Ingeniería GenAI de Databricks

Resumen

By 2025, 80% of enterprises will integrate GenAI into production workflows, yet only 15% feel confident deploying reliable RAG systems. This Short Course was created to help Machine Learning and Artificial Intelligence professionals build, optimize, and evaluate production-grade GenAI applications on the Databricks platform.

By completing this course, you'll be able to construct vector search pipelines from raw data, fine-tune models with MLflow tracking, and implement rigorous evaluation frameworks that ensure your GenAI systems meet real-world SLA requirements—skills you can apply immediately to customer-facing AI deployments. By the end of this course, you will be able to:

• Apply Databricks Lakehouse and vector search features to build a retrieval-augmented generation pipeline from raw data to queryable embeddings • Analyze fine-tuning experiment results in MLflow to select adapter parameters that balance output quality and latency constraints • Evaluate GenAI model responses for relevance, hallucination rate, cost, and latency, iterating prompt and context configurations to meet acceptance criteria This course is unique because it combines hands-on Databricks Lakehouse workflows with MLflow experiment tracking and production-grade evaluation metrics, bridging the gap between GenAI prototypes and enterprise deployments.

To be successful in this course, you should have working knowledge of Python programming, basic machine learning concepts, and familiarity with cloud data platforms at the CB2 intermediate level.

Programa

• Módulo 1: Construyendo una Canalización RAG en Databricks
Los alumnos aplican las características de Databricks Lakehouse y búsqueda vectorial para construir una canalización de generación aumentada por recuperación desde documentos de soporte al cliente en bruto hasta incrustaciones consultables.
• Módulo 2: Optimizando Experimentos de Ajuste Fino con MLflow
Los alumnos analizan los resultados de los experimentos de ajuste fino en MLflow para seleccionar parámetros de adaptadores que equilibren la calidad del producto y las restricciones de latencia para implementaciones de GenAI en producción.
• Módulo 3: Evaluación de Respuestas de GenAI para Preparación en Producción
Los alumnos evalúan las respuestas del modelo GenAI en aspectos de relevancia, tasa de alucinación, costo y métricas de latencia, iterando las configuraciones de prompts y contexto para cumplir con los criterios de aceptación empresarial para el despliegue en producción.

---

Impartido por

Hurix Digital

---

Materias

Data Science