Modelos fundacionales y Amazon Bedrock: ajustando las perillas de la IA como si fuera un equipo de sonido

Cuando empecé a jugar con modelos de IA en AWS, me di cuenta rápido de algo: usar un modelo fundacional “en bruto” es como comprar un televisor 4K y nunca tocar los ajustes de imagen. Funciona, sí, pero te estás perdiendo la mejor parte.

En este post quiero contarte, como desarrollador a desarrollador, qué son los modelos fundacionales, qué es Amazon Bedrock y, sobre todo, cómo usar los parámetros de inferencia (temperature, top‑p, top‑k, longitud, etc.) para que el modelo haga más exactamente lo que tú quieres. Nada de fórmulas mágicas, solo perillas que vale la pena entender.

¿Qué es un modelo fundacional?

Un modelo fundacional (Foundation Model, FM) es un modelo de IA muy grande, entrenado con cantidades ridículas de texto, imágenes y otros datos, para aprender patrones generales del mundo.

Me gusta verlo así:

Es como alguien que se ha leído “todo Internet” y ahora puede escribir, resumir, traducir, razonar y hasta generar imágenes, sin que tú tengas que entrenarlo desde cero.

En Amazon Bedrock tienes un “catálogo” de estos modelos de diferentes proveedores:
Claude (Anthropic), Titan (Amazon), Llama (Meta), Mistral, etc.

• Algunos son mejores escribiendo texto largo.
• Otros son más rápidos y ligeros para chat en tiempo real.
• Otros se especializan en imágenes o en generar embeddings.

Tú eliges el modelo como quien elige la herramienta en una caja de herramientas: para clavar clavos uso un martillo, no un destornillador.

¿Qué es Amazon Bedrock?

Amazon Bedrock es el servicio de AWS que te da acceso gestionado a esos modelos fundacionales a través de una API.

AWS se encarga de:

• Infraestructura (GPU, escalado, disponibilidad).
• Seguridad, autenticación, cuotas.
• Catálogo de modelos y nuevas versiones.

Tú solo te preocupas de:

• Elegir el modelo.
• Enviar prompts.
• Ajustar parámetros.
• Integrarlo en tu aplicación.

Piensa en Bedrock como un Netflix de modelos de IA: tú no gestionas los servidores de streaming; solo eliges qué contenido ver (qué modelo usar) y con qué calidad (parámetros).

Los “controles remotos” de la IA: parámetros de inferencia
Cuando llamas a un modelo en Bedrock, no solo le mandas el prompt; también puedes ajustar una serie de parámetros que afectan cómo responde.

La metáfora que uso siempre es la de un equipo de sonido:

• El prompt es la canción.
• El modelo es el amplificador.
• Los parámetros son las perillas de graves, agudos y volumen.

La canción es la misma, pero si mueves las perillas, la experiencia cambia mucho.

Temperature: cuánta creatividad quieres

• Qué hace: controla qué tan “arriesgado” es el modelo al elegir la siguiente palabra.
• Valores bajos (0.1–0.3): respuestas muy predecibles, casi siempre iguales.
• Valores medios (0.4–0.7): equilibrio entre creatividad y control.
• Valores altos (0.8–1): respuestas más creativas, pero también más “locas”.

Analogía:

Es como la persona que siempre pide lo mismo en el restaurante (temperature baja) vs. la que cada vez prueba algo nuevo del menú (temperature alta).

Uso típico:

• Descripciones de producto que sigan una guía de marca → temperature ~0.4–0.6.
• Brainstorming de ideas locas → temperature ~0.8–0.9.
• Generar código muy preciso → temperature ~0.1–0.3.

top‑p y top‑k: qué tan amplio es el menú
Estos dos controlan de qué conjunto de palabras posibles puede elegir el modelo.

top‑k: “elige solo entre las k palabras más probables”.

• k pequeño → modelo muy enfocado.
• k grande → más diversidad.

top‑p (o nucleus sampling): “elige entre las palabras que, juntas, suman p de probabilidad acumulada”.

• p bajo (~0.5–0.8) → más conservador.
• p alto (~0.9–1.0) → más diverso.

