Curso Langchain y LLM Online. Aplicaciones IA en Python

LangChain es el framework donde desarrollamos aplicaciones de IA basadas en LLMs, nos da las herramientas y estructura para integrar estos modelos con otras fuentes de datos y sistemas. Con LangChain los desarrolladores pueden crear aplicaciones complejas relacionadas con Inteligencia Artificial además de incorporar agentes para la toma de decisiones y la creación de flujos de trabajo.

A través de la librería LangChain para Python podemos ver que cuenta con una estructura sólida y con herramientas que nos ayudan al desarrollo de aplicaciones con LLMs. Todo tipo de aplicaciones ya integran LongChain y LLMs en Python como puedan ser los chatbots o asistentes virtuales que se conectan con APIs o bases de datos que nos ofrecen respuestas precisas. También se utilizan en sistemas de recomendación que nos las ofrecerá en base a nuestros textos. Con LangChain se pueden automatizar tareas, así como procesar textos a gran escala o generar contenido de forma automática.

Con LangChain podemos crear nuestras propias aplicaciones de IA que se podrán adaptar a otros LLMs en el futuro si fuera necesario con tan solo cambiar la conexión. Gracias a la memoria que también nos aporta podemos crear flujos de trabajo complejos, haciendo que sea una gran herramienta.

Comprender qué son los Large Language Models (LLMs) y cómo interactuar con ellos de manera efectiva.
Conocer la arquitectura y los componentes principales de Langchain.
Configurar APIs para conectar con LLMs.
Diseñar y aplicar con Langchain las plantillas de prompts para optimizar la entrada de datos en LLMs.
Estandarizar tus desarrollos de IA con Langchain y poder usar o cambiar a cualquier otro LLM sin esfuerzo.
Parsear y procesar la salida de los modelos LLM para obtener resultados útiles.
Transformar documentos y manejar cargadores para integraciones con plataformas como Google y AWS.
Crear embeddings de texto y almacenar vectores en bases de datos para potenciar los LLMs con tus propios datos.
Optimizar resultados mediante la compresión de datos utilizando LLMs.
Diseñar modelos de cadena secuencial simples y avanzados en Langchain.
Enrutar cadenas con LLMRouterChain para mejorar la estructura y flujo de las aplicaciones.
Entender el concepto de memoria en Langchain y cómo implementarla.
Desarrollar agentes que utilicen motores de búsqueda para mejorar sus respuestas.
Crear agentes programadores de código y herramientas personalizadas.
Implementar agentes conversacionales que puedan interactuar de manera efectiva utilizando LLMs y Langchain.
Aplicar el conocimiento adquirido para crear sistemas RAG con bases de datos vectoriales.
Crear agentes que realicen análisis automáticos de SQL a partir de consultas en lenguaje natural.

Profesionales interesados en integrar modelos de lenguaje avanzados (LLMs) en sus aplicaciones.
Desarrolladores que deseen aprender a utilizar herramientas modernas como Langchain para mejorar la interacción con los usuarios.
Ingenieros de datos que buscan optimizar el procesamiento y almacenamiento de datos utilizando embeddings y bases de datos vectoriales.
Profesionales que desean explorar las capacidades de los LLMs y su aplicación en diversas industrias.
Innovadores que buscan crear productos y servicios basados en inteligencia artificial creando potentes aplicaciones con Langchain.
Líderes que desean comprender cómo las tecnologías de LLMs y Langchain pueden transformar sus negocios y procesos operativos.
Alumnos que deseen adquirir habilidades prácticas en el uso de tecnologías de vanguardia en inteligencia artificial y procesamiento de lenguaje natural.
Estudiantes que buscan proyectos aplicados que les permitan poner en práctica conceptos teóricos.
Personas con un interés general en el campo de la inteligencia artificial que desean explorar sus aplicaciones prácticas.
Entusiastas que buscan una introducción comprensiva a la tecnología detrás de los LLMs y su implementación con Langchain.

TEMA 1: INTRODUCCIÓN A LANGCHAIN Y LLMs
• ¿Qué es un Large Language Model (LLM)?
• ¿Qué es Langchain y cuáles son sus componentes?
• Instalación de Python y librería Langchain
• ¿Qué es una API? Configuración de la cuenta OpenAI y API Key
TEMA 2: MODELOS DE ENTRADA / SALIDA EN LANGCHAIN
• Interacción y uso de Langchain con LLMs y Modelos de Chat
• Plantillas de prompts con Langchain para el modelo de entrada
• Parsear y procesar la salida
• Serialización de prompts (guardar y cargar)
TEMA 3: CONECTORES DE DATOS EN LANGCHAIN
• Cargadores de documentos
• Caso de uso - Carga de ficheros pdf y conexión con LLM para resumen de documentos
• Cargadores de documentos – integraciones con otras plataformas (Google, AWS,
Wikipedia,…)
• Transformación de documentos
• Incrustación de texto y creación de vectores (embeddings)
• Almacenamiento de vectores en base de datos
• Compresión y optimización de resultados a partir de LLMs
TEMA 4: CADENAS EN LANGCHAIN
• ¿Qué son las cadenas y cómo crear el primero modelo de cadena secuencial simple?
• Construcción del Modelo Secuencial Completo
• Enrutamiento a cadenas con LLMRouterChain
• Cadenas de Transformación
• Cadenas para Preguntas y Respuestas sobre nuestros datos
TEMA 5: MEMORIA EN LANGCHAIN
• ¿Qué es la memoria en Langchain y qué tipos de memoria podemos implementar?
• Creación de Buffer de Memoria completa de una Conversación
• Creación de Buffer de Memoria con Ventana
• Creación de Buffer de Memoria Resumida
TEMA 6: AGENTES EN LANGCHAIN
• ¿Qué son los agentes y cómo implementar un primer caso de uso?
• Creación de agente potenciado con motor de búsqueda
• Creación de agente programador de código
• Creación de herramientas personalizadas
• Agentes conversacionales con memoria
• PROYECTO: Creación de Agente Chatbot con memoria a partir de sistema RAG con
nuestra BD Vectorial
• PROYECTO: Creación de Agente para Análisis automático SQL a partir de consultas en
lenguaje natural

La unión de Langchain con los LLMs nos sirve para el desarrollo de aplicaciones de IA de un nivel avanzado con las que se procesan y generan textos naturales. Con LangChain podemos integrar LLMs con diferentes fuentes de datos, APIs… De esta forma podemos crear chatbots o sistemas automatizados. GPT, que es un LLMs, puede entender y generar lenguaje humano, siendo de gran utilidad para responder preguntas, generar contenido, traducir textos…