Data Analysis with LLMs

Manual práctico escrito por Immanuel Trummer (profesor en la Universidad de Cornell) enfocado en integrar modelos de lenguaje de gran tamaño y capacidades generativas en los flujos cotidianos de trabajo con datos. La obra está orientada a analistas de datos, científicos de datos e ingenieros de software de nivel intermedio que manejan Python y herramientas habituales de datos, pero que no cuentan con formación previa en aprendizaje profundo avanzado ni en formulación matemática de procesamiento de lenguaje natural.

El recorrido enseña a manipular y consultar información multimodal mediante código en Python y llamadas a la API de OpenAI (modelos GPT). Explica cómo clasificar, agrupar semánticamente con clustering y extraer entidades a partir de texto libre usando pandas y scikit-learn; cómo implementar interfaces de consulta en lenguaje natural hacia bases de datos relacionales para generar consultas SQL automáticamente (Text-to-SQL / NLQI); y cómo analizar imágenes, vídeo y transcripciones de audio. En sus capítulos finales, amplía el repertorio hacia proveedores y modelos alternativos como Anthropic Claude, Cohere y modelos abiertos en Hugging Face, cubriendo la optimización de costes y tokens, el ajuste fino (fine-tuning) y la orquestación de flujos y agentes analíticos autónomos con LangChain y LlamaIndex.

A lo largo de la obra se desarrollan componentes prácticos funcionales: un traductor de lenguaje natural a SQL para bases de datos relacionales, una canalización para procesar y clasificar datos multimodales heterogéneos, y agentes analíticos capaces de explorar y resumir conjuntos de datos de forma autónoma. El libro aporta un enfoque muy pragmático para automatizar la preparación y síntesis de datos sin necesidad de entrenar arquitecturas fundacionales desde cero. Deja fuera la infraestructura de cómputo a gran escala y el despliegue empresarial distribuido, por lo que resulta un complemento ideal para analistas que buscan acelerar su productividad diaria con modelos modernos.