Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Duración 7 horas
Temario del curso
De la generación de texto a decisiones tipadas
- Lo que un modelo de decisiones devuelve
- Decisiones de sistema uno frente a LLMs de razonamiento
- Perfil de costo y latencia de las decisiones acotadas
El panorama de los modelos de decisiones de pesos abiertos
- Strands Decider 2B de AWS Labs
- Familias de pesos abiertos JEV y GEV
- Pplx-Decider, Liquid D1 y Clef
- Diferencias de licencia y despliegue
Internas de un modelo de decisiones
- Tronco de LLM sin cabeza de modelado de lenguaje
- Cabeza de puntero que puntúa sobre opciones candidatas
- Origen de la puntuación de confianza
Ejecutando sus primeras decisiones
- Configuración local en CPU y GPU de consumo
- Formulación de preguntas y conjuntos de opciones
- Preguntar varias cosas en una sola pasada
- Umbrales y comportamiento de respaldo (fallback)
Evaluar la calidad de la decisión
- JevBench y benchmarks de decisiones
- Precisión frente a calibración
- Puntuación Brier y fiabilidad de la confianza
- Tareas donde un modelo de decisiones es la herramienta inadecuada
Requerimientos
- Conocimiento básico de los grandes modelos de lenguaje (LLMs) y aplicaciones basadas en prompts.
- Dominio de la línea de comandos y scripts en Python.
- No se requiere experiencia previa en entrenamiento de aprendizaje automático.
Público objetivo
- Ingenieros de IA que evalúen modelos de decisiones para flujos de trabajo de agentes.
- Desarrolladores de software que sustituyan llamadas a LLMs por decisiones acotadas.
- Arquitectos de soluciones y de plataformas que diseñen arquitecturas de agentes.
- Directores de producto técnico que evalúen opciones de modelos de decisiones.