miércoles, 22 de enero de 2025

Mi experiencia en el reto "Gana tu Mañana 2025" de Oso Trava

Este inicio de año tuve la oportunidad de participar en el reto Gana tu Mañana 2025, organizado por Oso Trava, conocido por su podcast Cracks Podcast (YouTube

y su libro Haz lo que Importa (hazloqueimporta.com)

Debo decir que me encantó la experiencia. Durante 10 días, trabajamos en desarrollar 10 hábitos clave para el crecimiento personal y profesional. Estos fueron:
  1. Respiración y hormesis
  2. Gratitud y metas
  3. Sueño
  4. Enfoque
  5. Hidratación
  6. Movimiento
  7. Motivación
  8. Visualización
  9. Trascendencia
  10. Intención
Estos hábitos, en mi opinión, son esenciales para transformar nuestra vida de manera integral.

Sin embargo, lo que realmente me sorprendió fue la comunidad que descubrí en el reto. Conocer y convivir con personas que comparten un interés genuino en crecer tanto personal como profesionalmente, a su manera y en sus propios términos, fue una experiencia profundamente enriquecedora. Las afinidades y las diferencias entre los participantes aportaron una riqueza única a cada interacción. Incluso, creo que inicié amistades valiosas que, con el tiempo, podrían convertirse en algo mucho más duradero.

El programa "Achievers"

Al finalizar el reto, me enteré de la continuación de esta experiencia: el programa Achievers (más información aquí). 

Se trata de un programa intensivo de 8 semanas diseñado para maximizar el potencial, superar barreras y alcanzar metas que antes parecían inalcanzables.

Después de estos 10 días de transformación, no tengo dudas de que este programa puede marcar una gran diferencia. Sin embargo, este año he decidido tomarme el tiempo para trabajar en algunas áreas sensibles que surgieron durante el reto. Espero poder inscribirme el próximo año con más claridad y propósito.

Si estás leyendo estas líneas y tienes la oportunidad de participar en Achievers, ¡no lo dudes! Es una inversión en ti mismo que realmente vale la pena.

Un reto que inspira acción

El impacto del reto fue tan grande que incluso me inspiró a componer una canción: D.M.S. (Do Meaningful Shit). Es un recordatorio para mí y para todos de enfocarnos en lo que realmente importa.

Si buscas un cambio positivo en tu vida, Gana tu Mañana 2025 es un excelente punto de partida.
-
Podrias ayudarme suscribiéndote a mi canal de youtube, seguramente habrá algo que te interese.

D.M.S. (Do Meaningful Shit)


Letra:
¡Hey! ¡Ho! ¡Sube el volumen ya!
Día 1, ¡vamos ya! (Hey!)
Rompe límites, sin parar (¡Wuh!).
Acción, motor, ¡no hay que esperar!
¡Boom! La meta va a explotar.

Día 2, agua fría (¡Brr!),
El miedo se derrumba (¡Uh!).
Gratitud en las venas (¡Yeah!),
La escasez se despeña.

¡Salta! ¡Grita! ¡Es tu hora!
El tiempo es de oro, no hay zona de comfort.
¡D.M.S.! ¡D.M.S! (¡Do it!)

Sube, sube, sube (¡Fire!),
Cada día es una herida que cura el sudor.
Gana, gana, gana (¡Higher!),
10 días, 10 pasos... ¡Hoy nace el campeón!

Día 4, ¡honor! (Respect),
Energía sin retro (¡Flex!).
Día 5, gripe ¡No! (Nah!),
Suero y fe, ¡pa’l top! (¡Skat!).

Sábado sin pausa (¡Go!),
Domingo, ¡tribu power! (¡Oh!).
Siete días, ¡transformación! (¡Wow!),
El miedo es ilusión.

¡Salta! ¡Grita! ¡Es tu hora!
El tiempo es de oro, no hay zona de comfort.
¡D.M.S.! ¡D.M.S! (¡Do it!)


¡Salta! ¡Grita! ¡Es tu hora!
El tiempo es de oro, no hay zona de comfort.
¡D.M.S.! ¡D.M.S! (¡Do it!)

Sube, sube, sube (¡Fire!),
Cada día es una herida que cura el sudor.
Gana, gana, gana (¡Higher!),
10 días, 10 pasos... ¡Hoy nace el campeón!

Sube, sube, sube (¡Fire!),
Cada día es una herida que cura el sudor.
Gana, gana, gana (¡Higher!),
10 días, 10 pasos... ¡Hoy nace el campeón!


¡Dale! ¡Dale! ¡Dale! (¡Go! Go! Go!),
El maná del esfuerzo ya late en mi voz.
Día 10, ¡triunfo total! (¡Yeah!),
Brilla, brilla, brilla... ¡Logrado está!

¡Sube, sube, sube! ¡Gana, gana, gana!
¡Esta es la vibra, la tribu se hermana!
#GanaTuMañana2025 (¡Uh-uh!).

jueves, 4 de julio de 2024

DSPy: Framework para optimizar algorítmicamente los prompts



Estoy trabajando con DSPy y puedo afirmar que es una maravilla.

Este framework ha mejorado significativamente la calidad de las aplicaciones de LLMs, facilitando la creación de cadenas de prompts de alta calidad de manera automática vía programación.

DSPy es un framework para optimizar algorítmicamente los prompts y los pesos de modelos de lenguaje (LM), especialmente cuando los LM se utilizan una o más veces dentro de un pipeline.

El artículo que les presento es "A Guide to Large Language Model Abstractions", escrita por expertos de Carnegie Mellon, Stanford, y Berkeley. El artículo presenta el Language Model System Interface Model (LMSI), una nueva abstracción de siete capas inspirada en el modelo OSI.

Este modelo organiza y estratifica los frameworks orientados en trabajar con los modelos de lenguaje (como LangChain, LlamaIndex, etc) en capas. Las capas se ordenan desde la más alta hasta la más baja en términos de nivel de abstracción:
7. Capa de Red Neuronal: Acceso directo a la arquitectura y pesos del LM.
6. Capa de Prompting: Entrada de texto a través de API u otras interfaces.
5. Capa de Restricción de Prompting: Imposición de reglas o estructuras en los prompts.
4. Capa de Control: Soporte de flujo de control como condicionales y bucles.
3. Capa de Optimización: Optimización de algún aspecto del LM o del sistema de LMs basado en una métrica.
2. Capa de Aplicación: Bibliotecas y código de aplicación que proporcionan soluciones configurables.
1. Capa de Usuario: Interacción directa con el usuario para realizar tareas impulsadas por LM.

Por ejemplo, al observar la imagen, LangChain incide en las capas: Capa de Prompting, Capa de Restricción de Prompting, Capa de Control y Capa de Aplicación.

El framework DSPY destaca especialmente en la capa de optimización, siendo el único mencionado que optimiza automáticamente las cadenas de prompts, mejorando significativamente la calidad de las aplicaciones de LLMs. Esto es algo realmente impresionante, optimiza el promting.

Para aquellos interesados en el futuro de la programación y el procesamiento de lenguaje natural, esta guía proporciona una estructura clara y comprensible para el desarrollo y la optimización de frameworks de LMs.

miércoles, 22 de mayo de 2024

Crea tu propio asistente educativa con IA: Optimizando LLMs para tareas específicas, LLM Chains & Chain-of-Thought Prompting (parte 3)




En nuestro viaje por desbloquear todo el potencial de los Grandes Modelos de Lenguaje (LLMs), hemos llegado a un punto emocionante: el Prompt Engineering avanzado. En esta entrega, exploraremos dos técnicas poderosas que nos permitirán optimizar los LLMs para tareas específicas y obtener resultados sorprendentes.

La primera técnica que abordaremos son las "Cadenas de LLMs" (LLM Chains). Esta estrategia consiste en descomponer problemas complejos en una serie de tareas más pequeñas y especializadas, cada una manejada por un LLM específico. Al encadenar estas "Cadenas" de forma inteligente, podemos aprovechar al máximo las capacidades de los LLMs y obtener soluciones más precisas y eficientes.

Durante el video, les mostraré cómo construir estas "Cadenas" utilizando la herramienta Flowise. Verán cómo configurar un LLM (en este caso, LLaMa 3) y un prompt template para crear la primera "Cadena" encargada de clasificar las entradas de texto en categorías predefinidas. Luego, encadenaremos esta salida con otra "Cadena" que procesará y formateará la respuesta en un formato estructurado, como JSON.

Pero no nos detendremos ahí. La segunda técnica que exploraremos es el "Chain-of-Thought Prompting", una estrategia revolucionaria que guía a los LLMs a través de un razonamiento paso a paso. Al incorporar esta técnica en nuestros prompts, los LLMs serán capaces de desglosar su proceso de pensamiento, mejorando significativamente la coherencia y estructura de las salidas.

Verán cómo modificar nuestros prompts para incluir instrucciones que fomenten este razonamiento paso a paso, y observarán los impresionantes resultados en tiempo real. Los LLMs ya no solo darán respuestas, sino que también compartirán su lógica interna, lo que nos permitirá comprender mejor sus capacidades y limitaciones.

A lo largo de este emocionante viaje, también exploraremos el fascinante mundo del Prompt Engineering, descifrando los secretos para obtener el máximo rendimiento de nuestros LLMs. Aprenderemos técnicas avanzadas de ingeniería de prompts, lo que nos permitirá ajustar y optimizar los LLMs para tareas específicas con mayor precisión.


Contenido del video:

  1. Introducción a la creación de una asistente educativa con cadenas de pensamiento y modelos de lenguaje.
  2. Creación de un chatbot utilizando el modelo de lenguaje Ollama y la herramienta Flowise.
  3. Uso de cadenas de pensamiento para analizar y responder a preguntas.
  4. Creación de un encadenamiento de modelos de lenguaje para realizar tareas específicas.
  5. Utilización de un parcer de salida para obtener una respuesta estructurada JSON
  6. Ejemplos de uso de la asistente educativa para responder a preguntas y realizar tareas.
  7. Conclusión y próxima entrega.

Recursos:


Les comparto el video: