[
  {
    "id": "clasificar_tickets",
    "title": "Clasificar tickets de soporte académico",
    "primary_principle": "supervised_learning",
    "supporting_principles": [
      "unsupervised_learning",
      "scaling_cost"
    ],
    "required_artifacts": [
      "dataset etiquetado + métrica de error",
      "perfilado de clusters + validación de dominio",
      "eval pequeña + curva coste/calidad/latencia"
    ],
    "review_flags": [],
    "reasons": [
      "hay suficientes ejemplos etiquetados para medir error",
      "hay mucho dato sin etiquetar para explorar estructura",
      "hay que comparar calidad, latencia y coste"
    ],
    "next_chapter": "capítulo 4 y capítulo 6"
  },
  {
    "id": "descubrir_segmentos",
    "title": "Descubrir segmentos de alumnos sin etiquetas previas",
    "primary_principle": "unsupervised_learning",
    "supporting_principles": [],
    "required_artifacts": [
      "perfilado de clusters + validación de dominio"
    ],
    "review_flags": [],
    "reasons": [
      "hay mucho dato sin etiquetar para explorar estructura"
    ],
    "next_chapter": "facsímil 8"
  },
  {
    "id": "asistente_becas",
    "title": "Asistente que responde sobre becas y sabe abstenerse",
    "primary_principle": "post_training",
    "supporting_principles": [
      "supervised_learning",
      "unsupervised_learning",
      "attention_context",
      "scaling_cost"
    ],
    "required_artifacts": [
      "pares de preferencia + política de rechazo",
      "dataset etiquetado + métrica de error",
      "perfilado de clusters + validación de dominio",
      "presupuesto de contexto + estrategia de recuperación",
      "eval pequeña + curva coste/calidad/latencia"
    ],
    "review_flags": [
      "pocos ejemplos etiquetados: valida antes de prometer fine-tuning",
      "impacto alto: exige evaluación y revisión antes de publicar"
    ],
    "reasons": [
      "hay mucho dato sin etiquetar para explorar estructura",
      "el comportamiento deseado depende de preferencias y abstención",
      "el presupuesto de contexto condiciona coste y recuperación",
      "hay que comparar calidad, latencia y coste"
    ],
    "next_chapter": "facsímil 3 y facsímil 4"
  },
  {
    "id": "resumen_contratos",
    "title": "Resumir contratos largos con cláusulas cruzadas",
    "primary_principle": "attention_context",
    "supporting_principles": [
      "supervised_learning",
      "unsupervised_learning",
      "post_training",
      "scaling_cost"
    ],
    "required_artifacts": [
      "presupuesto de contexto + estrategia de recuperación",
      "dataset etiquetado + métrica de error",
      "perfilado de clusters + validación de dominio",
      "pares de preferencia + política de rechazo",
      "eval pequeña + curva coste/calidad/latencia"
    ],
    "review_flags": [
      "pocos ejemplos etiquetados: valida antes de prometer fine-tuning",
      "impacto alto: exige evaluación y revisión antes de publicar"
    ],
    "reasons": [
      "hay mucho dato sin etiquetar para explorar estructura",
      "el presupuesto de contexto condiciona coste y recuperación",
      "hay que comparar calidad, latencia y coste"
    ],
    "next_chapter": "facsímil 3 y facsímil 4"
  },
  {
    "id": "modelo_local_rapido",
    "title": "Elegir modelo local para respuestas internas de baja latencia",
    "primary_principle": "scaling_cost",
    "supporting_principles": [
      "supervised_learning",
      "unsupervised_learning",
      "post_training"
    ],
    "required_artifacts": [
      "eval pequeña + curva coste/calidad/latencia",
      "dataset etiquetado + métrica de error",
      "perfilado de clusters + validación de dominio",
      "pares de preferencia + política de rechazo"
    ],
    "review_flags": [],
    "reasons": [
      "hay suficientes ejemplos etiquetados para medir error",
      "hay mucho dato sin etiquetar para explorar estructura",
      "la generación tiene objetivo estricto de latencia"
    ],
    "next_chapter": "capítulo 10 y facsímil 7"
  }
]