usuario-modelos-fundacionales\/#primaryimage"},"image":{"@id":"https:\/\/building.nubank.com\/es\/optimizando-narrativas-usuario-modelos-fundacionales\/#primaryimage"},"thumbnailUrl":"https:\/\/i0.wp.com\/building.nubank.com\/wp-content\/uploads\/2025\/07\/image-2.png?fit=1966%2C1276&ssl=1","datePublished":"2025-07-29T13:23:17+00:00","dateModified":"2025-07-29T13:28:33+00:00","author":{"@id":"https:\/\/building.nubank.com\/es\/#\/schema\/person\/462f4f5a8d4ec3ccbc3d661dde00f0a4"},"description":"Nubank optimiza la representaci\u00f3n de datos para sus modelos de IA, tratando la selecci\u00f3n de informaci\u00f3n y su forma de representaci\u00f3n como una b\u00fasqueda de hiperpar\u00e1metros. Este enfoque reduce el esfuerzo necesario para incorporar nuevos datos y mejora significativamente el rendimiento del modelo.","breadcrumb":{"@id":"https:\/\/building.nubank.com\/es\/optimizando-narrativas-usuario-modelos-fundacionales\/#breadcrumb"},"inLanguage":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/building.nubank.com\/es\/optimizando-narrativas-usuario-modelos-fundacionales\/"]}]},{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/building.nubank.com\/es\/optimizando-narrativas-usuario-modelos-fundacionales\/#primaryimage","url":"https:\/\/i0.wp.com\/building.nubank.com\/wp-content\/uploads\/2025\/07\/image-2.png?fit=1966%2C1276&ssl=1","contentUrl":"https:\/\/i0.wp.com\/building.nubank.com\/wp-content\/uploads\/2025\/07\/image-2.png?fit=1966%2C1276&ssl=1","width":1966,"height":1276},{"@type":"BreadcrumbList","@id":"https:\/\/building.nubank.com\/es\/optimizando-narrativas-usuario-modelos-fundacionales\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/building.nubank.com\/es\/"},{"@type":"ListItem","position":2,"name":"Optimizando Narrativas de Usuario para Modelos Fundacionales"}]},{"@type":"WebSite","@id":"https:\/\/building.nubank.com\/es\/#website","url":"https:\/\/building.nubank.com\/es\/","name":"Building Nubank","description":"We make the extraordinary happen","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/building.nubank.com\/es\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"es"},{"@type":"Person","@id":"https:\/\/building.nubank.com\/es\/#\/schema\/person\/462f4f5a8d4ec3ccbc3d661dde00f0a4","name":"Nubank Editorial","image":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/secure.gravatar.com\/avatar\/8c056170dc75ffd365b306a0ac7bea4e51d1cdab52a0c84e6ba0a42f7e2f4633?s=96&d=identicon&r=g0a78bc815f2126d9ba65b2af185671f1","url":"https:\/\/secure.gravatar.com\/avatar\/8c056170dc75ffd365b306a0ac7bea4e51d1cdab52a0c84e6ba0a42f7e2f4633?s=96&d=identicon&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/8c056170dc75ffd365b306a0ac7bea4e51d1cdab52a0c84e6ba0a42f7e2f4633?s=96&d=identicon&r=g","caption":"Nubank Editorial"},"url":"https:\/\/building.nubank.com\/es\/author\/editorial\/"}]}},"jetpack_featured_media_url":"https:\/\/i0.wp.com\/building.nubank.com\/wp-content\/uploads\/2025\/07\/image-2.png?fit=1966%2C1276&ssl=1","jetpack_shortlink":"https:\/\/wp.me\/pbKBB5-8Qb","jetpack_sharing_enabled":true,"authors":[{"term_id":2321,"user_id":178110103,"is_guest":0,"slug":"editorial","display_name":"Nubank Editorial","avatar_url":"https:\/\/secure.gravatar.com\/avatar\/8c056170dc75ffd365b306a0ac7bea4e51d1cdab52a0c84e6ba0a42f7e2f4633?s=96&d=identicon&r=g","0":null,"1":"","2":"","3":"","4":"","5":"","6":"","7":"","8":""}],"_links":{"self":[{"href":"https:\/\/building.nubank.com\/es\/wp-json\/wp\/v2\/posts\/33987","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/building.nubank.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/building.nubank.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/building.nubank.com\/es\/wp-json\/wp\/v2\/users\/178110103"}],"replies":[{"embeddable":true,"href":"https:\/\/building.nubank.com\/es\/wp-json\/wp\/v2\/comments?post=33987"}],"version-history":[{"count":4,"href":"https:\/\/building.nubank.com\/es\/wp-json\/wp\/v2\/posts\/33987\/revisions"}],"predecessor-version":[{"id":34010,"href":"https:\/\/building.nubank.com\/es\/wp-json\/wp\/v2\/posts\/33987\/revisions\/34010"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/building.nubank.com\/es\/wp-json\/wp\/v2\/media\/33968"}],"wp:attachment":[{"href":"https:\/\/building.nubank.com\/es\/wp-json\/wp\/v2\/media?parent=33987"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/building.nubank.com\/es\/wp-json\/wp\/v2\/categories?post=33987"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/building.nubank.com\/es\/wp-json\/wp\/v2\/tags?post=33987"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/building.nubank.com\/es\/wp-json\/wp\/v2\/ppma_author?post=33987"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}