Curso online Cómo Desarrollar tu Propio Chatbot: Modelos Personalizados de IA Generativa

Este Curso online Cómo Desarrollar tu Propio Chatbot: Modelos Personalizados de IA Generativa está diseñado para proporcionar una comprensión profunda de los LLMs, explorando cómo estos modelos no solo comprenden y generan texto con una precisión impresionante, sino cómo se pueden crear soluciones específicas que van, desde la mejora de sistemas de recomendación, hasta la automatización de respuestas en servicios de atención al cliente.

Este Curso online Cómo Desarrollar tu Propio Chatbot: Modelos Personalizados de IA Generativa, de 20 horas de duración, te enseñará a identificar y conocer los componentes clave y la funcionalidad de los Modelos de Lenguaje de Gran Escala (LLMs) y la Recuperación de Información Generativa (RAG).

Igualmente, se evalúan ejemplos de aplicaciones RAG y se describe cómo se integran con modelos de lenguaje de gran tamaño LLMs para mejorar la recuperación de información.

Creación del chatbot personalizado paso a paso

Aprenderás a aplicar técnicas de procesamiento para transformar datos no estructurados en formatos adecuados para el uso en modelos LLMs. En cuanto a los embeddings y las bases de datos vectoriales, desarrollarás habilidades para implementar y utilizar Sentence Transformers en la creación de bases de datos vectoriales para aplicaciones RAG.

Te explicarán cómo implementar y evaluar estrategias de búsqueda y recuperación utilizando consultas vectoriales y modelos LLM y pasarás a la creación del chatbot personalizado, incluidos el alojamiento en el servidor, el mantenimiento del chatbot y la evaluación de su efectividad.

Despliegue de aplicaciones LLM

Asimismo, estudiarás cómo implementar y desplegar modelos LLM en entornos locales y en la nube, utilizando herramientas avanzadas para facilitar el acceso y la interacción.

Por último, sabrás cómo utilizar frameworks de código abierto para desarrollar y desplegar aplicaciones RAG, demostrando comprensión y habilidad en la integración de estos componentes.

En un mundo donde la tecnología evoluciona a un ritmo vertiginoso, el dominio de los modelos de lenguaje de gran tamaño (LLMs) y las tecnologías RAG se están convirtiendo en una herramienta crucial para innovar y transformar industrias. En este sentido, este Curso online Cómo Desarrollar tu Propio Chatbot: Modelos Personalizados de IA Generativa te ayudará a acceder a nuevas y prometedoras salidas laborales y oportunidades profesionales.

¿A quién se dirige este curso?

Este Curso online Cómo Desarrollar tu Propio Chatbot: Modelos Personalizados de IA Generativa, con Certificado Acreditativo, va dirigido principalmente a profesionales y estudiantes de tecnologías de la información, ciencias de datos (Data Science), inteligencia artificial y áreas afines que deseen adquirir conocimientos fundamentales sobre los Modelos de Lenguaje de Gran Escala (LLMs) y su aplicación en la Inteligencia Artificial Generativa (IAG). Resulta ideal para:

• Desarrolladores de software y programadores interesados en inteligencia artificial.
• Analistas de datos y científicos de datos que buscan mejorar sus habilidades en procesamiento y recuperación de información.
• Ingenieros de sistemas y arquitectos de soluciones que desean implementar soluciones basadas en LLMs.
• Estudiantes e informáticos interesados en las aplicaciones prácticas de la inteligencia artificial generativa.

Requisitos

• Conocimientos de programación, preferiblemente en Python.
• Fundamentos de inteligencia artificial y aprendizaje automático.
• Conceptos básicos de manejo y procesamiento de datos.
• Familiaridad con el entorno de desarrollo de software y herramientas de código abierto.

≡ Temario del Curso online Cómo Desarrollar tu Propio Chatbot: Modelos Personalizados de IA Generativa

TEMA 1. Conceptos básicos sobre modelos de lenguaje LLMs y recuperación de datos

1. Componentes clave de los modelos de lenguaje grande (LLMs)
2. ¿Pero qué es en esencia un LLM y qué es capaz de hacer?
3. ¿Por qué son tan revolucionarios los Transformers?
4. Limitaciones de las redes neuronales clásicas
   1. Redes Neuronales Convolucionales (CNNs)
   2. Redes Neuronales Recurrentes (RNNs)
5. La revolución de los Transformers
   1. Mecanismo de autoatención
   2. Atención múltiple
   3. Capacidad para capturar dependencias a largo plazo
   4. No secuencialidad en el entrenamiento
6. ¿Y a efectos prácticos, qué necesito tener para operar mi propio LLM?
   1. Lo que necesitamos saber para empezar a programar nuestro LLM
   2. ¿Qué es Hugging Face?
      • Componentes
   3. ¿Qué es Google Colab?
      • Características
   4. El Mecanismo de autoatención de nuevo: comprender relaciones entre elementos
   5. Representación de datos: Todo es una secuencia
   6. Multimodalidad: Integración de diferentes fuentes de información
   7. Escalabilidad y paralelización
   8. Entrenamiento en grandes cantidades de datos
7. Cargando un modelo de GPT2 en nuestro entorno de desarrollo
8. Las matemáticas muy resumidas detrás de los Transformers (solo para fans verdaderos)
   1. Autoatención
   2. Cálculo de la salida en la capa de autoatención
   3. Atención múltiple
   4. Capa de proyección y FFN
   5. Resumen gráfico de flujo
9. Comparación de Transformers con CNNs y RNNs
10. ¿Y cómo es posible que los LLMs parezcan razonar?
    1. Escala y profundidad del entrenamiento
    2. Atención y manejo de contextos largos
    3. Instrucciones y prompts
    4. Capacidades emergentes
    5. Razonamiento implícito mediante datos
11. Componentes clave de la recuperación de datos
    1. Definición y funcionalidad de RAG
    2. Beneficios y aplicaciones de RAG
    3. Ejemplos de aplicación de RAG
    4. Fases del proceso RAG
12. Resumen
    1. ¿Qué son los modelos LLMs?
    2. Transformers: La clave del avance
    3. Funcionalidad de los LLMs
    4. Ventajas de los Transformers frente a modelos clásicos
    5. Componentes clave de los Transformers

