Sigue este blog vía RSS, en el Fediverso en @acambronero@www.blogpocket.com, o vía email.

You don’t speak Spanish? Explore a selection of Blogpocket posts in English

Cómo optimizar el uso de ChatGPT, desde el chat, conociendo qué son los hiperparámetros

016eeec0-45d5-4fe2-8bff-4ae79015ac02 Cómo optimizar el uso de ChatGPT, desde el chat, conociendo qué son los hiperparámetros
Imagen generada en Bing con el prompt: «Una imagen evocadora que refleje la esperanza de un mundo mejor con la ayuda de la inteligencia artificial. Fotografía realista y detallada.«

Los hiperparámetros son variables que afectan el rendimiento de los modelos de inteligencia artificial como ChatGPT. Comprender cómo ajustar estos hiperparámetros puede ser la clave para optimizar el uso de ChatGPT y mejorar su precisión y eficiencia.

Un ejemplo de hiperparámetro importante para el modelo ChatGPT es la «temperatura». Ese parámetro afecta a la variabilidad de las respuestas generadas por el modelo. Un valor alto de temperatura (0.8) produce respuestas creativas y diversas, mientras que un valor bajo (0.2) produce respuestas coherentes y determinísticas.

Ajustar estos hiperparámetros puede mejorar significativamente la calidad de las respuestas generadas por ChatGPT.

Es importante tener en cuenta que encontrar los valores óptimos para los hiperparámetros no es un proceso fácil y puede requerir experimentación y prueba. Sin embargo, con la comprensión adecuada de cómo funcionan estos hiperparámetros y cómo afectan el rendimiento del modelo, se pueden lograr mejoras significativas en la calidad de las respuestas generadas por ChatGPT.

En Introducción al uso de ChatGPT en PHP, vimos qué es la API de OpenAI y cómo usarla desde PHP. Pero si quisiéramos fijar un valor del hiperparámetro «temperature», lo haríamos -más o menos- del siguiente modo:

<?php
// Tus credenciales de la API
$api_key = 'tu_clave_de_api_aquí';

// Inicializar sesión cURL
$ch = curl_init();

// Configurar la solicitud cURL
curl_setopt($ch, CURLOPT_URL, 'https://api.openai.com/v1/engines/davinci/completions');
curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
curl_setopt($ch, CURLOPT_POST, 1);
curl_setopt($ch, CURLOPT_POSTFIELDS, json_encode([
    "prompt" => "Escribe algo creativo sobre el espacio exterior.",
    "temperature" => 0.5, // Ajusta este valor según la creatividad deseada
    "max_tokens" => 100
]));
curl_setopt($ch, CURLOPT_HTTPHEADER, [
    'Content-Type: application/json',
    'Authorization: Bearer ' . $api_key
]);

// Ejecutar la solicitud y obtener la respuesta
$response = curl_exec($ch);
if (curl_errno($ch)) {
    echo 'Error:' . curl_error($ch);
}

// Cerrar la sesión cURL
curl_close($ch);

// Imprimir la respuesta
echo $response;
?>

En CURLOPT_POSTFIELDS se ajustan los datos que envías en la solicitud POST, incluido el prompt y otros parámetros como «temperature».

Esa sería la manera de interactuar, optimizando el rendimiento de ChatGPT para generar mejores respuestas. Aquí hay una extensa recopilación de los hiperparámetros disponibles: HIPERPARÁMETROS DE CHATGPT: SUPERPODERES

¿Se pueden fijar los hiperparámetros desde el chat de ChatGPT?

Sabemos que utilizando la API de OpenAI desde código podemos optimizar el uso de ChatGPT; es decir, obtener mejores respuestas.

Pero ¿y desde el chat? ¿cómo lo podemos hacer?

Con una pregunta sencilla a ChatGPT, despejaremos la duda:

Yo: Con la API de OpenAI se pueden fijar los valores de los hiperparámetros de ChatGPT. ¿Existe alguna manera de fijar esos mismos parámetros aquí en el chat?

ChatGPT: En el entorno del chat aquí, no tienes acceso directo para ajustar hiperparámetros técnicos específicos como «Beam Width», «Length Penalty», o «Repetition Penalty» de manera explícita para las respuestas generadas en tiempo real. Los ajustes de estos parámetros están optimizados internamente para proporcionar una experiencia de usuario equilibrada, que busca balancear la coherencia, la creatividad y la relevancia de las respuestas.

