Python + IA: Al Siguiente Nivel

10:00 p. m. - 11:00 p. m. (UTC)

¡Únete a la primera sesión de nuestra serie de Python + IA! En esta sesión, hablaremos sobre los Modelos de Lenguaje (LLMs), los modelos que impulsan ChatGPT y GitHub Copilot. Usaremos Python para interactuar con LLMs utilizando paquetes populares como el SDK de OpenAI y Langchain. Experimentaremos con prompt engineering y ejemplos de few-shot para mejorar nuestros resultados. Mostraremos cómo construir una aplicación full stack impulsada por LLMs, y explicaremos la importancia de la concurrencia y el streaming para aplicaciones de IA orientadas al usuario. Si quieres seguir los ejemplos en vivo, asegúrate de tener una cuenta de GitHub

10:00 p. m. - 11:00 p. m. (UTC)

En nuestra segunda sesión de la serie Python + IA, profundizaremos en un tipo diferente de modelo: embedding vectorial. Un embedding vectorial es una forma de codificar texto o imágenes como un array de números decimales. Hacen posible realizar búsquedas por similitud en varios tipos de contenido. En esta sesión, exploraremos diferentes modelos de embedding vectorial, como la serie text-embedding-3 de OpenAI, usando tanto visualizaciones como código Python. Compararemos métricas de distancia, usaremos cuantización para reducir el tamaño de los vectores, y probaremos modelos de embedding multimodal. Si quieres seguir los ejemplos en vivo, asegúrate de tener una cuenta de GitHub.

10:00 p. m. - 11:00 p. m. (UTC)

En nuestra tercera sesión de Python + IA, exploraremos una de las técnicas más populares usadas con LLMs: la Generación Aumentada por Recuperación (RAG). RAG es una Tecnica que envía contexto al LLM para que pueda proporcionar respuestas bien fundamentadas para un dominio específico. RAG puede usarse con varios tipos de fuentes de datos como CSVs, páginas web, documentos y bases de datos. En esta sesión, revisaremos flujos RAG en Python, comenzando con un flujo simple y culminando en una aplicación full-stack RAG basada en Azure AI Search.

10:00 p. m. - 11:00 p. m. (UTC)

¡Nuestra cuarta sesión de la serie Python + IA trata sobre modelos de vision! Los modelos de visión como GPT 4o y 4o-mini son LLMs que pueden aceptar tanto texto como imágenes. ¡Puedes usar estos modelos para generar descripciones de imágenes, extraer datos, responder preguntas, clasificar, y mucho más! Usaremos Python para enviar imágenes a modelos de visión, construir una aplicación básica de chat con imágenes, e incluso usarlos dentro de una aplicación RAG. Si quieres seguir los ejemplos en vivo, asegúrate de tener una cuenta de GitHub.

10:00 p. m. - 11:00 p. m. (UTC)

En nuestra quinta sesión de la serie Python + IA, vamos a explorar como hacer que los LLMs generen respuestas estructuradas según un esquema. Nos enfocaremos en el modo 'structured outputs' disponible en los modelos de OpenAI, pero las tecnicas se podran usar con cualquier otro model provider. Nuestros ejemplos demostrarán las múltiples formas en que puedes usar respuestas estructuradas, como extracción de entidades, clasificación y flujos de trabajo con agentes. Si quieres seguir los ejemplos en vivo, asegúrate de tener una cuenta de GitHub.

10:00 p. m. - 11:00 p. m. (UTC)

En nuestra sexta sesión de la serie Python + IA, hablaremos de un tema crucial: cómo usar la IA de manera segura y cómo evaluar la calidad de las salidas de IA. Hay múltiples capas de mitigación cuando se trabaja con LLMs: el modelo en sí, un sistema de seguridad superpuesto, el prompt y contexto, y la experiencia de usuario de la aplicación. Nuestro enfoque será en las herramientas de Azure que facilitan poner sistemas de IA seguros en producción. Mostraremos cómo configurar el sistema Azure AI Content Safety cuando se trabaja con modelos de Azure AI, y cómo manejar esos errores en código Python. Luego usaremos el SDK de Evaluación de Azure AI para evaluar la seguridad y calidad de la salida de Nuestro LLM.

10:00 p. m. - 11:00 p. m. (UTC)

En la última semana de nuestra serie Python + AI, nos enfocamos en las tecnologías necesarias para construir AI agents, empezando por la base: tool calling (también conocido como function calling). Vamos a definir nuestras herramientas usando tanto JSON schema como definiciones de funciones en Python, y enviaremos esas definiciones al LLM. Veremos cómo manejar correctamente las respuestas de tool calls, habilitar llamadas “paralelas” y repetir sobre múltiples tool calls. Es absolutamente esencial entender tool calling antes de meterse en agents, así que no te pierdas esta sesión fundamental. Si quieres seguir los ejemplos en vivo, asegúrate de tener una cuenta de GitHub.