Ponte en Contacto
 Duración 7 horas

Temario del curso

De la generación de texto a las decisiones tipadas

  • Lo que devuelve un modelo de decisión
  • Decisiones del sistema uno frente a LLMs de razonamiento
  • Perfil de costo y latencia de las decisiones acotadas

El panorama de los modelos de decisión con pesos abiertos

  • Strands Decider 2B de AWS Labs
  • Familias de pesos abiertos JEV y GEV
  • Pplx-Decider, Liquid D1 y Clef
  • Diferencias en licencias y despliegue

En el interior de un modelo de decisión

  • Tronco de LLM sin cabeza de modelado de lenguaje
  • Cabeza punteadora que puntúa sobre opciones candidatas
  • Origen de la puntuación de confianza

Ejecutando tus primeras decisiones

  • Configuración local en CPU y GPU de consumo
  • Formulación de preguntas y conjuntos de opciones
  • Hacer varias preguntas en una sola pasada
  • Umbrales y comportamiento de respaldo (fallback)

Juzgando la calidad de la decisión

  • JevBench y benchmarks de decisión
  • Precisión versus calibración
  • Puntaje Brier y fiabilidad de la confianza
  • Tareas donde un modelo de decisión es la herramienta equivocada

Requerimientos

  • Familiaridad básica con los modelos de lenguaje de gran escala (LLMs) y aplicaciones basadas en prompts.
  • Dominio de la línea de comandos y scripts de Python.
  • No se requiere experiencia previa en entrenamiento de machine learning.

Público objetivo

  • Ingenieros de IA que evalúan modelos de decisión para flujos de trabajo de agentes.
  • Desarrolladores de software que reemplazan llamadas a LLMs por decisiones acotadas.
  • Arquitectos de soluciones y de plataformas que diseñan arquitecturas de agentes.
  • Gerentes de producto técnico que evalúan opciones de modelos de decisión.

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas