Ruta de aprendizaje: Desarrollo de aplicaciones de IA generativas en Azure.
La (IA) se está volviendo más accesible a través de plataformas de desarrollo completas, como Azure AI Foundry. Obtenga información sobre cómo crear aplicaciones de IA Generativas que usan modelos de lenguaje para chatear con los usuarios.
Módulo 1: Planeamiento y preparación para desarrollar soluciones de inteligencia artificial en Azure.
Azure ofrece varios servicios que permiten a los desarrolladores crear soluciones basadas en inteligencia artificial increíbles. La planeación y preparación adecuadas implica identificar los servicios que usará y crear un entorno de trabajo óptimo para el equipo de desarrollo.
• ¿Qué es la inteligencia artificial?
• Servicios de Azure AI.
• Azure AI Foundry.
• Herramientas y SDK de desarrollo.
• Inteligencia artificial responsable.
• Ejercicio: Preparación para un proyecto de desarrollo de IA.
Módulo 2: Elección e implementación de modelos desde el catálogo de modelos en el portal de Azure AI Foundry.
Elija los distintos modelos de lenguaje que están disponibles del catálogo de modelos de Azure AI Foundry. Comprenda cómo seleccionar, implementar, probar y mejorar el rendimiento del modelo.
• Exploración de los modelos de lenguaje en el catálogo de Azure.
• Implementación de un modelo en un punto de conexión.
• Mejora del rendimiento de un modelo de lenguaje.
• Ejercicio: Exploración, implementación y chat con modelos de lenguaje.
Módulo 3: Desarrollo de una aplicación de IA con el SDK de Azure AI Foundry.
Use el SDK de Azure AI Foundry para desarrollar aplicaciones de inteligencia artificial con proyectos de Azure AI Foundry.
• ¿Qué es el SDK de Azure AI Foundry?
• Trabajar con conexiones de proyecto.
• Creación de un cliente de chat.
• Ejercicio: Creación de una aplicación de chat de IA generativa.
Módulo 4: Introducción al flujo de avisos para desarrollar aplicaciones de modelos lingüísticos en Azure AI Foundry.
Obtén información sobre cómo usar el flujo de avisos para desarrollar aplicaciones que aprovechen los modelos lingüísticos de Azure AI Foundry.
• Descripción del ciclo de vida de desarrollo de una aplicación de modelo de lenguaje grande (LLM).
• Comprender los componentes principales y exploración de los tipos de flujo.
• Exploración de conexiones y runtime.
• Exploración de variantes y opciones de supervisión.
• Ejercicio: Introducción al flujo de avisos.
Módulo 5: Desarrollo de una solución basada en RAG con sus propios datos mediante Azure AI Foundry.
La generación aumentada de recuperación (RAG) es un patrón común que se usa en las soluciones de IA generativas para fundamentar las indicaciones con los datos. Azure AI Foundry proporciona compatibilidad para agregar datos, crear índices e integrarlos con modelos de IA generativos para ayudarle a crear soluciones basadas en RAG.
• Comprender cómo fundamentar tu modelo de lenguaje.
• Hacer que los datos se puedan encontrar.
• Creación de una aplicación cliente basada en RAG.
• Implementar RAG en un flujo de aviso.
• Ejercicio: Creación de una aplicación de IA generativa que use sus propios datos.
Módulo 6: Ajuste de un modelo de lenguaje con Azure AI Foundry.
Entrene un modelo de lenguaje base en una tarea de finalización de chat. El catálogo de modelos de Azure AI Foundry ofrece muchos modelos de código abierto que se pueden ajustar para sus necesidades de comportamiento de modelo específicas.
• Comprender cuándo optimizar un modelo de lenguaje.
• Preparación de los datos para optimizar un modelo de finalización de chat.
• Exploración de modelos de lenguaje de optimización de Inteligencia artificial de Azure Studio.
• Ejercicio: Ajuste de un modelo base.
Módulo 7: Implementación de una solución de inteligencia artificial generativa responsable en Azure AI Foundry.
La inteligencia artificial generativa permite soluciones creativas increíbles, pero de debe implementarse de manera responsable para minimizar el riesgo de generar contenido perjudicial.
• Planeamiento de una solución de IA generativa responsable.
• Mapear los posibles perjuicios.
• Medición de posibles daños.
• Mitigar posibles daños.
• Administración de una solución de IA generativa responsable.
• Ejercicio: Aplicación de filtros de contenido para evitar la salida de contenido perjudicial.
Módulo 8: Evaluación del rendimiento de la inteligencia artificial generativa en el portal de Azure AI Foundry.
La evaluación de copilots es esencial para asegurarse de que las aplicaciones de inteligencia artificial generativa satisfacen las necesidades del usuario, proporcionan respuestas precisas y mejoran continuamente con el tiempo. Descubra cómo evaluar y optimizar el rendimiento de las aplicaciones de inteligencia artificial generativa mediante las herramientas y características disponibles en Azure AI Studio.
• Evaluación del rendimiento del modelo.
• Evaluar manualmente el rendimiento de un modelo.
• Evaluaciones automatizadas.
• Ejercicio: Evaluación del rendimiento del modelo de IA generativo.
Ruta de aprendizaje: Desarrollo de agentes de IA en Azure.
La Inteligencia Artificial Generativa se está volviendo más funcional y accesible, y los agentes de IA son un componente clave de esta evolución. Esta ruta de aprendizaje le ayudará a comprender los agentes de IA, incluyendo cuándo usarlos y cómo construirlos, utilizando Azure AI Foundry Agent Service y Semantic Kernel Agent Framework. Al final de este camino de aprendizaje, tendrá las habilidades necesarias para desarrollar agentes de IA en Azure.
Módulo 9: Introducción al desarrollo de agentes de IA en Azure.
Los agentes de inteligencia artificial representan la próxima generación de aplicaciones inteligentes. Obtenga información sobre cómo se pueden desarrollar y usar en Microsoft Azure.
• ¿Qué son los agentes de inteligencia artificial?
• Opciones para el desarrollo del agente.
• Servicio del agente de Azure AI Foundry.
• Ejercicio: Exploración del desarrollo del agente de IA.
Módulo 10: Desarrollo de un agente de IA con azure AI Foundry Agent Service.
Este módulo proporciona a los ingenieros las aptitudes para empezar a crear agentes con el servicio de agente de Azure AI Foundry.
• ¿Qué es un agente de IA?
• Cómo utilizar el servicio de agente de Azure AI Foundry.
• Desarrollo de agentes con el servicio de agentes de Azure AI Foundry.
• Ejercicio: Creación de un agente de IA.
Módulo 11: Integración de herramientas personalizadas en el agente.
Las herramientas integradas son útiles, pero es posible que no satisfagan todas sus necesidades. En este módulo, aprenderá a ampliar las funcionalidades del agente mediante la integración de herramientas personalizadas para que el agente la use.
• ¿Por qué usar herramientas personalizadas?
• Opciones para implementar herramientas personalizadas.
• Integración de herramientas personalizadas.
• Ejercicio: Compilación de un agente con herramientas personalizadas.
Módulo 12: Desarrollo de un agente de IA con kernel semántico.
Este módulo proporciona a los ingenieros las aptitudes para empezar a crear agentes del servicio del agente de Azure AI Foundry con kernel semántico.
• Descripción de los agentes de inteligencia artificial de kernel semántico.
• Creación de un agente de Azure AI con kernel semántico.
• Incorporación de complementos al agente de Azure AI.
• Ejercicio: Desarrollo de un agente de Azure AI con el SDK de kernel semántico.
Módulo 13: Orquestación de una solución multiagente mediante kernel semántico.
Aprenda a usar el SDK de kernel semántico para desarrollar sus propios agentes de inteligencia artificial que pueden colaborar para una solución multiagente.
• Descripción del marco del agente de kernel semántico.
• Creación de un chat de grupo de agentes.
• Diseñar una estrategia de selección de agente.
• Definición de una estrategia de terminación de chat.
• Ejercicio: Desarrollo de una solución multiagente.
Módulo 14: Desarrollo de una solución multiagente con azure AI Foundry Agent Service.
Desglosar tareas complejas con colaboración inteligente. Aprenda a diseñar soluciones multiagente mediante agentes conectados.
• Comprender los agentes conectados.
• Diseño de una solución multiagente con agentes conectados.
