Una revisión honesta de los cursos de introducción a la IA generativa de Google

Entonces, Google acaba de publicar recientemente una lista de cursos gratuitos de Introducción a la IA generativa y la pregunta más importante es: ¿valen la pena?

Supongo que para eso estoy aquí. Después de completar la ruta de aprendizaje de Introducción a la IA generativa de Google ( consulte aquí ), aquí están mis dos centavos.

Tabla de contenido

• Desglose del curso
  • Público objetivo
  • Metas de aprendizaje
  • Análisis de contenido
  • Resumen/Hojas de trucos
• Veredicto final (¿Vale la pena?)
• Recursos adicionales

Desglose del curso de la ruta de aprendizaje de IA generativa de Google

Público objetivo

Los cursos de Google están dirigidos a estudiantes sin conocimientos técnicos previos del tema o, como se explica en su blog , el camino está diseñado para una audiencia no técnica y adyacente a la tecnología con roles como ventas, recursos humanos, marketing y operaciones. En ese sentido, esto significa que el curso no proporciona instrucciones detalladas , pero sí ofrece una excelente introducción a los conceptos fundamentales de la IA generativa.

Metas de aprendizaje

La idea es responder adecuadamente a la pregunta “¿Pero qué es realmente la IA generativa?”.

El énfasis del curso está en la IA generativa, los grandes modelos de lenguaje y la ética en la IA. A través del curso, también podrá aprender sobre losservicios de inteligencia artificial proporcionados por Google y el papel de Google en la incorporación de prácticas responsables de inteligencia artificial, que incluye una combinación de estudios de casos, videos tipo conferencia y cuestionarios.

Análisis de contenido

Entonces, descifremos el material en la ruta de aprendizaje:

• Introducción a la IA generativa - curso
• Introducción a los modelos de lenguaje grandes - curso
• Introducción a la IA responsable - curso
• Fundamentos de IA generativa: curso con insignia de habilidad
• IA responsable: aplicación de los principios de la IA con Google Cloud - curso

Comprenda esto, el curso Fundamentos de IA generativa es básicamente una recopilación de los primeros tres cursos (Introducción a Gen AI, Introducción a LLM e Introducción a Responsible AI), pero con la adición de un cuestionario. Y aquí está el trato: si completara los cursos antes del curso de insignia de habilidad, no necesitaría rehacerlos. Supongo que por qué la ruta de aprendizaje tiene el formato de esa manera es para garantizar que realmente revise los materiales del curso en lugar de simplemente hacer clic en "siguiente" cuando intente obtener la insignia de habilidad Fundamentos de IA generativa.

Seleccionando el contenido de los cursos, aquí hay algunas hojas de trucos que desarrollé:

Resumen + Hojas de trucos

IA generativa

Comenzando con “¿Qué es la Inteligencia Artificial?”, es un campo de la Informática que imita la cognición humana para realizar tareas complejas y aprender de ellas. Dentro de la IA, existe el subcampo de aprendizaje automático, que utiliza algoritmos entrenados con datos para producir modelos adaptables que pueden realizar diversas tareas complejas.

Dentro del ML, existen diferentes tipos, incluido el aprendizaje supervisado, el aprendizaje no supervisado, el aprendizaje por refuerzo y el aprendizaje profundo. El aprendizaje profundo utiliza redes neuronales artificiales, lo que les permite crear patrones más complejos mediante los cuales sus redes neuronales utilizan aprendizaje supervisado, aprendizaje no supervisado y aprendizaje semisupervisado para lograr su objetivo. Hay dos tipos de modelos de aprendizaje profundo, a saber, discriminativos y generativos.

La IA generativa es un tipo de tecnología de inteligencia artificial que puede producir varios tipos de contenido, incluidos texto, imágenes, audio y datos sintéticos. En resumen, GenAI es un tipo de IA que crea contenido nuevo basándose en lo que ha aprendido del contenido existente. Utiliza un proceso de aprendizaje llamado entrenamiento que da como resultado la creación de un modelo estadístico que, a su vez, se utiliza para predecir cuál puede ser la respuesta esperada cuando se le da una indicación.

Modelos de lenguaje grandes

Los modelos de lenguaje grandes se consideran grandes debido a dos factores: estar entrenados en un gran conjunto de datos de entrenamiento con una gran cantidad de parámetros. A menudo llamados hiperparámetros, los parámetros son esencialmente la memoria y el conocimiento que la máquina aprendió y se utilizan para definir la habilidad del modelo para resolver problemas. Los LLM también tienen un propósito general, ya que se esfuerzan por resolver problemas comunes utilizando lenguajes humanos.

Hay dos tipos de LLM, a saber, los precapacitados y los ajustados, en los que los modelos previamente entrenados pueden hacer "todo", pero tienen sus limitaciones prácticas, mientras que los modelos ajustados se ajustan a un nicho específico o apuntan a resolver un problema específico. Es importante tener en cuenta que el ajuste fino tiende a ser costoso, por lo que existen métodos más eficientes, como los métodos de ajuste eficientes en parámetros (PETM), como el ajuste rápido.

Para comprender las indicaciones, son esencialmente entradas que se le dan a un LLM para provocar una respuesta específica. El concepto erróneo habitual es entre diseño rápido e ingeniería rápida. Para desglosarlo, el diseño rápido se adapta a la tarea específica que se le pide al sistema que realice, mientras que la ingeniería rápida está diseñada para mejorar el rendimiento del modelo mediante el uso de conocimiento específico del dominio, proporcionando ejemplos de un resultado deseado y usando palabras clave que son Se sabe que es eficaz para este sistema específico.

Servicios de IA/ML de Google

Vertex AI ofrece un jardín modelo para modelos de cimientos. Considere el caso de uso en el que el usuario pretende utilizar un modelo para predecir la satisfacción del cliente; puede optar por utilizar el modelo de tarea de análisis de sentimiento del tipo de tarea de clasificación.

La integración de la API PaLM con MakerSuite simplifica el ciclo de desarrollo generativo. MakerSuite incluye una serie de recursos, como una herramienta de entrenamiento de modelos para entrenar modelos con los datos del usuario usando diferentes algoritmos, una herramienta de implementación de modelos para permitir a los usuarios implementar sus modelos en producción y una herramienta de monitoreo de modelos para monitorear el desempeño del modelo en producción.

GenAI Studio permite a los usuarios explorar y personalizar rápidamente los modelos GenAI con recursos como una biblioteca de modelos previamente entrenados, herramientas para ajustar modelos, herramientas para implementar modelos en producción y un foro comunitario para obtener más soporte.

GenAI App Builder proporciona a los usuarios una interfaz de arrastrar y soltar, un editor visual para editar el contenido de la aplicación, un motor de búsqueda integrado y un motor de IA conversacional.

Bard es una herramienta de inteligencia artificial conversacional que esencialmente es un LLM similar a ChatGPT.

Cursos gratuitos de IA de Google: ¿merece la pena?

Sí, en los términos más simples, lo son. Si me conocieras, sabrías que siempre estoy dispuesto a aprovechar nuevas oportunidades de aprendizaje .

Sin embargo, es importante tener en cuenta que el curso no es perfecto. Puede haber cierta superposición entre ciertos temas y solo se centra en las contribuciones de Google a la industria de la inteligencia artificial. Además, es posible que los cuestionarios no sean lo suficientemente desafiantes, especialmente considerando el hecho de que cada módulo generalmente consta de solo de 3 a 5 preguntas por cuestionario.

Sin embargo, vale la pena considerar que el curso es completamente gratuito y te permite mostrar tus logros en las plataformas de redes sociales y en tu currículum. Además, el curso es conciso y sencillo, por lo que no le consumirá demasiado tiempo. Créame, pude terminar el camino en menos de un día 👀

Cómo continuar su viaje de aprendizaje de IA generativa más allá de los cursos de Google

Me gustaría pensar que nuestro viaje de aprendizaje nunca debería depender de una sola fuente. Aquí hay algunos otros cursos que puedes consultar:

• IA generativa con grandes modelos de lenguaje por DeepLearning.AI
• Introducción a la IA generativa de Microsoft
• Serie de análisis profundo técnico sobre los fundamentos de la IA generativa en AWS de AWS
• ¿Hablas vectores? Comprensión del lenguaje de los LLM y la IA generativa de Datastax
• Una guía para principiantes sobre el uso de modelos de lenguaje grandes (LLM) con la API PaLM

Otros:

• abrazando la cara
• flujo tensor
• LangChain