TEMA 2. Procesamiento de datos no estructurados

1. Definición de datos no estructurados
2. Algunos tipos de datos no estructurados
3. ¿Cómo se usan los datos no estructurados en RAG?
4. Preprocesamiento de Texto
5. ¿Cuáles serían los siguientes pasos?
6. Datos en ficheros
   1. Instalar las librerías necesarias para la extracción de los datos
   2. Funciones para leer diferentes tipos de archivos VIDEO
   3. Procesar un repositorio de documentos
   4. Generar embeddings para cada documento y guardarlos para su uso posterior
   5. Cargar los embeddings guardados
7. Importancia de procesar datos no estructurados para LLMs
8. ¿Qué es exactamente la indexación de datos?
   1. Limpieza y normalización de los datos
   2. Dividir los datos en fragmentos (chunking)
   3. Representación de los datos (Vectorización)
   4. Construcción del índice
   5. Consulta y recuperación
   6. Actualización del índice
9. Procesamiento de datos multimedia
   1. Flujo para procesar multimedia (videos e imágenes)
   2. Procesar imágenes (extraer texto con OCR + generar embeddings visuales)
      • Instalación de librerías necesarias
      • Código para procesar imágenes
10. Procesar vídeos (extraer audio, transcribirlo y generar embeddings)
    1. Instalación de librerías necesarias
    2. Código para procesar videos
    3. Explicación del flujo de procesamiento de vídeo
11. Resumen
    1. Procesamiento de datos no estructurados
    2. Preprocesamiento de datos no estructurados en RAG

TEMA 3. Embeddings y bases de datos vectoriales

1. Opciones de almacenamiento para embeddings
2. Bases de datos de vectores
3. Almacenamiento en bases de datos relacionales y NoSQL
4. Archivos binarios y almacenamiento en disco
5. Bases de datos vectoriales
   1. ¿Qué son las bases de datos vectoriales?
   2. ¿Cómo funcionan?
   3. ¿Cómo se comparan las bases de datos vectoriales?
6. Almacenamiento de embeddings en bases de datos vectoriales
7. Introducción a los Sentence Transformers
8. Flujo general de integración de datos procesados en LLMs
   1. Flujo de trabajo
   2. Flujo de trabajo para el Fine-tuning
   3. Comparación con los Bloques de Código Anteriores
   4. ¿Cuándo Usar Este Código?
9. Resumen
   1. ¿Cómo guardar los embeddings?
   2. Bases de datos vectoriales
   3. Almacenamiento de embeddings
   4. Flujo de integración de datos en LLMs
   5. Fine-tuning del modelo

TEMA 4. Crea tu chatbot con datos personalizados

1. Siguientes pasos
2. ¿Puedo alojar mi chatbot en Hugging Face?
   1. Crear una cuenta en Hugging Face
   2. Crear un nuevo Space
   3. Subir tu código del chatbot
   4. Especificar dependencias
   5. Probar y lanzar tu chatbot
   6. Compartir tu Space
   7. Ejemplo de estructura de archivos
3. Alojando el chatbot en tu propio servidor
   1. Configurar el Servidor
   2. Instalar dependencias
4. Mantenimiento del chatbot
   1. Monitorización del chatbot
5. Evaluación de la recuperación de información
6. Métricas relevantes
7. Evaluando la efectividad del chatbot
   1. Instalación de evaluate
   2. Ejemplo de Cálculo de Recall y MRR
   3. Explicación del Código
8. Resumen
   1. Recuperando Información
   2. Integración del chatbot personalizado
   3. Evaluación de estrategias de búsqueda

TEMA 5. Despliegues de LLMs, plataformas y herramientas

1. Introducción a los despliegues de LLMs
2. Beneficios del despliegue local versus en la nube
   1. Casos de uso de despliegues de LLMs
   2. Consideraciones previas para el despliegue, hardware, memoria, capacidad de procesamiento
3. Herramientas y entornos para despliegue local
   1. Introducción a entornos y plataformas
   2. Configuración de un entorno local para desplegar LLMs
   3. Comparación entre frameworks y herramientas
4. Despliegue de LLMs en la nube
   1. Creación y configuración de una instancia en la nube para alojar LLMs
   2. Servicios especializados para despliegues en la nube (Amazon Sagemaker, Google Vertex IA…
5. Optimización y mantenimiento de despliegues
   1. Métodos para optimizar: cuantización podado, distillation
   2. Consideraciones de seguridad en los despliegues de LLMs
6. Estrategias de actualización y mantenimiento de los modelos
7. Discusión sobre desafíos y soluciones en el uso práctico de LLMs
8. Resumen
   1. Despliegue de LLMs: Local vs. nube
   2. Casos de uso
   3. Consideraciones del despliegue
   4. Herramientas y entornos
   5. Optimización y desafíos