Sin embargo, puedes influir indirectamente en cómo se generan las respuestas a través de cómo formulas tus preguntas o instrucciones. Por ejemplo, si buscas respuestas más breves y directas, puedes indicarlo en tu pregunta. Del mismo modo, si prefieres una exploración más detallada o creativa de un tema, puedes pedir explícitamente una respuesta más desarrollada o una historia con detalles específicos.

Para experimentar con ajustes más técnicos como los mencionados, sería necesario utilizar la API de OpenAI directamente, donde tienes la posibilidad de especificar estos y otros parámetros al hacer solicitudes de generación de texto. Esto permite a los desarrolladores y usuarios avanzados personalizar la generación de texto para aplicaciones específicas, ajustando la longitud de las respuestas, la tendencia a la repetición, y otros aspectos del comportamiento del modelo.

Por lo tanto, si quisiera que ChatGPT aplicase el parámetro «Repetition Penalty» para evitar la repetición de palabras, habría que hacerlo incluyendo ese propósito en la pregunta. Otra vez, ChatGPT nos aclara la idea:

Yo: Es decir, que en la formulación de la pregunta, puedo indicar que se penalice la repetición de palabras en la respuesta, por ejemplo.

ChatGPT: Exactamente, aunque no puedes ajustar los valores numéricos de los hiperparámetros directamente en el chat, sí puedes influir en la naturaleza de las respuestas mediante la forma en que planteas tus preguntas o instrucciones. Si deseas minimizar la repetición de palabras en la respuesta, puedes indicarlo específicamente en tu solicitud. Por ejemplo, podrías pedir: «Por favor, genera una respuesta con una amplia variedad de vocabulario y evita repetir palabras innecesariamente».

Este tipo de instrucción me orienta para esforzarme en variar el lenguaje y buscar sinónimos o frases alternativas para expresar ideas, dentro de los límites de mi programación actual y sin ajustar explícitamente hiperparámetros como el «Repetition Penalty». Mi diseño intenta adaptarse a tus requisitos, buscando cumplir con las expectativas planteadas en la medida de lo posible.

Es importante recordar que, aunque este enfoque puede influir en el estilo y el contenido de las respuestas, las modificaciones son indirectas y se basan en la interpretación de las instrucciones dadas, en lugar de en cambios técnicos precisos en el funcionamiento interno del modelo.

Así, aunque no podemos indicar directamente un valor del hiperparámetro, podemos «obligar» a ChatGPT que imagine el resultado proporcionándole información del estilo de la salida.

Probé esto, pidiéndole a ChatGPT que escribiera una historia sobre una mascota, fijando los valores del hiperparámetro Beam Width.

¿Qué es el Beam Width?

El «Beam Width» (ancho del haz) es un hiperparámetro que especifica el número de ramas (o nodos) que se mantienen en memoria durante cada nivel de la búsqueda. Puedes pensar en ello como el ancho de un haz de luz: un haz más estrecho (un Beam Width pequeño) significa que se exploran menos caminos simultáneamente, lo que resulta en una búsqueda más enfocada pero con mayor riesgo de perder el camino óptimo. Por otro lado, un haz más ancho (un Beam Width grande) permite explorar más opciones en cada paso, aumentando las posibilidades de encontrar la mejor solución pero a costa de mayor uso de recursos computacionales.

Ejemplo Ilustrativo

Imagina que estás tratando de traducir una frase del español al inglés y usas la Búsqueda Beam para generar la traducción palabra por palabra. Si tu Beam Width es 1, en cada paso eliges solo la palabra más probable, lo que podría llevarte rápidamente a una solución, pero no necesariamente a la mejor. Si tu Beam Width es 10, en cada paso consideras las 10 mejores palabras candidatas, explorando un espectro más amplio de posibles frases antes de tomar una decisión. Esto incrementa las chances de encontrar una traducción más natural o precisa, aunque requiere más tiempo y memoria para procesar.

Conclusión

El «Beam Width» es, por lo tanto, un balance entre eficiencia y exhaustividad en la búsqueda. Elegir el valor correcto para este hiperparámetro puede ser crucial para el desempeño de algoritmos de IA en tareas de generación y comprensión de lenguaje, ya que afecta directamente la calidad de las soluciones encontradas y los recursos necesarios para encontrarlas.

Y esta fue la conversación:

Yo: Escríbeme la misma historia sobre una mascota en dos versiones, una con un «Beam Width» de 1 y la otra con un «Beam Width» de 10.

ChatGPT: Claro, aunque no puedo ajustar explícitamente el «Beam Width» para generar respuestas, puedo ilustrar cómo sería el impacto teórico de estos valores en la narrativa de una historia sobre una mascota. Te proporcionaré dos versiones de una historia para reflejar cómo podrían diferir conceptualmente bajo estos parámetros.

Versión con un «Beam Width» de 1:

En un tranquilo vecindario, un pequeño perro llamado Max empezó su día como cualquier otro, despertando con el sol y esperando ansiosamente el momento de salir a pasear. Max era un compañero leal y juguetón que disfrutaba de las cosas simples de la vida: perseguir su pelota, caminar por el parque, y acurrucarse junto a su dueño cada noche. Su vida era sencilla pero llena de alegría. Un día, mientras exploraba el jardín trasero, Max encontró un pájaro herido. Recordando las veces que su dueño cuidó de él, Max decidió no jugar con el pájaro, sino protegerlo de los peligros hasta que su dueño llegó para ayudar. Esta acción reflejaba la naturaleza bondadosa de Max, demostrando que incluso las criaturas más pequeñas pueden hacer grandes diferencias en sus mundos.

Versión con un «Beam Width» de 10:

Max, el intrépido terrier de pelo rizado, vivía en un vibrante vecindario donde cada día era una nueva aventura. Desde temprano en la mañana, su curiosidad lo llevaba por caminos inesperados, desde el rincón más escondido del jardín hasta el bullicioso parque de la ciudad, donde los aromas y sonidos llenaban el aire con promesas de descubrimientos. Su vida era una tapeztría de experiencias, entrelazadas con los lazos de amistad que formaba con cada ser que encontraba. Un día, su espíritu aventurero lo llevó más allá de los límites familiares de su hogar, a un bosque donde la luz del sol se filtraba a través de las hojas, creando patrones de luz y sombra. Allí, Max encontró no solo a un pájaro herido, sino también a una comunidad de animales que trabajaban juntos para protegerse. Inspirado por este espíritu de cooperación, Max se convirtió en un puente entre su mundo humano y el bosque, enseñando a ambos sobre la empatía, el cuidado mutuo y la importancia de la comunidad. Esta aventura marcó el inicio de una serie de acciones que transformarían su vecindario, fomentando un nuevo entendimiento entre todas las criaturas que lo habitaban.

La primera versión, con un «Beam Width» de 1, sigue un camino muy lineal y directo, concentrándose en una trama sencilla sin desviaciones. La segunda versión, imaginando un «Beam Width» de 10, permite explorar una gama más amplia de posibilidades narrativas, resultando en una historia más compleja y matizada, con múltiples subtramas y lecciones entrelazadas, reflejando cómo una mayor exploración de opciones puede enriquecer la narrativa.

Es decir; que si quisiera que ChatGPT me contase la historia desde el chat, «como si» aplicase un «Beam Width» de 10, le podría añadir a la pregunta que «explorase una gama más amplia de posibilidades narrativas obteniendo una historia más compleja y matizada, con múltiples subtramas y lecciones entrelazadas» o algo parecido.

También, le pedí que contase la misma historia de la mascota aplicando un «Length Penalty» de 0,2.

¿Qué es la Penalización por Longitud?

La penalización por longitud es una forma de ajustar la puntuación de las secuencias generadas por un modelo en función de su longitud. El objetivo es equilibrar entre secuencias demasiado cortas, que pueden no capturar completamente el contenido o el significado deseado, y secuencias demasiado largas, que pueden ser verbosas o desviarse del punto principal. Este hiperparámetro modifica la preferencia del modelo por la longitud de las secuencias de salida, permitiendo a los desarrolladores e investigadores afinar la verbosidad o concisión de las respuestas generadas.

Y esto fue lo que me contestó ChatGPT:

Historia con «Length Penalty» de 0.2 aplicado:

En este escenario, la historia de Max podría profundizar en sus pensamientos y emociones, explorando no solo sus acciones sino también el impacto que estas tienen en su entorno. Por ejemplo, después de encontrar al pájaro herido, Max podría iniciar una cadena de eventos que lleva a la comunidad a reconocer la importancia de cuidar su entorno local. Esto podría incluir la organización de grupos de rescate de animales, la creación de espacios seguros para la fauna y la flora local, y la educación de los niños sobre la naturaleza y la biodiversidad. Max, a través de sus acciones, se convierte en un símbolo de cambio, inspirando a otros a mirar el mundo que les rodea con nuevos ojos. La historia podría explorar las temporadas, mostrando cómo la comunidad evoluciona con el tiempo gracias a la influencia de Max, desde los fríos inviernos hasta los cálidos veranos, cada estación trayendo consigo nuevas lecciones y desafíos.

Esta adaptación de la historia no solo amplía la trama sino que también invita a los lectores a contemplar temas más profundos como la interconexión de la vida, la responsabilidad hacia el medio ambiente y los efectos duraderos de las acciones individuales. Al reducir el «Length Penalty», se fomenta una exploración más exhaustiva de estas ideas, resultando en una historia que no solo entretiene sino que también educa e inspira.

Y, finalmente, quería saber cómo afectaría el hiperparámetro «Repetition Penalty».

¿Cómo funciona el Repetition Penalty?

Durante el proceso de generación de texto, cada vez que el modelo está a punto de seleccionar la siguiente palabra, calcula probabilidades para todas las palabras posibles en su vocabulario. El «Repetition Penalty» ajusta estas probabilidades para palabras que ya han aparecido en el texto, reduciendo su probabilidad de ser elegidas nuevamente. Esto se hace de manera que cuanto más una palabra ha sido usada previamente, mayor será la penalización aplicada a su probabilidad de selección futura.

La implementación específica del «Repetition Penalty» puede variar, pero generalmente implica modificar la puntuación (logits) de las palabras candidatas que ya han aparecido en el texto. Por ejemplo, si una palabra ha sido seleccionada anteriormente, su puntuación se reduce multiplicándola por un factor menor que 1 (si el factor es mayor que 1, en realidad se estaría aumentando la probabilidad de repetición, lo cual es lo contrario de lo que se busca con este mecanismo).

Esta fue la conversación, relacionada con la penalización de la repetición.

Yo: Y, por último, ¿cómo afecta el hiperparámetro «Repetition Penalty» a la historia?

ChatGPT: El hiperparámetro «Repetition Penalty» es utilizado en la generación de texto con inteligencia artificial para controlar la repetición de palabras y frases. Cuando se ajusta este parámetro, el modelo está incentivado (o penalizado) para evitar la repetición excesiva, lo que puede conducir a un texto más variado y creativo. Un «Repetition Penalty» más alto desalienta al modelo de repetir las mismas palabras o frases, promoviendo la generación de contenido más diverso y original.

Si aplicamos un «Repetition Penalty» a nuestra historia sobre Max, esto influiría en cómo se narran los eventos y se describen los personajes y escenarios. Con un «Repetition Penalty» ajustado adecuadamente, podríamos esperar una variedad más rica en el lenguaje utilizado, evitando que la historia caiga en la redundancia y manteniendo el interés del lector. Esto es particularmente útil en narrativas complejas o extendidas donde el riesgo de repetición es mayor.

Impacto del «Repetition Penalty» en la historia:

  • Sin ajuste de «Repetition Penalty»: La narrativa podría contener ciertas frases o ideas que se repiten, lo que podría hacer que la historia parezca menos fluida o creativa. Por ejemplo, descripciones similares del entorno de Max o de sus acciones podrían aparecer varias veces a lo largo de la historia.
  • Con un «Repetition Penalty» alto: La historia de Max se beneficiaría de una mayor diversidad lingüística y de ideas. Esto podría manifestarse en una variedad más amplia de descripciones de sus aventuras, interacciones únicas con otros personajes, y una exploración más rica de los temas subyacentes de la historia. La narrativa sería más dinámica, con giros inesperados y detalles originales que mantendrían al lector comprometido y curioso sobre lo que vendrá a continuación.

En resumen, el «Repetition Penalty» ayuda a mejorar la calidad de la generación de texto al fomentar la originalidad y reducir la redundancia. En el contexto de nuestra historia sobre Max, esto significaría una narrativa más rica y variada que captura mejor la imaginación del lector y ofrece una experiencia de lectura más satisfactoria y enriquecedora.

Pero no quería dejarlo, sin saber cómo aplicar los tres hiperparámetros en la historia de la mascota, desde el chat. En primer lugar,

Yo: ¿Puedes escribir la historia de la mascota imaginando que se aplican los parámetros Beam Width=10, Lenght Penalty=0.5 y Repetition Penalty?

