Los modelos de lenguaje grandes (LLM) son modelos de aprendizaje profundo entrenados con cantidades masivas de datos de texto. Los LLM pueden traducir lenguaje, resumir texto y complementar motores de búsqueda y sistemas de recomendación. PaLM 2 es el próximo LLM de Google, que se basa en el legado de investigación de Google en aprendizaje automático y en IA responsable.
Los modelos de PaLM 2 se destacan en las tareas de razonamiento avanzado, la clasificación y respuesta de preguntas, la traducción y la generación de lenguaje natural. Su gran tamaño le permite aprender patrones complejos y relaciones en lenguaje, además de generar texto de alta calidad para varias aplicaciones. Por esta razón, los modelos PaLM 2 se denominan modelos de base.
Para usar modelos PaLM 2 en Vertex AI, Google desarrolló la API de PaLM de Vertex AI. Con la API de PaLM de Vertex AI, puedes probar, personalizar y también implementar instancias de los modelos para tus propias aplicaciones y ajustarlas mediante tus casos de uso específicos.
Para ver más recursos de aprendizaje, explora el repositorio de GitHub de IA generativa. Los científicos de datos, desarrolladores y Developers Advocates de Google administran este contenido.
Empezar
Aquí encontrarás algunos notebooks, instructivos y otros ejemplos para ayudarte a empezar. Vertex AI ofrece instructivos de la consola de Google Cloud y notebooks de Jupyter que usan el SDK de Vertex AI para Python. Puedes abrir un instructivo de notebook en Colab o descargar el notebook en tu entorno preferido.
Comienza a usar la API de PaLM de Vertex AI y el SDK de Vertex AI para Python
|
Obtén información sobre cómo usar la API de PaLM con el SDK de Vertex AI para Python. Al final del notebook, debes comprender varias diferencias de los parámetros de modelo generativo como
Notebook de Jupyter: Puedes ejecutar este instructivo como un notebook de Jupyter. |
Comienza a usar Vertex AI Generative AI Studio
|
Usa Generative AI Studio a través de la consola de Google Cloud sin necesidad de usar la API ni el SDK de Vertex AI para Python. |
Prácticas recomendadas para el diseño de mensajes
|
Obtén información sobre cómo diseñar mensajes para mejorar la calidad de tus respuestas del modelo. En este instructivo, se abordan los conceptos básicos de la ingeniería de mensajes, incluidas algunas prácticas recomendadas.
Notebook de Jupyter: Puedes ejecutar este instructivo como un notebook de Jupyter. |
LangChain 🦜️🔗
LangChain es un framework para desarrollar aplicaciones con la tecnología de LLM, como los modelos de PaLM. Usa LangChain para llevar datos externos, como tus archivos, otras aplicaciones y datos de API, a tus LLM.
Para obtener más información sobre LangChain y cómo funciona con Vertex AI, consulta la documentación oficial de LangChain y Vertex AI.
LangChain y la API de PaLM de Vertex AI
|
En este instructivo, se ofrece una introducción a la comprensión de los componentes de LangChain y algunos casos de uso comunes para trabajar con LangChain y la API de PaLM de Vertex AI. Estos son algunos ejemplos y demostraciones en este instructivo:
Notebook de Jupyter: Puedes ejecutar este instructivo como un notebook de Jupyter. |
Obtén un resumen de texto de documentos grandes con LangChain
|
|
El resumen de texto es una tarea de procesamiento de lenguaje natural (PLN) que crea un resumen informativo y conciso de un texto más largo. Puedes usar LLM para crear resúmenes de artículos de noticias, artículos de investigación, documentos técnicos y otros tipos de texto. En este notebook, usarás LangChain para aplicar estrategias de resumen. El notebook abarca varios ejemplos de cómo resumir documentos grandes.
Notebook de Jupyter: Puedes ejecutar este instructivo como un notebook de Jupyter. |
Responde preguntas de documentos grandes con LangChain
|
|
Este notebook usa LangChain con la API de PaLM de Vertex AI para compilar un sistema de respuesta a preguntas (Preguntas y respuestas) que extrae información de documentos grandes.
Notebook de Jupyter: Puedes ejecutar este instructivo como un notebook de Jupyter. |
Responde preguntas de documentos con LangChain y Vector Search
|
|
En este notebook, se muestra cómo implementar un sistema de pregunta y respuesta (QA) que mejore una respuesta de LLM. Aprenderás a aumentar sus conocimientos con fuentes de datos externas, como documentos y sitios web. Este notebook usa Vector Search, LangChain y la API de Vertex AI PaLM para la creación de incorporaciones y texto.
Notebook de Jupyter: Puedes ejecutar este instructivo como un notebook de Jupyter. |
¿Qué sigue?
- Explora más recursos en el repositorio de GitHub de la IA generativa.
- Consulta otros instructivos de notebooks de Vertex AI en la descripción general de los instructivos.