Analogía:

Si temperature es qué tan aventurero eres,
top‑k/top‑p es qué tan grande es la carta del restaurante que estás dispuesto a mirar.

En muchas apps con Bedrock, un buen punto de partida es:

• temperature: 0.5
• top‑p: 0.8
• top‑k: 20–50

y luego ajustar según veas las respuestas.

Longitud de respuesta y stop sequences
Además de qué dice el modelo, puedes controlar cuánto dice y dónde se detiene.

• maxTokens / response length: límite máximo de tokens/palabras que puede generar. “Entre 50 y 100 palabras para la descripción de producto” → ajustas este valor.
• Stop sequences: cadenas de texto que indican “hasta aquí, gracias”. Por ejemplo, "\n\nUser:" para que pare antes de volver a mostrar el nombre del usuario.

Analogía:

Es como poner un temporizador al horno: no quieres que el pastel se siga horneando hasta quemarse.

Casos de uso:

• Chatbots: evitar que el modelo hable demasiado y rompa la experiencia.
• Integraciones con sistemas legados: cortar la salida justo donde la aplicación espera un delimitador.

Ejemplos de casos de uso en Bedrock

1. Generador de descripciones de producto Imagina que tienes un e‑commerce y quieres generar descripciones entre 50 y 100 palabras, creativas pero alineadas con la marca.

Configuración típica:

• Modelo: Claude o Titan (texto).
• temperature: 0.5 (creatividad controlada).
• top‑p: 0.8.
• maxTokens configurado para ~100 palabras.

Prompt del estilo:

{
  "prompt": "Eres el redactor de la marca X. Escribe una descripción de 50 a 100 palabras para este producto, manteniendo un tono cercano y profesional. Producto: {{nombre}}, características: {{caracteristicas}}"
}

Resultado: textos que no son copias entre sí, pero se sienten de la misma familia.

1. Asistente de soporte más “serio” Para un chatbot de soporte técnico quieres menos creatividad y más precisión.

• temperature: 0.2–0.3.
• top‑p: 0.5–0.7.
• Stop sequence para cortar al final de la respuesta.

Analogía:

Aquí el modelo es como el amigo que te ayuda a hacer la declaración de impuestos: mejor que no improvise demasiado.

1. Brainstorming de ideas de campaña Si estás en fase de ideación de marketing, quieres justo lo contrario.

• temperature: 0.8–0.9.
• top‑p: 0.9–1.0.
• maxTokens más alto para dejarlo explayarse.

Prompt ejemplo:

{
  "prompt": "Dame 10 ideas creativas y poco convencionales para una campaña en redes sociales sobre {{tema}}. Incluye una breve explicación para cada una."
}

Cómo empezar a jugar con estos parámetros en Bedrock

Mi recomendación práctica:

1. Abre el playground de Amazon Bedrock en la consola.
2. Elige un modelo de texto (por ejemplo Claude).
3. Escribe un mismo prompt y prueba combinaciones:
4. temperature 0.1, 0.5, 0.9.
5. top‑p 0.6 vs 0.9.
6. Cambia maxTokens y mira cómo se recortan las respuestas.
7. Observa cómo cambian el tono, la diversidad y la precisión.

Hazlo como si ajustaras el brillo, contraste y saturación de una foto: no necesitas entender todas las ecuaciones detrás, pero sí qué sensación te produce cada cambio.

Cierre: no es magia, son perillas

Lo bonito de trabajar con modelos fundacionales en Amazon Bedrock es que no tienes que ser investigador en IA para sacarle partido.

• Los modelos ya vienen entrenados.
• Bedrock te quita de encima el dolor de cabeza de la infraestructura.
• Los parámetros de inferencia son tus perillas para adaptar la IA a tu caso de uso concreto. Si piensas en ellos como en el ecualizador de tu playlist favorita, el resto es práctica: prueba, escucha, ajusta, repite.

Si te interesa, en otro post puedo entrar en temas un poco más avanzados: cómo combinar estos parámetros con prompt engineering, RAG (recuperación aumentada) y guardrails para construir sistemas que no solo sean creativos, sino también seguros y alineados con tu negocio.