book

Guía de estudio para la certificación de Databricks como Ingeniero Asociado en IA Generativa (Spanish Edition)

Name: Guía de estudio para la certificación de Databricks como Ingeniero Asociado en IA Generativa (Spanish Edition)
Author: Rajaniesh Kaushikk
ISBN: 0642572412449

by Rajaniesh Kaushikk

June 2026

Intermediate

374 pages

15h 48m

Spanish

O'Reilly Media, Inc.

Read now

Unlock full access

Prólogo
Prefacio
A quién va dirigido este libroConvenciones utilizadas en este libroUso de ejemplos de códigoO’Reilly Online LearningCómo contactarnosAgradecimientos
1. Detalles del examen y recursos
Requisitos previosObjetivos de aprendizajeDescripción general y beneficios de la certificaciónFormato y objetivos del examenEstrategias clave de preparaciónRevisa el esquema del examenAdquiere experiencia prácticaUsa la documentación de Databricks de manera efectivaPractica con preguntas de ejemplo y exámenes de pruebaConsejos prácticos para el examenConfiguración de tu espacio de trabajo de DatabricksPaso 1: Abre el sitio web de DatabricksPaso 2: Inicia el proceso de registro en DatabricksPaso 3: Inicia sesión con tu cuenta de MicrosoftPaso 4: Accede al proceso de configuración de la cuenta de DatabricksPaso 5: Abre el Portal de Azure para crear el espacio de trabajo de DatabricksPaso 6: Configura los ajustes del espacio de trabajo en la pestaña «Básico»Paso 7: Configura las opciones de redPaso 8: Revisa la configuración de cifradoPaso 9: Revisa la configuración de seguridad y cumplimientoPaso 10: (Opcional) Revisa las etiquetasPaso 11: Valida y crea el espacio de trabajoPaso 12: Crea un clúster de aprendizaje automáticoPaso 13: Crea un cuaderno y ejecuta un comando de pruebaResumen
2. Diseño de aplicaciones de IA generativa
Requisitos previosObjetivos de aprendizajeCreación de prompts para resultados estructuradosEjemplos reales de prompts estructuradosEstrategias para los prompts estructuradosUso de plantillas de prompts en el códigoConsideraciones sobre la inserción de indicaciones al usar plantillasCómo adaptar las tareas del modelo a los casos de usoDiseño de prompts que generen respuestas con un formato específicoComposición de flujos de trabajo de IASelección de componentes de la cadenaResumir afirmaciones con LangChainRegistros de plantillas y reutilizaciónRegistros de indicaciones en la práctica: un ejemplo de código abiertoCómo convertir casos de uso en diseño de entrada/salidaCaso de uso de diseño de entrada/salidaConsejos para un diseño sólido de entrada/salidaCómo diseñar plantillas de prompts reutilizablesIdentificar pares de prompts y respuestas que se ajusten a una tarea específica del modeloHerramientas de razonamiento en múltiples etapasOrden de herramientas para la lógica secuencialPlanificación de cadenas de agentesPlanificación de agentes con LangChainDiseño de sistemas multiagente con uso de herramientasEscenario: Procesamiento de reclamaciones de segurosPrincipios clave de diseño de sistemas multiagenteIncrustación y selección de modelosSelección del modelo de incrustación Longitudes de contexto y tamaños de los LLMLectura de las fichas de modelos para entender el riesgo y el sesgoEquilibrio entre costo, latencia y calidad al elegir modelosResumenPreguntas de prácticaRespuestasLaboratorio práctico: Flujo de trabajo multiagente con LangChain + OpenAI en DatabricksEscenarioObjetivo
3. Preparación y segmentación de datos para aplicaciones RAG
Requisitos previosObjetivos de aprendizajeDescripción general del proceso RAG y dónde encaja la segmentaciónAnálisis de documentos y fragmentaciónEstrategias de fragmentación y cuándo usarlasDivisión en fragmentos de longitud fijaDivisión en fragmentos a nivel de oraciónDivisión en fragmentos a nivel de párrafoDivisión en bloques con ventana deslizanteDivisión en fragmentos semánticosControl de la superposición y la granularidadFragmentos superpuestos para el flujo contextual: fijos y dinámicosAgrupación dinámica con continuidad semánticaEl impacto de la segmentación en la recuperaciónAplicación de una estrategia de segmentación basada en restricciones del modeloFiltrado y extracción de contenidoEliminación de la redundancia y el ruidoEjemplo del mundo real: portal de documentación de softwareExtracción de contenido de archivos PDF e imágenesConversión al formato delta para realizar consultasElegir el paquete de Python adecuado para la extracción de contenidoEvaluación de la calidad de la recuperaciónUso de métricas para mejorar el rendimientoValidación de estrategias de segmentación y filtradoMonitoreo y ciclos de retroalimentaciónTécnicas correctivas para resolver las brechas en la recuperaciónHerramientas de extracción de datosResumenPreguntas de prácticaRespuestasLaboratorio práctico: fragmentación e indexación para RAGEscenarioObjetivo
4. Creación de aplicaciones de IA generativa con Python y LangChain
Requisitos previosObjetivos de aprendizajeFundamentos de LangChainPrompts y cadenas de indicacionesPlantillas de promptsCadenas¿Por qué son importantes las plantillas y cadenas de prompts?Gestión de la memoria y el contextoContexto a corto plazo: gestionar las interacciones recientesContexto a largo plazo: conservar la información relevanteLa inyección de contexto como patrón de diseñoInyección de contexto con historial completo (patrón)Inyección de contexto por ventanas (patrón)Almacén de hechos o memoria de tripletas de conocimiento (patrón)Por qué es importante la memoriaDescripción general de los agentes de LangChainCómo funcionan los agentesVentajas de usar agentesCuando un solo agente no es suficienteIntegración de modelos y herramientasCómo integrar herramientas (API, bases de datos, calculadoras)Cómo funcionan las herramientasIntegración de RAG con cadenasCómo funciona la recuperación en LangChainEjemplo: uso de un almacén de vectores para la recuperaciónPor qué es importante la recuperaciónCasos de uso de las herramientas en diferentes industriasSaludFinanzasVenta al por menorMecanismos de calidad y seguridadProblemas comunes en las respuestas de los modelosImpacto en el mundo realAmpliación de los prompts para mayor seguridadTécnicas para ampliar las indicaciones de promptEjemplo: Resumen seguroAplicaciones en el mundo realBeneficios de la ampliación de los promptsImplementación de medidas de protecciónTécnicas para implementar medidas de seguridadEjemplo: medidas de seguridad con validación de resultadosAplicaciones en el mundo realComparación: sin medidas de seguridad frente a con medidas de seguridadEvaluación cualitativa de las respuestas de los LLM (cuestiones de calidad, seguridad y alucinaciones)Un flujo de trabajo práctico para evaluar los resultados de los modelos de lenguaje grandes (LLM)Definir la calidad de acuerdo con los criterios de los exámenesDefinir y detectar alucinacionesEvaluar la seguridad y el cumplimiento de las políticas en los resultadosCrea una rúbrica de calificación cualitativa que puedas reutilizarUna estrategia de conjunto de pruebas orientada a DatabricksCómo escribir notas de revisión que impulsen soluciones de ingenieríaErrores comunes en la evaluación cualitativa y cómo evitarlosRedacción de metaprompts para minimizar las alucinaciones o la filtración de datosQué es —y qué no es— un metapromptPor qué los metaprompts son importantes para controlar las alucinacionesObjetivos comunes de los metaprompts en aplicaciones de DatabricksEstructura de un metaprompt efectivoCómo prevenir la fuga de datos con metapromptsLos metaprompts y la resistencia a la inyección de promptsPruebas e iteraciones con metapromptsErrores comunes en los metapromptsMarcos de agentes y sistemas multiagenteAgentes de razonamiento en múltiples etapasDiseño de plantillas de prompts para agentesArquitectura de sistemas multiagenteCreación de las herramientas necesarias para extraer datos para tareas de recuperaciónPor qué las herramientas son clave para las tareas de recuperaciónCategorías de herramientas que se usan comúnmente en los sistemas RAGDiseño de una herramienta de recuperación: principios y limitacionesHerramientas y recuperadores: cómo funcionan juntosIncorporación del preprocesamiento a las herramientas de extracciónDiseño de herramientas para la seguridad y la gobernanzaCuándo usar herramientas y cuándo dar instrucciones de promptResumen de la creación de herramientas para la recuperaciónResumenPreguntas de prácticaRespuestas correctasLaboratorio práctico: Creación de una app de GenAI con recuperación aumentadaEscenarioObjetivo
5. Implementación e integración de sistemas RAG en Databricks
Requisitos previosObjetivos de aprendizajeEnsamblaje y pruebas de cadenasEstructura del modelo PyFuncCadena LangChain al modelo implementableRutas de implementación local frente a alojadaCómo programar una cadena sencilla según los requisitosCómo programar un modelo PyFunc con preprocesamiento y posprocesamientoProceso de implementación del modeloSeguimiento y registro en MLflowImplementación en puntos finales de servicio de modelosAcceso y control de versionesControl del acceso a los puntos finales de servicio de modelosBúsqueda vectorial y optimización de puntos finalesConceptos básicos de la búsqueda vectorial en DatabricksAjuste de la latencia y el costoIncorporación de las API de modelos baseIdentificación de los recursos necesarios para ofrecer características en aplicaciones RAGServicio avanzado de modelosPreprocesamiento y posprocesamiento en modelos PyFuncAcceso a puntos finales y control de recursosCargas de trabajo de inferencia por lotes con ai_queryResumenPreguntas de prácticaRespuestasLaboratorio práctico: Implementación de un sistema RAG de extremo a extremo en DatabricksEscenarioObjetivo
6. Gestión de modelos con MLflow y Unity Catalog
Requisitos previosObjetivos de aprendizajeConceptos básicos y seguimiento de MLflowSeguimiento de experimentos y parámetrosRegistro de modelos y artefactosRevisión de ejecuciones y métricasPoniendo todo en práctica: un flujo de trabajo sencilloMapeo del ciclo de vida y la gobernanzaEvaluación del rendimiento del modelo RAG con MLflowRegistro e implementación de modelosRegistro de modelos en Unity CatalogGestión de versiones con alias y etiquetasCiclo de vida de los modelos con aliasCiclo de vida de los modelos: caso práctico real: modelo de detección de fraudesResumen de los aliasGobernanza y control de accesoEstudio de caso: la gobernanza en acciónBuenas prácticas operativasReproducibilidad y documentaciónGestión de metadatos y firmas de modelosPolíticas de archivo y limpiezaCaso práctico: Detección de fraudes con la gobernanza en acciónUso de las funciones de Databricks para controlar los costos de los LLMResumenPreguntas de prácticaRespuestasLaboratorio práctico: Gestión integral de modelos con MLflow y Unity CatalogEscenarioObjetivo
7. IA generativa responsable: medidas de seguridad y gobernanza
Requisitos previosObjetivos de aprendizajeTécnicas de controlFiltrado y censura de entradasValidación de entradas y restriccionesLimitación de tasa y monitoreoUso de técnicas de enmascaramiento para cumplir con objetivos de rendimiento o seguridadSelección de técnicas de protección para evitar entradas maliciosasGobernanza de datos y privacidadTécnicas de enmascaramiento de datosCómo mitigar el texto problemáticoCumplimiento de los requisitos de licenciaRequisitos legales y de licencia para las fuentes de datosOfrecer alternativas para mitigar el texto problemático (entrada RAG)Marcos de gestión de riesgosListas de verificación para una IA responsableConsideraciones legales y éticasRegistros de auditoría y transparenciaConsideraciones legales y de licenciasRequisitos de licencia para datos externosEstrategias de cumplimiento de las fuentes de datosMitigación de riesgos legalesResumenPreguntas de prácticaRespuestasLaboratorio práctico: Implementación de medidas de control para la IAEscenarioObjetivo
8. Monitoreo y evaluación de LLMs en entornos de producción
Requisitos previosObjetivos de aprendizajeMétricas y criterios de evaluaciónSelección de métricas clave de desempeñoEvaluación cuantitativa con MLflowDatos de referencia y evaluación humanaBuenas prácticas para el conjunto de datos de evaluaciónCaso práctico: Evaluación del riesgo de alucinaciones en un punto final de resumenSelección del tamaño y la arquitectura de los LLM según las métricas de evaluaciónUso de métricas de evaluación para comparar tamaños de modelosLa selección de la arquitectura como un ciclo de retroalimentaciónConsejos prácticos para tomar decisiones de producciónMonitoreo y registroTablas de inferencia y registrosUso de herramientas de monitoreo de agentesDetección de anomalías y alertasBuenas prácticas para el panel de monitoreoEstrategias de alertasCaso práctico: Identificación de un pico de latencia en un chatbot de atención al clienteUso del registro de inferencias para evaluar el desempeño de RAGUso del monitoreo de agentes y las tablas de inferenciaOptimización de costos y rendimientoSeguimiento del uso de tokens y la latenciaEstrategias de asignación de recursosRecomendaciones para ahorrar costosCaso práctico: Reducción de los costos de tokens en un asistente de recomendaciones de comercio electrónicoUso de las funciones de Databricks para controlar los costos de GenAITécnicas avanzadas de evaluaciónEvaluación humana frente a automáticaEvaluación frente a monitoreoCalibración de métricas de evaluaciónCaso práctico: Calibración de métricas de fundamentación para un asistente de búsqueda basado en RAGIdentificar qué criterios de evaluación requieren datos de referenciaResumenPreguntas de prácticaRespuestasLaboratorio práctico: Evaluación y monitoreo del rendimiento de los LLMEscenarioObjetivo

9. Escalar soluciones de IA con Vector Search y Mosaic AI
Requisitos previosObjetivos de aprendizajeFundamentos de la búsqueda vectorialSimilaridad coseno, similaridad por producto escalar y normalización de vectoresIndexación y búsqueda por similitudCreación y consulta de un índice de búsqueda vectorialConsultar un índice de búsqueda vectorialConsultas con filtros de metadatosModelos de recuperación y de incrustaciónCómo elegir el modelo de incrustación adecuado: guía de decisión por escenariosCorrespondencia rápida entre escenarios y modelosEscalado de aplicaciones con Mosaic AIDescripción general de la arquitectura de Mosaic AIServicio de modelos a gran escalaCaso de estudio: recuperación de alto rendimientoOptimización e infraestructuraCómo elegir la longitud del contexto y las dimensiones de la incrustaciónCargas de trabajo de inferencia por lotesPruebas de rendimiento y perfiladoIdentificación de cargas de trabajo de inferencia por lotes adecuadas para ai_query()ResumenPreguntas de prácticaRespuestasLaboratorio práctico: Creación de un sistema escalable de búsqueda y recuperación vectorialEscenarioObjetivo
10. Preparación para el examen de Ingeniero Asociado Certificado en IA Generativa de Databricks
Requisitos previosObjetivos de aprendizajeRepaso del esquema del examenResumen de todos los dominiosResúmenes de los dominiosTemas de alta prioridadEstrategias de prácticaSimulación de examen y pruebas de prácticaConsejos para administrar el tiempoLista de verificación final de preparaciónConfiguración técnicaPreparación para el día del examenExamen de prácticaClave de respuestasResumenLaboratorio práctico: Evaluación integral de preparación para la IA generativaEscenarioObjetivo
Índice
Sobre el autor

