Pago por Uso - AI Model Orchestration and Workflows Platform
Elegir la herramienta adecuada para comparar modelos de lenguajes grandes (LLM) es fundamental para equilibrar el rendimiento, el costo y la eficiencia del flujo de trabajo. Con el aumento de los gastos en IA, las empresas necesitan plataformas confiables para evaluar modelos como GPT-4, Claude y Gemini. Esta guía desglosa siete herramientas que simplifican la selección de LLM al analizar la calidad de la respuesta, los costos y el potencial de integración.
For cutting costs and managing multiple models, Prompts.ai stands out. Meanwhile, MLflow and Deepchecks cater to technical teams requiring in-depth analysis. Simpler tools like Scout LLM and LLMbench suit organizations seeking ease of use. Choose the platform that aligns with your goals, whether it’s saving on expenses or improving AI evaluation accuracy.
Prompts.ai reúne a más de 35 LLM líderes en una plataforma segura y unificada. Al hacerlo, elimina la molestia de administrar múltiples suscripciones y aborda el creciente problema de la proliferación de herramientas de IA que enfrentan muchas empresas a medida que escalan sus operaciones de IA.
La plataforma está diseñada para empresas Fortune 500, agencias creativas y laboratorios de investigación, simplificando la gestión de las relaciones con los proveedores de IA. Con Prompts.ai, los equipos pueden comparar los resultados de los modelos uno al lado del otro sin tener que hacer malabarismos con varias plataformas o mantener claves API separadas para cada proveedor.
Prompts.ai permite a los usuarios realizar comparaciones en paralelo del rendimiento del modelo en su extensa biblioteca. Al enviar el mismo mensaje a varios modelos, los equipos pueden evaluar las respuestas en función de la precisión, la relevancia y los requisitos de la tarea específica. Los registros detallados proporcionan un seguimiento de auditoría, lo que ayuda a los usuarios a identificar los modelos con mejor rendimiento para sus necesidades.
La plataforma también incluye flujos de trabajo rápidos prediseñados creados por ingenieros expertos. Estas plantillas sirven como punto de partida confiable para tareas comerciales comunes, lo que garantiza resultados consistentes entre los miembros del equipo. Las organizaciones pueden personalizar aún más estos flujos de trabajo para alinearlos con sus necesidades y marcas únicas.
Más allá de las simples comparaciones de texto, Prompts.ai monitorea la coherencia de las respuestas a lo largo del tiempo. Esta característica ayuda a los equipos a identificar cuándo los modelos comienzan a producir resultados inconsistentes para entradas similares, una capacidad crítica para mantener flujos de trabajo confiables en entornos de producción.
Estas características sientan las bases para un seguimiento sólido del rendimiento.
Prompts.ai ofrece una vista detallada de las métricas de rendimiento que van más allá de los tiempos de respuesta básicos. Los equipos pueden realizar un seguimiento del uso, la velocidad y la disponibilidad de los tokens en todos los modelos integrados, lo que proporciona información valiosa sobre qué modelos ofrecen los mejores resultados para cargas de trabajo específicas.
La plataforma también analiza patrones de uso tanto a nivel individual como de equipo, ofreciendo una imagen más clara de cómo varios departamentos están aprovechando los modelos de IA. Este enfoque basado en datos permite a las organizaciones perfeccionar sus estrategias de IA en función del uso real en lugar de suposiciones.
Además, la plataforma mide las ganancias de productividad y sus flujos de trabajo optimizados generan mejoras notables. Los paneles de rendimiento brindan a los gerentes métricas clave, lo que les permite monitorear el retorno de la inversión (ROI) e identificar áreas para una mayor optimización.
Además de la calidad y el rendimiento, Prompts.ai garantiza claridad financiera.
Una característica destacada de Prompts.ai es su capa FinOps, que ofrece visibilidad completa de los gastos relacionados con la IA. Al eliminar las suscripciones redundantes y optimizar la selección de modelos en función del rendimiento del mundo real, la plataforma reduce significativamente los costos del software de IA.
El sistema de créditos TOKN Pay-As-You-Go reemplaza las tarifas mensuales tradicionales, alineando los costos con el uso real. Las organizaciones solo pagan por los tokens que consumen, lo que facilita la predicción y el control de los gastos. Este modelo es especialmente beneficioso para empresas con cargas de trabajo de IA fluctuantes o para aquellas que recién comienzan su viaje en IA.
El seguimiento detallado de los costos muestra exactamente cuánto contribuye cada proyecto, proyecto o miembro del equipo a los gastos generales. Este nivel de transparencia ayuda a los equipos financieros a asignar presupuestos de manera efectiva y permite a los gerentes de proyectos mantener el rumbo. Al vincular el gasto directamente con los resultados comerciales, la plataforma facilita la justificación de las inversiones en IA y la demostración de su valor.
Prompts.ai está diseñado para una escalabilidad perfecta. Las organizaciones pueden agregar nuevos modelos, usuarios y equipos en cuestión de minutos, evitando largos procesos de adquisición e integración. Esta agilidad es esencial para las empresas que necesitan adaptarse rápidamente a las demandas cambiantes o a los últimos avances de la IA.
La plataforma se integra perfectamente con los sistemas empresariales existentes a través de API y webhooks, lo que permite a los equipos incorporar capacidades de IA en sus flujos de trabajo con una interrupción mínima. Su interfaz fácil de usar se adapta a usuarios técnicos y no técnicos, lo que garantiza la accesibilidad para una variedad de roles y casos de uso.
Scalability also extends to model management. When new LLMs become available, Prompts.ai integrates them rapidly, giving users access to cutting-edge AI capabilities without requiring additional vendor relationships or technical setup. This streamlined process enhances the platform’s role in comprehensive LLM evaluation.
Para las empresas, las operaciones de IA seguras y conformes no son negociables. Prompts.ai ofrece funciones de seguridad de nivel empresarial para proteger datos confidenciales en todo el flujo de trabajo de IA. La plataforma mantiene registros de auditoría para cada interacción, garantizando el cumplimiento de las regulaciones de la industria. Las organizaciones pueden realizar un seguimiento de quién accedió a modelos específicos, qué indicaciones se utilizaron y cómo se aplicaron los resultados.
Las herramientas de gobernanza permiten a los administradores definir políticas de uso, límites de gasto y controles de acceso a un nivel granular. Estos controles permiten a las organizaciones imponer prácticas consistentes de IA en todos los equipos y al mismo tiempo preservar la flexibilidad necesaria para la experimentación y la innovación.
Este sólido marco de seguridad permite a las empresas aprovechar capacidades avanzadas de IA sin comprometer la privacidad de los datos ni los estándares de cumplimiento.
Deepchecks prioriza la protección de datos confidenciales a través de medidas avanzadas como la anonimización (mediante enmascaramiento y seudonimización) y un cifrado sólido tanto para los datos almacenados como para los datos en tránsito. Estas salvaguardas están diseñadas para evitar el acceso no autorizado y posibles infracciones.
Para garantizar aún más la seguridad de los datos, Deepchecks implementa controles de acceso basados en roles, restringiendo la visibilidad de los datos solo a aquellos que la necesitan. Se realizan auditorías periódicas para mantener el cumplimiento, descubrir vulnerabilidades potenciales y mantener la seguridad del sistema. Además, Deepchecks asesora sobre la creación de un plan detallado de respuesta a incidentes para abordar de manera rápida y efectiva cualquier infracción que pueda ocurrir. En conjunto, estos pasos no solo aseguran información crítica sino que también refuerzan la confiabilidad de las evaluaciones de modelos.
Este compromiso con una rigurosa protección de datos distingue a Deepchecks de otras herramientas en el espacio de comparación de LLM.
LLMbench revela muy poco sobre sus metodologías y especificaciones, lo que deja muchos aspectos inciertos. A continuación, exploramos las áreas clave de LLMbench en función de la información limitada disponible.
Los detalles sobre cómo LLMbench evalúa el desempeño son escasos. No proporciona puntos de referencia claros ni estándares de medición estructurados, lo que dificulta evaluar su marco de evaluación.
La plataforma no ofrece información sustancial sobre cómo se integra con los flujos de trabajo de IA o si puede manejar evaluaciones de gran volumen a nivel empresarial. Esta falta de claridad plantea dudas sobre su adaptabilidad para operaciones a mayor escala.
La información sobre las medidas de seguridad y las prácticas de gobernanza de LLMbench es igualmente limitada. Es posible que los usuarios potenciales deban realizar consultas adicionales para garantizar que cumpla con los requisitos de cumplimiento y protección de datos.
La falta de transparencia de la plataforma la distingue de otras, destacando la importancia de una evaluación exhaustiva antes de considerar LLMbench para su flujo de trabajo.
MLflow proporciona una solución de código abierto para rastrear experimentos y administrar el ciclo de vida del aprendizaje automático, lo que la convierte en una herramienta valiosa para evaluar modelos de lenguaje grandes (LLM). MLflow, desarrollado originalmente por Databricks, simplifica el proceso de registrar experimentos, administrar modelos y comparar resultados entre varios sistemas de inteligencia artificial. Su diseño adaptable permite a los usuarios registrar métricas personalizadas y realizar un seguimiento de los experimentos en detalle, lo que lo convierte en una opción práctica para evaluar los resultados de LLM. Al ofrecer sólidas capacidades de seguimiento e integración, MLflow garantiza un enfoque más ágil para comparar el desempeño de LLM.
MLflow ofrece un marco claro para registrar y evaluar métricas de rendimiento. Se pueden registrar fácilmente medidas estándar como puntuaciones BLEU, métricas ROUGE y valores de perplejidad para tareas de generación de texto. Además, los usuarios pueden definir funciones de evaluación personalizadas para evaluar cualidades específicas como la precisión de los hechos o la relevancia de la respuesta. La función de seguimiento de experimentos de la plataforma permite a los equipos registrar métricas en múltiples ejecuciones de modelos, lo cual es especialmente útil al probar varias estrategias rápidas. Estas métricas detalladas se integran sin problemas en los flujos de trabajo existentes, lo que respalda evaluaciones integrales.
MLflow is designed to work seamlessly with popular machine learning frameworks, including TensorFlow, PyTorch, and Hugging Face Transformers, through its REST API and Python SDK. It also supports distributed computing environments like Apache Spark and Kubernetes, making it well-suited for large-scale evaluations. For enterprise use, MLflow’s model registry simplifies versioning and central management of different model implementations, allowing teams to track performance over time. This scalability ensures efficient evaluations while maintaining compatibility with enterprise infrastructures.
La seguridad empresarial es un enfoque clave para MLflow, que incorpora controles de acceso basados en roles y registros de auditoría para cumplir con los requisitos organizacionales. La plataforma se integra con los sistemas de autenticación existentes, como LDAP y OAuth, lo que garantiza la alineación con las políticas de seguridad.
MLflow also supports model governance by tracking lineage and maintaining a history of model development. This transparency is critical for compliance, offering clear insights into how LLM outputs are generated and validated. Additionally, MLflow’s deployment flexibility allows organizations to run evaluations entirely on their own infrastructure, addressing concerns about data privacy and sensitive information handling.
La herramienta de comparación de modelos Scout LLM está diseñada para evaluar los resultados de los modelos de lenguaje en una variedad de casos de uso, específicamente diseñados para las necesidades empresariales. Permite a las organizaciones tomar decisiones informadas analizando qué modelos son los más adecuados para tareas específicas. Con un fuerte enfoque en la transparencia en la evaluación, Scout ofrece funciones de informes detallados que benefician tanto a los equipos técnicos como a las partes interesadas del negocio, facilitando la comprensión de las diferencias en el rendimiento del modelo. Si bien la transparencia es un objetivo compartido con herramientas anteriores, Scout se destaca por su análisis detallado tanto de costos como de desempeño.
Scout va más allá de las métricas convencionales al evaluar la calidad de los resultados. Evalúa factores como la coherencia de la respuesta, la precisión de los hechos y la relevancia contextual utilizando sistemas de puntuación automatizados, que se mejoran aún más con revisiones humanas. Una característica clave es su análisis de similitud semántica, que mide qué tan estrechamente se alinean los resultados del modelo con los resultados esperados en varios dominios.
La herramienta desglosa los conocimientos de calidad para identificar dónde los modelos sobresalen o fallan. Para tareas como la creación de contenido, Scout evalúa la creatividad, la coherencia del tono y el cumplimiento de las pautas de estilo. Para tareas analíticas, examina el razonamiento lógico, la precisión de la interpretación de los datos y la validez de las conclusiones. Estas evaluaciones detalladas brindan a los equipos una comprensión clara de las fortalezas y debilidades de cada modelo, no solo del desempeño general.
Scout cuenta con un panel de métricas que rastrea indicadores de desempeño tanto estándar como personalizados. Calcula automáticamente métricas de PNL ampliamente utilizadas, como puntuaciones BLEU, ROUGE y F1, y al mismo tiempo se adapta a las necesidades de evaluación específicas de cada dominio. Más allá de esto, Scout monitorea los tiempos de respuesta, el consumo de tokens y el uso de recursos computacionales.
La plataforma incorpora pruebas de significación estadística para garantizar que las diferencias de rendimiento observadas entre los modelos sean significativas y no aleatorias. Con análisis de tendencias, Scout destaca los cambios en el desempeño a lo largo del tiempo, ayudando a los equipos a identificar patrones de mejora o degradación. Además, proporciona información sobre la eficiencia del modelo y ofrece una visión completa del rendimiento.
Scout’s cost analysis tools offer a clear view of financial implications tied to model usage. It tracks token consumption, API call frequencies, and associated costs, enabling organizations to evaluate the economic impact of their choices. Cost projections help estimate expenses for scaling deployments based on current usage.
La plataforma incluye herramientas de presupuesto que permiten a los equipos establecer límites de gasto y recibir alertas cuando el uso se acerca a estos umbrales. Scout también ofrece recomendaciones para la optimización de costos mediante el análisis de las relaciones rendimiento-precio en diferentes modelos.
Scout se integra sin esfuerzo con los flujos de trabajo de desarrollo existentes a través de su API REST y compatibilidad con SDK para lenguajes de programación populares. Se conecta con los principales proveedores de nube y plataformas de alojamiento de modelos, lo que permite evaluaciones independientemente de la ubicación de implementación. La integración con canales de CI/CD permite integrar comparaciones de modelos automatizados directamente en los procesos de desarrollo.
Su arquitectura escalable admite evaluaciones simultáneas de múltiples modelos y conjuntos de datos. Con el procesamiento distribuido, Scout reduce el tiempo necesario para comparaciones a gran escala. Puede manejar entradas de datos estructurados y no estructurados, lo que lo hace altamente adaptable a diversas necesidades de evaluación. Esta sólida integración se complementa con estrictas características de seguridad.
Scout garantiza seguridad de nivel empresarial con cifrado de extremo a extremo para datos tanto en tránsito como en reposo. Admite la integración de inicio de sesión único con sistemas de identidad corporativa y proporciona registros de auditoría para todas las actividades de evaluación. Los controles de acceso basados en roles restringen los datos y resultados confidenciales únicamente al personal autorizado.
The platform’s governance framework includes compliance tracking to help organizations meet regulatory requirements for AI evaluation and documentation. Scout maintains detailed records of methodologies, data sources, and results, ensuring transparency and accountability in model selection. Additionally, its data residency options allow organizations to store evaluation data within specific geographic regions or on-premises infrastructure, addressing data sovereignty concerns effectively.
PAIR LLM Comparator simplifica el proceso de evaluación de modelos de lenguaje y ofrece a los desarrolladores una herramienta eficiente y fácil de usar. Este sistema se integra directamente en los flujos de trabajo de IA, lo que garantiza un funcionamiento sin problemas. En esencia, hay una biblioteca de Python (llm-comparator, disponible en PyPI) que funciona con entradas JSON estandarizadas. Esto permite a los usuarios cargar los resultados de su evaluación para una visualización y análisis detallados.
La herramienta ofrece dos opciones principales: los usuarios pueden crear un archivo JSON completo que presente comparaciones de modelos en paralelo y grupos de fundamentos agrupados o centrarse en agrupar los fundamentos de los resultados existentes. Esta flexibilidad facilita la realización de evaluaciones exhaustivas y escalables de modelos de lenguaje, adaptándose a las diferentes necesidades del proyecto.
SNEOS no parece funcionar como una herramienta dedicada para comparar los resultados del LLM. Su falta de características y capacidades documentadas crea desafíos al intentar evaluarlo junto con herramientas más establecidas.
No existe ninguna metodología publicada ni datos de SNEOS sobre cómo mide la calidad de los resultados de LLM. Por el contrario, los marcos ampliamente reconocidos se basan en métricas como puntuaciones BLEU, métricas ROUGE y clasificaciones de preferencias humanas para evaluar el desempeño. Sin dicha información, resulta difícil evaluar cómo SNEOS maneja la evaluación de calidad o comparar su efectividad con otras herramientas que brindan análisis detallados.
