0:03Hola, muy buenos días. ¿Cómo están? Mi nombre es Ariel Alegre. Yo estoy cargo del área de formación del Centro de Grados de Ingeniería. No vamos a usar más el nombre UA porque tenemos un acuerdo con la facultad finalmente de que no vamos a usar nombre UA, pero vamos a pasar a ser formalmente el centro de grado de la Facultad de Ingeniería de la UA. Las paradojas y las contradicciones de la política. Eh, bueno, hoy vamos a estar con Emiliano Pasarelo. ¿Qué tal, Emiliano? ¿Cómo andás?
0:30Bien, ¿qué tal, qué tal a todos? Un gusto.
0:33Buenísimo. Bueno, e esto se está grabando, así que eh también voy a hablar para la gente que va a ver la grabación. E esta en realidad es la primera clase de un curso que en su momento la hicimos y no la grabamos. no lo grabamos, pero bueno, como en realidad es un curso que eh está grabado en cursera y está en inglés y nosotros lo estamos traduciendo y le vamos a dar acceso a las traducciones con los subtítulos y Milano además lo prepara el curso y la idea es hacer el examen y no lo habíamos grabado, lo grabamos, así quedan la primera y la segunda clase
1:03grabadas como como promoción del curso y como la gente que quiera estar y o que no quiera pagar el curso o no pueda lo tiene esta esta opción. E el curso es programación agéntica y agéntica y lo da Andrewi, que es nuestro mentor, es la persona con la que nosotros aprendimos cómo ver cómo funcionan las redes neuronales, es uno de los fundadores de Cursera, él ahora armó su su emprendimiento, su grupo, es una empresa aparte que también está dando capacitaciones de ahí. Entonces, hacía
1:32rato que no publicaba nada en cursera y ahora que publicó algo, realmente un curso muy interesante, ya lo estamos dando y les quiero contar que el curso va a arrancar en febrero, ¿sí? O sea, ya no llegamos con las fechas. Entonces, hoy es la última clase que vamos a dar de agéntica y vamos a retomar en febrero. Obviamente la gente que ya tiene la suscripción lo va a poder hacer. Si no, los invitamos a que se suscriban. Igual si se suscriben ahora ya tienen acceso a cursa, tienen acceso a todos los cursos grabados que tenemos, que hay muy buenos y que siempre estamos
2:02sumando más. Y tienen acceso también al grupo de los lunes de Python. El grupo de los lunes no termina ahora, Emiliano, ¿no? En en diciembre, ¿no? No, vamos a continuar. Sí, continúa. Así que está bueno si se enganchan con el grupo de Python. Así que bueno, eso vamos a estar contactándolos. Hoy ya les mandé un mensaje a todos los que dijeron que estaban interesados en en sumarse. Este, si no, bueno, nos pueden contactar, siempre estamos disponibles. Bueno, entonces, como dijimos, ahora en un minutito arrancamos ya con la clase que va a dar Emiliano. La idea es que
2:31ustedes participen, que lo aprovechen y y que puedan eh que puedan hacerlo el examen y contestar y que sea una cosa participativa. Arrancamos en un segundito y y se graba y queda disponible. Eh, y yo voy a hacer algunos comentarios generales de las cosas que estamos haciendo, de qué vamos a hacer también los días sábados de acá hasta las vacaciones, que ya falta poquito, estamos a 7, ¿no? Emiliano, faltan poquitos, ya te tocan las vacaciones también.
3:01Bueno, entonces a partir de la semana que viene, o sea, del sábado 14, vamos a estar mostrando el método Pax que hemos adquirido, que lo tenemos, que se trata de eh cómo hacer lo que se llama venta consultiva. pregunta. ¿Todos acá saben lo que es la venta consultiva o alguien ignora el término y quiere que se lo expliquemos?
3:41Ana dice que no sabe.
3:43Hay una persona, Julio dice que no sabe.
3:44Bueno, entonces les decimos básicamente el concepto es están las los negocios B2C, ¿qué son de negocio, vos tenés un negocio y le vendés a clientes directos. Para eso nosotros trabajamos con la metodología de lanzamiento, que es la que estamos usando acá. hacés una actividad gratuita y hacés una oferta. Básicamente eso es el lanzamiento. Juntas mucha gente, hacés una oferta que bueno, la gente sienta la necesidad de meterse, se guste y y así. ¿Qué es lo que hacemos nosotros para vender nuestros cursos? Eh, para
4:14eso estamos trabajando con Horacio Yessi, que tiene el método CADI, que nosotros también promocionamos mucho el método CADI. Yo yo soy alumno del método CADI y soy uno de también de los alumnos estrellas, los como ll el vendedor estrella o el afiliado estrella. Este, ahora hace rato que no estoy, pero pero bueno, este esos serían los lanzamientos y B2C en cabo. B2B sería cuando vos sos un negocio business y le vendés a otro negocio, es decir, le vendés a empresas.
4:40Entonces ahí la venta es diferente. Ahí vos tenés que conocer a a quién le vas a vender. Ha, esto es lo que llama la venta consultiva, que vos de alguna manera tenés todo un proceso. Pero obviamente, ¿qué es lo que pasa? ¿Qué les parece a ustedes? Díganme, escriban por el chat la diferencia que hay en hacer B2 B2C. que B2B en general, porque también se pueden vender cosas muy caras en B2C, puedes vender una Ferrari, pero en general, ¿qué pasa con respecto a la venta consultiva, respecto de la venta a los clientes finales? ¿Qué es lo que les
5:10parece que cambia mucho?
5:28Si no saben, díganos el presupuesto. Ahí está. Ahí está el presupuesto. Sí. O sea, uno si hace una venta a una empresa en general está hablando de otros montos, entonces le puede destinar otro tiempo a atender a una sola persona, a una sola empresa.
5:43Entonces, bueno, para eso nosotros nos metimos como la idea es que lo vamos a estar haciendo en la facultad, o sea, en principio lo que está hablado es que yo voy a estar a cargo del área de graduados y para eso probablemente tanto Omar como Emiliano como Yasmín, que son todo el equipo del centro esté trabajando en la facultad, colaborando conmigo, porque el centro también va a estar en la facultad. Bueno, es todo lo que se está hablando ahora. Obviamente ustedes no sé si sabrán cómo es la política, es muy cambiante y hoy tenés una silla y de golpe está sentado en la
6:12silla y la silla desapareció y te de culo. Eso pasa este entonces no hay seguridad de nada. Entonces, en principio lo que va a estar pasando es eso y que dentro de la del área de graduados, de la subsecretaría de relación con graduados, se va a crear un área de marketing digital que ya hay antecedente. En su momento dentro del área de graduado se creó el área de ceremonial y protocolo, que después fue un área que dependía directamente del decano.
6:38Se va a crear un área de marketing digital. Entonces, el área de marketing digital va a ser para vender los posgrados y las maestrías. Y entonces los poros y las maestrías se van a vender con este método de lanzamiento y ya estoy hablando con Horacio Yesi para armarlo. Eso los lanzamientos evidentemente es interesante, ¿no? Es es muy piola porque el producto es muy bueno, muy muy prestigioso y es un producto caro también. Obviamente que nosotros vamos a seguir haciendo o en la facultad o a través del centro este tipo
7:07de cursos más accesibles, más cortos.
7:09Los vamos a seguir haciendo. Todavía no está claro cómo, con qué figura, pero lo vamos a seguir haciendo y vamos a seguir haciendo actividades gratuitas que en general van a ser muchos lanzamientos y toda esa historia. Así que estamos estamos en todo ese desafío, en toda esa etapa que que bueno, todo esto va a arrancar en marzo, marzo, abril. Bien. Y con respecto a lo que es la venta de los servicios de la facultad, ¿sí? las transferencias, porque la facultad tiene muchos equipos técnicos, profesionales,
7:37eh prestigio y y bueno, también probablemente haya muchas alianzas estratégicas con empresas, pero bueno, lo la lo que me toca a mí desarrollar es justamente la venta consultiva, el hecho de empezar a caminar las empresas, contactarse con empresas y ver qué necesidades tienen y tratar de hacer los contactos para vender los productos, los servicios a tercero y a tercero. Y para eso compramos el MEO Pax que lo hemos pagado o hemos contraído a la deuda más que pagado de $600
8:07y estamos buscando seis personas que ya hay tres. Eh, ayer se sumó Claudia, ¿lacas a Claudia? Ay, me olvidé el apellido, después te digo. Eh, hay tres personas que ya se sumaron al programa y quedan tres más. O sea, si hay alguno de ustedes que está interesado en sumarse, me contactan. Están todos en el grupo de WhatsApp, ¿no? Vos le mandas, Emiliano, el grupo de WhatsApp, este, y se suman, ¿sí? Que está la posibilidad de pagarlo en cuotas y toda la historia, ¿no? Este, porque ellos nos dan esa posibilidad de que el programa no es
8:36para una persona, sino es para una organización. Entonces, si hay alguien que esté interesado en sumarse a lo que va a ser eh vender estos servicios tecnológicos, este, está la posibilidad abierta. Obviamente eso lo hacemos a través de la cooperativa de trabajo.
8:48Entonces a partir del sábado que viene vamos a estar e vamos a estar mostrando esto con Emiliano, cómo se prospecta usando LinkedIn, usando algunas herramientas de automatización como el Sa Navigator, que es el LinkedIn Premium y como el el Lemlist, que es un programa que toma las listas que salen del Safe Navigators y los invita y y después cómo se genera también autoridad. es otra cosa que vamos a estar hablando para que esa autoridad haga que uno sea visible para esta gente a la que uno quiere
9:18acceder y y poder empezar el proceso de de venta consultiva. ¿Se entendió más o menos lo que estoy diciendo? ¿Quedó claro? ¿O alguien tiene alguna duda y quiere que le aclare algo?
9:35Está claro. Buenísimo. Entonces, eh seguimos los días lunes con el lo de lo de Python. Eso, súme. Está la suscripción que es bastante accesible, más los cursos grabados, más curseras.
9:46No sé si alguno de acá está yendo a los lunes, pero seguimos. Las clases están grabadas, los recomiendo. Está Emiliano coordinando el certificado profesional de Python de Microsoft. E el miércoles arrancamos con e cloud, el último curso del año que arranca Omar. Son seis clases eh cloud y automatizaciones y agentes y eh va a haber un lanzamiento de Marina que son cuatro clases grabadas, así que se los recomiendo también que estén. El
10:14día 23 comienza, lunes 23 va a dar Data Analytics y y los que no están van a acceder al regalo de completa la especialización de Data Analytics con el acceso a Cursedera. es un regalazo. No sé si alguno la hizo, la conoce o la conocen a Marina, pero Marina es una gran docente, es excelente ella y y bueno, tiene ella preparada en paralelo a las especializaciones de cursa, con ese mismo temario, pero todo actualizado, digamos, y adaptado al mercado nacional. Entonces es, ¿alguien
10:42la conoce acá? Marina, tomó. A ver, gracias. ¿Dónde encontramos esos accesos? Se los pasamos todo acá por el grupo, por el grupo de WhatsApp, Mariano, así que al grupo siempre por ahí este mandamos eso. Sí.
10:58Listo. Bueno, eh entonces va a ser lunes 23, martes 24 vamos a estar dando eh Business Intelligence, que es un también otro programa de Google superinesante que ese les vamos a regalar el primer curso de toda la especialización en cursa, cosa que lo pueden hacer y probarlo. Y si no tienen la posibilidad de sumarse. Son cursos grabados por $99.
11:21Después el lunes 30 vamos a estar dando la especialización que terminamos que nos llevó bastante, ¿no? Emiliano, la de Google Data Analytics Advanced que es machine learning. Todo es cosas de estadística, machine learning también está muy bueno. Este que también es lo mismo, son un montón de cursos. Les vamos a regalar el primero, el primero en cursera y también si se quieren sumar a distancia, todo grabado, sale $99. Y el martes primero cae, ¿no? Emiliano, ¿no? Si es lunes 23, martes 24,
11:50eh lunes 30, después del 30 de noviembre viene el primero de diciembre. El primero de diciembre Marina va a estar presentando su nuevo curso que es el de Power BI de Microsoft, ¿sí? Que también le vamos a regalar el primero de de Power BI de de la especialización en cursera. Eh, ¿qué más? y va a estar, bueno, mostrando y va a haber una oferta muy accesible porque va a arrancar en abril el curso, entonces bueno, va a haber una oferta super atractiva. Igual eso ya está abierto, están todos los formularios, yo los voy a seguir
12:18mandando. Y bueno, creo que dije todo, me faltó algo en pasar algún aviso, Emili, sí, me faltó algo. El día 12 de diciembre va a haber un encuentro presencial donde va a estar Omar dando clase por la tarde de las 2 a las 5 de la tarde de este método Pax, les digo, eso va a ser pago, pero va a ser un arancel bastante accesible. Creo que va a salir 50,000 pesos y después nos vamos a juntar por ahí en Caballito a hacer nuestra reunión de fin de año. Este creo que vamos a estar en Pizza Pizza o algún lugar por
12:46ahí, así que también anótenselo si quieren venir. Este, ahora sí no me faltó nada, ¿no, Emiliano, ¿qué me faltó?
12:53Creo que no, no sé si de los caleritos si querés pasar.