• Ejercicio: Desarrollo de una aplicación multiagente con Azure AI Foundry.
Módulo 15: Integración de herramientas de MCP con azure AI Agents.
Habilite el acceso dinámico a las herramientas para los agentes de Azure AI. Obtenga información sobre cómo conectar herramientas hospedadas por MCP e integrarlas sin problemas en flujos de trabajo de agente.
• Comprender el descubrimiento de herramientas de MCP.
• Integración de herramientas de agente mediante un servidor MCP y un cliente.
• Ejercicio: Conexión de herramientas de MCP a agentes de Azure AI.
Ruta de aprendizaje: Desarrollo de soluciones de lenguaje natural en Azure.
Las soluciones de lenguaje natural usan modelos de lenguaje para interpretar el significado semántico del lenguaje escrito o hablado, y en algunos casos responden en función de ese significado. Puede usar el servicio language para crear modelos de lenguaje para las aplicaciones y explorar Azure AI Foundry para usar modelos generativos para voz.
Módulo 16: Análisis de texto con Lenguaje de Azure AI.
El servicio de Lenguaje de Azure AI le permite crear aplicaciones y servicios inteligentes que extraen información semántica del texto.
• Aprovisionamiento de un recurso de lenguaje de Azure AI.
• Detectar idioma.
• Extracción de frases clave.
• Análisis de opiniones.
• Extraer entidades.
• Extraer entidades vinculadas.
• Ejercicio: Análisis de texto.
Módulo 17: Crear soluciones de respuesta a preguntas con Lenguaje de Azure AI.
La capacidad de respuesta a preguntas del servicio Azure AI Language facilita la creación de aplicaciones en las que los usuarios formulan preguntas utilizando lenguaje natural y reciben respuestas adecuadas.
• Entender la respuesta a preguntas.
• Comparación de respuestas a preguntas con Azure AI Language Understanding.
• Creación de una base de conocimientos.
• Implementación de una conversación multiturno.
• Prueba y publicación de una base de conocimiento.
• Uso de una base de conocimiento.
• Mejora del rendimiento de la respuesta a preguntas.
• Ejercicio: Creación de una solución de respuesta a preguntas.
Módulo 18: Creación de un modelo de reconocimiento del lenguaje conversacional.
El servicio de reconocimiento del lenguaje conversacional (CLU) de Azure AI le permite entrenar un modelo que las aplicaciones pueden usar para extraer el significado del lenguaje natural.
• Descripción de las funcionalidades precompiladas del servicio de lenguaje de Azure AI.
• Descripción de los recursos para crear un modelo de reconocimiento de lenguaje conversacional.
• Definir intenciones, expresiones y entidades.
• Uso de patrones para diferenciar expresiones similares.
• Uso de componentes de entidad pregeneradas.
• Entrenamiento, prueba, publicación y revisión de un modelo de language understanding conversacional.
• Ejercicio: Creación de un modelo de comprensión del lenguaje conversacional de los servicios de Azure AI.
Módulo 19: Creación de un proyecto de clasificación de texto personalizado.
El servicio de Lenguaje de Azure AI permite procesar el lenguaje natural para utilizarlo en su propia aplicación. Obtenga información sobre cómo crear un proyecto de clasificación de texto personalizado.
• Descripción de tipos de proyectos de clasificación.
• Descripción de cómo crear proyectos de clasificación de texto.
• Ejercicio: Clasificación de texto.
Módulo 20: Reconocimiento de entidades con nombre personalizado.
Creación de una solución personalizada de reconocimiento de entidades para extraer entidades de documentos no estructurados.
• Descripción del reconocimiento de entidades con nombre personalizado.
• Etiquetado de los datos.
• Entrenamiento y evaluación del modelo.
• Ejercicio: Extracción de entidades personalizadas.
Módulo 21: Traducción de texto con el servicio Traductor de Azure AI.
El servicio Translator permite crear aplicaciones y servicios inteligentes que pueden traducir texto entre idiomas.
• Aprovisionamiento de un recurso de Azure AI Translator.
• Descripción de la detección, traducción y transliteración de idioma.
• Especificar opciones de traducción.
• Definición de traducciones personalizadas.
• Ejercicio: Traducción de texto con el servicio Azure AI Translator.
Módulo 22: Creación de aplicaciones habilitadas para voz con Servicios de Azure AI.
El servicio de Voz de Azure AI permite compilar aplicaciones habilitadas para voz. Este módulo se centra en el uso de las API Speech-to-Text y Text-to-Speech, que le permiten crear aplicaciones con capacidad de reconocimiento de voz y síntesis de voz.
• Aprovisionamiento de un recurso de Azure para la voz.
• Uso de la API de conversión de voz en texto de Azure AI.
• Uso de la API Text-to-Speech.
• Configuración del formato de audio y las voces.
• Uso de Lenguaje de marcado de síntesis de voz.
• Ejercicio: Creación de una aplicación habilitada para voz.
Módulo 23: Traducción de voz con el servicio de voz de Azure AI.
La traducción de voz se basa en el reconocimiento de voz al reconocer y transcribir la entrada hablada en un idioma especificado y devolver traducciones de la transcripción en uno o varios idiomas.
• Aprovisionamiento de un recurso de Azure para la traducción de voz.
• Traducción de voz a texto.
• Síntesis de traducciones.
• Ejercicio: Traducción de voz.
Módulo 24: Desarrollo de una aplicación de IA generativa habilitada para audio.
Una voz lleva significado más allá de las palabras y los modelos de IA generativas habilitadas para audio pueden interpretar la entrada hablada para comprender el tono, la intención y el lenguaje. Aprenda a crear aplicaciones de chat habilitadas para audio que escuchen y respondan al audio.
• Implementación de un modelo multimodal.
• Desarrollo de una aplicación de chat basada en audio.
• Ejercicio: Desarrollo de una aplicación de chat habilitada para audio.
Ruta de aprendizaje: Desarrollo de soluciones de Computer Vision en Azure.
La visión informática es un área de la inteligencia artificial que se ocupa de la percepción visual. Azure AI incluye varios servicios que admiten escenarios comunes de Computer Vision.
Módulo 25: Análisis de imágenes.
Con el servicio Visión de Azure AI, puede usar modelos entrenados previamente para analizar imágenes y extraer información de ellas.
• Aprovisionamiento de un recurso de Azure AI Vision.
• Análisis de una imagen.
• Ejercicio: Análisis de imágenes.
Módulo 26: Leer texto en imágenes.
Azure AI Vision Image Analysis service usa algoritmos para procesar imágenes y devolver información. En este módulo se explica cómo usar la API de análisis de imágenes para el reconocimiento óptico de caracteres (OCR).
• Exploración de las opciones de Azure AI para leer texto.
• Lectura de texto con Análisis de imágenes de Azure AI Vision.
• Ejercicio: Lectura de texto en imágenes.
Módulo 27: Detección, análisis y reconocimiento de caras.
La capacidad de las aplicaciones para detectar caras humanas, analizar rasgos faciales y emociones e identificar individuos es una funcionalidad clave de la inteligencia artificial.
• Planear una solución de detección, análisis o reconocimiento de caras.
• Detección y análisis de caras.
• Comprobación e identificación de caras.
• Consideraciones de inteligencia artificial responsable para soluciones basadas en caras.
• Ejercicio: Detección y análisis de caras.
Módulo 28: Clasificación de imágenes.
La clasificación de imágenes se usa para determinar el asunto principal de una imagen. Puede usar los servicios de Custom Vision de Azure AI para entrenar un modelo que clasifica las imágenes en función de sus propias categorizaciones.
• Azure Inteligencia Artificial Visión Personalizada.
• Entrenamiento de un modelo de clasificación de imágenes.
• Creación de una aplicación cliente de clasificación de imágenes.
• Ejercicio: Clasificación de imágenes.
Módulo 29: Detección de objetos en imágenes.
La detección de objetos se usa para ubicar e identificar objetos en las imágenes. Puede utilizar Custom Vision de Azure AI para entrenar un modelo a fin de que detecte clases de objeto específicas en las imágenes.
• Uso de Custom Vision de Azure AI para la detección de objetos.
• Entrenamiento de un detector de objetos.
• Desarrollo de una aplicación cliente de detección de objetos.
• Ejercicio: Detección de objetos en imágenes.
Módulo 30: Analizar vídeos.
