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 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.