Azure AI Fundamentals / Lecciones en español · English
Lecciones de Azure AI Fundamentals AI-900
- Qué es la IA: modelos que aprenden patrones a partir de datos y en qué se diferencia del software basado en reglas
- Cargas de trabajo comunes de IA: predicción y pronóstico, detección de anomalías, visión artificial, NLP, procesamiento de documentos e IA generativa
- Cargas de trabajo de visión artificial: clasificación de imágenes, detección de objetos, OCR y análisis facial
- Cargas de trabajo de procesamiento de lenguaje natural y habla: análisis de texto, traducción, reconocimiento de voz e IA conversacional
- Cargas de trabajo de procesamiento de documentos y minería de conocimiento: extraer campos de formularios y hacer el contenido consultable
- Cargas de trabajo de IA generativa: crear texto, código e imágenes a partir de prompts, copilotos y agentes
- Principios de IA responsable: equidad, y confiabilidad y seguridad
- Principios de IA responsable: privacidad y seguridad, e inclusión
- Principios de IA responsable: transparencia y rendición de cuentas
- IA responsable en la práctica: identificar daños, supervisión humana, funciones de Limited Access y notas de transparencia
- Características y etiquetas, datos de entrenamiento y validación, y cómo se entrena un modelo y luego se usa para inferencia
- Regresión: predecir un valor numérico, con las métricas de evaluación MAE, RMSE y R²
- Clasificación binaria y multiclase, con accuracy, precision, recall, F1 y la matriz de confusión
- Clustering: agrupar datos sin etiquetar, y aprendizaje supervisado vs no supervisado
- Deep learning: redes neuronales, pesos y capas, y por qué son adecuadas para imágenes, voz y lenguaje
- La arquitectura transformer: tokens, embeddings y atención
- Azure Machine Learning: workspace, studio, data assets, compute instances y compute clusters
- Machine learning automatizado (AutoML) y el designer de Azure Machine Learning
- Implementar modelos en endpoints para inferencia en tiempo real o por lotes, y herramientas de IA responsable en Azure Machine Learning
- Clasificación de imágenes vs detección de objetos vs segmentación semántica
- Cómo funcionan los modelos de visión artificial: píxeles, filtros, redes neuronales convolucionales y modelos multimodales
- Análisis de imágenes con Azure AI Vision: captions, dense captions, tags, detección de objetos, detección de personas y smart crops
- Reconocimiento óptico de caracteres (OCR) con la función Read de Azure AI Vision
- Detección y análisis de rostros con Azure AI Face, y la política de Limited Access para identificación y verificación
- Azure AI Document Intelligence: modelos precompilados (facturas, recibos, identificaciones), el modelo layout y los modelos personalizados
- Crear y usar recursos de Azure AI services: recursos multiservicio vs de un solo servicio, endpoints, claves y el nivel gratuito F0
- Elegir el servicio de visión de Azure adecuado para un escenario
- Detección de idioma, análisis de sentimiento y minería de opiniones
- Extracción de frases clave, reconocimiento de entidades con nombre, vinculación de entidades y detección de PII
- Tokenización, embeddings y similitud semántica: cómo el texto se convierte en números
- Resumen y clasificación de texto personalizada en Azure AI Language
- Reconocimiento de voz (speech to text) y síntesis de voz (text to speech) con Azure AI Speech
- Azure AI Translator para texto y documentos, y traducción de voz
- Comprensión del lenguaje conversacional: utterances, intents y entities
- Question answering: construir una base de conocimiento a partir de preguntas frecuentes para un bot
- Elegir el servicio de lenguaje o de voz de Azure adecuado para un escenario
- Cómo generan texto los modelos de lenguaje grandes: tokens, predicción del siguiente token y preentrenamiento
- Escenarios comunes de IA generativa: copilotos, asistentes de chat, redacción de contenido, resumen, generación de código e imágenes
- Ingeniería de prompts: mensajes de sistema, prompts de usuario, ejemplos few-shot e instrucciones claras
- Grounding y generación aumentada por recuperación (RAG) con tus propios datos
- Parámetros del modelo: temperature, top_p y longitud máxima de la respuesta
- Microsoft Foundry (antes Azure AI Foundry): hubs y proyectos, el catálogo de modelos y los playgrounds
- Modelos de Azure OpenAI en Foundry: modelos de chat GPT, modelos de embeddings y modelos de generación de imágenes
- Agentes de IA: modelos con instrucciones, herramientas y conocimiento, y Foundry Agent Service
- IA generativa responsable: identificar, medir, mitigar y operar; filtros de contenido y Azure AI Content Safety
- Evaluar apps de IA generativa: evaluaciones de groundedness, relevancia, fluidez y seguridad, y red teaming