Ponte en Contacto
 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.

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas