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 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.
Dentro de un modelo de decisión
- Tronco de LLM sin cabeza de modelado de lenguaje.
- Puntuación de la cabeza 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.
- 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 frente a calibración.
- Puntuación Brier y fiabilidad de la confianza.
- Tareas para las que un modelo de decisión es la herramienta incorrecta.
Requerimientos
- Conocimiento básico de los modelos de lenguaje grandes (LLM) y aplicaciones basadas en prompts.
- Familiaridad con la línea de comandos y los scripts de Python.
- No se requiere experiencia previa en entrenamiento de aprendizaje automático.
Público objetivo
- Ingenieros de IA que evalúan modelos de decisión para flujos de trabajo de agentes.
- Desarrolladores de software que sustituyen llamadas a LLMs por decisiones acotadas.
- Arquitectos de soluciones y plataformas que diseñan arquitecturas de agentes.
- Gerentes de producto técnico que evalúan opciones de modelos de decisión.