Este artículo investiga la discrepancia en el rendimiento de la personalización de LLM entre datos sintéticos y humanos. Revela que los datos humanos exponen limitaciones significativas del sistema en la extracción de atributos, la relevancia de los atributos y la generación de respuestas verdaderamente personalizadas.
Este trabajo presenta un marco para el desarrollo de Modelos de Lenguaje Grandes Centrados en el Humano (HCLLMs), que integra perspectivas de PNL, IHC e IA responsable. Argumenta la necesidad de abordar las preocupaciones, preferencias y valores humanos con rigor en cada etapa del desarrollo de LLM, y no solo en una fase posterior al entrenamiento.
El autor reflexiona sobre la transición de un enfoque de monitoreo reactivo y basado en datos a una administración más observadora y alineada con los ritmos del hogar en el Fuerte Siuntio. Aprendió que la verdadera presencia y la comprensión de la historia que cuentan los datos son más importantes que el procesamiento constante.