Explicación del Script: generate_dataset.py

Este documento explica el funcionamiento y utilidad del archivo generate_dataset.py que se encuentra en tu proyecto.

1. ¿Para qué se usa?

El objetivo principal de este script es generar datos sintéticos masivos para entrenar a tu Inteligencia Artificial (LLM).

Entrenar un modelo para que sea un "Chef" requiere miles de ejemplos. Escribir 5,000 recetas a mano sería una tarea titánica. Este script automatiza ese proceso, creando miles de combinaciones de recetas coherentes en cuestión de segundos.

Resultado: Al ejecutarlo, crea un archivo llamado recetas_extended.jsonl con 5,000 recetas únicas listas para el entrenamiento.

2. ¿Cómo funciona? (La Lógica)

El script funciona como una "fábrica de recetas" aleatoria pero estructurada. Sigue estos pasos:

A. Bases de Datos de Ingredientes

Al principio del código, tiene listas definidas de ingredientes clasificados:

Proteínas: pollo, ternera, merluza, tofu...
Verduras: cebolla, pimiento, zanahoria...
Carbohidratos: patatas, arroz, pasta...
Extras/Salsas: limón, nata, especias...

B. El Motor de Generación (Función `generar_receta`)

Por cada receta que genera, hace lo siguiente:

Selección Aleatoria: Elige al azar entre 2 y 4 ingredientes de las listas anteriores.
Creación de la Pregunta (Instruction): Simula cómo un usuario pediría la receta.
Ejemplo: "Tengo pollo y arroz." o "¿Qué cocino con merluza y tomate?"
Lógica de Cocina (El "Cerebro"):
- Decide un nombre para el plato (ej: "Pollo al horno").
- Elige una técnica de cocción (horno, plancha, estofado).
- Redacta los pasos: Tiene plantillas inteligentes. Si la técnica es "horno", escribe pasos sobre precalentar y hornear. Si es "estofado", escribe sobre hacer un sofrito y cocinar lento.
Ensamblaje: Une la introducción, los pasos y la despedida.

3. Ejemplo de lo que genera

El script produce líneas en formato JSONL como esta:

        {
        "instruction": "Tengo pechugas de pollo, limón y ajo.",
        "output": "¡Claro! Puedes preparar unas 'Pechugas de Pollo al Limón'. Sella las pechugas en una sartén... [Pasos
        generados] ... ¡Que aproveche!"
        }
    

4. Resumen Técnico

Librerías usadas: random (para la aleatoriedad) y json (para guardar el archivo).
Volumen: Está configurado para crear 5,000 ejemplos (bucle range(5000)).
Utilidad: Alimentar el proceso de Fine-Tuning para que el modelo "Phi-3" aprenda patrones de cocina variados sin que tú tengas que escribirlos uno a uno.