Introducción a los LLMs para desarrolladores
Este curso es una versión adaptada al chino de la serie de tres cursos sobre modelos de lenguaje grande lanzada conjuntamente por Andrew Ng y OpenAI. Cubre la ingeniería de prompts, la creación de sistemas con la API de ChatGPT, el desarrollo de aplicaciones con LangChain y el uso de LangChain para acceder a datos privados. El curso ofrece una introducción clara y accesible sobre cómo aprovechar las capacidades de los modelos de lenguaje grandes para construir aplicaciones con funciones de resumen, inferencia, transformación, expansión y chat.
Descripción del curso
Resumen del Contenido
Este curso es una adaptación china de la serie de tres partes sobre Modelos de Lenguaje Grandes (LLM), desarrollada conjuntamente por Andrew Ng y OpenAI. Cubre ingeniería de prompts, construcción de sistemas basados en la API de ChatGPT, desarrollo de aplicaciones con LangChain y uso de LangChain para acceder a datos privados. El curso ofrece una introducción profunda pero accesible al aprovechamiento de las capacidades de los LLM para desarrollar aplicaciones con funcionalidades de resumen, inferencia, transformación, expansión y chat.
Domina la ingeniería de prompts y el marco LangChain para convertirte en un desarrollador de aplicaciones de IA en la era de los modelos grandes.
Objetivos de Aprendizaje
- Distinguir entre LLMs base y LLMs ajustados mediante instrucciones.
- Aplicar cuatro tácticas específicas para redactar instrucciones claras y precisas (delimitadores, salida estructurada, comprobaciones condicionales y promp de ejemplo reducido).
- Implementar estrategias para dar a los modelos "tiempo para pensar", especificando pasos de la tarea y requiriendo resolución independiente del problema.
- Implementar procesamiento de texto estructurado: resumir e extraer información específica de documentos únicos o múltiples, controlando la longitud y el enfoque de la salida.
- Realizar análisis automatizado de texto: clasificar sentimientos, identificar emociones específicas y ejecutar clasificación de temas sin ejemplos (zero-shot) usando prompts.
- Ejecutar transformaciones multimodales: traducir entre idiomas, convertir formatos de datos (por ejemplo, JSON a HTML) y corregir gramática/ortografía de forma programática.
- Distinguir entre LLMs base y LLMs ajustados mediante instrucciones, comprendiendo el impacto de la tokenización en el comportamiento del modelo.
- Implementar arquitecturas de sistema estructuradas utilizando roles de mensajes System, User y Assistant para definir personalidades del modelo.
- Aplicar técnicas de clasificación y moderación para evaluar entradas de usuarios en términos de seguridad y enrutamiento.
- Implementar encadenamiento de prompts: descomponer tareas complejas en sub-tareas manejables para mejorar la confiabilidad y reducir costos.