Learn Mistral
Pavlo Cherkashin
- Editorial
- Packt
- Año
- 2025
- Páginas
- ~528
- Nivel
- Intermedio
De qué trata
Guía práctica y pormenorizada orientada a la adopción y puesta en producción del catálogo de modelos abiertos y comerciales de Mistral AI (incluyendo Mistral 7B, Mixtral 8x7B/8x22B, Mistral Large y Codestral). Pavlo Cherkashin dirige esta obra a desarrolladores de software, científicos de datos e ingenieros de IA de nivel intermedio con conocimientos de Python que buscan alternativas potentes, soberanas y con mejor relación coste-eficiencia frente a los servicios cerrados de terceros, priorizando la privacidad de los datos corporativos y la flexibilidad arquitectónica.
El libro detalla la ejecución local de modelos utilizando herramientas como Ollama y llama.cpp, la ingeniería avanzada de prompts con ajuste fino de hiperparámetros de muestreo (top_p, min_p), la afinación supervisada (fine-tuning) de Mistral 7B con seguimiento de experimentos en Weights & Biases (W&B), y el uso de embeddings vectoriales. Desarrolla arquitecturas de RAG avanzadas (multi-query RAG, descomposición por cadena de pensamiento y prompting retrospectivo o step-back) conectadas a bases vectoriales como Pinecone y ChromaDB, diseño de agentes con llamadas a funciones (function calling), configuración de Codestral como copiloto de desarrollo dentro de VS Code, y despliegue escalable en infraestructuras gestionadas de nube como AWS Bedrock y Google Cloud Vertex AI bajo exigencias de seguridad y ciberseguridad.
En el plano práctico se implementan un asistente de conversación local y confidencial con Ollama, un sistema de RAG avanzado con búsqueda semántica sobre Pinecone, un modelo Mistral 7B adaptado a un caso de uso particular mediante fine-tuning, un copiloto personalizado de programación en VS Code y el despliegue de una solución empresarial en AWS Bedrock y Vertex AI. Destaca por ofrecer una hoja de ruta exhaustiva para sacar el máximo rendimiento a los pesos abiertos y modelos especializados de Mistral con total soberanía operativa. Conviene contar con un entorno de desarrollo con tarjeta gráfica dedicada o acceso a cuentas cloud para ejecutar los entrenamientos y modelos de mayor tamaño.
- Mistral AI
- Python
- Ollama
- Codestral
- RAG
- Embeddings
- Fine-Tuning
- Pinecone
- AWS Bedrock
- Vertex AI
- Agentes de IA
¿Cómo enseña?
Con proyectos
- ✗ Sin ejercicios
- ✓ Incluye proyectos
Proyectos
Chatbot privado local con Ollama y Mistral
Asistente conversacional desplegado íntegramente en local sin salida a internet, configurado con parámetros de muestreo avanzados y prompts de sistema especializados.
Motor de RAG avanzado con Pinecone y técnicas de descomposición
Canal de recuperación semántica que aplica multi-query RAG y prompting retrospectivo (step-back) para extraer información precisa de documentos extensos usando Mistral y Pinecone.
Copiloto de programación con Codestral en VS Code
Integración del modelo Codestral como asistente de desarrollo en Visual Studio Code para autocompletado inteligente, refactorización y depuración de código fuente.
Pipeline de fine-tuning de Mistral 7B con Weights & Biases
Flujo de entrenamiento supervisado para especializar Mistral 7B en un corpus particular, monitorizando curvas de convergencia y métricas de evaluación en W&B.
