10:00 CH - 11:00 CH (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 CH - 11:00 CH (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 CH - 11:00 CH (UTC)

En nuestra quinta sesión de la serie Python + IA, vamos a explorar las dos formas principales de hacer que los LLMs generen respuestas estructuradas según un esquema: llamadas a funciones y salidas estructuradas. Comenzaremos con las llamadas a funciones, que es la forma más utilizada para obtener respuestas estructuradas, y hablaremos de sus limitaciones. Luego nos enfocaremos en el nuevo modo de salidas estructuradas disponible en los modelos de OpenAI, que puede usarse con modelos Pydantic e incluso combinarse con llamadas a funciones. 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 CH - 11:00 CH (UTC)

En nuestra sesión final de la serie Python + IA, culminamos con 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.