SNEOS no proporciona ninguna métrica de rendimiento, lo que deja ambiguas sus capacidades de evaluación. La ausencia de esta información no deja claro qué tan bien funciona la herramienta o si puede satisfacer las necesidades de los usuarios que buscan puntos de referencia confiables.
SNEOS no ofrece ninguna documentación técnica sobre integración o escalabilidad. Las plataformas establecidas generalmente brindan acceso API, compatibilidad con múltiples formatos de modelos y una integración fluida en los flujos de trabajo existentes, todo lo cual es fundamental para manejar operaciones a gran escala. Sin detalles similares, es imposible determinar si SNEOS puede adaptarse a las demandas a nivel empresarial.
En comparación con las plataformas más transparentes y ricas en funciones analizadas anteriormente, la documentación limitada de SNEOS resalta la importancia de proporcionar información clara y detallada para una evaluación LLM eficaz.
Para complementar las revisiones detalladas de cada herramienta, aquí hay una comparación concisa de sus fortalezas y desafíos. Cada herramienta aporta distintos beneficios y compensaciones, lo que las hace adecuadas para diferentes necesidades.
Prompts.ai ofrece un enfoque altamente eficiente para gestionar modelos y reducir costos. Su capacidad para reducir los gastos de IA hasta en un 98 % a través de una interfaz unificada es un punto de inflexión para las organizaciones que hacen malabarismos con múltiples suscripciones a un LLM. Además, su sistema de crédito TOKN de pago por uso elimina las tarifas recurrentes, ofreciendo flexibilidad y control de costos.
Deepchecks brilla por su capacidad de ofrecer una validación exhaustiva adaptada a los flujos de trabajo de aprendizaje automático. Se destaca en la detección de desviaciones de datos y el monitoreo del rendimiento del modelo, todo mientras se integra perfectamente con los canales MLOps existentes. Sin embargo, su pronunciada curva de aprendizaje y la necesidad de experiencia técnica pueden ser un obstáculo para algunos usuarios.
LLMbench es ideal para equipos nuevos en las evaluaciones de LLM, gracias a su sencilla configuración de evaluación comparativa y pruebas estándar. Proporciona un entorno de prueba consistente en todos los modelos, pero sus limitadas opciones de personalización pueden no satisfacer a las organizaciones con necesidades de evaluación más especializadas.
MLflow stands out for its robust experiment tracking and model versioning capabilities. As an open-source platform, it’s a cost-effective option for those with the technical resources to handle deployment and maintenance. However, its extensive setup and upkeep requirements can be a drawback.
La herramienta de comparación de modelos Scout LLM prioriza la facilidad de uso con una interfaz fácil de usar y una configuración rápida. Sus sólidas herramientas de visualización permiten comparaciones de modelos en paralelo, pero puede carecer de la profundidad analítica y la escalabilidad necesarias para las operaciones a nivel empresarial.
PAIR LLM Comparator se centra en la evaluación ética de la IA, incorporando detección de sesgos y métricas de equidad. Esto lo convierte en una opción valiosa para las organizaciones comprometidas con la implementación responsable de la IA. Sin embargo, su enfoque más limitado puede requerir herramientas adicionales para un análisis de desempeño más completo.
SNEOS faces challenges due to a lack of clear documentation and opaque features. Without transparent methodologies or established performance metrics, it’s difficult to gauge its effectiveness or confidently integrate it into workflows.
Here’s a summarized view of each tool’s key strengths, challenges, cost clarity, and ease of integration:
This overview provides a clear snapshot of each tool’s capabilities, helping you align their features with your organization’s AI evaluation priorities. Choose the one that best matches your specific requirements.
Elegir la herramienta de comparación de resultados de LLM adecuada depende de alinear las características de la plataforma con las prioridades y los requisitos técnicos de su organización. Con muchas opciones disponibles, es fundamental identificar qué respalda mejor sus objetivos en la evaluación y gestión de la IA.
Para las organizaciones centradas en reducir costos y garantizar la seguridad a nivel empresarial, Prompts.ai ofrece una solución atractiva. Al consolidar el acceso a más de 35 modelos dentro de una interfaz segura, elimina la necesidad de múltiples suscripciones y puede reducir los costos hasta en un 98%. Este enfoque optimizado garantiza el cumplimiento y la seguridad sin comprometer la funcionalidad.
Lo que distingue a Prompts.ai es su capacidad para simplificar los flujos de trabajo y al mismo tiempo ofrecer resultados excepcionales. Según lo compartido por un profesional de la industria:
__XLATE_55__
Arkansas. June Chow, arquitecta
"Una arquitecta que combina la IA con una visión creativa, alguna vez tuvo que depender de procesos de dibujo que requerían mucho tiempo. Ahora, al comparar diferentes LLM uno al lado del otro en Prompts.ai, le permite dar vida a proyectos complejos mientras explora conceptos innovadores y oníricos".
Sin embargo, diferentes necesidades requieren diferentes herramientas. Para las organizaciones que enfatizan la profundidad técnica y la personalización, plataformas como MLflow ofrecen un seguimiento de experimentos sólido, mientras que Deepchecks proporciona flujos de trabajo de validación detallados. Estas opciones están dirigidas a equipos con experiencia técnica avanzada que buscan capacidades de evaluación granular.
Para los equipos que buscan simplicidad o una implementación rápida, LLMbench y Scout LLM ofrecen configuraciones fáciles de usar, lo que los hace ideales para los recién llegados a la evaluación de LLM. Además, las empresas que priorizan las prácticas responsables de IA pueden beneficiarse de PAIR LLM Comparator, que se centra en la detección de sesgos y métricas de equidad. Dicho esto, pueden ser necesarias herramientas complementarias para un análisis exhaustivo del rendimiento.
En última instancia, factores como la rentabilidad, el seguimiento del rendimiento y las capacidades de integración deberían guiar su decisión. Considere qué tan bien se integra una herramienta con sus sistemas existentes, su facilidad de mantenimiento y su escalabilidad. Al seleccionar la plataforma adecuada, puede pasar de experimentos dispersos a procesos seguros y repetibles que ofrecen un valor constante.
Prompts.ai ofrece a las empresas una forma más inteligente de gestionar los gastos de software de IA con una plataforma centralizada que integra más de 35 modelos de IA. Al utilizar precios transparentes de pago por uso impulsados por créditos TOKN, este sistema puede reducir los costos hasta en un 98%, haciendo que las herramientas avanzadas de inteligencia artificial sean asequibles y accesibles.
Funciones clave como monitoreo en tiempo real, seguimiento de costos y control de versiones rápido permiten a los usuarios ajustar su uso de IA, eliminar gastos innecesarios y simplificar los flujos de trabajo. Estas capacidades ayudan a las organizaciones a reducir los gastos operativos y, al mismo tiempo, garantizan que sus proyectos de IA sigan siendo eficientes y escalables.
Prompts.ai pone un gran énfasis en proteger los datos y cumplir con los requisitos de cumplimiento mediante el empleo de medidas como control de acceso basado en roles (RBAC), monitoreo en tiempo real y estricto cumplimiento de estándares de privacidad como GDPR e HIPAA. Estas salvaguardas están diseñadas para proteger la información confidencial y al mismo tiempo garantizar que las organizaciones sigan cumpliendo con los mandatos regulatorios.
Para mejorar aún más la seguridad, Prompts.ai integra herramientas de gobernanza de IA que promueven la gestión responsable de datos y agilizan los flujos de trabajo, todo sin sacrificar la privacidad del usuario. Esta estrategia exhaustiva ayuda a las organizaciones a gestionar con confianza sus iniciativas impulsadas por la IA.
Prompts.ai fortalece la confiabilidad y coherencia de los flujos de trabajo de IA con herramientas avanzadas de comparación de resultados. Estas herramientas permiten a los usuarios evaluar diferentes modelos y generar variaciones en paralelo, simplificando el proceso de identificar las configuraciones que ofrecen los resultados más estables y predecibles.
La plataforma también refuerza la confiabilidad del flujo de trabajo a través de características como herramientas de gobernanza, registros de auditoría y sistemas de control de versiones. Estos elementos promueven el cumplimiento, mejoran la transparencia y hacen que la gestión de proyectos de IA sea más sencilla, lo que permite a los equipos ofrecer mejores resultados con seguridad.
