El aprendizaje en contexto (ICL) representa una de las capacidades más fascinantes de los grandes modelos de lenguaje: la habilidad de adaptarse a nuevas tareas con solo unos pocos ejemplos en la entrada. Sin embargo, la selección de esos ejemplos es crítica y, a menudo, subóptima. Métodos como KATE, basados en vecinos cercanos, fallan en espacios de alta dimensionalidad por falta de diversidad y generalización. Aquí surge KITE (Kernelized Exemplars for In-context Learning), un enfoque que aborda el problema desde la teoría de la información: modela el modelo de lenguaje como una función lineal sobre embeddings y formula la selección de ejemplos como un problema de optimización específico para cada consulta, minimizando el error de predicción. KITE introduce un objetivo sustituto aproximadamente submodular, lo que permite usar un algoritmo voraz con garantías de aproximación. Además, incorpora el truco del kernel para operar en espacios de características de alta dimensionalidad sin mapeos explícitos, y un regularizador basado en diseño óptimo que fomenta la diversidad entre los ejemplos seleccionados. Los resultados empíricos demuestran mejoras significativas frente a métodos de recuperación estándar en tareas de clasificación, especialmente en escenarios con pocos datos etiquetados. Esta perspectiva general y técnica tiene aplicaciones directas en el mundo empresarial. Por ejemplo, una empresa que desee implementar ia para empresas puede beneficiarse de principios similares para seleccionar los datos de entrenamiento más relevantes y diversos, optimizando así el rendimiento de sus agentes IA. Del mismo modo, la construcción de aplicaciones a medida que integren inteligencia artificial requiere un manejo inteligente de la información contextual, similar a la estrategia de KITE para elegir ejemplos representativos. Los servicios cloud aws y azure proporcionan la infraestructura escalable para ejecutar estos modelos, mientras que soluciones de ciberseguridad y servicios inteligencia de negocio como power bi permiten monitorizar y visualizar los resultados. En Q2BSTUDIO, aplicamos este tipo de razonamiento innovador para diseñar software a medida que combina aprendizaje automático, automatización de procesos y análisis de datos, asegurando que cada componente —desde los agentes IA hasta los paneles de control— funcione con la máxima eficiencia y relevancia contextual.