DeepSeek in Action

Manual técnico y práctico escrito por Jing Dai y publicado por CRC Press, centrado en el ecosistema de inteligencia artificial de código abierto DeepSeek, con especial énfasis en el modelo fundacional DeepSeek-V3 y sus variantes. La obra está dirigida a ingenieros de software, desarrolladores de aprendizaje automático e investigadores de inteligencia artificial de nivel intermedio que ya poseen bases sólidas en programación con Python, nociones de procesamiento de lenguaje natural (NLP) y familiaridad general con el funcionamiento de los modelos de lenguaje (LLMs).

El texto profundiza en la arquitectura interna y los avances técnicos que diferencian a DeepSeek, desglosando la estructura Transformer, los mecanismos de atención dispersa (Sparse Attention), la arquitectura de mezcla de expertos (Mixture of Experts, MoE) y el entrenamiento con precisión mixta en formato FP8 junto con balanceo de carga jerárquico. En el plano de implementación, enseña a interactuar con la plataforma abierta y las APIs de DeepSeek, abordando la autenticación segura, la gestión de concurrencia, el almacenamiento en caché de contexto (context caching), las funciones de retrollamada (callbacks) y el procesamiento de flujos de datos en tiempo real para tareas de completado de código, razonamiento matemático y generación conversacional, además de metodologías para el ajuste fino (fine-tuning) y despliegue escalable.

A lo largo de los capítulos se abordan casos de uso aplicados, destacando la construcción de clientes conversacionales optimizados que aprovechan la caché de contexto para mitigar costes y latencia, junto con flujos de trabajo de automatización de código y pipelines de despliegue y fine-tuning. El gran valor del libro radica en desmitificar una de las arquitecturas abiertas más eficientes y disruptivas del panorama de los LLMs, ofreciendo tanto rigor matemático como pautas de ingeniería práctica. Deja fuera el preentrenamiento a gran escala desde cero en supercomputadores masivos, concentrándose en la explotación, adaptación y puesta en producción. Conviene dominar llamadas HTTP a APIs REST y el manejo de entornos virtuales en Python antes de comenzar.