The Practical Guide to Large Language Models
Ivan Gridin
- Editorial
- Apress
- Año
- 2025
- Páginas
- ~351
- Nivel
- Intermedio
De qué trata
Manual técnico y aplicado en el que Ivan Gridin enseña a diseñar, evaluar y construir soluciones de inteligencia artificial y procesamiento de lenguaje natural utilizando el stack de código abierto centrado en Hugging Face y PyTorch. La obra se enfoca en trabajar con pesos y arquitecturas abiertas (como BERT, RoBERTa, T5, LLaMA, Qwen y DeepSeek) en lugar de depender únicamente de APIs comerciales en la nube, y está orientada a desarrolladores de software, ingenieros de IA y científicos de datos con conocimientos sólidos de Python y fundamentos de aprendizaje profundo que buscan autonomía técnica.
El contenido se divide en tres fases principales: en la primera cubre el uso operativo de la librería `transformers`, pipelines de NLP (resumen, clasificación zero-shot, extracción de entidades y traducción) y tokenizadores; en la segunda profundiza en arquitecturas avanzadas de generación aumentada por recuperación (RAG) con bases vectoriales, sistemas de agentes autónomos multi-paso, diseño de prompts estructurados y evaluación de respuestas mediante modelos juez; y en la tercera aborda el fine-tuning de modelos para tareas específicas, métricas y bancos de pruebas estandarizados (MMLU, HumanEval, ARC, GSM8K), cuantización para servidores con memoria VRAM restringida y el ensamblaje de la arquitectura Transformer paso a paso.
El aprendizaje está estructurado en torno a proyectos prácticos que van desde asistentes locales y herramientas de minería de información hasta el diseño completo de una red neuronal Transformer en código nativo. Su principal aportación es brindar una perspectiva integral de ingeniería que une el uso de librerías de alto nivel con la comprensión del hardware y la matemática subyacente; como contrapartida, requiere disponer de entornos con aceleración por hardware (GPU compatible con CUDA) para reproducir los proyectos de fine-tuning e inferencia local sin cuellos de botella. Es una referencia excepcional para dominar el ecosistema open-source sin ataduras a plataformas propietarias.
- Hugging Face Transformers
- PyTorch
- RAG (Retrieval-Augmented Generation)
- Agentes autónomos
- Fine-Tuning
- LLMs de código abierto
- Benchmarking (MMLU, HumanEval)
- Cuantización y VRAM
- Arquitectura Transformer
- Bases vectoriales
¿Cómo enseña?
Con proyectos
- ✗ Sin ejercicios
- ✓ Incluye proyectos
Proyectos
Building a Simple LLM Chat Application
Aplicación conversacional interactiva que utiliza Hugging Face Transformers y PyTorch para gestionar la carga local del modelo, la tokenización y la generación de respuestas en streaming.
Select the Best Model for a Specific Task
Flujo de evaluación y benchmarking que compara modelos según su rendimiento en tablas de pruebas estándar (como MMLU y HumanEval) y optimiza el consumo de memoria VRAM mediante cuantización.
Interactive Data Mining App
Herramienta para extraer conocimiento estructurado a partir de texto libre utilizando esquemas de salida estrictos, criterios de detención y un modelo juez para filtrar respuestas.
Hugging Face Model Mentor Assistant
Asistente inteligente diseñado para guiar al usuario en la exploración del repositorio de Hugging Face y la elección de hiperparámetros adecuados para su modelo.
Ancient Rome AI Assistant
Sistema RAG con agentes que indexa y consulta una base documental histórica especializada mediante embeddings vectoriales para responder preguntas complejas sin alucinaciones.
Custom Transformer from Scratch
Implementación completa de un modelo Transformer modular en PyTorch puro, codificando sus mecanismos de atención multicabeza, codificadores y decodificadores.
