Building Applications with Large Language Models

Guía práctica de ingeniería en la que Bhawna Singh proporciona una metodología estructurada para diseñar, desarrollar y desplegar aplicaciones de software robustas impulsadas por modelos de lenguaje de gran escala (LLMs). Está dirigida a desarrolladores de software, ingenieros de datos y científicos de datos con un nivel intermedio que ya programan en Python y entienden nociones esenciales de machine learning, buscando dar el salto desde la experimentación con prompts interactivos hacia la integración de sistemas de IA generativa mantenibles y escalables en entornos profesionales.

El recorrido del libro comienza examinando las bases de los foundation models (como GPT, BERT, PaLM y LLaMA) y se adentra de inmediato en las técnicas prácticas de desarrollo: ingeniería de prompts estructurada (zero-shot, few-shot, cadena de pensamiento), consumo e integración de APIs de OpenAI y modelos abiertos desde Hugging Face, e implementación de arquitecturas RAG (Retrieval-Augmented Generation) respaldadas por bases de datos vectoriales como FAISS y Chroma para mitigar alucinaciones y alimentar al modelo con conocimiento corporativo. También aborda el uso de frameworks de orquestación como LangChain y LlamaIndex, métodos de fine-tuning supervisado y eficiente (PEFT/LoRA), métricas de evaluación de respuestas y directrices operativas para producción relativas a latencia, costes de inferencia, seguridad y dilemas éticos.

Mediante los ejemplos y su repositorio de código en GitHub, el lector construye flujos de preguntas y respuestas aumentadas por recuperación sobre datos propios y pipelines de adaptación de modelos a tareas específicas. Su mayor virtud radica en condensar en menos de trescientas páginas un panorama equilibrado entre comprensión de modelos y código práctico sin atascarse en formulaciones matemáticas excesivas. No obstante, no enseña a desarrollar interfaces de usuario ni a configurar microservicios complejos, asumiendo que el desarrollador acoplará estas canalizaciones a su propio stack backend.