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 LLM de razonamiento
  • Perfil de costo y latencia de 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 de licencias y despliegue

Interior de un modelo de decisión

  • Tronco de LLM sin cabeza de modelado de lenguaje
  • Cabeza de puntero que puntúa 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

Evaluar la calidad de las decisiones

  • JevBench y benchmarks de decisión
  • Precisión frente a calibración
  • Puntaje Brier y confiabilidad de la confianza
  • Tareas donde un modelo de decisión no es la herramienta adecuada

Requerimientos

  • Conocimiento básico de los grandes modelos de lenguaje (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 machine learning.

Público Objetivo

  • Ingenieros de IA que evalúen modelos de decisión para flujos de trabajo de agentes.
  • Desarrolladores de software que reemplacen llamadas a LLM con decisiones acotadas.
  • Arquitectos de soluciones y plataformas que diseñen arquitecturas de agentes.
  • Gerentes de producto técnico que evalúen opciones de modelos de decisión.

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas