Prompt engineering para inteligencia artificial generativa

Sinopsis del producto

Domina la IA generativa con LLM y modelos de difusión n nLos modelos como ChatGPT y DALL-E están revolucionando la inteligencia artificial, pero aprovechar todo su potencial puede ser un desafío. Este libro, de James Phoenix y Mike Taylor, le guía paso a paso para trabajar eficazmente con IA generativa, presentando los fundamentos del prompt engineering y su aplicación práctica. n nDescubrirá principios clave transferibles entre modelos, comparaciones entre opciones como GPT-4 y alternativas de código abierto, y casos prácticos en PNL, generación de texto, imágenes y código. Una herramienta esencial para desarrolladores que buscan transformar sus proyectos y destacar en un mercado competitivo. n nCONTENIDO n nPrefacio n1. Los cinco principios del prompting n nVisión general de los cinco principios del prompting n1.1. Visión general de los cinco principios del nprompting n n1.1.1. Proporcionar orientación n1.1.2. Especificar el formato n1.1.3. Proporcionar ejemplos n1.1.4. Evaluar la calidad n1.1.5. Dividir la tarea n1.2. Resumen n2.Introducción a los modelos de lenguaje de gran ntamaño para la generación de texto n2.1. ¿Qué son los modelos de generación de texto? n2.1.1. Representaciones vectoriales: la esencia nnumérica del lenguaje n2.1.2- Arquitectura transformer: orquestación de nrelaciones contextuales n2.1.3. Generación probabilística de texto: el nmecanismo de decisión n2.2. Bases históricas: el auge de las arquitecturas de ntransformadores n2.3. Transformadores preentrenados generativos de nOpenAI n2.3.1.GPT-3.5-turbo y ChatGPT n2.4. GPT-4 n2.5. Gemini de Google n2.6. Llama de Meta y Open Source n2.7. Aprovechamiento de la cuantización y LoRA n2.8. Mistral n2.9. Anthropic: ClaudeGPT-4V(ision) n2.10. Comparación de modelos n2.11. Resumen n3. Prácticas estándar para la generación de texto con nChatGPT n3.1. Generación de listas n3.2. Generación de listas jerárquicas n3.3. Cuando evitar el uso de expresiones regulares n3.4. Generación de JSON n3.4.1. YAML n3.5. Filtrado de payloads en YAML n3.6. Tratamiento de payloads no válidos en YAML n3.7. Generación de distintos formatos con ChatGPT n3.7.1. Datos CSV simulados n3.8. Explicarlo como si tuviera cinco años n3.9. Traducción universal mediante los LLM n3.10. Preguntar por el contexto n3.11. Desagregación de estilos del texto n3.12. Identificación de las características deseadas ndel texto n3.13. Generación de contenido nuevo utilizando las ncaracterísticas extraídas n3.14. Extracción de características de texto nespecíficas mediante los LLM n3.15. Elaboración de resúmenes n3.16. Realización de resumen teniendo en cuenta las nlimitaciones de la ventana contextual n3.17. División del texto en fragmentos n n3.17.1. Ventajas de la segmentación de texto n3.17.2. Escenarios para la división del texto en nfragmentos n3.17.3. Mal ejemplo de segmentación n3.18. Estrategias de la división de texto en nfragmentos n3.19. Detección de oraciones con SpaCy n3.20. Creación de un algoritmo sencillo de nsegmentación con Python n3.21. Fragmentado por ventana deslizante n3.22. Paquete de segmentación de texto n3.23. Segmentación de texto con Tiktoken n3.24. Codificaciones n3.24.1. Cómo comprender la tokenización de ncadenas n3.25. Estimación del uso de tokens para llamadas a la nAPI de chat n3.26. Análisis de sentimientos n3.26.1. Técnicas para mejorar el análisis de nsentimiento n3.26.2. Limitaciones y retos del análisis de nsentimiento n3.27. De menos a más n3.27.1. Planificación de la arquitectura n3.27.2. Codificación de funciones individuales n3.27.3. Adición de pruebas n3.27.4. Ventajas de la técnica de menos a más n3.27.5. Retos de la técnica de menos a más n3.28. Role prompting n3.29. Ventajas del role prompting n3.30. Retos del role prompting n3.31. Cuando utilizar el role prompting n3.32. Tácticas del prompting de GPT n3.32.1. Evitación de alucinaciones con referencias n3.32.2. Concesión a los GPT de "Tiempo para npensar" n3.32.3. Táctica del monólogo interior n3.32.4. Autoevaluación de respuestas de LLM n3.33. Clasificación con LLM n3.34. Creación de un modelo de clasificación n3.35. Voto mayoritario para la clasificación n3.36. Evaluación de criterios n3.37. Meta prompting n3.38. Resumen n4. écnicas avanzadas para la generación de texto con nLangChain n4.1. Introducción a LangChain n4.1.1.Configuración del entorno n4.2. Modelos de chat n4.3. Modelos de chat en streaming n4.4. Creación de múltiples generaciones LLM