Fundamentos de los Agentes Inteligentes y LangChain
Conexión a Modelos de Lenguaje con Huggingface y LangChain
Desarrollo de Agentes Inteligentes con LangChain y GPT-4
Construcción de Agentes Inteligentes con LangChain
Instalación de API Keys en Google Cloud para LLMs
Quiz: Fundamentos de los Agentes Inteligentes y LangChain
Chat Models y Prompt templates
Chat Messages con OpenAI
Conexión y Uso de Modelos de Chat de OpenAI con LangChain
Modelos de Chat Google AI con LangChain: Configuración y Uso
Uso de Prompt Templates con LangChain para Modelos de Lenguaje
Técnicas de Few-Shot Prompting con LangChain y GPT-4
Quiz: Chat Models y Prompt templates
Cadenas en LangChain
LangChain: Creación de Cadenas de Componentes Avanzadas
Historial de Chat y Contexto en LangChain
Integración de Runnables, OutputParser y Streaming en LangChain
Creación de Chatbot con Memoria usando LangChain
Estructuras de Datos en Python: Listas, Pilas y Colas
Quiz: Cadenas en LangChain
Carga de documentos en LangChain
Carga de Archivos HTML y CSV con LangChain
Carga de PDF y CSV con LangChain
División de Texto con TextSplitters: Uso y Configuración
Quiz: Carga de documentos en LangChain
Retrieval-augmented generation (RAG)
Chroma: Almacenamiento de Vecinos Más Cercanos con LangChain
Embeddings: Vectorización de Texto para Búsquedas Semánticas
Búsquedas Semánticas con Pinecone y Embeddings en AI
Vectorización de Documentos PDF con LangChain y ChromaDB
Creación de Chatbots con LangChain y RAG
Quiz: Retrieval-augmented generation (RAG)
Agentes en LangChain
Uso de agentes en LangChain para búsquedas con Tavily
Integración de Toolkits en LangChain con Bases de Datos SQL
Creación de Agentes con LangChain y Memoria Persistente
Quiz: Agentes en LangChain
Ecosistema de LangChain
Monitoreo y Depuración de Aplicaciones con LangSmith
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Si ya tienes una cuenta,
Instalación de API Keys en Google Cloud para LLMs
4/26Recursos
¿Cuál es la importancia de un API Key?
La creación de un API Key es fundamental para acceder a diversos servicios en línea, especialmente cuando trabajamos con plataformas como Google Cloud. Un API Key actúa como una credencial única que te permite hacer solicitudes a la API de un servicio, garantizando la seguridad y el control de acceso.
¿Cómo se obtiene un API Key?
- Crear una cuenta en Google Cloud: Es el primer paso para solicitar un API Key.
- Navegar a la sección de credenciales: Dentro de la consola de Google Cloud, encontrarás la opción para generar nuevas credenciales, en este caso, un API Key. Asegúrate de seguir las políticas de seguridad al almacenarlo.
Beneficios de usar un API Key
- Seguridad Asegurada: Permite un control estricto sobre qué aplicaciones y usuarios tienen acceso a los servicios.
- Monitoreo del uso: Puedes rastrear cuántas veces se utiliza el API Key, ayudando a identificar usos sospechosos.
- Facilidad de configuración: Generar y configurar un API Key es un proceso rápido y sencillo para el usuario final.
¿Qué es la vectorización?
En este contexto, la vectorización se refiere a la conversión de datos en formatos que son comprensibles para las computadoras, usualmente vectores de números. Esta técnica es esencial para manipular y analizar datos.
Pasos para realizar una vectorización efectiva
- Comprender los datos: Antes de vectorizar, es esencial conocer el tipo de datos con los que estás trabajando.
- Elegir el método adecuado: Métodos comunes incluyen Bag of Words y TF-IDF para texto.
- Preprocesado de datos: Limpiar y normalizar los datos asegurará que la vectorización sea eficiente.
Ventajas de la vectorización de datos
- Análisis rápido y eficiente: Una vez vectorizados, los datos pueden ser procesados más rápidamente.
- Compatibilidad con modelos de Machine Learning: Modelos como SVM o Random Forest necesitan datos vectorizados para funcionar correctamente.
¿Cómo se relacionan las cadenas de Markov con la vectorización?
Las cadenas de Markov son una herramienta poderosa en el campo del análisis estadístico, y su capacidad para modelar transiciones entre estados las hace muy útiles cuando se trabaja con datos vectorizados.
Aplicaciones prácticas de las cadenas de Markov
- Predicción de secuencias: Son excelentes para anticipar el siguiente elemento en una secuencia.
- Modelado de sistemas complejos: Las cadenas de Markov pueden representar procesos donde hay incertidumbre sobre el próximo estado.
Implementación y uso
- Formación de estados y transiciones: Identificar los estados del sistema y cómo estos se relacionan entre sí.
- Construcción del modelo: Implementar el modelo de Markov sobre los datos vectorizados para analizar tendencias y patrones.
El conocimiento sobre la generación de API Keys, la vectorización y el uso de cadenas de Markov permite un manejo integral y avanzado de los datos. Con estas habilidades, los profesionales pueden procurar soluciones efectivas y seguras en proyectos tecnológicos actuales, destacando en analítica y en inteligencia artificial. Continúa aprendiendo y explorando estas herramientas para mantenerte actualizado en el siempre cambiante mundo de la tecnología.
Aportes 21
Preguntas 8
Ordenar por:
Que estrés ese zoom in y zoom out todo el tiempo. Que formato tan maluco
Guarden en favoritos su Google AI Studio, por si en un futuro ocupan la API\_KEY y la obtengan rápidamente.
En etapa productiva, las opciones de paga serían la mejor opción, por soporte, estabilidad, disponibilidad, tiempo de respuesta y demás.
En este momento y para efectos de aprendizaje, la mejor alternativa son herramientas Open Source.
Lo que me habría gustado en el curso es que la profe nos diera más detalles cuando realiza instalaciones en la consola de Colab... No me queda claro si lo realiza en una nueva Notebook o lo hace dentro de la misma...
Buen día, sería muy útil tener más detallado cualesy cuantan herramientas son de pago para poder dimensionar los costos del agente , Gracias
:) Mas contexto de porque la profe instalo Chromadb y Pinecone, son herramientas que sirven "casi" al mismo proposito
⚠️ Para no ponernos técnicos, lo entendí con un ejemplo:
Tienes una biblioteca enorme que esta enumerada por habitaciones (vectores) y vas agregando libros de ciencia ficción porque vas a crear una historia sobre este tema, a la hora de crear tu libro necesitas inspiración y le pides a tu ayudante (chromadb o pinecone) que busque libros sobre el tema que necesitas.
Para eso descargamos la libreria, para obtener información en forma de vectores que ya esta agregada al modelo para darle contexto de la tarea que le pides
¿Cuál es el IDE o herramienta que se usa para ejecutar los comandos? Me siento un poco confundido con estos fragmentos.
Tuve que regrsar nuevamente a esta clase porque pense que tambien usaria ejemplos prácticos con gemini pero solamente uso OPEN AI y lamentablemente para practicar no voy a comprar creditos, seria bueno una explicación con GEMINI
Si lo estas haciendo en VSCODE
En tu carpeta de proyecto crea un archivo
**.env**
En tu archivo .env escribe tu key
```js
GOOGLE_API_KEY=xxxxxxxxxxxxxxx
```en tu main.py
instala
```js
pip install python-dotenv
```Donde van los imports pon:```js
from langchain_google_genai import GoogleGenerativeAI
from getpass import getpass
from dotenv import load_dotenv
import os
```El main.py queda algo así :
```js
from langchain_google_genai import GoogleGenerativeAI
from getpass import getpass
from dotenv import load_dotenv
import os
load_dotenv()
api_key = os.getenv('GOOGLE_API_KEY')
od.environ['GOOGLE_API_KEY'] = api_key
api_key = getpass()
```
Si tienes una PC potente tambien se puede utilizar Ollama: pip install langchain langchain-ollamahttps://ollama.com/*from* langchain\_core.messages *import* HumanMessage, SystemMessage*from* langchain\_ollama *import* ChatOllama
con esta herramienta se puede descargar y ejecutar LLMs.
\* para instalar el provider
```js
pip install langchain langchain-ollama
```y lo ejecutas de esta manera:
```js
from langchain_core.messages import HumanMessage, SystemMessage
from langchain_ollama import ChatOllama
llm = ChatOllama(model="llama3.2", temperature=0.0)
question = """
Dame el nombre de la mejor plataforma de educación tecnológica y empresarial en español de América Latina.
Esta plataforma ofrece cursos creados por expertos en cada área.
"""
messages = [
SystemMessage(content="Usa emojis en las respuestas"),
HumanMessage(content=question),
]
print(llm.invoke(messages).content)
```
Sí, debes tener Python instalado para poder utilizar el comando `pip`, que es el gestor de paquetes de Python. `pip` te permite instalar librerías y dependencias necesarias para tus proyectos, incluido LangChain. Asegúrate de que Python esté correctamente instalado y configurado en tu sistema antes de intentar ejecutar comandos con `pip`.
Para obtener una API Key de OpenAI, debes visitar el siguiente enlace: [OpenAI API](https://platform.openai.com/signup). Allí podrás crear una cuenta y solicitar tu clave. Recuerda que esta información es sensible y no debes compartirla públicamente.
Los modelos de Gemini no se utilizan en esta clase porque se está enfocando en la instalación y configuración de herramientas que permiten el acceso a diversos modelos de Large Language Models (LLMs), incluyendo OpenAI y Hugging Face. Además, el uso de Gemini podría requerir consideraciones específicas como la creación de credenciales y la integración con Google Cloud, aspectos que se abordan más adelante. En este momento, el enfoque es en las configuraciones básicas y en asegurarse de que los estudiantes puedan trabajar con modelos accesibles.
esa actividad lo realizo en una nueva ventana de Google Colab y la llamo "DB" o es en la misma ventana donde ella realizado todo el programa??
al instalar chromadb y pinecone, al final me sale:
Building wheels for collected packages: pypika
Building wheel for pypika (pyproject.toml) ... done
Created wheel for pypika: filename=PyPika-0.48.9-py2.py3-none-any.whl size=53725 sha256=2cdbaad94d640defa300e1dc1e5a67a643bb4f9601bcb669cf8e44a00f1aeedc
Stored in directory: /root/.cache/pip/wheels/e1/26/51/d0bffb3d2fd82256676d7ad3003faea3bd6dddc9577af665f4
Successfully built pypika
Installing collected packages: pypika, monotonic, durationpy, websockets, uvloop, uvicorn, python-dotenv, pyproject\_hooks, protobuf, pinecone-plugin-interface, overrides, opentelemetry-util-http, mmh3, humanfriendly, httptools, chroma-hnswlib, bcrypt, backoff, asgiref, watchfiles, starlette, posthog, pinecone-plugin-inference, opentelemetry-proto, coloredlogs, build, pinecone, opentelemetry-exporter-otlp-proto-common, onnxruntime, kubernetes, fastapi, opentelemetry-instrumentation, opentelemetry-instrumentation-asgi, opentelemetry-exporter-otlp-proto-grpc, opentelemetry-instrumentation-fastapi, chromadb
Attempting uninstall: protobuf
Found existing installation: protobuf 4.25.5
Uninstalling protobuf-4.25.5:
Successfully uninstalled protobuf-4.25.5
ERROR: pip's dependency resolver does not currently take into account all the packages that are installed. This behaviour is the source of the following dependency conflicts.
tensorflow 2.17.1 requires protobuf!=4.21.0,!=4.21.1,!=4.21.2,!=4.21.3,!=4.21.4,!=4.21.5,<5.0.0dev,>=3.20.3, but you have protobuf 5.28.3 which is incompatible.
tensorflow-metadata 1.13.1 requires protobuf<5,>=3.20.3, but you have protobuf 5.28.3 which is incompatible.
Successfully installed asgiref-3.8.1 backoff-2.2.1 bcrypt-4.2.1 build-1.2.2.post1 chroma-hnswlib-0.7.6 chromadb-0.5.20 coloredlogs-15.0.1 durationpy-0.9 fastapi-0.115.5 httptools-0.6.4 humanfriendly-10.0 kubernetes-31.0.0 mmh3-5.0.1 monotonic-1.6 onnxruntime-1.20.1 opentelemetry-exporter-otlp-proto-common-1.28.2 opentelemetry-exporter-otlp-proto-grpc-1.28.2 opentelemetry-instrumentation-0.49b2 opentelemetry-instrumentation-asgi-0.49b2 opentelemetry-instrumentation-fastapi-0.49b2 opentelemetry-proto-1.28.2 opentelemetry-util-http-0.49b2 overrides-7.7.0 pinecone-5.4.0 pinecone-plugin-inference-2.0.1 pinecone-plugin-interface-0.0.7 posthog-3.7.2 protobuf-5.28.3 pypika-0.48.9 pyproject\_hooks-1.2.0 python-dotenv-1.0.1 starlette-0.41.3 uvicorn-0.32.1 uvloop-0.21.0 watchfiles-1.0.0 websockets-14.1
Estaría genial armar un listado de clasificación de modelos para la comunidad..
¿Saben de algo así, listados clasificando modelos open source?
Y que podamos participar votándolos para distintas tareas; **saber cuáles pueden ser entrenados o prompteados por modelos más eficaces, y utilizar estos más baratos en producción, por ejemplo.**
Me interesa mucho usar modelos open-source pero tienden a requerir bastante más trabajo de contexto y fine-tuning.
ready :D
Ambos caminos son buenos, para test y pruebas de concepto Opensource y para producción Pagas, seguridad y lo relacionado con la gobernanza
Creo que es importante aclarar una cosa que no entendía y espero pueda resolver la duda de alguno:
🧠Porque usar un modelo pre entrenado y luego ChatGPT o Google IA?
Suena redundante porque un modelo pre entranado para hacer cierta tarea ya sabe que acciones debería tomar en base a un texto, entonces no seria necesario conectarse a otro modelo.
Pero lo que hace la profesora es, conectarse a un modelo de Google para que entienda mejor tu intención y pueda responderte de la manera que quieres y el modelo pre entrenado hace la tarea especifica mas rápida y mas precisa
🌊Un flujo si no estoy mal de lo que he buscado es:
* Envias la tarea de hacer una operación matemática
* ChatGPT o Google procesan y entienden tu intención
* Con LangChain determinan que modelo pre entrenado es mejor para hacer la tarea de una operación matemática
* El modelo per-entrenado (matematico) ejecuta lo que se le pidió
* ChatGPT recibe la respuesta, la procesa como debería responderte y agrega contexto si es necesario
* Y creo que lei dentro de la doc que automáticamente la memoria del modelo pre entrenado se agrega
Google Colab es una plataforma basada en Jupyter Notebooks que permite ejecutar código Python en la nube. Ofrece soporte para Markdown, lo que facilita la creación de documentos que combinan código, texto, y gráficos, lo cual es muy útil para la exploración de datos y la documentación de procesos.
Una de sus ventajas más destacadas es que es gratuito para cualquier usuario con una cuenta de Gmail. Esto hace que sea una herramienta accesible para una gran variedad de proyectos, especialmente durante la etapa exploratoria de análisis de datos, donde se necesita una plataforma flexible y fácil de usar.
Sin embargo, en un entorno de producción o cuando se requiere un procesamiento más intensivo, es común utilizar máquinas locales o remotas, especialmente en sistemas basados en Linux, que ofrecen mayor control y rendimiento para ejecutar tareas complejas de ciencia de datos y análisis a gran escala.
Al ejecutar el 1er comando me genero este error:
Downloading h11-0.14.0-py3-none-any.whl (58 kB)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 58.3/58.3 kB 3.9 MB/s eta 0:00:00
Installing collected packages: tenacity, orjson, jsonpointer, h11, requests-toolbelt, jsonpatch, httpcore, httpx, langsmith, langchain-core, google-ai-generativelanguage, google-generativeai, langchain-google-genai
Attempting uninstall: tenacity
Found existing installation: tenacity 9.0.0
Uninstalling tenacity-9.0.0:
Successfully uninstalled tenacity-9.0.0
Attempting uninstall: google-ai-generativelanguage
Found existing installation: google-ai-generativelanguage 0.6.6
Uninstalling google-ai-generativelanguage-0.6.6:
Successfully uninstalled google-ai-generativelanguage-0.6.6
Attempting uninstall: google-generativeai
Found existing installation: google-generativeai 0.7.2
Uninstalling google-generativeai-0.7.2:
Successfully uninstalled google-generativeai-0.7.2
Successfully installed google-ai-generativelanguage-0.6.10 google-generativeai-0.8.3 h11-0.14.0 httpcore-1.0.6 httpx-0.27.2 jsonpatch-1.33 jsonpointer-3.0.0 langchain-core-0.3.10 langchain-google-genai-2.0.1 langsmith-0.1.134 orjson-3.10.7 requests-toolbelt-1.0.0 tenacity-8.5.0
WARNING: The following packages were previously imported in this runtime:
\[google]
You must restart the runtime in order to use newly installed versions.
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?