12:58No, no, lo de los caleritos lo dejamos para otro día. Bueno, pregunta. Yo ya estoy cerrando mi participación, así que lo dejo a Emiliano. ¿Alguien tiene alguna pregunta? ¿Tiene alguna duda, alguna consulta? ¿O vinieron a escuchar Emiliano lo de Agéntica y es un embole que estoy presentando yo y que me calle y y escuchar a Emiliano. ¿Nadie tiene ninguna pregunta, ninguna duda, algún comentario?
13:25Todo clarito. Listo, Carlos. Bueno, listo, muchachos. Entonces, eh los dejo con Emiliano. Yo te paso el anfitrión, Emiliano, que me voy a seguir con mis cosas. Y esto, bueno, ya lo estamos grabando. Después también en la en la descripción del grupo dejamos el acceso todo a lo único, ah, quiero aclarar eso.
13:43El grupo de WhatsApp es exclusivamente para la gente que está conectada. Es decir, después me pasa mucho que e la gente que mira el el video en YouTube me dice, "Che, quiero sumarme al grupo de WhatsApp." Sí, hay un grupo de WhatsApp, pero es sin participación, o sea, solamente que nosotros mandamos mensajes. Esto lo dejamos abierto porque se supone que nos conocieron en el grupo, seguimos charlando, ya hay una base. Lamentablemente los grupos con gente que no uno no conoce siempre se mete gente a molestar, desubicado, dice,
14:11"¿Qué están vendiendo acá?" ¿Qué s?
14:13Nosotros en general en los en los grupos en general les mandaremos un aviso a un curso, pero la idea es seguir ayudándolos, seguir participando y si hay dudas. Eh, a veces pasa que se genera que hay gente como el caso de Emiliá, otra que participa, que colabora y si no siempre nos piden cuándo está la grabación, cuándo es esto, cuándo es lo otro. Y en general tratamos que todo lo que sea valores, precios de los cursos y todo lo tratamos por privado, ¿no? En los grupos. Sí. Este, aunque nos pregunten mucho. Y ahora sí termino, muchachos. Aprovechen que lo tiene
14:42Emiliano, que es un lujo, que sabe un montón de agente de inteligencia artificial, de Python y Emiliano va a estar trabajando en la facultad y seguramente el año que viene vamos a estar dando muchas menos actividades gratuitas, ¿sí? Este, pero sí vamos a estar dando actividades de de bajo costo. Entonces, mi recomendación a la gente que está acá es que traten de suscribirse aunque sea a lo más baratito, a lo más a lo más económico, que cada vez la idea nuestra es que haya más gente y darle más cosas por poca plata, pero es imposible gratuito, o
15:12sea, no es sostenible. No tenemos manera porque nosotros no cobramos subsidios ni ni ni tenemos tampoco cargos para hacer eso y nada, como pasa que a lo mejor en el sistema universitario en el secundario, es decir, nos bancamos nosotros con los aportes de de los socios, de la gente que participa.
15:28Entonces hacemos las cosas gratuitas.
15:30Muchas las hacemos para vender cursos, otras la hacemos porque nos gusta y porque es una vocación que tenemos y somos una asociación civil, pero no es sostenible. Eh, muchas veces me pasa que publicamos un curso de 6 meses, yo, "Ah, pensé que era gratuita." Me dice, "Porque no dice, sí, también no dice el precio, pero se supone que te vamos a dar gratuito a uno, o dos clases, un cursito de cuatro clases, pero no hay manera de que nosotros podamos sostener un curso de 8 meses o de 6 meses, eh, en forma gratuita poner los docentes." Aquí lo hemos hecho, ¿no? El deep learning lo dimos gratuito los domingos, ¿no?
15:58Emiliano, ¿te acordás?
16:00Eh, yo no participé, pero sí lo bueno porque yo soy un demente y hago esas cosas, pero bueno, este, listo, entonces ya está, cerramos con esto, eh, avancen, aprovechen y seguimos en contacto que estamos en el grupo. Chao, chao, buenas, gente, ¿cómo andan?
16:21Bien, eh, vamos a arrancar. Díganme si me escuchan bien, si se está viendo la presentación. Y como dijo Ariel, yo soy más participativo. Si se desmutean y me interrumpen, mejor, me siento más cómodo. Bien, arrancamos.
16:43Bueno, antes de poner la presentación quería mostrarle el curso en crucera de Andre G. El curso se llamaic, ¿no?, que serían eh eh agentica. Es un curso cinco módulos, pero el curso que lo vamos a plantear en ocho clases porque son largos.
17:07Entonces, el curso en sí lo que lo que cuesta es de cómo eh vemos son los conceptos de lo que es la IA agéntica y crear nuestro propio agente, ¿no? Para poder configurar. Entonces, vamos a ver el concepto de agéntica y los patrones.
17:28En el en los en cursa, los exámenes son eh laboratorios de código que hay que hacer que si no es que vamos a usar una gente, vamos a aprender cómo usar una gente, vamos a crear una gente, una gente que ustedes después lo van a poder, van a crear un agente eh completo de principio a fin, que lo van a poder ejecutar, lo van a poder usar y eso le
17:56va a dar todo los las herramientas necesarias y las las distintas las distintas eh conocimientos necesarios para poder ustedes crear su propia gente que se dedique a específicamente a su tema, a su nicho, ¿se entiende? Entonces, con eso está el curso me parece genial. Bueno, dicho y dicho eso, bueno, arrancamos el curso.
18:23Bueno, son cinco, tienen tienen vos que recomiendo ver, tienen actividades, eh, cuandoas tengan acceso a crucero van a poder tener el acceso. Y aparte en el drive, como este curso todavía está todo en inglés, no tiene traducciones, nada, yo lo que estoy haciendo en el drive tenemos una carpeta donde van a estar los videos subtitulados y la presentación. Eso lo vamos a compartir para la gente que se
18:53meta en el curso y entonces van a tener acceso a los videos con subtítulo en español.
19:02Bueno, arrancamos con la presentación.
19:05Bien, ¿alguna pregunta? ¿Alguna duda antes de arrancar?
19:16Yo voy a apagar la cámara, pero no porque sino por por un problema de de internet, así se agibiliza todo. Bien, bueno, bienvenidos a los agentes de Bueno, lo que vamos a aprender es a construir sistemas que no solo eh nos respondan, ¿no?
19:42que no solamente sea un chat que le diga hola y me diga hola, ¿en qué te puedo ayudar? No, o que que me responda rápido, sino un sistema donde yo pueda hacer preguntas y la gente pueda, depende de lo que yo quiera que haga la gente, pensar, buscar, investigar, proponer, eh evaluar. Entonces, eso es lo que vamos a tratar de construir.
20:12Bueno, entonces imagínate que tenés un asistente que no solo va a responder las preguntas, ¿no? Pues estás sentado en tu en tu computadora y no solamente vas a acceder a CHPT eh o a Cloud, a vas a crearte vos tu propia agente que va a resolver tu problema. Entonces, vos le vas a pasar una instrucción y el agente va a planificar, va a investigar, va a corregir el trabajo, lo que vos le dijiste, va y te va a dar una salida más
20:41especificada. Eso es lo que hace un agente.
20:44Eh, hoy en día a todos le llaman a gente, ¿no? Vieron que están como de moda, ¿no?
20:54Bueno, pero en un principio no era tan así. No sé si alguien estaba, alguien empezó a usar GGPT del principio. ¿Se acuerdan de los plugins?
21:08¿Se acuerdan? ¿Alguien alguien se acuerda de esa época? dice, "Sí, bueno, los plugin eran fue el antecedente más viejo de de tratar de usar una gente.
21:18¿Se acuerdan que los plugins nos servían para eh nos poníamos ya JPT, decíamos usar este plugin?" Y dependiendo de lo que hacía el plugin eh el chat consultaba el plugin y tenía un resultado y con ese resultado armaba una respuesta. Bueno, eso eso era eran llamaron plugins, después lo llamaron full calls, que llamaba funciones, el modelo, que herramientas. Bueno, en
21:48definitiva, ahora todo esa gente, ¿qué significa gente? que lo vamos a discutir, lo vamos ver varias veces, esto va a ser muy repetitivo, pero cualquier cualquier IA conversacional que aparte de de conversacional tenga alguna actividad fuera de lo de su propio conocimiento. Puede ser leer, puede ser leer, puede ser escribir e consultar, consultar base de datos,
22:18cualquier actividad. ¿Se entiende la idea? más allá de de del propio LLM.
22:24Bien, ¿dónde se aplican esto? Bueno, esperen que voy a admitir ahí en por ejemplo, en atención al cliente, tenemos gente que responde en emails y consultan 247 sin interión humana. Y eh el ejemplo más clásico es el chatbot que que estamos promocionando de WhatsApp.
22:50que contesta 247. No sé si alguien lo habrá visto lo que explicó Mar, lo mostramos la otra vez. Eh, bueno, ese es un después tenemos dónde se puede usar en la parte legal. Podemos tener una gente que analice documentos complejos, que nos ahorre meses de trabajo eh manual de estar leyendo y tener resúmenes. Entonces, podemos usarlos o no descartarlos.
23:15Después en salud, donde eh una gente puede analizar la historia clínica de un paciente, los distintos análisis que tiene y ayudar al médico a diagnosticar y hacer más preciso. Pero acá hay que tener recaudos, que estamos hablando de tema de salud donde tenemos que tener eh el recaudo suficiente para que la IA no empiece a hacer alucinaciones, ¿no? y y aparte la decisión final la tiene que tomar un
23:45profesional, ¿no? Bien, investigación personal, por ejemplo, cuando uno está estudiando o está preparando un curso o está preparando una presentación en el trabajo, eh, para redactar informes, para hacer resúmenes, para buscar, pero de formas automáticas, no no manual, tratar de hacer una gente que yo hab
24:11hecho uno que eh que basado en las transcripciones de los videos, me generaba el contenido, me generaba eh la la el conocimiento para de rack para el bot y me generaba un bot todo automático, lo hacían tin eh descargaba los archivos, un comandito y y tenía todo el resultado. Bien,
24:39hasta acá alguna pregunta, chicos.
24:44Háganme así, si no en la háganme gestito de idea o tienen lo que quieran, así yo veo.
24:54No, no, todo okay. Bueno, perfecto.
24:57Bueno, y en todo el tiempo nos están indundando, ¿no? En todas las redes con la IA, con la IA Generativa, con los agentes. Entonces, hay algo que que es el humo que existe, que está todo, si ustedes se fijan, todos son ya engar ahora y todo están implementando hace 10
25:22años cuando la géntica tiene 3 cu años, eh, no están, eh, pero la buena noticia, ¿cuál es la buena noticia? es que la los agentes realmente citan, sí funcionan, ¿no? Realmente tener agente, crear un agente, tener algo realmente sí funciona. Y más allá de de toda la
25:52publicidad y el humo que hay de aprender a usar todo eso, si uno hoy aprende a a crearse sus propios agentes, a entender cómo funcionan eh el tema de de las IAS en general y eso le va a ayudar a que ustedes puedan crear y y sus propias herramientas, ¿no?
26:17más allá de de utilizar las que más les convengan. ¿Y dónde estamos parados ahora? Bueno, hay un entusiasmo muy grande que eh ahora todo el mundo quiere hacer cosas con IA y eso va creciendo rápidamente, ¿no? Hay un montón de de proyectos que estos argumento se va a acomodar, se va a establecer, pero es como cuando salió internet que estaban todas con las puncom Bueno, pero ahora un montón.
26:46Bueno, pero quien aprenda a construir, ¿no? La idea es que este curso nos va a servir no solamente para construir, sino para entender todo lo cómo se maneja. Entonces, uno va a poder tomar decisiones de usar una usar alguna herramienta agéntica o no o utilizar otra o lo más probable con aprender a crearse su
27:12propia herramienta. Bien.
27:16¿Qué es lo más importante que vamos a aprender en este curso? Que de va a ser a evaluar y analizar los errores. Porque primero, ¿qué vamos a hacer? Vamos a evaluar cuando nosotros creemos la gente, ¿no? ¿Qué sale mal de la gente?
27:35Nosotros vamos a crear un agente y vamos a averiguar qué es lo primero que sale mal.
27:39Después vamos a analizar por qué nos salió mal el gente y después vamos a tratar de buscar ear todas las mejoras que podemos usar para que la gente aprenda, ¿no? Para que la gente no cometa esos errores. Bien, entonces esta es la diferencia entre construir un agente bien y construirlo mal, ¿no? Si uno no construir una gente en 15, 20 minutos, en una hora, ustedes
28:08se pueden llegar a construir una gente le con la ayuda de la construyen. Pero si no no tienen un objetivo, no tienen una una salida que esperan para evaluarla y que la gente eh evaluar que la gente esté funcionando bien, pueden tener después más problemas que beneficios. Bien, ¿qué vamos a construir en este curso?
28:36Vamos a construir primero eh la gente va a planificar qué buscar.
28:43Primero va a ser un agente de investigación, ¿no? Le vamos a pasar un tema y la gente no va a investigar ese tema y nos va a devolver un reporte.
28:52Entonces, lo primero que va a hacer va a ser planificar qué cosas debe buscar. El segundo paso va a buscar en internet eh documentación y cosas que necesite para crear el reporte. Después van a leer esas en modo paralelo leer toda esa información, ¿no?, que que rescató desde la web o de o de APIs o de herramientas externas.
29:19va a escribir el primer trabajo, el primer borrador, el primer informe, pero no se va a quedar ahí, va revisar el informe y lo va a a criticar, ¿no se entiende?
29:34Vamos a hacer eso. Va a escribir el primer informe, lo va a mirar, lo va a revisar y lo va a criticar y con esa crítica va a volver a crear otro. Y a medida que nosotros esa interación hagamos, vamos a obtener un mejor resultado. Y por último, va a generar un reporte. En este caso va a ser en Mardon que pero puede ser después ustedes que necesiten hacer eh un PDF, un documento de Word, un Excel,
30:01lo que lo que sea, no, no importa.
30:05Bueno, consulta, ¿qué tal? Sí, sí. Quizá, no sé si es su novedad, pero lo que recién mostrabas respecto a esa gente que se crearía para hacer una búsqueda, cuando yo uso, por ejemplo, Jeminite Deep Research y uso y uso un prom en donde le pongo que haga un loop, el loop engineering, digamos, dentro del mismo Chrome cuando hace la búsqueda, ¿cuál cuál es la diferencia en un agente
30:34creado para tal fin respecto de Porque cuando uno hace ese ese de research genera el loop con digamos busca en internet, lee las múltiples fuentes. De hecho, uno puede ir viendo lo que va escribiendo y uno puede ir iterando y diciéndole cosas, ¿no? Eh, ¿cuál sería la ventaja de la gente?
30:57Lo que vos estás usando ya es un agente.
30:59Entonces, la idea es que acá vos el agente lo vas a hacer vos, lo vas a fabricar vos.
31:06La búsqueda que hace Google Search busca en Google, busca en el buscador de ellos de Google. Vos acá cuando vas a usar el buscador, cuando vas a crear esta parte de buscar en internet, no solamente es buscar en internet, sino buscar en sitios específicos donde vos sabés. El buscador de de Gol va a buscar la búsqueda general y te rescatan lo la la información que la primera información
31:35que puedan llegar a encontrar en el buscador. Pero si vos tenés, por ejemplo, acá lo vamos a ver en este curso que muestra Andrew, hay una organización que eh de papers, ¿no? De de paper de científicos.
31:51Vos no solamente vas a acceder a la búsqueda por Google o por BIN o por eh D Go, vas a vas a ir directamente a buscar a esa fuente y vas a ir a buscar los papers relacionados con esos temas y te va a traer la última actualización.
32:10Entonces, vos te garantizás la vericidad de eso. Entiendo lo que digo porque en internet, mira, yo te voy a explicar qué pasó. No sé si ustedes la escucharon o no la escucharon, pero hace unos meses atrás, tres cuatro hace cuatro tr cu meses atrás de un par de universidades de de medicina de de Estados Unidos inventaron una enfermedad. Bien, la inventaron, la
32:39inventaron con todos los papeles y la publicaron, ¿no? Y pusieron el diagnóstico y todo y la la lo lo la gente que lo hizo fue todo un experimento para ver qué pasaba.
32:54Pasaron dos tr meses que la no dos tr meses al poco tiempo, los 15 20 días o un mes que habían publicado los papers esos que era una enfermedad ficticia, hicieron la prueba que que que hacemos todos. Fueron a Chashipt o a Shemine o o a Clone y preguntaron y le pasaron los diagnósticos que tenían. Eh, ahora sí, mira, tengo este, me duele el pecho, ¿viste? la la característica de la
33:23enfermedad. ¿Y qué hizo Gul Gemini? Eh, GPT o G o Clone en su escrapeo general buscaron la información, encontraron la información de las universidades que estaban publicadas, la capturaron y se la mostraron y dijeron, "Sí, mira, lo más probable es que tengas esta enfermedad, se trata de esta manera, ¿se entiende?"
33:46Y eso es una fake. Cuando vos estás buscando en eh cuando vos buscas en Google eh cualquier cosa, así como encontras cosas reales, puedes encontrar fake y la IA no verifica eso. Vos cuando vos creas acá un buscador propio, vos podés chequear que las fuentes sean confiables, de que las fuentes sean de un lugar donde publican papers legales
34:14que no van a publicar cosas raras o ir a Porque, ¿qué pasa en la gente que hizo esto? lo hizo para investigar qué pasaba eso mismo con estos agentes, ¿no? Para para poner a prueba estos agentes y el asunto de los fake. Que que busquen internet no significa que lo que vaya a traer esté curado, entendés que sea perfecto.
34:39¿Se entiende, Lucas?
34:40Sí, sí, sí, me quedó claro. Sí, sí, sí.
34:42Y aparte y buscar lo bu salió todo, salió en varios lados la inventaron una enfermedad que después entraron todas. ¿Por qué entran fácil?
34:55Vos viste, eh cualquier la gente que entra a Wikipedia y cambiaba la la descripción, ¿viste? Te cambia la descripción de dice Lucas Pinero, entro en Wikipedia y lo cambio y después le pregunto a la IA. La se fija en Wikipedia, me levanta esa información falsa y me la dice y yo después genero un reporte con datos falsos. Bien.
35:20Bueno, ¿qué vamos a ganar en esta en este curso? Bueno, vamos. La habilidad más valiosa que la demanda ahora todo todo pidenía para los laburos, ¿no? Constru, vamos a construir aplicaciones, vas a poder construir, van a poder construir aplicaciones para hacer grandes cosas y lo mejor es tener la comprensión real de todo lo que sucede, ¿no? lo que realmente sucede cuando nosotros cuando usamos una gente
35:49que va a buscar, sabemos por dónde qué va a buscar y dónde va a buscar, ¿no?
35:54Bueno, ¿qué es una gente de día? Bueno, una gente es eh no solo que nos da la respuesta, sino uno que tiene distintas acciones que puede que puede hacer.
36:06Entonces ahí está el tema de evaluar, ¿ve? evaluar y mejorar.
36:15Bueno, esto la idea tradicional con YPT, por ejemplo, escribimos un ensayo y inmediatamente nos va a tirar una respuesta, ¿no? Con un agente día le digo el mismo pron. Le voy a tirar el mismo PR.
36:31Eh, va lo que con Gemina va a planificar, va a buscar, va a leer la fuente y va a escribir el borrador y ahí se terminó tu Gemini, ¿no? Ahí se tu Gemini ahí se terminó y te va a dar el informe. Lo que vas a hacer acá, vas a revisar, vas a criticar ese informe, ¿entendés? con otro modelo que no necesariamente eh puede ser el mismo modelo, pero se
37:02Las buenas prácticas es usar otro. Por ejemplo, vos haces toda la parte de planificar, buscar, leer fuente y escribir el primer borrador con Gemini y después le decís a a al modelo al modelo más fuerte de de Clone, mi miraste tu informe que está basado en esto, en esto, en esto y criticamelo todo lo suficiente, ¿entendés? Entonces, te va a revisar y te va a buscar todo todo. Y
37:27con ese feedback vos puedes usar el el estoy adelantando cosas del del módulo dos, pero vas a se entiende la idea, vas a mejorar. Entonces, la idea que vamos a aprender acá es cómo hacer con código todas estas estos pasos. Bien, entonces vamos a tener un resultado más profundo y bien fundamentado.
37:55Bueno, esto es el mismo ejemplo, pero de una forma más sencilla, ¿no? Explicado simple. Primero va a planificar, va a decidir qué pasos seguir, después va a actuar, va a ejecutar esos pasos, ¿no?
38:11Eh, con acciones reales va a evaluar, ¿no? Va medir qué tal viene y qué tal va, qué tal va. Y ahí nosotros le vamos a pasar los criterios que queremos evaluar, ¿no? Vamos a ver que hay cosas que podemos hacerlo por manera determinística y otras cosas que podemos hacerlas eh que vamos a necesitar usar una intervención humana o eh utilizar LMS, ¿no? Y vamos a iterar.
38:40Esto es iterar. Vamos a ajustar lo que necesitemos ajustar para volver a crear el agente. Bien. Hasta acá. ¿Me están siguiendo, chicos?
38:54Bien, bien. Sí. Bueno, entonces vamos a ver qué qué herramientas nosotros necesitamos y que vamos a necesitar para una gente.
39:04Bueno, el primero, el Llm, ¿no? Un LM cualquiera, ¿no?
39:11GGPT, Clone, Gemini, los modelos que nosotros este va a pensar, va a decidir y va a generar el texto, ¿no? que es una cosa que digo yo, es siempre es que leen y escriben mucho más rápido que yo.
39:26Entonces yo eh cuando tengo algún error o un problema digo, si yo me pongo a leer, capaz que no encuentro el problema y lo puedo resolver, pero pierdo una hora leyendo.
39:38Yo programo, ¿no? Leyendo todo, todos los errores que sucedieron. se lo paso al LN, eh, me mira, me dice, "Acá estaba el error y bueno, y ahí decidimos."
39:49Después, acá están las herramientas que son van a realizar eh acciones en el mundo real, por ejemplo, la búsqueda web, enviar un mail, consultar eh una base de datos, rellenar una base de datos, eh hacer cálculos científicos más más exactos, ¿entendés?
40:14eh cosas eh herramientas que sean específicas para para una actividad.
40:21Eso lo vamos a necesitar porque lo vamos a incluir en los agentes. Después la memoria, eso es fundamental porque cada llamada a un LM eh cuando nosotros la apliquemos tenemos que nosotros aplicar la memoria porque ya GPT o Gemini en la interfaz que nosotros usamos habitualmente eh tienen una memoria que es el historial del
40:48chat, pero nosotros por código o por lo que sea podemos hacer la llamada en cero. o en la memoria podemos ir nosotros manejándolas, ¿no? Vieron mucho la gente que usa, no sé, los que están acá, los que usan eh eh alguna herramienta para programar o alguna herramienta de alguna gente que en algún momento los LLM tienen un límite de capacidad.
41:16Por ejemplo, eh los los de Gemini eh creo que tienen hasta cuatro hasta 1 millón de tokens 1,50,000 tokens 1,50,000 tokens de contexto. Pero en ese contexto e incluye todo. Incluye el pron del sistema, incluye la memoria, incluye los resultados de de las herramientas,
41:45incluyen las famosas skills y la todas suman tokens. Entonces, entonces en la memoria nosotros tenemos que ver eh armarlo a nosotros para que pueda recordar lo que ocurrió y pueda eh entender lo que buscó y de última hacer compactación de la memoria para tenerla que la pueda consultar. Bien,
42:13después esto es lo nuevo, lo nuevo no lo que vamos a que es el evaluador, ¿no?
42:20Una vez que nosotros tenemos un resultado, va a medir la calidad del resultado, depende en distintas partes, en distintas categorías, ¿no? Y va a decir si está bueno o está malo. Y lo que lo que lo que necesitamos que el evaluador necesitamos que el evaluador nos devuelva un feedback para mejorarlo.
42:40Bien, entonces tenemos el plan, la búsqueda, en este caso, un ejemplo, ¿no? La búsqueda, eh, leer y descargar los procesos y después el borrador. Eso es lo que va a generar. Esto es el paso, la acción del paso a paso de la gente.
43:00¿Alguna duda? Chicos, ¿todo bien? Bueno, si está todo bien. Bueno, ¿y por qué funciona mejor? Bueno, porque en la directa usa solo lo que sabe internamente y en el caso de Gemini o que tiene el buscador o que tiene son las herramientas que tienen que nos ofrecen los proveedores, ¿no?
43:25En cambio, bueno, eso puede ser superficial, puede ser incompleto y tenemos eh va a ser más rápido y sin una investigación real o sin ejecutar herramientas reales. En cambio, con el agente personalizado, con el agente con un agente como el de Gemini, vamos a buscar información en internet, ¿no? y entonces nos va a dar un
43:51resultado más profundo, vamos a más preciso y fundamentada, pero tenemos una ventaja que va a tomar más tiempo, pero el resultado va a ser mejor, ¿no?
44:03Entonces, más tiempo, mejor resultado y los agentes van a intercambiar velocidad por calidad y también por costo, ¿no?
44:12Obviamente que la guía directa no nos va a consumir tantos token y el un agente no va a consumir eh mucho más token. ¿Se entiende? Eso hay que evaluarlo siempre.
44:29Bueno, ahora vamos a empezar con los grados de autonomía entre los agentes.
44:36Bien, los agentes no son un agente, hay distintos tipos de agentes y eso vamos a ver en todo el curso los distintos patrones que hay de de agentes que vamos ahora vamos a una introducción de lo que son, pero fíjense este gráfico que tenemos de simple, semiautomático, avanzado y complejo, ¿no? Tenemos cuatro niveles de tipo de
45:09El primero en nivel más fácil son pasos fijos, ¿no? Un agente que sabe exactamente y está programado para hacer algo específico, no es predecible y controlable. Sabemos los pasos que tienen los plazos, por ejemplo, procesar una factura PDF. Sabemos que lee el PDF, analiza el contenido, me extrae la información y me la guarda. Nada más.
45:38El segundo son nivel los semisutomáticos, donde tenemos opciones predefinidas donde la gente va va a poder elegir, ¿no?, qué hacer o qué no hacer. Es más flexible y controlable. Bien, por ejemplo, un asistente de correos que me lea, que me lea la casilla y me los analice y conteste automáticamente
46:06algunos y otros no y otros me avisen, ¿se entiende? Y después tenemos el que es muy autónomo. Ahí ya tenemos que el el agente decide por sí mismo qué hacer y cómo completar la tarea. Es flexible, pero menos predecible. No, no sabemos realmente cómo va a salir, por ejemplo, el agente de investigación en este caso, pero estamos hablando de los agentes,
46:34por ejemplo, eh Cloud Code o Open Code o Antigravity, que yo le tiro y decides qué va a hacer, qué no va a hacer, de qué manera, de qué forma. Y a veces eh uno que uno tiene que estar atento, tiene que estar arriba para para que lo que vaya a construir salga bien. Bien.
47:01Ahí está. Esp que me voy acá mientras mientras admito. ¿Hay alguna duda, una pregunta?
47:07Sí, yo tengo una consulta. ¿Cómo estás?
47:12estabas hablando de de antigravity, o sea, por lo que yo te entiendo, es como antigravity sería una agente para generar otros, porque yo estoy trabajando con Antigravity y me pasa esto, que le hago una solicitud y como que me arma todo prácticamente sin preguntarme y tengo que volver hacia atrás y hacer un detalle de lo que está armando para que haga lo que yo quiero, digamos.
47:40Por eso no, si me puedes aclarar eso.
47:43Sí. Eh, an es un agente que está de Google que está especificado para no sé cuál estás usando, si el ID o el común. Yo en común, el el general no lo uso, uso le ID que eh me permite ir controlando.
48:01Eh, primero principal tenés que evitar de de que de que decidas solo, siempre que te que te haga la pregunta de qué comando va a ser y qué va a decidir, pero en realidad es un agente para construir, es un agente de código para para programar, ¿no? Entonces si te va a servir para crearte tus propios agentes.
48:26Puede ser antigravity, Open Code o o el que sea. Yo no me caso con ninguno y voy usando a medida de que puedas puedo acceder. Por ejemplo, yo uso Copilot en el Visual Studio C, el free de que tengo la solicitud de tanta solicitud por mes, después uso eh antigravity por otro lado, después uso en el mismo proyecto, ¿no? Eh, la cuestión está es que uno tiene que estar
48:55controlando. Por eso Andrew habla de evaluar, evaluar el resultado de cada modelo, ¿se entiende? Entonces, vas a ver que eh lo si vos te metés acá en este curso, vas a ver que es de con código y vos vas a poder consultar eh llamar a los modelos eh de OpenI o de Gemini o de Grock o de el que sé de Antropic y lo
49:25vas a poder usar en modelo específico, se entiende el modelo de el LM para hacer alguna actividad y después otro modelo lo vas a evaluar. Pero sí, yo te entiendo y y me pasó un montón de veces.
49:41Consejo, trata de lo más específica en el en el pront y yo le pongo, no implementes, solamente planifiquemos. Entonces, para que te haga el plan, que te haga el planificado, que te diga qué va a hacer y vos le vas autorizando qué hacer y qué no. ¿Se entiende Natalia? Sí, porque porque sí, si lo dejas solo, eh, se te va, ¿no?
50:10Claro, sí. Es que en realidad al al mínimo pedido, al mínimo prompt es supera autónoma la respuesta. Entonces, eh, diseña, arma, define, ya me lo quiere guardar y bueno, no pará, o sea, esperá que lo vea. Entonces, por eso te preguntaba si era justamente para generar agentes y lo con lo que decías recién, o sea, ¿cómo sería? Eh, vos podés como evaluar el agente en diferentes LLM.
50:34sería claro vos, vos, por ejemplo, lo que vamos a hacer en este curso es ya en la estamos viendo el módulo uno, ¿no? El módulo uno es introduor, introductor y todo. Ya en el módulo dos vamos a ver y y de paso avanzamos este nivel, el nivel este nivel uno.
50:56Vamos a ver el nivel uno y vamos a ver con práctica qué es lo que hace este nivel uno. Este nivel uno, por ejemplo, sigue exactamente una secuencia programada, ¿no? Sin desviarse. Vos vas a crearte tu propia agente y sabe que, por ejemplo, extraer dato del PDF, entonces sabe que la primera acción que tiene que hacer es cargar el PDF, segunda acción es leer el PDF, tercera acción es analizar el resultado del PDF y cuarta acción es guardarlo en una base
51:26de datos. Bien, no va a ser otra cosa que eso porque está estructurado, ¿se entiende? Entonces va a ser es predecible y es confiable porque vos sabés que vos lo programaste a la gente.
51:40Entonces, la gente va a ser exactamente eso. Va a ser fácil de controlar yar.
51:45Vos cada paso que que tenés vas a poder tener el resultado. Por ejemplo, leer el PDF y vas a tener el resultado y lo vas a poder evaluar si lo leyó bien lo leyó mal el PDF, ¿se entiende? O si hubo algún error porque a veces los PDF tienen contraseña y entonces no lo puede abrir y eso lo vas a poder evaluar.
52:08Después si algo falla no lo vas a poder arreglar, ¿no? Eh, en la gente solo no se va a poder eh modificar, no es como antigravity que si falla mira el error y dice, "U, pruebo pruebo con otra de usar otra estrategia, ¿no?
52:28Bien, nivel dos y semiautomat y nivel tres son eh, por ejemplo, e la gente elige eh opciones predefinidas según el contexto, ¿no?
52:45No llegamos a lo que sería el antigravity porque el antigravity es el eh el ejemplo que diste es más es de los muy automáticos.
52:54El semiautomático, por ejemplo, hacer un programita donde una herramienta te lea los mail, ¿no? Te lea los mail, eh, te lea el asunto, te lea pasarle un LM para que te lea y te los clasifique. si es urgente, no es urgente, si necesita consulta, si es un spam que te lo y si vos tenés una método, algo programado ya para que te
53:23lo responda automáticamente, le puedes decir, bueno, redactarlo y responderlo automáticamente. Bien, obviamente que vos vas a evaluar primero hacer una simulación de descargar y eh ver los resultados. Si vos ves que los resultados fallan, modifica, vas modificando el otro, ¿entendés? Es un paso interativo. Si vos ves que te está contestando mal o no la forma que vos querés que te conteste o con los datos que vos que conteste, lo modificas.
53:51Bien, son más flexibles y son e aún aún siguen siendo controlables. Y este muy autónomo e que es el agente decide por sí solo qué buscar, cuántas fuentes usar, cómo estructurar, si necesitan más investigación, si sí sin eh elegir eh vos decí quiero hacer una página web y te la empieza a construir el nod y dice, "No, mira, yo la quiero hacer compés.
54:20Este es el muy autónomo. Acá entra el antigravity, el Clow Code, el Open Clow, todos esos que que que se están difundiendo, que está todo lado que te cobran eh $ 50 y por token y se te acaban los tokensa porque cada decisión que toma, cada error que encuentra tiene que entrar en un bucle y empezar a analizar
54:50y buscar. Por eso cuando el proyecto es muy grande, ahí es donde empiezan a a fallar, ¿no? Empieza a fallar porque pierden contexto. Bien.
55:01Y ahí van. ¿Qué nivel elegir? Bueno, todo va a depender del tipo de tarea.
55:07Por ejemplo, rutinarias, por ejemplo, factura mail, paso uno, bien predecible y confiable, complejas, ¿no? Que son muy complejas, por ejemplo, investigación, análisis o construir algo o eh codificar así que son muy autónomos. Bueno, necesita adaptarse a medida que va encontrando problemas. Entonces, en nivel tres, eh, críticas y medianas, por ejemplo, lo
55:36que hablamos de la salud, de medicina, las finanzas, cuando que tenemos que controlar, tenemos que que tratar de que el nivel sea controlado y nosotros podamos controlar, no sea cosa de que eh si yo tengo algo de finanzas y no lo controlo bien y me dicen que me pagaron y no me pagaron y y lo contabilizo como que está pago y no está pago. ¿Se entiende? Cuando entramos a a
56:03manejar cosas sensibles, ahí lo tenemos que tratar de controlar. Bueno, y cuando es eh creativas, por ejemplo, como es eh que necesita libertad, bueno, ahí sí podemos elegir nivel dos o tres. Bien.
56:23Bueno, un agente no es magia, chicos.
56:28Es un sistema que sigue pasos, sigue procedimientos que están bien diseñados, no es un espectro, no un binario. Hay agente valioso en toda la escala de autonomía. La cabe es evaluar e iterar.
56:44Bien, piensa, actúa, revisa, mejora y repite.
56:49También se entiende el concepto, chicos.
56:58Bien, bueno, ¿qué beneficios eh tenemos con los agentes de IA?
57:08Bueno, transforman lo imposible en posible. Vieron que un ejemplo acá vamos a ver el ejemplo del curso que es sin agentes.
57:21Eh, por ejemplo, sin agente la IA normal, la IA comercial no podía abordar, ¿no?
57:29procesos largos, ten muchos pasos que requerían herramientas externas, no teníamos, teníamos los plugin y empezamos a tener y con agentes ya el agente de eh ya desbloquean ya no es lo mismo que antes. Ahora empezar a construir algo eh lo que sea ya con con una gente ya no libera. Entonces, ya
57:57después podemos intervenir nosotros y mejorar eso, ¿no?
58:03Desbloquean las capacidades y no solamente lo podemos avanzar. Bien, el salto no es incremental, es cualitativo, dice. Bueno, beneficio uno, los agentes mejoran drásticamente la calidad eh de los resultados gracias al ciclo de critura, revisión, ejecución y corrección. Y miren este ejemplo, mírenlo.
58:30¿Lo llegan a ver ahí el gráfico?
58:37¿Entienden qué significa este? GPT 3.5. ¿Lo ven? La primera que está acá teníamos eh acá tenemos con agente y sin agente. Este era el resultado.
58:52Sin agente teníamos teníamos un 40 y con agente el GPT 3.5 si teníamos un 80% de de eficacia. Ven, cuando pasamos al modelo JPT4, sin agente teníamos un 67% de eficacia, más y con agente un 90.
59:17Fíjense que un modelo viejo, más antiguo, con menos capacidades, pero usando un agente era mejor a un modelo nuevo, más caro, más caro, sin agente.
59:35Ven bien. Eso, esto es datos reales, ¿no?
59:42Que se hicieron con GPT, con agente. alcanza al GPT4 sin agente, que dice que un modelo antiguo bien orquestado supera uno nuevo usando directamente.
59:56La arquitectura importa tanto como el modelo. ¿Se entiende la idea? Ayer alguien me preguntaba eh, si importaba tener usar los últimos modelos en en el siempre usar los últimos modelos, no. Lo lo que importa es que que el modelo sea relativamente de los buenos ahí, pero lo importante es la el contexto que nosotros le vamos a
1:00:24dar, eh, y las herramientas que da.
1:00:30Sí. Y ahora vamos a ver que depende eh lo que vamos a ver en el curso es que eh todo lo que vos hagás, todos los pasos que vos hagás lo vas a tener que evaluar. Entonces, hay cosas que vas a poder evaluar de forma determinística, de de con código, con a través y hay un ejercicio, hay un par de ejercicios en la semana dos que están que están
1:00:56buenísimos, que te demuestran esto y vos vas a evaluar, obviamente que cuando vos hacés una agente tenés que buscar casos reales y resultados. Yo me acuerdo que no cuando hicimos el bot, hicimos un bot eh hace un par de años atrás, un bot conversacional que que tenía que recomendar productos de para
1:01:25una empresa de medicina, ¿no? Una empresa de medicina que vendía vendía eh instrumentos y vendía cosas para detectar ADN y todas esas cosas. Bueno, ¿qué pasaba?
1:01:41Eh, para evaluar lo que hicimos.
1:01:44Agarra agarramos según la los profesionales que sabían la pregunta y qué respuesta en la respuesta, ¿qué es lo que tenía que tener, el contenido que tenía que ofrecer? las cosas que tenía que decir y las cosas que no tenía que decir.
1:02:03Entonces, una vez que terminaba eso, que terminaba el la ejecución normal, pasaba toda esa lista a un modelo donde me clasificaba del 1 al 10, cuánto acertó y cuánto no. Entonces, sabíamos qué pregunta, qué pregunta, qué tipo de preguntas estaban fallando, ¿qué preguntas funcionaban bien? ¿Qué preguntas? Y con eso fuimos mejorando
1:02:31e el el sistema, el PROM de sistema, ¿no? El system prom y modificando todas las instrucciones y las reglas. Bien, porque es es importante tener el modelo alineado con lo que se llaman guarda rins para que no se vaya de un de un lado y del otro. ¿Se entiende bien?
1:02:56Bueno, vamos a ver. En el caso del código, ¿no? Primero escribimos el acá, después revisamos los errores,
1:03:12ejecutamos, corregimos y pen que acá me quedó esta, me quedó algo más de la presentación, pero se entiende, ¿no? Primero escribimos el código, revisamos los errores, ejecutamos y probamos nosotros que eh ande bien, correr los test y después corregir y refinar. ¿Se entiende? Acá me falló la presentación.
1:03:41El beneficio dos que tenemos de los agentes es que podemos hacer cosas por paralelo, ¿no? Por ejemplo, acá el ejemplo que muestra de pasar actividades de 10 horas, actividades de 4 segundos. ¿Ustedes han habrá pasado esto en algo?
1:04:03Por ejemplo, un humano de forma secuencial tiene que leer artículos uno por uno, ¿no? Entonces lee los nueve artículos y a la hora 10 escribe el ensayo, no tarda 10 horas con una gente en paralelo. Todos estos artículos lo leemos de forma simultánea.
1:04:25Bien, leer varios y después descarga todo a la vez y procesa en paralelo y después escribe el ensayo y esto tarda, bueno, acá está exagerado, ¿no? 4 segundos, pero la idea es que entiendan la lo que un humano llegado a tardar en una tarea rutinaria con una gente que sepa todos los pasos que tiene que hacer, podemos acelerar el proceso.
1:04:56ganancia 150 veces más rápido en este caso concreto, ¿no? Bueno, en ese caso es caso sacado por el curso, ¿no? Bien, hasta acá alguna pregunta, alguna duda
1:05:12renombrar un lote de archivo. Sí, bien. Hay cosas que se pueden hacer con código sin usar el M también, pero pero lo importante es entender esto. Bueno, que cuando nosotros construimos nuestros propios agentes, la idea de construcción es modular, ¿ves? Poder construir modular. ¿Por qué? ¿Qué nos permite eh construir modular? Por ejemplo, yo tengo un agente que
1:05:41va a hacer la búsqueda, ¿no? Entonces eh va a ser un LLM el hijo búsqueda elijo Google y la salida sea un PDF. Y mañana necesito que eh cambiar el proveedor y cambio la parte del LM por clone. Después en la búsqueda en vez de usar Google uso Bin o uso otro buscador y hago la escritura en otro idioma, en otro lenguaje.
1:06:11Entonces no vamos a reconstruir el agente por completo, ¿se entienden? Lo construimos por eh paso, por herramienta que necesitamos.
1:06:23Esto va a reduciramente el tiempo de iteración y mejora continuidad. Aparte podemos probar cómo me funciona un agente con el buscador de Google y cómo me funciona un agente con el buscador de Bings o Duc Du Go o otro otra o un scrapeador específico. Bien,
1:06:47entonces en LNM podemos elegir CHPT, Cloud, Gemini, lo que sea. En la búsqueda podemos elegir Google Bings News. Y esta AR XB es la que te decía esta página, este que está acá es la que busca paperle papers eh académicos, ¿no? papers académicos y papers oficiales y
1:07:14comprobados y verificados y pueden ser paper que en la ciencia y en en este caso eh en como en todos lados pueden ser paper que después hay que validarlo. La teoría de Einstein eh se comprobó después de que de que Einstein falleció, ¿no? Se entiende lo que digo, ¿no?
1:07:38Así que bueno, pero son publicaciones científicas con fundamentos.
1:07:46Bueno, en la calidad tenemos un aumento por dos, no podemos aumentar la calidad.
1:07:53En velocidad muchísimo, 150 veces y después en complejidad infinito. Hay cosas que imagínense, ¿se acuerdan antes de construir eh una automatización compleja antes de todo esto? Era bastante complejo. Teníamos que pensar y tardábamos 3 cu meses, 5 meses en tener la automatización
1:08:20perfecta. Ahora con los agentes ya podemos hacerlo muchísimo más rápido.
1:08:26Bien que se acelera todo bien.
1:08:31Sí, agente la respuesta es rápida, va a tardar rápido. Tenemos vamos a tener un resultado superficial, vamos a tener bajo costo, ¿no? Porque vamos a gastar pocos tokens y con el agente va a ser mucho más lento.
1:08:5030 segundos va a tener un resultado más profundo y va a tener un costo mayor.
1:08:55Bien, necesitas profundidad o más eh más eh que sea mejor. Los agentes valen cada segundo ahí también valen en plata, ¿no?
1:09:09Cada segundo en token. Bien, ¿alguna duda, chicos?
1:09:23Bueno, en el trabajo, un agente de trabajo no puede automatizar reportes, podemos tener una un agente de atención 247, podemos eh analizar documentos profundamente.
1:09:40En el negocio podemos reducir costo eliminando trabajo manual, aumentar la calidad con análisis más rico, escalas y nuevas contrataciones, escalar nuevas contrataciones en el conocimiento, eh herramienta de investigación personal. Bueno, siempre estamos hablando eh un tutor que te ayude a aprender, ¿no? Y asistentes creativos para
1:10:06proyectos. ¿Alguien de ustedes usó pass lo que hicimos nosotros? No, bueno, después sea mostrar la aplicación. Bueno, ¿cómo construir un agente? No, bien que acá entra un concepto fundamental de empezar a descomprimir de desen acá me quedó el el video de Andre.
1:10:33Bueno, descomponer las tareas, ¿no? Nosotros tenemos una lista de tareas, por ejemplo, que tenemos que tenemos que hacer muchos pasos. Entonces, son tareas complejas. Entonces, lo que podemos hacer es dividir todas esas tareas a distintos en distintos pasos, dividir los pasos y después aplicarle
1:11:00alguna con ejecutar con herramientas, con IA o otras con herramientas, depende los pasos que tengamos que hacer. Bien, entonces tenemos una tarea compleja, la dividimos en pasos más chicos para ejecutarla a través de herramientas o con IA, bien. O con IA, con herramientas, ¿está bien?
1:11:26No es técnico el trabajo de construir agente, es pensar como un director de proyectos, ¿entiendes? Pensar como las cosas que tenemos que hacer. Entonces, desglosar, ordenar y asignar responsabilidades de los distintos los gentes. Mieron el caso, dice, "Yo tengo una gente que me que me construye esto, tengo una gente que me que me evalúa, tengo una gente que me hace bueno, una cosa así." Y entonces uno es el director de orquesta y puede tener un agente que
1:11:55maneje todos los agentes. Ahora vamos a ver la pregunta mágica.
1:12:02Puede una herramienta, una guía o una herramienta hacer este paso. Eso es lo que tenemos que preguntar cuando tenemos que resolver un problema. Bien, entonces las respuestas son así. Si puede, listo, no tengo problema. Incluye el paso completo es para para esa tarea. Bien. Ahora solo lo puede hacer parcialmente.
1:12:29Dividimos cada paso en subtareas. Vamos dividiendo en su tareas más pequeñas y volvemos a hacer la misma pregunta en cada en cada tarea. Puede ahí usar una herramienta, resolverlo y así vamos armando el el en nuestra gente. Y si no puede, bueno, asignar una herramienta externa o una intervención humana. Bien, se entiende acá el ejemplo. Entonces ahí si hay un alguno de los pasos de esto
1:12:59que lo dividimos que no puede la no puede usar, pero nosotros podemos crear la herramienta para hacerlo. Creamos la herramienta para que la IA pueda usar esa herramienta.
1:13:10Eso eran los famosos F calls o los famosos plugins o o eh o los famosos que pasaron a ser parte de los agentes, ¿no?
1:13:22las propias herramientas.
1:13:31No, no, no. Sí, sí, sí. No, no sé que me preguntar. ¿Hay alguna forma de medir?
1:13:37Todo bien, chicos. ¿Alguna duda?
1:13:38Pregunten. Eh, Osvaldo, ¿vos querías decir algo?
1:13:51Bien, por ejemplo, en un enfoque directo, escribir un ensayo sobre agujeros negros, ¿no? Este es el ejemplo que usa Andrew. La IA escribe superficialmente todas veces de una vez. En el caso de un modelo de de un agente que tenemos cinco pasos, ¿no? Entonces tenemos en el primero vamos a planificar, vamos a crear qué necesitamos nosotros y cómo la
1:14:21salida, la estructura de nuestra salida, ¿no? Después va a investigar y buscar la fuente, la fuente que necesita puede ser buscarla en la web, usar herramienta de búsqueda, eh, o alguna API o alguna información podamos rescatar.
1:14:39Bueno, después va a ser escribir y va a tratar de escribir estructuradamente el el reporte. Después, revisar y hacer la autocrítica. El mismo modelo o otro podemos usarlo para autocriticarse y obtener un feedback. para poder de vuelta mejorar, ¿no? Con ese podemos refinar. ¿Se entienden? Los pasos son cinco pasos que tenemos que cumplir siempre. planificar, investigar o o
1:15:06ejecutar los pasos eh entre las dos y tres, pero siempre antes revisar, autoevaluarse, clase para después refinar y tener un mejor resultado. Lo van a ver en el si alguien estuvo la clase la clase dos o va a tener la grabación, lo va a poder ver ahí. Ahí lo vamos a ver. Bien, bien. Un ejemplo del correo. Llega el
1:15:34correo electrónico, no extraigo los datos del correo electrónico, consulto una base SQL con los datos del correo electrónico y envío la respuesta al mail. ¿Está bien? ¿Se entiende? ¿Se entendieron el plazo de atender un ejemplo con mail?
1:16:00Las herramientas disponibles que tenemos primero los Llmían todos nuestros cerebritos que podemos usar. eh GPD, Cloud, Gemini, eh open source, eh locales, lo que lo que lo que podamos correr. Bueno, búsqueda y datos tenemos para buscar los buscadores, las bases de
1:16:27datos, las APIs de finanzas, de cualquier tipo de API que queemos.
1:16:39Y las herramientas de acción, por ejemplo, enviar mail, ejecutar código, crear archivos, eh actualizar calendario, un montón de cosas.
1:16:50Todo se puede hacer a través de a través de APIs o NCP, ¿no? los famosos CCP especializadas, herramientas especializadas, por ejemplo, eh, de PDF a texto, análisis de imágenes, voz a texto, sínteseis de voz, porque aparte de los LLM que tenemos acá, eh eh que tenemos acá para texto, para analizar,
1:17:16también tenemos los los modelos eh multimodales que podemos usar, ¿no?
1:17:25Depende la actividad. Yo creo, no sé si está acá. Bueno, pero vamos a ver qué errores comunes tenemos al descomponer una actividad.
1:17:35Primero, pensar, sí, te hago una consulta, eh, solo para bajar, digamos, a la realidad lo que estabas explicando. O sea, todos estos pasos son los que vos desglos cuando armaste la gente en un LLM.
1:17:53Cuando vos armas cuando vos armas el agente son los pasos que vos desglosas cuando vos vas a armar el agente depende el objetivo que que que necesite esa gente.
1:18:04El LLM es el cerebro que puede usar en cada paso y podes usar el LLM que mejor se acomode en cada paso e o la herramienta que necesités para cada paso. No hace falta que tengas eh, por ejemplo, enviar el mail, no lo va a hacer LLM, vas a conectarte con tu proveedor de de internet de de mail y lo vas a mandar por por no le vas a decir al LM que vaya
1:18:33a tu navegador, abra con la contraseña y ponga el mail y lo redacte. No, vas a usar una API que vas a aprovechar eh de código, ¿me entendés? Lo vas a programar y a lo sumo le vas a decir un LM que la ejecute nada más. ¿Se entiende Natalla?
1:18:53Vos descom de vos tenés, por ejemplo, descomprimís el los pasos que necesitan hacer la gente.
1:19:02Vos lo primero tienes que pensar es esto.
1:19:05¿Cómo lo harías vos humanamente todos los pasos que tenés que hacer? Y en cada paso que tenía que hacer, si este paso lo puede resolver una, lo puedo resolver con una herramienta, lo puedo resolver con algo, bueno, generar una que te una a todos sus pasos, ¿vesés? Entonces con con vos cuando armas la gente, te armas una gente que te construya todos esos pasos. Obviamente que vas a evaluar cada
1:19:32paso que que haga eso para estar segura de que no cometa errores en cada paso.
1:19:41Bueno, el primer error es eh pasos demasiados grande, ¿no?
1:19:53Paso demasiado grande.
1:19:57No puede hacer, ¿no? Por ejemplo, escribe un reporte perfecto, divide, investigación, borrador y revisión. En este llama al cliente por teléfono y genera un script. El humano hace la llamada, ¿no?
1:20:12Después, falta de evaluación, nunca no basta con construir el agente, sino construir, probar y ver que falla, ¿no? Hacer pruebas en ambientes controlados. Ahí ahí Sebastián dice, "Es que al fin y al cabo lo que estás haciendo es crear un nuevo puesto laboral.
1:20:36El desafío es que tenga la autonomía para leer, crear, editar información en el sistema que la compañía tiene. No, perdón que escribo, estoy sin micrófono.
1:20:46Sí, depende. Puede ser lo que necesités, puede ser para una empresa, puede ser para vos, para Pero si es reducir crearte un agente propio, es reducir tratar de evitar lo que uno puede que tardaba mucho en dividirlo en distintas partes para poder utilizarlo, ¿no?
1:21:11Bien, ver que falla y mejorar.
1:21:17Bueno, ¿cómo lo haría un humano? Escribe los pasos que tú seguirías sin filtros, ¿no?
1:21:26Cada paso es pequeño. Si es grande, lo dividimos. Buscamos las gran unidades ejecutales. Como cuando estamos programando que cada función tiene que tener hacer algo específico, no todo.
1:21:39Bien. ¿Quién lo ejecuta? Por ejemplo, texto, LM, busque de heram, herramienta, datos, la API o una base de datos. No faltan conexiones. Conectar los pasos en un flujo coherente y cierra los huecos.
1:21:57No se entiende la idea, ¿no? Hacer un paso general, no pedirle una ser una agente que haga todo, sino ir dividiéndolo de en lo más posible, en la cantidad mayor paso posible. Bien.
1:22:14Bueno, un agente bien diseñado refleja la lógica de un profesional experimentado, no solo de código. Bien, evaluaciones. Acá vamos a entrar en la parte de evaluaciones. ¿Cómo funciona mi agente? No construimos un agente, ¿es bueno? ¿Qué está mal? ¿Cómo mejorarlo?
1:22:35La única forma de saberlo siempre es medir y evaluar constantemente.
1:22:40Y si si no tenemos métricas, no tenemos eh tenemos solo suposiciones. Bien, la mejor práctica de población.
1:22:52Enfoque malo, construyo la gente. Espero que funcione bien. Está bien. Enfoque bueno. Construyo la gente, lo pruebo con casos reales. Busco casos reales que sé la entrada, la salida, leo las salidas y anoto los errores.
1:23:12Creo test para esos errores, para ejecutar esos test, para evaluarlo.
1:23:18Mejoro y vuelvo al paso uno. Siempre creo los test, ¿no? Creo, ejecuto los test en cada paso, en cada interacción que hago, ejecuto, ejecuto los test, ¿no?
1:23:30Bien, encontrar problema manualmente. ¿Cómo funciona? Primero generamos la salida, ¿no? Ejecuta la gente con ejemplos reales y recoge la respuesta.
1:23:43Leer con atención, ¿no? Revisa cada aulo buscando algo que no debería estar ahí.
1:23:48Ahora vamos a ver ejemplos y detectar patrones, ¿no? Una vez que que errores se repiten, esos son los prioritarios que tenemos que sacar, ¿no? Ejemplo, agente de atención al cliente. Bien, ¿cuál es tu mejor producto producto del cliente? Y la gente responde, nuestro producto X es fantástico. Comc, que sería la competencia hace lo mismo, pero peor. Rivalc es una basura.
1:24:16Contesta esta manera. Bueno, esto es un problema porque los clientes no esperan de este tono, parece poco profesional y puede generar consecuencias legales. Y por ejemplo, si vos estás creando un bot para tu empresa que vende Coca-Cola, ¿no? Coca-Cola y pones el bot y bot te recomienda que podés tomar
1:24:43Pepsi o Kunington. Entonces vos tenés que fijarte eso. Entonces tenés que lo que se llaman guardar RS para que los modelos no no hagan este tipo de cosas. Entonces, ¿cómo haces?
1:24:58antes de ponerlo en producción y la gente así tenés que evaluar todas las cosas que pueden llegar a salir mal, no solamente hacer los test con las cosas que que van a salir, que tienen que salir bien, sino con las cosas que salen mal. eh nombrar un nombrar un producto que no tenés, recomendar un cliente que recomendar un proveedor externo, eh responder, por ejemplo, entrás a un bot cualquiera le preguntas cómo hacer una pizza y no
1:25:27debería contestarte si fuera solamente descontestarte de lo que está pensado para lo que está pensado el bot. ¿Se entiende?
1:25:39Son todas cosas que uno va viendo.
1:25:43Evaluaciones automática, ¿no? Reglas verificares automáticamente, sino números, umbrales, algo repetido, ¿no?
1:25:51Por ejemplo, detectar menciones en la competencia.
1:25:56Por ejemplo, vos tenés una lista de competidores, ¿no?
1:26:02Tenés la respuesta que te dio la gente.
1:26:04Entonces, por código, cualquier lenguaje, vos podés contar la cantidad de en la respuesta la cantidad de eh mensiones que tuvo. Si vos que no tuvo ninguna mención, bien, lo calificas bien. que ve que tuvo menciones. Sí, ¿por qué tuvo esas menciones? No tiene que mencionar a la lista de competidores. Eh, se entiende,
1:26:37Bueno, ¿cómo funciona? Usar otra para evaluar la salida de tu agente. Ideal para jugar, calidar el tono coherencia donde no hay un sí o un no. Claro, claro. A veces no.
1:26:49Cuando la respuesta, el ejemplo anterior, nosotros lo podemos hacer por código y analizar, pero cuando el agente genera, otro agente evalúa, por ejemplo, genera un texto largo que nosotros no podemos evaluar porque tenemos que evaluar el tono. Entonces a otro le decimos, si ya te respuesta, está acorde con todas estas con todos
1:27:17estos criterios que tengo yo. Entonces que evaluármelo en un resultado con un valor, ¿no? Y ahí recibo la puntuación. Es lo que habíamos hecho con el bot de medicina que habíamos hecho de la empresa. Tal ventaja y desventaja.
1:27:35Pronde la evaluación. Lee este ensayo y proporciona una calificación del uno al cinco, puntos positivos y áreas de mejora.
1:27:44Siempre cuando uno le va a pedir al evaluador solamente, no, no solamente le pedimos que que nos dé una puntuación y nos diga que si está bien o está mal, sino que nos dé vuelva un feedback y con ese feedback podemos eh después mejorar el mismo modelo, ¿no? Entonces, evalúa cualidades subjetivas, ¿no? Detecta problemas complejos y fácil de
1:28:11implementar. ¿Y qué desventaja tenemos?
1:28:16no es perfectamente preciso porque sigue siendo un LM, puede cometer errores y requiere una guía y tenemos un costo adicional, ¿no?
1:28:26Por eso te digo que en la evaluación lo puede hacer el mismo modelo, por ejemplo, yo puedo generar con GPT 4O y el que evalúa puede ser eh Cloud Fly, el Flag, ¿no? Entonces puede ser el mismo, puede ser otro. Cuanto más mejor sea el que evalúa, ¿entendés?
1:28:52Eh, porque tiene más conocimiento, porque puede razonar siempre, capaz, capaz acá en el evaluador se puede usar un modelo de razonamiento que puede razonar la respuesta. Entonces nos puede dar un feedback mejor, ¿no?
1:29:13Bueno, error, análisis profundo, ¿no?
1:29:20Primero clasificamos la salida bien estructurada, después la búsqueda web, por ejemplo, descarga cinco artículos correctamente.
1:29:30El paso tres, escribe el borrador, primera sección confusa, mala conexión.
1:29:34Bueno, así revisar y detar el problema no lo resuelve del todo, ¿no?
1:29:41Conclusión, el agente necesita más de revisión antes de entregar el resultado final. ¿Se entiende? Yo si el paso uno me dio okay, el paso dos me dio okay, pero el paso tres y cuatro tuve advertencias, no puedo salir con ese agente. Tengo que eh tratar de corregir eso.
1:30:10¿Cómo están, chicos? ¿Me siguen?
1:30:14Bueno, esto está planteado por semanas porque el curso, pero por ejemplo la primera semana desarrollar construye el agente básico con una funcionalidad mínima, ¿no? Después descansamos un rato, la semana dos evalúa 50 ejemplos, lee la salida y y documentamos todos los problemas.
1:30:41Sí, esta es la primer clase gratuita.
1:30:43Después la segunda ya está grabada.
1:30:47Bueno, en la semana 3 creamos los test para ver estos tres problemas que documentamos. Ejecutamos la gente para para ver esos ten, mejoramos y ejecutamos. Siempre ejecutamos ustedes.
1:31:05En la semana cuatro, cuando ya tenemos los 50 ejemplos, eh, encuentra los siguientes problemas.
1:31:12Siempre vamos a encontrar, olvídense de que esto sea perfecto, chicos, eh, olvídense de que vaya a ser 100% perfecto. Siempre vamos a tener alguna cosa para mejorar. Entonces, como esto va a ser permanentemente, cada modificación que hagamos, cada avance que podamos encontrar, tenemos que hacer los test. Y aparte eh nosotros construimos un agente
1:31:41y la semana que viene sale un modelo nuevo, sale una tecnología nueva, sale una forma algo, una herramienta que podemos utilizar mejor, la podemos implementar en el agente y ver si eso nos mejora o nos perjudica. Bien.
1:32:00Bueno, tabla de evaluaciones, por ejemplo, si menciona 100 menciones de competidor es un tipo objetivo, yo lo puedo analizar, ¿no? Por cada salida. Si lo menciones, está okay.
1:32:17Calidad del ensayo.
1:32:19Ahí el tipo que lo va ejecutar va a tener que ser un el LM, ¿no? Y le voy a pedir 10 salidas. una clasificación del uno al cinco. Si me califica entre 4 y 5, está bien. Con un estado 3, un promedio de tres, una calificación de tres 3,5 sobre 5, ¿no? Después la longitud mínima, ahí puedo hacer objetivo, ahí no hace falta que use un Llm, puedo medir la longitud y veo si
1:32:48tiene la cantidad de palabras que necesito yo o no. mayor de 200, si es menos de 200 le digo ahí me está dando un mal trabajo. Y después acá entre la coherencia entre eh las secciones de estamos hablando del ensayo, tenemos que leerlo manual o usar un LM que no pueda generar, pero generalmente manual
1:33:18manual es lo mejor, ¿no? Porque a uno detectan todo y chequea antes que alguna pregunta al no sé, alguien quiso hablar, ¿no? Bueno, y en el último el tiempo de ejecución, ¿no? Ahí sí lo podemos medir y podemos ver.
1:33:40Y yo la me acuerdo, voy a contar una anécdota, cuando salió GPT5, que fue uno de los primeros modelos de razonamiento de de Open Ei, yo me acuerdo que estábamos estaba haciendo un ejercicio, no me acuerdo que estaba haciendo, donde
1:34:08tenía y con cuatro minis hacía un un agarraba un audio y hacía una transcripción, ¿no?
1:34:18Agarraba un audio con otro modelo, hacía la transcripción con GPT4 mini, hacía el resumen y le decía que tenía que detectar, yo que sé, los oyentes, los hablantes. Bien, pasé a GPT5 y como yo tenía las reglas muy estrictas, muy exigente en en el 4o me pasó de, por ejemplo, del de de estar 30 segundos, ¿no? De trabajar 30 segundos y obtener el informe, en
1:34:48reporte con GPT5 me llegó a estar 2 horas, ¿se entiende? ¿Por qué? porque razonaba, era primer modelo de razonamiento y cuando razonaba y veía que no que que no le el resultado no lo entendía, lo volvía a volver a pensar. Entonces, uno tiene que evaluar eso porque capaz que una gente que me tarda mucho, tengo que ver el modelo, cambiar el modelo,
1:35:17fijarse eh, y tratar de evaluar eso.
1:35:21Bien, errores comunes la evaluación, solo test fáciles, no verificar únicamente la longitud de texto, lo correcto, no. Hay que hacer test para todo, ¿no? No evaluar regularmente, eh, evaluar una sola vez y después nunca más. No, cada vez que que hagamos una modificación o cada tanto tenemos que
1:35:49evaluar porque los datos de entradas pueden llegar a cambiar, la forma que la gente pregunta puede llegar a cambiar.
1:35:56Entonces, tenemos que ver cómo cómo trabajan.
1:36:01ignorar problemas pequeños, no menciona competidores. A veces lo correcto es investigar por qué ocurre y crear un test específico. Por ejemplo, eso de que sucede una vez y nada más porque en producción va a volver a suceder en algún momento. Bien.
1:36:22Bueno, construir el agente, ejecutar los casos, crear los test y encontrar el problema. Esto es permanentemente, ¿no? Inción siempre vamos a construir la gente, vamos a ejecutar los casos, vamos a crear los test, vamos a encontrar problemas, vamos a modificar el agente, vamos a ejecutar los casos, vamos a crear test, vamos a encontrar otro problema. Así se entiende, no es que lo vamos a construir
1:36:50una sola vez y nos vamos a olvidar.
1:36:52Obviamente que si funciona va funcionando bien lo podemos usar, ¿no? Pero pero siempre testeando, chicos.
1:37:05Bueno, lo importante recordar medir siempre desde el inicio, ¿no?
1:37:11Antes de mejorar necesitas saber qué estás midiendo y qué importa.
1:37:16Combinar métodos test automáticos para el objetivo, ¿no? Por ejemplo, con cosa de código, LLM o revisión manual para los subjetivos. Bien.
1:37:27Ierar constantemente, construir, evaluar, mejorar, repetir, sin excepciones. Bien, quedó claro eso lo repetimos bien.
1:37:36Entiend los errores y saber por qué falla es tan importante como saber qué fallar.
1:37:42¿Se entienden la idea?
1:37:45similar al de Bobs. Sí, exactamente.
1:37:49No sé qué término, qué nombre le van a poner los Yankeis a esto, pero debo bien.
1:37:59Bien, gente, hasta acá todo bien. Lo vi esto bien. Ahora vamos a ver los patrones de diseño para gentes, que son los que vamos a profundizar en cada uno de los módulos posteriores, ¿no?
1:38:18Entonces, un patrón de diseño es una forma comprobada de estructura de un agente que ya funciona bien en la práctica, ¿no?
1:38:27Es ya en la industria, ya está. Vamos a ver cuatro cuatro cuatro patrones de diseño para gentes.
1:38:38El primero que vamos a ver módulo dos es el de reflexión, ¿no? El de reflexión es el modelo, el agente se revisa a sí mismo y mejora su trabajo antes de entregar el resultado.
1:38:52Bien, genera una versión uno del del resultado.
1:39:00autorrevisa y critica al mismo agente, trata de mejorarla y se necesita eh más respuesta y genera la versión dos. Bien, ventajas y desventajas.
1:39:13Por ejemplo, pron aquí pron aquí hay un código que genere verificar la lógica, busca BS, sugiere mejoras y proporciona una versión mejor, ¿no?
1:39:25Ventajas, me va a generar mejoras significativas, no va es fácil de implementar porque eh es fácil de implementar y es compatible con cualquier LLM. Podemos usar cualquier tipo de LLM.
1:39:40¿Qué desventaja tenemos?
1:39:42No siempre detecta los mismos errores, ¿no? A veces eh en la el mismo código se lo digo, capaz que me detecta un error o me detecta otro error. Puede ser lento y múltiple de y múltiple pesado. Lo lo bueno acá es que por ejemplo dice, vamos a hacer el ejemplo de programación, ¿no? Yo digo pro tipo, aquí hay un código de que genere.
1:40:08Verifica la lógica, busca box, sugiere mejoras y proporciona una versión mejor.
1:40:14Pero si yo acá le agrego, aquí hay un código que generé, ¿no?
1:40:21Ponte en el en el rol de experto en tal tema, tal de otro, en ciberseguridad o busca busca los bags, las vulnerabilidades, eh los problemas y dame los resultados donde va a funcionar mejor que esto.
1:40:39Bien, se entiende cuando ustedes mejoran el pront engineering, el pront le dan un rol, le le dan contexto, entonces eh va a mejorar. Bien, el segundo patrón de diseño es usar herramientas, ¿no? Un agente que llama funciones externas, ¿no? Herramientas disponibles, búsqueda web, ¿no? Acceso de información actualizada en tiempo real, ejecución de
1:41:08código, ¿no? Por ejemplo, yo tengo tengo el el primer paso, pero ejecuto el código, eh tengo el resultado del código y ese código se lo puedo pasar. base de datos, por ejemplo, consulta de registro de cliente, productos, transacciones, email y appin. Esto, bueno, ejemplo, cálculo de inversión, por ejemplo,
1:41:36miren, usuario, ¿no? Dice, si invierto 100 al 5%, ¿cuánto tengo en 10 años? Y entonces el agente usa, por ejemplo, un agente que pueda usar un código que yo le doy para que pueda ejecutar código e la gente ya se arma el código en el lenguaje que que esté más cómodo o el lenguaje que yo
1:42:04le permita ejecutar.
1:42:07Entonces, ejecuta la herramienta, obtiene el resultado y y después responde con el resultado de esa herramienta. ¿Se entiende? es lo que hacen los modelos de antigravity y todo así, ejecutan tu código en en un sandbox donde tienen permitido.
1:42:25Entonces, ustedes cuando le le pueden decir puedo ejecutar el código, por ejemplo, tenés la posibilidad de usar eh este entorno de Python para ejecutar este tipo de código. Entonces, lo puede hacer. Bueno, planificación. Este es el el otro platón de diseño, ¿no? Que ejemplo que decide los pasos que tiene que seguir de una
1:42:53forma autónoma, ¿no?
1:42:56Eh, el programador define, no lo definimos de antemano. Entonces, el usero dice, "Genera una imagen de una chica leyendo una leyendo en la misma pose que el chico de esta foto. Luego descríbela en voz."
1:43:12Bueno, ¿ustedes qué dicen acá? ¿Qué es lo que a ver, ¿qué es lo que tiene que hacer?
1:43:19¿Cuántos pasos tenemos que hacer acá?
1:43:24¿Qué es lo primero que tenemos que hacer acá?
1:43:28No, calculo que le que como que lo tenés que subdividir, o sea, primero le tenés que mostrar la foto.
1:43:35Claro. Primero, o sea, claro, detectarle la pose y después como hacer una descripción y después en todo caso a lo último generar la imagen.
1:43:45Primero le tiene que dar un cierto contexto para para que arme algo.
1:43:50Claro. Acá el modelo tiene que detectar qué qué son los pasos que tienen que hacer. Entonces dice, primero detectar la pose, ¿no? Eh, detectar la pose tener la imagen del chico para detectar la pose. Después generar una imagen de una chica leyendo. Entonces detecta la pose y le tiene que pasar la pose a la imagen y con el prom para que genere la imagen de la chica, ¿no? Describir la imagen a
1:44:20un modelo para que vuelva. Podemos usar el mismo modelo que detectó la que detectó la pose para que genere la descripción y después usar un modelo para que convierta este texto a voz.
1:44:35Entonces, acá tenemos usando un modelo multimodal, un modelo otro modelo que genere este también genera imagen multimodal.
1:44:47Son cuatro modelos multimodal. Esto es un una fortuna de plata. Claro, o sea, ahí estás gastando, vas a usar texto speech, vas a usar un modelo de imagen tu texto, o sea, si vos lo hacés así, digamos, vas a tener vas a tener vas a tener que costear tod todos los modelos esos.
1:45:07Claro, pero es un ejemplo de de qué los pasos que va a seguir. Entonces, si el yo a la gente le digo que tiene acceso a modelos multimodales para hacer esto y sabe qué pasos tiene que hacer, va a hacer los pasos. Acá estamos hablando de del patrón de diseño de planificación que va primero planificar. ¿Qué ventajas tenemos? que es muy flexible para tareas nuevas, ¿no?
1:45:35Porque capaz que esto este tema que nosotros pensamos recién, que me ayudaste, que me ayudaron a pensar recién, lo resuelve por sí solo. No, no, yo no solo tengo que estar programando porque ya le digo que planifique qué es lo que tiene que hacer, resuelve el problema complejo.
1:45:54Va a adaptarse paso a paso, ¿no? Cada en cada paso lo va a adaptar.
1:45:58Y acá las desventajas que dijimos recién, difícil de controlar y predecir.
1:46:04Es lo que le pasaba a Natalla con con Antigravity. Ella le da y Antigravity ya empieza a hacer las cosas por su cuenta.
1:46:13No puede tomar decisiones inesperadas. Sí, ha pasado y es más es más experimental, menos estable y aparte de los costos, ¿no?
1:46:28Entonces, pero acá la clave es que la gente decide los pasos y no el programador, ¿no? Bien.
1:46:39Y vamos al último, al último patrón.
1:46:45Ahí está Juan. está usando una una IA para para transcribir estas llamadas.
1:46:54Bien, a ver, el multiagente es múltiples agentes especializados que trabajan juntos, ¿no? Cada uno con un rol definido. Por ejemplo, un agente que sea el investigador, el que busca dato, actualiza sobre el mercado y extraa los puntos clave. Otro otro que sea el agente que escribe, el escritor, el que redacta el contenido de marketing usando
1:47:22los datos que le dio el agente investigador y después un agente editor que revisa, publa y mejora el trabajo del escritor antes de entregarlo. Bien, resultado un folleto profesional que ningún agente habría producido solo.
1:47:42Bueno, esta es la comparación de los patrones, ¿no?
1:47:47El patrón de reflexión tiene una complejidad baja porque sabemos los pasos, los programamos otros pasos.
1:47:53Tenemos un control muy alto y mejoramos la salida. Con herramientas tenemos una complejidad media porque necesitamos saber cómo funcionan esas herramientas, qué es lo que necesitamos y media y ejecutamos tareas reales. La planificación es media alta, tenemos un control bajo y las tareas son complejas, ¿no? La que va a resolver. Y el multiagente es la complejidad es hacer muy alto porque el multiagente tenemos
1:48:20que hacer varios agentes antes. El control es muy bajo y es para proyectos grandes, ¿no? Ahí estamos hablando de eh de arnés, lo que se llaman arnés. Bueno, ¿cómo combinar los patrones?
1:48:38Los que hablamos cuando nosotros vamos creando gente no es exclusivo, no son excluyentes.
1:48:44Una gente puede tener varios patrones, ¿no? Podemos el planificador y la gente decide qué necesitan, datos, definición, uso, riesgo. Después qué uno que ejecute herramientas, ¿no?
1:49:02buscar en la web, descargar documentos, después un multiagente que tenga investigador, escritor, editor, que trabajen en paralelo y el de reflexión que digo, cada gente revisa su propio trabajo antes de pasárselo al siguiente.
1:49:21No es una cosa estática, fija.
1:49:25Bien, en la construcción de agente podemos usar cualquiera de estos patrones. Y hay un patrón más que no lo muestran curso que se llama el mediador.
1:49:36No tengo la presentación. El mediador es uno que que está en el medio y decide qué agente usar en cada paso, ¿no?
1:49:50Es una que se llama es un patrón de de de codificación que se llama mediador de clase que se está usando ahora para los patrones de diseño de Pero no se ve en el curso, chicos. Eso se lo digo yo por cuándo se cada patrón en la reflexión genera generar y mejorar código. Eso lo vamos a ver en la semana dos. Escritura
1:50:18de texto largo cuando el primer borrador no es lo suficiente.
1:50:22Las herramientas cuando necesitamos sí o sí, datos frescos en tiempo real, cálculos complejos y precisos, ¿no?
1:50:31Accesos a APIs o a base de datos.
1:50:35El planificador, tareas con pasos desconocidos que no sabemos cómo se van a resolver, proyectos creativos abiertos, flujos que cambian según el contexto.
1:50:48y el multiagente, proyectos que requieran especialización cuando una guía sola no es suficiente.
1:50:57Alta calidad en múltiples dimensiones.
1:50:59Bueno, acá el multiagente sería el cómo llaman los arnés que tenemos ahora.
1:51:08Los patrones son combinables, no no son mutuamente excluyentes. Lo mejor gente usan varios a la vez.
1:51:16Este consejo empieza simple, siempre empecemos con lo más fácil, ¿no? Con la reflexión, más herramientas, un buen punto de partida, ¿no? Y siempre acordémonos de hacer el los test y evaluar según la necesidad, ¿no? De depende la lo que tengamos que hacer.
1:51:44Bueno, ¿qué es un agente? Ya estos son cosas que ya podemos ver, ¿no? Sistemas que perciben, razonan y actúan de forma autónoma.
1:51:54¿Qué lo otro que tenemos que que aprendimos es de componer en tarea, no dividir problemas complejos en pasos manejables y verificables más chiquitos y siempre evaluar los agentes, medir, detectar los errores y mejorar en forma continua.
1:52:12Bien, chicos, ¿alguna duda? Bueno, y estructurar a gente, ¿no? Después el que podemos reestructurar la gente, podemos reflexión, usar cualquiera de los cuatro patrones para reestructurar.
1:52:30¿Alguna duda, chicos?
1:52:33Yo te hago una pregunta. Eh, no es lo, o sea, no lo mencionaste acá, pero me surge la duda en, o sea, ¿cuáles serían las ventajas de usar una estructura multiagente respecto de usar un agente con un detalle de habilidades?
1:52:54Sí. Eh, yo preferiría el el multia gente dejarlo para para cosas más complejas, ¿no? Para cosas más complejas.
1:53:05Y si yo sé los pasos que tengo que hacer y sé las lo que las habilidades o las herramientas que necesito usar, trato de de de hacerlo más lo más lo más sencillo, ¿no? El multiagente lo dejaría para más cosas muchas más complejas y aparte como no es controlable yo no le escapo. Yo yo soy prefiero controlar
1:53:32todo. Por ejemplo, Opening Clow, no me nunca me gustó, siempre estuve en contra porque eh era algo invasivo en el sistema, en tu máquina, instalarlo y permitirle que puedan tener acceso a a un montón de cosas. Hace poquito hackearon, no sé si te enteraron, que hackearon un par de arnes y robaron AP Kiss, eh,
1:54:01entonces es complicado darle el acceso a tu máquina. Por eso decía instalar un ambiente controlado dentro de un docker, ahí sí puedes lo puedes usar, pero el multiagente que no sabes qué te va a construir, qué te va a hacer, te pasa a vos, Natalia, que el antig lo ten lo tené que controlar. No sé quién más había hecho una pregunta, había levantado la mano.
1:54:30Bueno, igual ahora, chicos, viene el examen, así que le pido por favor que se demuteen y participen y vamos a discutir bien, ¿les parece?
1:54:45Ahí. Bueno, vamos con la primera pregunta.
1:54:52¿Cuál de las siguientes opciones describe mejor el flujo de trabajo de la de la Igéntica?
1:54:58A ver, tenemos cuatro opciones. Opción A, un proceso en que una aplicación basada en un LM ejecuta varios pasos para completar una tarea como planificación, investigación, redacción y revisión.
1:55:15Un LM escribe contenido de principio a fin en un solo paso, sin revisión ni pasos adicionales.
1:55:22Un proceso automatizado que solo funciona para tareas simples y repetitivas que no requiere forma de decisiones.
1:55:41la opción a bueno, los acá dice los flujos de trabajo dividen tareas complejas en pasos más pequeños, ¿no? Y lo podemos ejecutar de forma interativa. Vamos a la segunda.
1:55:56La siguiente descripción presenta los cuatro pasos de un flujo de trabajo de IA agéntica que realiza un análisis de competencia para un lanzamiento de un nuevo producto. ¿Qué paso requeriría que el LM tuviera acceso a una herramienta para poder completarse?
1:56:14Opción A, investigación de mercado. El LM recopila información sobre competidores, su oferta de productos y la afirmación actual del mercado.
1:56:25La opción B, comparación de productos.
