</> CodeBooks
    ← Volver a IA: fundamentos y aplicaciones (página 6)
    Portada de Building AI Intensive Python Applications

    Building AI Intensive Python Applications

    Rachelle Palmer, Ben Perlmutter, Ashwin Gangadhar, Nicholas Larew, Sigfrido Narváez

    Editorial
    Packt
    Año
    2024
    Páginas
    ~295
    Nivel
    Intermedio

    De qué trata

    Guía práctica elaborada por Rachelle Palmer junto a un equipo de especialistas de la industria que enseña a diseñar e implementar aplicaciones inteligentes orientadas a producción con Python (versión 3.10 o superior). Está dirigida a desarrolladores de software, ingenieros de datos y arquitectos de soluciones con nivel intermedio en Python y manejo habitual de APIs REST, que buscan superar los prototipos y cuadernos experimentales para construir arquitecturas de inteligencia artificial generativa fiables, escalables y seguras.

    El núcleo formativo disecciona cada capa de la pila tecnológica de la IA generativa moderna. Explica la integración de modelos de lenguaje grande (LLMs) y modelos de incrustaciones vectoriales mediante OpenAI API y repositorios de Hugging Face, junto con el almacenamiento y consulta de datos semánticos en bases de datos vectoriales, destacando en detalle MongoDB Atlas Vector Search. Asimismo, enseña a conectar estos componentes mediante el marco de orquestación LangChain, implementar técnicas rigurosas de particionado documental (chunking), diseñar pipelines de recuperación aumentada (RAG) tanto básicos como avanzados, y evaluar formalmente las respuestas de los modelos con métricas objetivas para prevenir alucinaciones y fuga de datos sensibles.

    A lo largo de sus capítulos prácticos se construye una canalización completa de RAG integrada con MongoDB Atlas y LangChain, capaz de indexar documentación corporativa, ejecutar búsquedas vectoriales semánticas y servir respuestas fundamentadas en contexto real. Su gran valor añadido reside en analizar con franqueza los modos de fallo más comunes en producción (costes imprevistos, latencia y respuestas inconsistentes) y cómo mitigarlos sistemáticamente; a cambio, prescinde de temas de infraestructura de contenedores (Docker o Kubernetes) y fine-tuning avanzado de pesos neuronales. Conviene contar con una cuenta en la nube de MongoDB Atlas y claves de API de OpenAI para aprovechar al máximo el código del repositorio.

    • Python
    • Generative AI
    • LLMs
    • RAG
    • MongoDB Atlas Vector Search
    • LangChain
    • Embeddings
    • OpenAI API
    • Hugging Face
    • Evaluación de LLMs
    • Bases de datos vectoriales
    • Chunking

    ¿Cómo enseña?

    TeóricoPráctico

    Teoría + práctica

    • ✗ Sin ejercicios
    • ✓ Incluye proyectos

    Proyectos

    Pipeline RAG con MongoDB Atlas y LangChain

    Sistema de generación aumentada por recuperación (RAG) implementado en Python que procesa documentos, almacena y busca embeddings en MongoDB Atlas Vector Search y genera respuestas contextualizadas mediante LangChain y la API de OpenAI.

    Más de IA: fundamentos y aplicaciones con nivel Intermedio