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 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.