Azure Video Indexer es un servicio para extraer información de vídeos, incluida la identificación de caras, el reconocimiento de texto, las etiquetas de objetos, las segmentaciones de escenas, etc.
• Descripción de las funcionalidades de Azure Video Indexer.
• Extracción de conclusiones personalizadas.
• Uso de widgets y API de Video Analyzer.
• Ejercicio: Análisis de vídeo.
Módulo 31: Desarrollo de una aplicación de IA generativa habilitada para la visión.
Una imagen dice miles de palabras y los modelos de IA generativos multigenerativos pueden interpretar las imágenes para responder a las indicaciones visuales. Obtenga información sobre cómo crear aplicaciones de chat habilitadas para visión.
• Implementación de un modelo multimodal.
• Desarrollo de una aplicación de chat basada en la visión.
• Ejercicio: Desarrollar una aplicación de chat con capacidades visuales.
Módulo 32: Generación de imágenes con IA.
En Azure AI Foundry, puede usar modelos de generación de imágenes para crear imágenes originales basadas en avisos de lenguaje natural.
• ¿Qué son los modelos de generación de imágenes?
• Exploración de modelos de generación de imágenes en el portal de Azure AI Foundry.
• Creación de una aplicación cliente que usa un modelo de generación de imágenes.
• Ejercicio: Generación de imágenes con IA.
Ruta de aprendizaje: Desarrollo de soluciones de extracción de información de IA en Azure.
Usa Azure AI para extraer información del contenido para dar soporte a escenarios como: Captura de datos, Automatización de procesos empresariales, Resumen y análisis de reuniones, Administración de activos digitales (DAM), Minería de conocimientos.
Módulo 33: Creación de una solución de análisis multimodal con Azure AI Content Understanding.
Use el Servicio de comprensión de contenido de IA de Azure para el análisis de contenido multimodal y la extracción de información.
• ¿Qué es la Comprensión del contenidos de Azure AI?
• Creación de un analizador de comprensión de contenidos.
• Uso de la API de REST de comprensión de contenidos.
• Ejercicio: Extracción de información del contenido multiplataforma.
Módulo 34: Creación de una aplicación cliente de Azure AI Content Understanding.
Utilice la API REST de Comprensión del contenido de Azure AI para el análisis multimodal de contenido y la extracción de información.
• Preparese para usar la REST API de AI Content Understanding.
• Creación de un analizador de comprensión de contenidos.
• Análisis de contenido.
• Ejercicio: Desarrollo de una aplicación cliente de Content Understanding.
Módulo 35: Uso de modelos de inteligencia de documentos creados previamente.
Obtenga información sobre los datos que puede analizar eligiendo modelos precompilados del Analizador de formularios y cómo implementar estos modelos en una solución de inteligencia de documentos.
• Información sobre los modelos precompilados.
• Uso de los modelos Documento general, Lectura y Diseño.
• Uso de modelos financieros, identificadores y fiscales.
• Ejercicio: Análisis de un documento mediante Azure AI Document Intelligence.
Módulo 36: Extracción de datos de formularios con la inteligencia de documentos de Azure.
La inteligencia de documentos usa la tecnología de aprendizaje automático para identificar y extraer pares clave-valor y datos de tabla de documentos de formulario con precisión, a escala. En este módulo se explica cómo usar la inteligencia de documentos de Azure cognitive service.
• ¿Qué es Azure Document Intelligence?
• Introducción a Azure Document Intelligence.
• Entrenamiento de modelos personalizados.
• Uso de modelos de Azure Document Intelligence.
• Uso de Azure Document Intelligence Studio.
• Ejercicio: Extracción de datos de formularios personalizados.
Módulo 37: Creación de una solución de minería de conocimiento con Azure AI Search.
Descubra las conclusiones ocultas en los datos con Búsqueda de Azure AI. En este módulo, aprenderá a implementar una solución de minería de conocimiento que extrae y enriquece los datos, lo que permite realizar búsquedas y estar listos para un análisis más profundo.
• ¿Qué es Azure AI Search?
• Extracción de datos con un indexador.
• Enriquecimiento de datos extraídos con aptitudes de inteligencia artificial.
• Búsqueda de un índice.
• Conservar información extraída en un almacén de conocimiento.
• Ejercicio: Creación de una solución de minería de conocimiento.
|
