Ponte en Contacto
 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.

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas