Ir al contenido principal
Español— Elegir un idioma
Menú

Edición en español

Producción: procesamiento por lotes, optimización y observabilidad

Paso a producción: inferencia por lotes de hasta 1 millón de solicitudes, salidas predichas, citas con fuentes y observabilidad (trazas, jueces y evaluaciones fuera de línea).

16 lecciones ca. 1 h 15 min Avanzado

Lo que aprenderás

  • Preparar un trabajo de inferencia por lotes en JSONL, seguir su estado y recuperar los resultados
  • Reducir la latencia de respuesta con salidas predichas en tareas de reescritura
  • Implementar citas con objetos de referencia para fundamentar las respuestas en sus fuentes
  • Rastrear una aplicación con OpenTelemetry, explorar trazas de producción y automatizar la evaluación con jueces LLM
  • Construir conjuntos de datos a partir de trazas y medir cada versión mediante evaluaciones fuera de línea

Ficha del curso

Dirigido a
Desarrolladores, ingenieros e integradores que deseen utilizar Mistral AI mediante API en sus aplicaciones.
Requisitos previos
Experiencia demostrada en el desarrollo de aplicaciones y su despliegue en producción.
Duración
1 h 15 min — 16 lecciones
Modalidades
Curso 100 % en línea y a tu propio ritmo, accesible 24/7 desde un navegador. El progreso se guarda y puedes retomarlo en cualquier momento. Duración estimada: 1 h 15 min.
Evaluación
Autoevaluación basada en los puntos clave que concluyen cada lección y práctica directa de los ejemplos con tus propios casos. Un cuestionario final de 5 preguntas calificadas al terminar la última lección valida lo aprendido.
Accesibilidad
Curso accesible para personas con discapacidad: contenido de texto compatible con lectores de pantalla, navegación por teclado y contraste de colores conforme a normativa. Para necesidades de adaptación, escribe a [email protected].
Precio
Gratis

Contenido del curso

  1. 01 Inferencia por lotes: por qué, cuándo y ahorro de costes
  2. 02 Formato JSONL, custom_id y carga de archivos
  3. 03 Crear un trabajo por lotes, seguir su estado y descargar los resultados
  4. 04 Agrupación en línea: hasta 10 000 solicitudes sin archivos
  5. 05 Reduce la latencia con salidas predichas
  6. 06 Casos de uso reales para salidas predichas
  7. 07 Implementar salidas predichas en Python
  8. 08 Citas con fuentes: objeto de referencia y RAG
  9. 09 Implementar citas en Python
  10. 10 Anclar las respuestas en las fuentes y reducir las alucinaciones
  11. 11 Introducción a la observabilidad: trazas, jueces y evaluaciones
  12. 12 Explorar: Buscar e inspeccionar trazas de producción
  13. 13 Jueces: Evaluación automatizada de LLM
  14. 14 Evaluaciones fuera de línea: mide antes de desplegar
  15. 15 Conjuntos de datos: Crear conjuntos de evaluación e iterar
  16. 16 Canalización de extremo a extremo: trazas, jueces, conjuntos de datos, evaluaciones