ChatGPT: Integrando los parámetros de «Beam Width» de 10, un «Length Penalty» de 0.5, y aplicando un «Repetition Penalty» para evitar repeticiones, la historia de nuestra mascota, Max, se podría imaginar así:

En la vibrante cúspide del otoño, Max, un perro de espíritu libre con un pelaje que brillaba como el ámbar bajo el sol del mediodía, emprendió una aventura que transformaría no solo su vida sino también la de su comunidad. Con un corazón tan vasto como el cielo azul sobre él, Max se deslizó por las calles adoquinadas de su barrio, cada paso un salto hacia lo desconocido. Su mundo, lleno de olores y sonidos, se expandía con cada nueva experiencia, guiado por un insaciable deseo de explorar y conectar.

En un rincón olvidado del parque, donde las sombras bailaban y las hojas susurraban secretos antiguos, Max encontró a un gatito atrapado bajo las ramas caídas de un árbol milenario. Sin dudarlo, Max usó su ingenio y determinación para liberar al felino, una acción que sembró la semilla de una amistad inesperada. Este acto de bondad resonó más allá de los límites del parque, inspirando a los vecinos a mirar más allá de sus propias vidas, hacia una existencia compartida con las criaturas con las que comparten su mundo.

Movido por este nuevo propósito, Max se convirtió en el catalizador de un movimiento que abogaba por la armonía entre los seres humanos y la naturaleza. Los fines de semana, el parque se transformaba en un hervidero de actividad, donde las personas de todas las edades se reunían para construir refugios para los animales, plantar árboles y compartir historias de las pequeñas maravillas de su entorno. Max, con su amigo felino siempre a su lado, lideraba estas asambleas, demostrando que la empatía y la acción pueden tejer juntas un tapiz de cambio.

A medida que las estaciones se sucedían, el barrio floreció en un oasis de biodiversidad y coexistencia. Max, una vez un simple perro buscando aventuras, ahora era visto como un guardián de la comunidad, un puente entre mundos. Su historia, enriquecida por la diversidad de experiencias y la profundidad de las relaciones forjadas en el camino, se convirtió en una leyenda viva, un recordatorio de que cada acto de bondad, por pequeño que sea, tiene el poder de remodelar el mundo.

La aplicación de un «Beam Width» amplio permitió que esta historia explorara diversas posibilidades y caminos, el «Length Penalty» moderado aseguró que la narrativa fuera detallada pero equilibrada, y el «Repetition Penalty» garantizó una rica variedad en el lenguaje y las ideas presentadas. La vida de Max se desarrolla como una serie de momentos interconectados, cada uno reflejando la belleza y la complejidad de un mundo compartido, narrado con una creatividad que captura el corazón y la imaginación del lector.

Y, finalmente,

Yo: Y para ver la diferencia ¿Puedes escribir la historia imaginando que se aplican los parámetros Beam Width=1, Lenght Penalty=2 y sin Repetition Penalty?

ChatGPT: Con un «Beam Width» de 1, un «Length Penalty» de 2, y sin aplicar un «Repetition Penalty», la historia de Max adoptaría un enfoque más lineal y conciso, enfocándose en un hilo narrativo principal con menos detalle y diversidad en la trama y el lenguaje:

En un día ordinario de primavera, Max, un pequeño perro con un gran corazón, decidió embarcarse en una caminata matutina por el vecindario. Su rutina era simple pero satisfactoria: un paseo por las calles tranquilas, un momento de descanso bajo el gran roble del parque y el regreso a casa justo a tiempo para el desayuno. La vida de Max era un ciclo predecible de pequeñas alegrías, una existencia sin complicaciones que le brindaba seguridad y felicidad.

Durante uno de sus paseos habituales, Max se topó con un gatito atrapado en un arbusto. Sin la influencia de un «Repetition Penalty» para incentivar la variación en la narrativa, esta historia se centra en este único evento con una narración directa. Max, movido por un instinto protector, se acercó cautelosamente y, con delicadeza, ayudó al gatito a liberarse. Agradecido y maullando suavemente, el gatito siguió a Max hasta casa, marcando el inicio de una amistad singular.

