Miembro desde 2025
Modelos de transformadores y modelo BERT
Earned sep 24, 2025 EDT
Arquitectura de codificador-decodificador
Earned sep 23, 2025 EDT
Inspecciona documentos enriquecidos con Gemini multimodal y RAG multimodal
Earned sep 23, 2025 EDT
Crea embeddings, búsqueda de vectores y RAG con BigQuery
Earned sep 23, 2025 EDT
En este curso, se presentan la arquitectura de transformadores y el modelo de Bidirectional Encoder Representations from Transformers (BERT). Aprenderás sobre los componentes principales de la arquitectura de transformadores, como el mecanismo de autoatención, y cómo se usa para crear el modelo BERT. También aprenderás sobre las diferentes tareas para las que puede usarse BERT, como la clasificación de texto, la respuesta de preguntas y la inferencia de lenguaje natural. Tardarás aproximadamente 45 minutos en completar este curso.
En este curso, se brinda un resumen de la arquitectura de codificador-decodificador, una arquitectura de aprendizaje automático importante y potente para realizar tareas de secuencia por secuencia, como las de traducción automática, resúmenes de texto y respuestas a preguntas. Aprenderás sobre los componentes principales de la arquitectura de codificador-decodificador y cómo entrenar y entregar estos modelos. En la explicación del lab, programarás una implementación sencilla de la arquitectura de codificador-decodificador en TensorFlow para generar poemas desde un comienzo.
Completa la insignia de habilidad intermedia Inspecciona documentos enriquecidos con Gemini multimodal y RAG multimodal para demostrar tus habilidades para realizar las siguientes actividades: usar instrucciones multimodales para extraer información de datos visuales y de texto, generar la descripción de un video y recuperar información adicional más allá del video utilizando la multimodalidad con Gemini; crear metadatos de documentos que contengan imágenes y texto, obtener todos los fragmentos de texto relevantes e imprimir las citas con la generación mejorada por recuperación (RAG) multimodal con Gemini.
En este curso, se explora una solución de generación mejorada por recuperación (RAG) de BigQuery para mitigar las alucinaciones de la IA. Se presenta un flujo de trabajo de RAG que abarca la creación de embeddings, la búsqueda en un espacio vectorial y la generación de respuestas mejoradas. En el curso, se explican los motivos conceptuales de estos pasos y su implementación práctica con BigQuery. Al final del curso, los alumnos podrán crear una canalización de RAG utilizando BigQuery y modelos de IA generativa como Gemini y modelos de embedding para abordar sus propios casos de uso de alucinaciones de IA.