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 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.

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas