Creación de Chatbots con Modelos de Lenguaje y Bases de Datos Vectoriales

Cursos Empresas Blog Live Conf Precios

Contenido del curso

Introducción a LangChain

Casos de uso de LangChain

Manejo de documentos con índices

Embeddings y bases de datos vectoriales

Chats y memoria con LangChain

Evolución del uso de LLM

37
Creación de Chatbots con Modelos de Lenguaje y Bases de Datos Vectoriales
Viendo ahora

Tomar examen

Creación de Chatbots con Modelos de Lenguaje y Bases de Datos Vectoriales

Resumen

Créditos del Curso: Curso de Desarrollo de Aplicaciones de IA con LangChain: Chatbots Profe: Omar Espejel School Owner: Carlos Alarcón Course Director: Miguel Torres Audiovisual Creator: Candela Ocaranza Editor: Pablo Valès Post de audio: Santiago Guarín Suárez Diseño: Amelia Amórtegui

Comentarios

Alberto Perdomo

student

El aumento de este semestre me lo gane por Platzi, este curso es oro puro, diria que mas.

Eber Laurente Lliuyacc

student

¡Excelente curso!

Me encantó

Por favor el

Curso de construcción de herramientas customizadas en base a LLM open source (no API)

Ricardo Terán

student

Sabes que siempre antes de tomar un curso, vengo al último video a ver si hay un comentario como este. Voy a confiar en ti. Saludos.

Ivan Andres Diaz Lopez

student

WAOOOO, sin palabras... increible. El mejor curso que he tomado en Platzi. Excelente y felicitaciones profe

David Hernando Henao Marulanda

student

Muchas gracias!!! Excelente curso!

Kevin Fiorentino

student

El mejor curso de IA para dev de Platzi. Gracias!

Jorge Andres Avendano Carabali

student

teest resppuestas Resumen 1. Al considerar el uso de los modelos LangChain, ¿qué implicaciones prácticas tendría para su proyecto el cambio entre diferentes modelos? Gracias a la interfaz consistente de los modelos LangChain, se puede cambiar entre diferentes modelos con facilidad. Lo que permite adaptar el sistema a las necesidades cambiantes. 2. Al diseñar aplicaciones de IA, ¿cuáles son las diferencias fundamentales entre los modelos de código abierto de Hugging Face y los modelos ofrecidos por proveedores como OpenAI o Cohere?

Los de Hugging Face se ejecutan en la máquina del usuario o en el hardware que defina, lo que puede ser lento sin el hardware adecuado, mientras que los remotos de proveedores como OpenAI se ejecutan en sus servidores. 3. Dado que LangChain facilita el proceso al enviar preguntas directamente al pipeline de Hugging Face para generar texto, ¿qué implicaciones tendría el uso de 'temperature': 0 en model_kwargs?

La 'temperature': 0 haría que el modelo no genere ninguna respuesta, ya que esta configuración apaga completamente el modelo al usar LangChain. REPASAR CLASE 4. ¿Cómo podría afectar el parámetro “n” en la clase OpenAI de langchain al resultado de las consultas realizadas?

El parámetro "n" determina la cantidad de respuestas generadas por el modelo, por lo que un valor mayor de "n" proporciona más opciones de respuestas a una consulta. 5. ¿Por qué puede ser importante y necesario utilizar función get_num_tokens de tiktoken al trabajar con modelos de embeddings?

Permite estimar el número de tokens utilizados en una entrada, lo cual es valioso para controlar el número total de tokens y gestionar costos asociados con el uso del modelo de OpenAI. 6. ¿Qué clase y modelo debe usarse en el siguiente código en Python para cargar un LLM de OpenAI con LangChain?

llm= ( model_name="_________", n=1, temperature=0.2 )

ModelOpenAI y davinci-002 REPASAR CLASE 7. Dentro del siguiente prompt template de LangChain, ¿qué deben recibir las variables input_variables y template?

template_product = """Escribe una descripción técnica del producto para distribuidores. Utiliza la ficha técnica siguiente:

{ficha_tecnica}

Respuesta (escribe una lista con detalles de cada característica): """

prompt_template_product = PromptTemplate( input_variables=__, template=_______ ) ["ficha_tecnica"] y template_product 8. ¿Qué es una cadena en LangChain y cómo se utiliza? LangChain proporciona la interfaz Chain para aplicaciones "encadenadas". Definimos una Chain o cadena de manera muy genérica como una secuencia de llamadas a componentes, que pueden incluir otras cadenas 9. ¿Qué ocurre si se trata de generar un resumen utilizando load_summarize_chain de LangChain con una chain_type=“stuff”?

Se puede incluir un propio prompt/plantilla, pero solo caben el máximo de tokens permitidos por el modelo y no documentos largos. 10. Al utilizar el objeto RetrievalQA de LangChain, ¿qué sucede cuando se le pasa una pregunta?

Se utiliza el modelo de lenguaje y el objeto retriever para buscar información relacionada con la pregunta y generar una respuesta. 11. ¿Qué es un Retriever de LangChain? Un componente que localiza y devuelve documentos relevantes según una consulta específica. 12. Dentro de una SequentialChain de LangChain, ¿qué debe recibir en chains, output_variables e input_variables?

cadena_secuencial = SequentialChain( chains=[___________________], input_variables=[_______], output_variables=[________] ) En chains, las cadenas se pasan en el orden consecutivo en el que se utilizarán. input_variables se refiere a las variables de entrada que reciben las cadenas. output_variables designa lo que retorna la última cadena.

¿A qué nos referimos con los "índices" en el contexto de los sistemas de procesamiento de lenguaje natural? A las formas de estructurar documentos para que los modelos de lenguaje puedan obtener nueva información. 14. ¿Cuál es la función de un Document Loader en LangChain? Cargar datos y convertirlos al formato Document de LangChain.

¿Qué clase de LangChain se debe usar en el siguiente código para cargar un PDF que mantenga las páginas del documento PDF?

from langchain.document_loaders import _______

loader = _________("./document.pdf") data = loader.load() PyPDFLoader 16. Imagina que estás utilizando el RecursiveCharacterTextSplitter de LangChain para dividir un conjunto de textos. En este proceso, te das cuenta de que algunos de los fragmentos resultantes son más grandes de lo que puede manejar el modelo para generar embeddings. ¿Cómo podrías abordar este problema?

Puedes ajustar el número de caracteres que utiliza el RecursiveCharacterTextSplitter para la división de texto, disminuyendo el número. 17. Trabajas con una empresa de análisis de texto y tu equipo necesita implementar un sistema para dividir grandes cantidades de texto en fragmentos manejables. ¿Por qué podrías considerar útil el parámetro de superposición o chunk_overlap en este proceso?

La superposición ayuda a mantener el contexto entre fragmentos contiguos, actuando como una pequeña ventana de memoria que se traslada de un fragmento a otro. 18. ¿Por qué deberías considerar útil trabajar con la clase Embeddings de LangChain en una aplicación que integre NLP? La clase Embeddings de LangChain da una interfaz para trabajar con modelos de embeddings con la que puedes interactuar con varios modelos, sin importar si su proveedor es OpenAI, Cohere, Hugging Face u otro. 19. En el siguiente código de Python, ¿qué deben recibir los métodos OpenAIEmbeddings() y para qué sirve el método embed_documents().

embedding_openai = OpenAIEmbeddings(__________)

incrustaciones = embedding_openai.embed_documents(documents_to_embed) Debe recibir un nombre de modelo de embedding de OpenAI. El método embed_documents recibe los Document de LangChain para convertirlos a embeding usando el modelo previamente definido. 20. ¿Por qué es necesario utilizar .client al crear embeddings con modelos de Hugging Face usando LangChain?

Ayuda a medir el tamaño de los embedding a utilizar para no exceder los límites de tamaño de tokens de los modelos. 21. ¿Cómo funciona el proceso de LangChain para que un LLM pueda obtener nueva información de una base de datos vectorial? Se utiliza un retriever que busca dentro de la base de datos vectorial los textos más parecidos a la solicitud de información. Este retriever se activa con una cadena RetrievalQA que consulta la base de datos usando un LLM. 22. En el contexto de una conversación con un asistente digital, ¿por qué sería problemático tener una conversación extensa con modelos de lenguaje como GPT-4? Debido a que los modelos de lenguaje como GPT-4 tienen un límite de tokens (los que ingresamos en el prompt), las conversaciones largas pueden exceder este límite, por ello se debe agregar un componente de memoria. 23. ¿Para qué se utilizan SystemMessage, HumanMessage, AIMessageal definir el schema de los mensajes de una aplicación de chat con LangChain?

SystemMessage es la indicación de contexto que debe seguir el modelo, HumanMessage es el mensaje del humano, AIMessage es la respuesta del modelo. 24. ¿Qué clase y modelo debe usarse en el siguiente código en Python para cargar un modelo de Chat de OpenAI con LangChain?

chat = ( model="_________", temperature=0.6 ) ChatOpenAI y 'gpt-4'. 25. ¿Por qué es importante utilizar el SystemMessage en los chatbots?

Porque permite establecer el comportamiento y los objetivos del modelo de lenguaje, proporcionando instrucciones específicas. 26. Cuando se utiliza la ConversationBufferWindowMemory en LangChain, ¿cuál es una de las implicaciones de ajustar el parámetro max_token_limit?

El max_token_limit determina la capacidad de la memoria para almacenar interacciones sin necesidad de sintetizarlas. Al superar este límite, la memoria genera automáticamente un resumen de las interacciones previas

Ver menos

Nicolas E Duque Aguirre

student

Aunque el código ya esta deprecado, los conceptos y conocimientos del profesor son claves para entender el framework de langchain, muchas gracias

Diego Chacón

student

¡Excelente curso! Un par de cosas obsoletas (todas las librerías), ¡pero está bien! Se entiende y es bastante claro; ¡por algo sigue vigente! :D Thanks!

Ing. Moisés Toro

student

Excelente curso, sigue siendo útil en 2026

Carlo Wesley Martinez Ortiz

student

Con este curso creo he adquirido conocimientos teóricos y prácticos muy valiosos que me hacen falta para avanzar en mi camino hacia convertirme en un desarrollador de software con enfoque en IA. He experimentado bastante mientras tomaba el curso, probando distintos tipos de LLM API's, bases de datos Vectoriales y modelos.

Ha sido un buen curso

Miguel Alcaino Barriga

student

Me parece que estoy "en la pagina" que tu, ya que actualmente entiendo más conceptos de los LLM, las base de datos vectoriales, etc

Creo que es buen curso y a pesar que esta bastante desactualizado me obligo a aprender como hacerlo con las tecnologias que contamos actualemente

juan carlos colchado casas

student

Lo usare para hacer un experto en Geofisca en la empresa deonde laboroy resuelva preguntas tecnicas para clientes y otro sistema mas tecnico y operativo para internamente

Johan Nicolás Valderrama Serrato

student

Se me ocurre crear un lugar donde podamos crear chatbots que hablen bien de nuestro perfil profesional, para estos compartirlos en linkeding

lizardo durand

student

Excelente curso. seguimos...

Verónica Teilletchea

student

Increible el curso! Felicitaciones Omar, sos un gran profesor!

Emmanuel Maya Molina

student

A emprender con AI @emayaml

Emmanuel Maya Molina

student

A emprender con AI!

Joser rivas

student

Este fue un gran curso, el profesor explica muy bien, gracias

Diego González Castellanos

student

def process_memory_query_resume(query, retriever, llm):

memory = ConversationSummaryBufferMemory(llm=OpenAI(), max_token_limit=40, k=2)

conversation=ConversationChain(

llm=llm, memory=memory, verbose=True, retriever=retriever )

console.print("[yellow]La IA está pensando...[/yellow]")

return conversation.predict(input=query)

File "pydantic/main.py", line 341, in pydantic.main.BaseModel.__init__

pydantic.error_wrappers.ValidationError: 1 validation error for ConversationChain

retriever

extra fields not permitted (type=value_error.extra)

Hola amigos, alguna idea con este error, el resto del codigo está corriendo pero cuando trato de usar ConversationSummaryBufferMemory me dice que tengo un problema con retriever, gracias.

Matheus Carvalho

student

¡Excelente curso!

Jesus Abel Jimenez Bracho

student

Increible curso, sin duda uno de los mejores y mas avanzados de platzi, el docente es de primera.

Introducción a LangChain

Creación de un sistema de preguntas y respuestas con LangChain

Estructura y Uso de Langchain en Python

Carga de Modelos Open Source con Langchain y Hugging Face

Uso de Modelos OpenAI con LangChain: Guía Práctica para Principiantes

Creación de Prompts Dinámicos con LangChain

Uso de Cadenas en Modelos de Lenguaje con Language Chain

Procesamiento de PDFs y creación de resúmenes con LangChain

Creación de Cadenas de Preguntas y Respuestas con Modelos de Lenguaje

Creación de cadenas secuenciales en Python para procesamiento de texto

Casos de uso de LangChain

Aplicaciones y Beneficios de Lancheng en el Manejo de LLMs

Implementación de Lanchain y LLMs: Costos, Privacidad y Buenas Prácticas

Manejo de documentos con índices

Carga de Documentos en Langchain para Creación de Índices

Fundamentos de la Clase Document en Langchain

Carga y Transformación de Documentos No Estructurados con Landship

Lectura de CSV y conversión a DataFrame de Pandas y LangChain

Creación de un Cargador de JSON-Lines Personalizado en Python

Fragmentación de Documentos con TextSplitter en Langsteam

Creación de un Chatbot con Documentación de Hugging Face

Creación de Índice Vectorial con Langchain y Embeddings

Embeddings y bases de datos vectoriales

Creación de Índices con Embeddings y Bases de Datos Vectoriales

Creación y uso de embeddings con OpenAI y Lanchain

Modelos de Embeddings Open Source en Español con Sentence Transformers

Creación y Gestión de Bases de Datos Vectoriales con Chroma

Creación y manejo de bases de datos vectoriales con OpenAI Embeddings

Creación y Uso de un Retriever en Chroma para Consultas Avanzadas

Modelo de Chat para Preguntas y Respuestas con LangChain y Chroma

Creación de un Chatbot para Preguntas con Bases de Datos Vectoriales

Chats y memoria con LangChain

Memoria de Corto Plazo en Chatbots: Implementación y Optimización

Creación y Uso de Modelos de Chat con OpenAI y LangChain

Creación de Plantillas Dinámicas para Prompts de Chat en Langstead

Memoria en chatbots: Implementación con ConversationBufferMemory

Configuración de ConversationBufferWindowMemory en Chatbots

Memoria de Resumen de Conversaciones con Chat GPT-3.5

Gestión de Memoria en Chatbots con ConversationSummaryBufferMemory

Memoria de Entidades en Chatbots para Soporte de Ventas

Implementación de Chatbot con Memoria en Python usando Langchain

Evolución del uso de LLM

Creación de Chatbots con Modelos de Lenguaje y Bases de Datos Vectoriales

Resumen