n4.5. Plantillas de prompt de LangChain n4.6. Lenguaje de expresión LangChain (LCEL) n4.7. Uso de Prompt n4.8. Template con modelos de chat n n4.9. Analizadores de salida n4.10. Evaluaciones de LangChain n4.11. Llamadas a funciones en OpenAI n4.12. Llamadas a funciones en paralelo n4.13. Llamadas a funciones en LangChain n4.14. Extracción de datos con LangChain n4.15. Planificación de consultas n4.16. Creación de plantillas de prompt de pocos nelementos n4.16.1. Creación con un número fijo de ejemplos n4.16.2. Formateado de los ejemplos n4.16.3. Selección de ejemplos de pocos elementos npor longitud n4.17., Limitaciones con ejemplos de pocos elementos n4.18. Almacenamiento y carga de prompts LLM n4.19. Conexión de datos n4.20. Cargadores de documentos n4.21. Divisores de texto n4.22. División de texto por longitud y tamaño del ntoken n4.23. División de texto con división recursiva de ncaracteres n4.24. Descomposición de tareas n4.25. Encadenamiento de prompts n4.25.1. Cadena secuencial itemgetter y extracción nde claves de diccionario n4.25.2. Estructuración de cadenas LCEL n4.25.3. Cadenas de documentos Stuff n4.25.4. Refinamiento n4.25.5. Map reduce n4.25.6. Map re-rank n4.26. Resumen n5. Bases de datos vectoriales con FAISS y Pinecone n5.1. Generación mejorada por recuperaciones (RAG) n5.2. Introducción a los embeddings n5.3. Carga de documentos n5.4. Recuperación de memoria con FAISS n5.5. RAG con LangChain n5.6. Bases de datos vectoriales alojadas con Pinecone n5.7. Consulta automática n5.8. Mecanismos alternativos de recuperación n5.9. Resumen n6. Agentes autónomos con memoria y herramientas n6.1. Cadena de razonamiento n6.2. Agentes Reason and Act (ReAct) n6.2.1. Implementación de Reason and Act n6.2.2. Utilización de las herramientas n6.3. Utilización de los LLM como API (Funciones nOpenAI) n6.4. Comparación entre las funciones OpenAI y ReAct n6.4.1. Casos de uso de las funciones de OpenAI n6.4.2. ReAct n6.4.3. Casos de uso de ReAct n n6.5. Paquetes de herramientas para agentes n6.6. Personalización de los agentes estándar n6.7. Agentes de aduanas en LCEL n6.8. Comprensión y uso del contenido de la memoria n6.8.1. Memoria a largo plazo n6.8.2. Memoria a corto plazo n6.8.3 Memoria a corto plazo en agentes de nconversación QA n6.9. Memoria en LangChain n6.9.1. Preservación del estado n6.9.2. Consulta al estado n6.9.3. ConversationBufferMemory n6.10. Otros tipos populares de memoria en nLangChain n6.10.1. ConversationBufferWindowMemory n6.10.2. ConversationSummaryMemory n6.10.3. ConversationSummaryBufferMemory n6.10.4. ConversationTokenBufferMemory n6.11. Agentes de funciones de OpenAI con memoria n6.12. Frameworks de agentes avanzados n6.12.1. Agentes de planificación y ejecución n6.12.2. Árbol de razonamiento n6.13. Callbacks (Funciones de retorno) n6.13.1. Callbacks globales (constructor) n6.13.2. Callbacks específicos de solicitud n6.13.3. El argumento Verbose n6.13.4. ¿Cuándo utilizar Which? n6.13.5. Recuento de tokens con LangChain n6.14. Resumen n7. Introducción a los modelos de difusión para la ngeneración de imágenes n7.1. DALL-E de OpenAI n7.2. Midjourney n7.3. Stable Diffusion n7.4. Gemini de Google n7.5. Texto a vídeo n7.6. Comparación de modelos n7.7. Resumen n8. Prácticas estándar para la generación de imágenes ncon Midjourney n8.1. Modificadores de formato n8.2. Modificadores de estilos artísticos n8.3. Prompt engineering inversa n8.4. Impulsores de la calidad n8.5. Prompts negativos n8.6. Términos ponderados n8.7. Prompting con una imagen n8.8. Inpainting (Retoque de imágenes) n8.9. Outpainting (Ampliación de imágenes) n8.10. Personajes consistentes n8.11. Reescritura de prompts n8.12. Desagregación de memes n8.13. Mapeo de memes n n8.14. Análisis de prompts n8.15. Resumen n9. Técnicas avanzadas de generación de imágenes con nStable Diffusion n9.1. Ejecución de Stable Diffusion n9.2. Interfaz web de usuario AUTOMATIC1111 n9.3. Img2Img n9.4. Escalado de imágenes n9.5. Interrogate CLIP n9.6. Inpainting y outpainting en SD n9.7. ControlNet n9.8. Modelo de segmentación de todo por segmentos n(SAM) n9.9. Ajuste fino de DreamBooth n n9.10. Refinador XL de Stable Diffusion n9.11. Resumen n10. Creación de aplicaciones potenciadas por IA n10.1. Redacción de blogs con IA n10.2. Investigación del tema n10.3. Entrevista con expertos n10.4. Generación del esquema n10.5. Generación de texto n10.6. Estilo de escritura n10.7. Optimización del título n10.8. Imágenes de blogs con IA n10.9. Interfaz de usuario n10.10. Resumen

9788426738837

Phoenix, James