Content preview from Guía de estudio para la certificación de Databricks como Ingeniero Asociado en IA Generativa (Spanish Edition)

Capítulo 9. Escalabilidad de soluciones de IA con búsqueda vectorial y Mosaic AI

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: translation-feedback@oreilly.com

Eneste capítulo, aprenderás cómo la búsqueda vectorial escalable y la plataforma Mosaic AI respaldan soluciones de IA generativa de alto rendimiento. Muchas aplicaciones en producción dependen de una recuperación precisa, una inferencia rápida y un rendimiento estable. Una recuperación precisa significa que el sistema puede encontrar rápidamente la información más relevante de una colección muy grande de documentos, como si sacaras el libro o el párrafo exacto que necesitas de una biblioteca gigante en cuestión de segundos. Si el sistema recupera información que se parece en la redacción pero que en realidad no es útil, la calidad de la respuesta final de la IA se ve afectada. El examen de Databricks Certified Generative AI Engineer Associate hace hincapié en estas capacidades porque los flujos de trabajo modernos deben procesar grandes conjuntos de documentos, responder a los usuarios en tiempo real y adaptarse a los datos cambiantes. La búsqueda vectorial y la infraestructura de apoyo te ayudan a cumplir con estos requisitos de manera confiable.

Los flujos de trabajo exitosos de generación aumentada por recuperación (RAG) dependen de incrustaciones vectoriales densas que captan el significado semántico. Estas incrustaciones son representaciones numéricas del texto que permiten a las ...

Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.

Read now

Unlock full access

More than 5,000 organizations count on O’Reilly

O’Reilly covers everything we've got, with content to help us build a world-class technology community, upgrade the capabilities and competencies of our teams, and improve overall team performance as well as their engagement.

Julian F.

Head of Cybersecurity

I wanted to learn C and C++, but it didn't click for me until I picked up an O'Reilly book. When I went on the O’Reilly platform, I was astonished to find all the books there, plus live events and sandboxes so you could play around with the technology.

Addison B.

Field Engineer

I’ve been on the O’Reilly platform for more than eight years. I use a couple of learning platforms, but I'm on O'Reilly more than anybody else. When you're there, you start learning. I'm never disappointed.

Amir M.

Data Platform Tech Lead

I'm always learning. So when I got on to O'Reilly, I was like a kid in a candy store. There are playlists. There are answers. There's on-demand training. It's worth its weight in gold, in terms of what it allows me to do.

Mark W.

Embedded Software Engineer

Modelos de lenguaje grandes: las partes difíciles (Spanish Edition)

Publisher Resources

ISBN: 0642572412449

Cloud Computing

Data Engineering

Data Science

AI & ML

Programming Languages

Software Architecture

IT/Ops

Security

Design

Business

Soft Skills

Guía de estudio para la certificación de Databricks como Ingeniero Asociado en IA Generativa (Spanish Edition)

by Rajaniesh Kaushikk

Capítulo 9. Escalabilidad de soluciones de IA con búsqueda vectorial y Mosaic AI

Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.