Descripción
El curso de NVIDIA, Construyendo Agentes RAG con LLMs, profundiza en la evolución revolucionaria de los modelos de lenguaje grandes (LLMs) y su aplicación en sistemas basados en recuperación. Estos modelos mejoran la productividad al permitir conversaciones informadas a través de la interacción con diversas herramientas y documentos. El curso está diseñado para individuos ansiosos por explorar el potencial de los LLMs, centrándose en el despliegue práctico y la implementación eficiente para gestionar las demandas de los usuarios y los modelos de aprendizaje profundo.
Leer más
Los participantes obtendrán información sobre técnicas de orquestación avanzadas, incluyendo razonamiento interno, gestión de diálogos y estrategias de herramientas efectivas. El curso tiene como objetivo enseñar a los participantes cómo componer un sistema LLM que interactúe de manera predecible con los usuarios aprovechando componentes de razonamiento internos y externos. También cubre el diseño de sistemas de gestión de diálogos y razonamiento de documentos que mantienen el estado y la información estructural.
El curso incluye temas como Interfaces de Inferencia de LLM, Diseño de Pipeline con LangChain, Gradio y LangServe, Gestión de Diálogos con Estados en Ejecución, y Trabajo con Documentos. Los participantes aprenderán a utilizar embeddings para similitud semántica y guardrailing, e implementar almacenes de vectores para una recuperación de documentos eficiente. Al final del taller, los participantes tendrán una comprensión sólida de los agentes RAG y las herramientas necesarias para desarrollar sus propias aplicaciones LLM.
El curso es adecuado para aquellos con conocimientos introductorios de aprendizaje profundo, familiaridad con PyTorch y aprendizaje por transferencia, y experiencia intermedia en Python. Ofrece una comprensión integral de los agentes RAG, equipando a los participantes con las habilidades para desarrollar y desplegar sistemas LLM avanzados de manera efectiva.
- CategoríaFormación corporativa y e-learning
- Modelo de preciosGratis
Características principales de NVIDIA Construyendo Agentes RAG con LLMs
Componer sistemas LLM con razonamiento interno y externo
Diseñar sistemas de gestión de diálogos
Aprovechar modelos de embedding para consultas de similitud
Implementar agentes RAG sin ajuste fino
Explorar interfaces de inferencia de LLM
Diseñar pipelines con LangChain, Gradio y LangServe
Gestionar estados de diálogo e integrar extracción de conocimiento
Utilizar embeddings para similitud semántica
¿Cómo usar NVIDIA Construyendo Agentes RAG con LLMs?
Configurar: Establecer el entorno para el taller
Usar: Explorar interfaces de inferencia de LLM y microservicios
Optimizar: Diseñar pipelines de LLM utilizando LangChain, Gradio y LangServe
Evaluar: Implementar almacenes de vectores para una recuperación de documentos eficiente
Casos de uso de NVIDIA Construyendo Agentes RAG con LLMs
- Diseño de Sistemas de Diálogo
- Recuperación de Contenido
- Desarrollo de Aplicaciones LLM
- Similitud Semántica
- Extracción de Conocimiento