1:56:28El LM compara lo que ofrecen distintos competidores y cuánto cobran. Opción C.
1:56:35evaluación de la posición en el mercado.
1:56:37El LM organiza la investigación de fortaleza, debilidades, oportunidades y amenazas y la opción D, recomendaciones estratégicas.
1:56:47El LM sugiere cómo posicionar y lanzar el producto.
1:56:52A ver qué dice. Están todos la va muy bien. La Sí, perfecto.
1:56:59Porque esta es de que compara los necesita primero tener la información, ¿no?
1:57:07¿Por qué los flujos de trabajo agénticos pueden lograr un mejor rendimiento que los enfoques no agénticos en aplicación día?
1:57:16Los flujos de trabajo agéntico permiten la mejor la mejora alerativa mediante la reflexión y la revisión y a menudo generan ganancias mayores que la actualización a modelos nuevos.
1:57:30Los flujos de trabajo agéntico depende de la generación directa para producir resultados inmediatos sin ningún procesamiento adicional.
1:57:39Los flujos de trabajo argénticos mejoran el rendimiento utilizando solo los modelos más avanzados disponibles para cada tarea.
1:57:47O los flujos de trabajo génticos funcionan eliminando el paralelismo para asegurarse que las tareas se completen en orden secuencial y estricto.
1:57:57Es la opción A. Ahí está.
1:58:02Esto vimos el caso de que GPT 3.5 funcionaba mejor que el 4 cuando estaba en un flujo agéntico.
1:58:10Bien, que el cuatro solo.
1:58:15¿Cuál de la siguiente tarea no requeriría un flujo de trabajo de IA agéntica para implementarse de manera efectiva? Ingeniero procesar consultas de atención al cliente que requieren revisar inventar inventario múltiples categorías en producto verificada política de devoluciones. La opción B, analizar reporte de gastos para categorizar gastos, verificar recibos según la política de la empresa y marcar
1:58:42elementos para aprobación del agente.
1:58:45Escribir una descripción del producto para un nuevo smartphone basado en una lista de especificaciones técnicas. C es la C.
1:59:00¿Cuál de la siguientes condiciones hace que un flujo de trabajo de guía agéntica sea más difícil de implementar de manera confiable?
1:59:10La tarea sigue un proceso claro, paso a paso, que la empresa ya utiliza. El flujo de trabajo procesa entrada solo de texto como correos electrónicos y o documentos.
1:59:22Los pasos necesarios para completar la tarea no se conocen de antemano y deben planearse de manera dinámica. El flujo de trabajo incluye revisión humana antes de entregar los resultados finales.
1:59:35La C pueden ser. Yo creo que es la C, pero puede la D. Me está dando alguna duda.
1:59:40Espera. Eh, no, no es la es la C.
1:59:43Es la C. Sí, pero también pero la de y también cuando hay cosas que sean de de revisión humana también es muy difícil porque la empatía y ese tipo de cosas eh y que el humano esté disponible y que justamente ese día quiera laburar y no y en fin. Claro. Claro.
2:00:08Al comparerar una tarea compleja en pasos para un flujo de trabajo agéntico, ¿cuál es la pregunta clave que se debe hacer sobre cada paso individual? la pregunta si el paso se puede completar más rápido que lo que tardaría una persona, si el paso requiere el modelo día más avanzado disponible si el paso puede implementarse usando un LM o herramienta disponible como API y llamada de funciones o si el plan si si el paso
2:00:37produce una salida medible para su evaluación el D me parece a B. Sí, Dije yo.
2:00:52La C podría ser la C, me parece.
2:01:00Vos dijiste que cada paso era bueno evaluarlo, digamos. O sea, para para siempre bueno evaluarlo, pero sí, pero en algún momento llegamos a en algún momento dijiste que lo primero que voy a preguntarse es si la puede hacer esto, si si el modelo o el LM puede hacer esto.
2:01:23Para mí la sé, eh, para mí la sé tiene componentes, digamos, LLM, herramientas, SAPIS, llamadas.
2:01:30Claro, si le lo puede resolver o o hay alguna herramienta disponible para resolverlo. Por ejemplo, eh tengo que consultar los datos de de mi base de datos y lo puedo resolver. Sí, porque yo conozco mi base de datos, tengo acceso, tengo una app y puedo conectarme y lo puedo resolver por ahí, pero pero sí siempre uno se tiene que
2:01:58preguntar cada paso si hay si con un LM o con alguna herramienta, porque capaz que podemos ejecutar una herramienta ahí zafamos de que no va a estar de ahorrarnos tokens, ¿no? Eh, pregunta, Emiliano, pregunta.
2:02:19En este punto, si te llega a dar que no que no lo puede hacer. Vos lo que dijiste o me parece que lo que entendí, lo que me quedó de de la pasada de las presentaciones, si no lo puede hacer, hay que descomponerlo en pasos más pequeños. Es así, ¿no?
2:02:35Exactamente. Lo descomponés en pasos más pequeños.
2:02:39en pasos más pequeños y ves cada paso si te si el m lo puede resolver o tenés alguna herramienta para resolverlo.
2:02:48Entonces, así lo vas eh lo vas descomprimiendo. Entonces después eh lo podés resolver, va llegando de a poco va llegando de a poco a pasos que cada uno individualmente se pueden atacar por separado y que pueden obtenerse una salida y evaluarse y medirse y etcétera, ¿no?
2:03:06Claro. Exactamente. Es así el proceso de programación y el proceso de Gracias.
2:03:14No, nada. Gracias a vos. ¿Qué permite la modularidad en los flujos de trabajo agénticos a los desarrolladores?
2:03:23A, ejecutar varias pruebas con diferentes entradas para comprobar el rendimiento del flujo de trabajo.
2:03:28Reemplazar un sistema RCK por un por otro sistema de recuperación de documentos sin modificar otras partes del flujo de trabajo.
2:03:37Usar distintos LM para diferentes pasos del mismo flujo de trabajo o procesar varias páginas web simultáneamente en lugar de una vez.
2:03:47Sí, sí. No, es que estaban contestando el cuestionario.
2:03:49¿Saben lo que es? No, la podría ser la C.
2:03:55Ah, acá hay una acá está para que empieen el palito.
2:04:03Usar distintos LLM para diferentes pasos del mismo flujo de trabajo no es un eh cada paso vos un Llm, no no es una ventaja que una cosa que te permite no tendría sentido.
2:04:20Pero imagínese RAC. El RAC es un sistema, no sé si concieron hablar de RAC o Valin usó RAC alguna vez.
2:04:30No, no sé, pero sí, sí.
2:04:32Rag es es en el PR no darle el PR pelado al modelo, sino decir darle el contexto. Entonces, busca información que yo tengo guardada en una base de datos y me traigo y recuperoos.
2:04:50En este caso yo lo puedo reemplazar acá.
2:04:53Puedo reemplazar un RAC normal por un sistema de recuperación de documento de otra forma, ¿entendés? que porque capaz que pasa el rack se puso de moda y fue una una método cuando los modelos tenían una ventana de contexto más chica. Bien, me siguen hasta acá.
2:05:13Eh, cuando cuando el modelo tenía, por ejemplo, de entrada tenía 4,000 token que podía recibir de entrada, un modelo podía recibir 4000 token de entrada, no no tenía no le podías pasar un documento grande. Entonces, había que dividirlo, fragmentarlo y tenerlo. una. Entonces, vos buscabas dentro de ese documento los fragmentos más importantes, lo más relevantes, dependiendo de la pregunta
2:05:40del contexto y se lo segaba. Una vez que empezaron a aumentar eh la ventana de contexto, que ahora es una misiidad porque ahora hay ventana de contexto que son de 4 millones de tokens, ¿no?
2:05:55Depende depende del modelo. Entonces es una festialidad en la cantidad que uno le puede pasar. Entonces, yo le puedo pasar el PD, un PDF, dos, tres, cuatro juntos sin necesidad de estar fragmentándolo. ¿Se entiende?
2:06:12Obviamente que money, money, no porque está cada token te lo cobran.
2:06:19Bien, vamos con la otra. ¿Por qué es importante un proceso disciplinado de evaluación y análisis de errores al desarrollar flujo de trabajo agénticos?
2:06:35Opción A. permite a los desarrolladores identificar problemas específicos y realizar mejoras dirigidas mediante refinamiento iterativo.
2:06:44Proporciona registros completos que cumplen requisitos de cumplimiento normativo. genera informes de rendimiento que demuestran las capacidades del flujo de trabajo a los interesados o automatiza el proceso de depuración para que los flujos de trabajo puedan autocorregirse sin intervención humana.
2:07:11La opción A. ¿Es todos de acuerdo?
2:07:13Ah, sí, está bien, está bien, está bien. Yo había dicho de No, está bien.
2:07:18No, porque que la de autocorregirse sin intervención humana en los test, ¿no? Pues los test te van a dar el resultado. La evaluación sistemática ayuda a identificar dónde falla el flujo.
2:07:32Está bien. Y y cuando vos lo tenés bien descomprimido, así por tarea, es mucho más fácil porque vos sabés cuál es la que está fallando y cuál es la que tenés que modificar o cambiar.
2:07:46Cuando vos tenés un paso que es todo complejo y tenés un test que te evalúa todo, no sabes si hay alguna falla, en qué parte del flujo está pasando.
2:07:56¿Se entiende? Es una ventaja más de de comprimir las tareas para los colombianos. Se entiende la idea.
2:08:09Según el enfoque de descomposición de tareas, ¿qué debe hacer si un paso de tu flujo de trabajo planificado no puede implementarse ni con un LM ni con una herramienta disponible? Ya lo contestamos esto, ¿no?
2:08:23Omitir ese paso y continuar con los componentes restantes. Usar el m más potente disponible y esperar que puedan manejar el paso completo complejo.
2:08:34Dividir el paso en subtareas más pequeñas para que uno pueda mejor para uno pueda ser manejada por LM o por remita disponible o rediseñar todo el fjo.
2:08:48La s es la que la que hablamos recién, la que hablamos recién. Pues eso es bien.
2:08:56Bueno, acá dice, ¿cómo lo haría yo como mano? Y si es posible componerlo más o dividirlo en pasos aún más pequeños que luego sean adecuados para la implementación. Bien, y esta creo que es la última. Un flujo de trabajo agéntico para generación de código funciona de la siguiente manera.
2:09:18Primero, un LM escribe código en Python para una tarea determinada. Luego, el sistema ejecuta el código para comprobar errores. Si se encuentran errores, los mensajes de error se devuelven al LM con instrucciones para corregir los problemas. Conir los problemas. El LM luego genera una versión mejorada del código.
2:09:46Este proceso se repite hasta que el código se ejecuta correctamente. ¿Qué patrón de diseño agéntico se utiliza principalmente en este flujo de trabajo?
2:09:56A ver, me sale me sale reflexión, pero uso de herramientas planificación, reflexión o colaboración entre varios agentes. Acá me quedó feo el la reflexión es la que veníamos hablando. Esto es lo que hace la reflexión, lo que hace antigráite o única, que que le le que genera uno y lo va probando, lo vuelve y vuelve y tod.
2:10:25Bueno, ahí está bueno y creo con este terminamos, ¿a no? Bueno, estos son los próximos los próximos cuatro mes cuatro módulos. La reflexión yo ahora cuando cuando terminemos de grabar yo lo voy a subir a a la lista play a la playlist de en YouTube, ¿no?
2:10:46Pero la clase dos ya está grabada, así que ya la pueden ver inmediatamente cuando se terminan de acá. Está bueno.
2:10:54Después eso está el módulo dos. En el módulo tres vamos a ver cómo usar herramientas eh APIs y código y cómo vamos a integrar. Después en la cuatro vamos a ver toda la parte métricas y la evaluaciones, ¿no? Y después en el último vamos a hacer el multiagente avanzado que va a coordinar todos los agentes que se van se van a construir, ¿no?
2:11:22Bien. para hacer el la gente de coso.
2:11:25Bueno, chicos, ¿qué les pareció? Voy a para eh la clase grabada, vos la podés compartir o de dónde se ve la la segunda clase que vos decís.
2:11:38Fijen, busquen todos, bueno, yo le voy a pasar el link ahora después en el grupo en clase, pero entren al canal de YouTube del Centro de Graduados y ahí ya ahí ya están. Hay una playlist que esta está pública y yo tengo un playlist de de otras que dio Marcadas.
2:12:03Ah, entrá la si estás en un curso con Omar son claraciones privadas. Eh, dej perfecto.
2:12:14Y la la que vos mencionás que esta que vos decís, tenés el enlace, lo puedes compartir o mucho problema. Está en el canal de YouTube. El canal de YouTube público. Ahí está. Fíjate que no sé cuál es el canal de YouTube público, pero lo busco. Ahí está.
2:12:29E estoy compartiendo la pantalla o no. O para compartir compartir.
2:12:40Así ya queda la gente de YouTube. Ya lo va a buscar en YouTube.
2:12:48Centro de graduado de ingeniería. Esta es la clase dos, ¿ven? Patrones de reflexión. Está acá es el primer video que Bueno, a mí me parece a mí me parece acá. Si no, van acá a a playlist y acá le aparece a gente que va ahí. Yo le voy a subir acá.
2:13:09Bueno, gente, voy a parar la grabación.
