Domina Python, OpenAI, LangChain y LangGraph. Crea sistemas multiagente avanzados y despliega en GCP. Automatiza con n8n y Make para innovar con soluciones de IA conversacional de élite. ¡Lidera la revolución de la inteligencia artificial!
Sesión 1 - Fundamentos de IA y Modelos de Lenguaje
Introducción al AI Engineering y conceptos clave de Machine Learning & Deep Learning.
Fundamentos de LLM's y la arquitectura Transformer: self-attention, embeddings y tokenización.
Exploración de Modelos Fundacionales: GPT, Gemini, Claude, LLaMA, Mistral y DeepSeek.
Análisis de casos de uso base para la aplicación de modelos de lenguaje
Módulo 2 - Arquitectura de soluciones LLM's y Fundamentos de LLMOps
10Lecciones·
Sesión 1 - Diseño de Arquitecturas para Soluciones con LLM's
Gestión de Datos: Procesos de ingesta (Data Ingestion), almacenamiento (Data Storage) y bases de datos vectoriales (Qdrant, Pinecone, Supabase)
Integración y Procesamiento: Conexión con LLM's de diferentes proveedores (GCP, Azure, AWS) y uso de frameworks como LangChain y Llama Index (Open Source solo para Conceptos)
Monitoreo y Seguridad: Implementación de caché, logs, encriptación y estrategias contra vulnerabilidades en LLM's
Taller Práctico: Definir desde cero la arquitectura de una solución basada en LLM's: Qdrant o Supabase en su modo gratuito, GCP para ADK.
Sesión 2 - Introducción a LLMOps
Definición y principios de LLMOps
Fases del ciclo de vida: Preparación de datos (Data Preparation) y seguridad en prompts
Automatización y Orquestación mediante el uso de Pipelines
Automatización y Orquestación mediante el uso de Pipelines
Módulo 3 - Data Management & Vectors Databases
10Lecciones·
Sesión 1 - Fundamentos de LangChain (Agentes con LangChain) Y LangGraph (Sistema Multiagentes)
Introducción a los conceptos de Retrieval Augmented Generation (RAG) y Grounding de LLM's
Exploración del Framework LangChain y sus componentes principales
Uso de plantillas de prompts (Prompt Templates) para estandarizar las interacciones
Implementación de caché para respuestas de LLM's (Caching LLM Responses).
Construcción de flujos de trabajo con Cadenas Simples (Simple Chains) y Secuenciales (Sequential Chains)
Implementación de Agentes con el framework ReAct
Carga y segmentación de documentos: Document Loaders y Chunking Techniques
Almacenamiento e indexación en bases de datos vectoriales (Vector Stores and Indexing)
Almacenamiento del historial de conversaciones con Firestore
