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
- Qué devuelve un modelo de decisión
- Decisiones de sistema uno (system one) frente a LLMs de razonamiento
- Perfil de costo y latencia de las decisiones acotadas
El panorama de los modelos de decisión de 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
Adentro de un modelo de decisión
- Torso de LLM sin cabeza de modelado de lenguaje
- Calificación de cabeza de puntero 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
- Realizar varias preguntas en una sola pasada
- Umbrales y comportamiento de respaldo (fallback)
Juzgando la calidad de las decisiones
- JevBench y benchmarks de decisiones
- Precisión frente a calibración
- Puntuación de Brier y fiabilidad de la confianza
- Tareas donde un modelo de decisión es la herramienta inadecuada
Requerimientos
- Conocimiento básico de los grandes modelos de lenguaje (LLMs) y aplicaciones basadas en indicaciones (prompts).
- Familiaridad con la línea de comandos y los scripts de Python.
- No se requiere experiencia previa en entrenamiento de aprendizaje automático (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 con decisiones acotadas.
- Arquitectos de soluciones y plataformas que diseñan arquitecturas de agentes.
- Gerentes de producto técnico que evalúan opciones de modelos de decisión.