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 tipificadas
- Lo que 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
Interior de un modelo de decisión
- Tronco de LLM sin cabezal de modelado de lenguaje
- Scoreo con cabezal 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
- Preguntar varias cosas en una única pasada
- Umbrales y comportamiento de respaldo (fallback)
Evaluando la calidad de la decisión
- JevBench y benchmarks de decisión
- Precisión frente a calibración
- Puntuación Brier y fiabilidad de la confianza
- Tareas donde un modelo de decisión es la herramienta equivocada
Requerimientos
- Conocimiento básico de los grandes modelos de lenguaje 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.
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 técnicos de producto que evalúan opciones de modelos de decisión