Construcción de sistemas de IA Agéntica

Resumen

This course takes you on an in-depth journey into building intelligent, autonomous AI agents that can reason, plan, and adapt. You'll gain practical knowledge on the design and deployment of agentic systems using generative AI principles, ensuring your ability to create robust AI solutions for real-world applications.

By following the course, you'll enhance your ability to design AI systems capable of operating autonomously in dynamic environments. You'll work on real-world examples that reinforce the practical application of advanced AI techniques such as reflection, introspection, and collaboration.

What sets this course apart is its combination of theoretical learning and hands-on implementation. We focus not only on the technology behind AI agents but also on ethical considerations, safety, and transparency, which are critical in today’s rapidly evolving AI landscape.

This course is ideal for AI developers, machine learning engineers, and software architects with a solid programming background. If you're experienced with Python and eager to expand your skills in autonomous AI, this course is for you.

Programa

• Fundamentos de la IA Generativa
En esta sección, exploramos LLM autorregresivos como GPT-3 y PaLM para generación de texto y modelos solo de codificador como BERT para tareas de NLU tales como clasificación de texto y NER. Discutimos LLM específicos de dominio y sus aplicaciones en agentes de IA, IA generativa para la creación de contenido y modelos multimodales para imágenes, videos y audio. La sección destaca casos de uso práctico en medios, moda, marketing y soporte al cliente, enfatizando consideraciones éticas, calidad de datos y desafíos computacionales. Proporciona perspectivas sobre cómo construir soluciones de IA eficientes y responsables a través de ejemplos del mundo real y conceptos técnicos como NLU, NER y modelos generativos.
• Principios de Sistemas Agenciales
En esta sección, exploramos sistemas agenciales, enfocándonos en autogobierno, autonomía y características de agentes inteligentes. Examinamos arquitecturas como sistemas deliberativos e híbridos, junto con interacciones multiagente en asistentes de logística y reservas de viajes. Los conceptos clave incluyen tipos de autonomía, descomposición de tareas y mecanismos de coordinación. La sección enfatiza aplicaciones prácticas en toma de decisiones, optimización de la cadena de suministro y sistemas adaptativos, proporcionando perspectivas sobre cómo construir agentes autónomos con relevancia en el mundo real.
• Componentes Esenciales de Agentes Inteligentes
En esta sección, exploramos la representación del conocimiento utilizando redes semánticas y lógica, métodos de razonamiento como el deductivo e inductivo, y mecanismos de aprendizaje como el aprendizaje por refuerzo y transferencia. Examinamos cómo los agentes inteligentes pueden adaptarse, tomar decisiones y mejorar a través de la experiencia, con un enfoque en aplicaciones prácticas en entornos dinámicos.
• Reflexión e Introspección en Agentes
En esta sección, exploramos cómo la reflexión e introspección mejoran a los agentes inteligentes al permitirles analizar su razonamiento, adaptar su comportamiento y mejorar el rendimiento mediante la auto-monitorización. Los conceptos clave incluyen meta-razonamiento, auto-explicación y auto-modelado, con implementaciones prácticas utilizando CrewAI y aplicaciones del mundo real en servicio al cliente, comercio financiero y comercio electrónico.
• Facilitando el Uso de Herramientas y la Planificación en Agentes
En esta sección, exploramos la integración del uso de herramientas y algoritmos de planificación para mejorar las capacidades de los agentes, cubriendo REST API, SQL y pandas 2.x para la implementación práctica. Los conceptos clave incluyen selección de herramientas, diseño de flujo de trabajo y aplicación de algoritmos como HTN y A* para permitir una toma de decisiones eficiente y consciente del contexto en escenarios del mundo real.
• Explorando el Enfoque de Coordinador, Trabajador y Delegador
En esta sección, exploramos el modelo de coordinador-trabajador-delegador (CWD) para diseñar sistemas multiagente, centrándonos en el diseño de agentes basado en roles y comunicación estructurada. Examinamos cómo asignar tareas específicas a agentes, establecer una colaboración eficiente e implementar protocolos para aplicaciones de IA en el mundo real, enfatizando la adaptabilidad y la resiliencia del sistema.
• Técnicas Efectivas de Diseño de Sistemas Agenciales
En esta sección, exploramos técnicas para diseñar sistemas agenciales con indicaciones estructuradas, modelado del entorno y estrategias de memoria para asegurar un rendimiento consistente. Los conceptos clave incluyen representación del espacio de estados, gestión de contexto y patrones de flujo de trabajo como el procesamiento secuencial y paralelo para aplicaciones de IA en el mundo real.
• Construyendo Confianza en Sistemas de IA Generativa
En esta sección, examinamos estrategias para construir confianza en sistemas de IA generativa a través de la transparencia, la explicación y la mitigación de sesgos. Los conceptos clave incluyen la implementación de comunicación clara, la gestión de la incertidumbre y el aseguramiento del desarrollo ético para mejorar la confianza del usuario y el despliegue responsable de la IA.
• Gestionando la Seguridad y las Consideraciones Éticas
En esta sección, examinamos estrategias para el despliegue seguro y responsable de la IA, centrándonos en mitigar riesgos como el sesgo, la desinformación y las violaciones de privacidad de datos. Los conceptos clave incluyen pautas éticas, marcos de gobernanza basados en políticas y control de acceso basado en roles para asegurar que los sistemas de IA operen dentro de los límites éticos y de seguridad definidos.
• Casos de Uso y Aplicaciones Comunes
En esta sección, examinamos cómo los agentes basados en LLM están revolucionando la automatización y la colaboración humano-IA en dominios creativos, conversacionales y de toma de decisiones. El contenido destaca aplicaciones prácticas utilizando Python, SQL y REST API, enfatizando su papel en sistemas adaptativos dirigidos a metas que mejoran la eficiencia y la interacción en escenarios del mundo real.
• Conclusión y Perspectivas Futuras
En esta sección, exploramos el diseño e implementación de sistemas agenciales utilizando C# y REST API, mientras analizamos las limitaciones de la IA y los desafíos para lograr inteligencia general artificial (AGI). Nos enfocamos en aplicaciones prácticas, escalabilidad y consideraciones éticas en soluciones de IA del mundo real, enfatizando la importancia de la adaptabilidad, el razonamiento y el manejo eficiente de datos con herramientas como pandas 2.x.

Impartido por

Packt - Course Instructors

Materias

Artificial Intelligence