Trust,
but Trace
Un cuaderno, escrito desde la ingeniería, sobre lo que hace falta para que un sistema de ML sea fiable en producción: trazas, fixtures, contratos y replays.
“La mayor parte de lo que hace un agente LLM en producción no ha aparecido nunca en ningún conjunto de evaluación.”
Lo último
Fundamentos de ML
El fine-tuning es mala herramienta para añadir conocimiento: tres fases de entrenamiento y el atajo de bajo rango
- 02La tasa de aprendizaje es el hiperparámetro que rompe producción Fundamentos de ML · 12 min
- 03Pérdida y gradientes sin fórmulas: la retropropagación es recorrer un grafo Fundamentos de ML · 12 min
- 04De GPT-2 a Llama: cuatro cambios y el motivo de cada uno Fundamentos de ML · 13 min
- 05GPT-2 es el transformer más cinco decisiones, y la inferencia es otro programa Fundamentos de ML · 13 min
- 06Un bloque de transformer son seis tensores y un bus: léelo como un pipeline Fundamentos de ML · 14 min
- 07La atención es una media ponderada aprendida y su coste está en el cuadrado Fundamentos de ML · 15 min
Temas
Hilos recurrentes
4 temas que vuelven una y otra vez. Pulsa uno para ver todo lo publicado sobre él.
En curso
Lecturas
Lo que tengo entre manos esta temporada.
- 01LibroAI Engineering: Building Applications with Foundation Models
- 02PódcastLatent Space — Artificial Analysis on independent LLM evals
- 03LibroMultimodal, Real-Time AI Agent Systems
- 04ReferenciaEU AI Act, Article 15: Accuracy, robustness and cybersecurity
- 05LibroHands-On Large Language Models
- 06ArtículoConstitutional Classifiers
- 07PódcastPragmatic Engineer — Inside engineering at frontier labs