Este acto de bondad no desencadenó cambios significativos en la comunidad ni inspiró movimientos colectivos. En lugar de eso, la vida de Max continuó como siempre, ahora simplemente acompañado por su nuevo amigo. Los días seguían siendo tranquilos, las actividades rutinarias, y las aventuras grandes se encontraban en los pequeños momentos compartidos entre Max y el gatito. La historia, condensada por un alto «Length Penalty», evita divagaciones y se mantiene enfocada en la narración principal, ofreciendo un relato breve pero emotivo de compañerismo y amistad cotidiana.

Esta versión de la historia, al contrastar con la anterior, muestra cómo la configuración de los hiperparámetros afecta el desarrollo y la riqueza de la narrativa. Con un enfoque más restringido y enfocado, la trama es sencilla y directa, reflejando cómo la simplicidad también tiene su propia belleza y valor en la narración de historias.

En definitiva, en el chat no podemos fijar los valores de los hiperparámetros pero podemos hacer que ChatGPT «imagine» el comportamiento que tendría con esos valores si somos capaces de indicárselo en las preguntas.

En este post, te he dado una idea de cómo se puede hacer. Pero es cuestión de habilidad.

Resumen

El resumen siguiente ha sido obtenido mdiante IA y editado y corregido por A. Cambronero, utilizando diversas herramientas como Aseembly AI, Canva, etc.

Puntos clave

  • Los hiperparámetros influyen en el rendimiento de modelos de IA como ChatGPT, afectando la variabilidad y calidad de las respuestas.
  • La «temperatura» es un hiperparámetro clave que controla la creatividad y coherencia de las respuestas generadas.
  • Ajustar hiperparámetros puede mejorar significativamente la calidad de las respuestas de ChatGPT, aunque requiere experimentación y comprensión de su funcionamiento.
  • Desde el chat de ChatGPT, no es posible ajustar explícitamente hiperparámetros técnicos, pero se puede influir indirectamente en las respuestas a través de la formulación de preguntas.
  • Ejemplo de código en PHP para ajustar la temperatura en solicitudes a la API de OpenAI.
  • Se pueden simular efectos de hiperparámetros como «Beam Width», «Length Penalty» y «Repetition Penalty» mediante instrucciones específicas en el chat.

Resumen breve

Este artículo explora la importancia de los hiperparámetros en la optimización de modelos de IA como ChatGPT, con énfasis en cómo la «temperatura» afecta la generación de respuestas. Ajustar estos hiperparámetros puede mejorar la precisión y creatividad de ChatGPT, aunque requiere experimentación. Además, se discute la posibilidad de influir indirectamente en las respuestas de ChatGPT a través de la formulación de preguntas, ya que no es posible ajustar hiperparámetros técnicamente desde el chat. Se incluye un ejemplo de cómo ajustar la temperatura mediante código PHP y se explica cómo se pueden simular los efectos de otros hiperparámetros en las respuestas de ChatGPT.

Lista de acciones relacionadas

  • Experimentar con diferentes valores de «temperatura» para observar cómo afectan la creatividad y coherencia de las respuestas de ChatGPT.
  • Utilizar la API de OpenAI para ajustar hiperparámetros técnicos en aplicaciones que requieran personalización del modelo ChatGPT.
  • Formular preguntas o instrucciones a ChatGPT de manera que indirectamente se simule el ajuste de hiperparámetros como «Beam Width», «Length Penalty», y «Repetition Penalty».

Información relacionada

Para profundizar en temas relacionados con la optimización de modelos de IA y el uso de hiperparámetros en ChatGPT, puedes considerar los siguientes enlaces:

Responder en Mastodon (requiere usuario en esa plataforma)

Puedes usar tu cuenta de Mastodon para responder a este post de acambronero

Copia y pega esta URL (https://www.blogpocket.com/?p=77574) en el campo de búsqueda de la interfaz web de tu servidor Mastodon.

Icono de Mastodon

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Información básica sobre protección de datos Ver más

  • Responsable: Antonio Cambronero.
  • Finalidad:  Moderar los comentarios.
  • Legitimación:  Por consentimiento del interesado.
  • Destinatarios y encargados de tratamiento: No se ceden o comunican datos a terceros para prestar este servicio. El Titular ha contratado los servicios de alojamiento web a GreenGeeks que actúa como encargado de tratamiento.
  • Derechos: Acceder, rectificar y suprimir los datos.
  • Información Adicional: Puede consultar la información detallada en la Política de Privacidad.

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Ir al contenido