Inicio Catálogo Langchain y LLMs con Python Programa Detallado

Curso de Langchain y LLMs con Python (Programa detallado)

Objetivo

  • Comprender qué son los Large Language Models (LLMs) y cómo funcionan.
  • Conocer la arquitectura y los componentes principales de Langchain.
  • Instalar Python y la librería Langchain.
  • Configurar cuentas de API de OpenAI y gestionar claves para conectar con LLMs.
  • Utilizar Langchain para interactuar con LLMs y construir modelos de chat efectivos.
  • Diseñar y aplicar plantillas de prompts para optimizar la entrada de datos en LLMs.
  • Parsear y procesar la salida de los modelos para obtener resultados útiles.
  • Transformar documentos y manejar cargadores para integraciones con plataformas como Google y AWS.
  • Crear embeddings de texto y almacenar vectores en bases de datos para potenciar los LLMs con tus propios datos.
  • Optimizar resultados mediante la compresión de datos utilizando LLMs.
  • Diseñar modelos de cadena secuencial simples y avanzados en Langchain.
  • Enrutar cadenas con LLMRouterChain para mejorar la estructura y flujo de las aplicaciones.
  • Entender el concepto de memoria en Langchain y cómo implementarla.
  • Crear buffers de memoria completos, resumidos y con ventana para manejar conversaciones.
  • Desarrollar agentes que utilicen motores de búsqueda para mejorar sus respuestas.
  • Crear agentes programadores de código y herramientas personalizadas.
  • Implementar agentes conversacionales que puedan interactuar de manera efectiva utilizando LLMs y Langchain.
  • Aplicar el conocimiento adquirido para crear sistemas RAG con bases de datos vectoriales.
  • Crear agentes que realicen análisis automáticos de SQL a partir de consultas en lenguaje natural.

Dirigido a:

  • Profesionales interesados en integrar modelos de lenguaje avanzados en sus aplicaciones.
  • Desarrolladores que deseen aprender a utilizar herramientas modernas como Langchain para mejorar la interacción con los usuarios.
  • Ingenieros de datos que buscan optimizar el procesamiento y almacenamiento de datos utilizando embeddings y bases de datos vectoriales.
  • Profesionales encargados de gestionar grandes volúmenes de datos y que desean mejorar su comprensión mediante modelos de lenguaje.
  • Profesionales que desean explorar las capacidades de los LLMs y su aplicación en diversas industrias.
  • Científicos de datos interesados en construir y desplegar modelos de inteligencia artificial que interactúen con usuarios de manera efectiva.
  • Alumnos que deseen adquirir habilidades prácticas en el uso de tecnologías de vanguardia en inteligencia artificial y procesamiento de lenguaje natural.
  • Estudiantes que buscan proyectos aplicados que les permitan poner en práctica conceptos teóricos.
  • Innovadores que buscan crear productos y servicios basados en inteligencia artificial.
  • Líderes que desean comprender cómo las tecnologías de LLMs y Langchain pueden transformar sus negocios y procesos operativos.
  • Personas con un interés general en el campo de la inteligencia artificial que desean explorar sus aplicaciones prácticas.
  • Entusiastas que buscan una introducción comprensiva a la tecnología detrás de los LLMs y su implementación con Langchain.

Requisitos:

Se recomienda tener conocimientos básicos de Python, aunque todo el desarrollo de los casos se explicará desde cero.

PROGRAMA DEL CURSO

1.- Introducción a Langchain y LLMs

Objetivo

Comprender qué es un LLM y cómo Langchain nos ofrece múltiples soluciones para crear potentes aplicaciones IA.

Contenido

  1. Introducción a Langchain y LLMs
    1. ¿Qué es un Large Language Model (LLM)?
    2. ¿Qué es Langchain y cuáles son sus componentes?
    3. Instalación de Python y librería Langchain
    4. ¿Qué es una API? Configuración de la cuenta OpenAI y API Key
    5. Resumen
Arriba

2.- Modelos de Entrada / Salida en Langchain

Objetivo

Aprender a interactuar con los LLMs a partir de APIs para generar entradas apropiadas al LLM y obtener salidas con el resultado esperado.

Contenido

  1. Modelos de Entrada / Salida en Langchain
    1. Interacción y uso de Langchain con LLMs y Modelos de Chat
    2. Plantillas de prompts con Langchain para el modelo de entrada
    3. Parsear y procesar la salida
    4. Serialización de prompts (guardar y cargar)
    5. Resumen
Arriba

3.- Conectores de Datos en Langchain

Objetivo

Aprender a cargar documentos propios y conectar a múltiples fuentes para crear nuestra propia base de datos vectorial que puede ser consultada y optimizada con LLMs.

Contenido

  1. Conectores de Datos en Langchain
    1. Cargadores de documentos
    2. Caso de uso - Carga de ficheros pdf y conexión con LLM para resumen de documentos
    3. Cargadores de documentos – integraciones con otras plataformas (Google, AWS, Wikipedia…)
    4. Transformación de documentos
    5. Incrustación de texto y creación de vectores (embeddings)
    6. Almacenamiento de vectores en base de datos
    7. Compresión y optimización de resultados a partir de LLMs
    8. Resumen
Arriba

4.- Cadenas en Langchain

Objetivo

Aplicar el concepto de cadenas en Langchain para crear aplicaciones que usan bloques secuenciales de LLMs generando soluciones completas.

Contenido

  1. Cadenas en Langchain
    1. ¿Qué son las cadenas y cómo crear el primer modelo de cadena secuencial simple?
    2. Construcción del Modelo Secuencial Completo
    3. Enrutamiento a cadenas con LLMRouterChain
    4. Cadenas de Transformación
    5. Cadenas para Preguntas y Respuestas sobre nuestros datos
    6. Resumen
Arriba

5.- Memoria en Langchain

Objetivo

Crear objetos de memoria con Langchain para que los LLMs tengan un histórico de la conversación mantenida y aplicar un contexto adecuado.

Contenido

  1. Memoria en Langchain
    1. ¿Qué es la memoria en Langchain y qué tipos de memoria podemos implementar?
    2. Creación de Buffer de Memoria completa de una Conversación
    3. Creación de Buffer de Memoria con Ventana
    4. Creación de Buffer de Memoria Resumida
    5. Resumen
Arriba

6.- Agentes en Langchain

Objetivo

Crear potentes agentes de Langchain que utilicen diversas herramientas para resolver casos prácticos complejos de manera sencilla como chatbots, agentes SQL o programadores de código.

Contenido

  1. Agentes en Langchain
    1. ¿Qué son los agentes y cómo implementar un primer caso de uso?
    2. Creación de agente potenciado con motor de búsqueda
    3. Creación de agente programador de código
    4. Creación de herramientas personalizadas
    5. Agentes conversacionales con memoria
    6. Resumen
Arriba

7.- Agentes en Langchain: Desarrollo de proyectos reales

Objetivo

Implementar proyectos reales muy utilizados en cualquier ámbito y negocio.

Contenido

  1. Agentes en Langchain: Desarrollo de proyectos reales
    1. PROYECTO: Creación de Agente Chatbot con memoria a partir de sistema RAG con nuestra BD Vectorial
    2. PROYECTO: Creación de Agente para Análisis automático SQL a partir de consultas en lenguaje natural
    3. Resumen
Arriba