¿Qué es MCP y por qué mola (y por qué no mola) para la IA del futuro?

MCP Model Context Protocol

MCP es el procolo que permite, a través de un contexto, que un agente IA pregunte qué pueden hacer sus amiguitos y ver si alguno de ellos puede ayudarle a resolver una petición, alguna tarea que se le pide en un prompt.

Por ejemplo un usuario pregunta a una IA “¿Cuánto es 785378531 por 7777777 entre 3,33?”

A) Sin MCP

Es muy probable que chatGPT o un modelo de IA basado en LLM no tenga la respuesta. Y no la tiene porque nunca la ha visto y no puede inferirla de todo lo que ha leído.

Innovación Abierta en Energía Renovable: Aplicando IA y Machine Learning a un problema real

El problema “duro”

Más o menos en junio de 2024 nos contactó una empresa del sector de la energía renovable. Nos llamaron por teléfono, cosa que no es común, y nos dijeron que tenían un problema con los diseños de sus parques eólicos.

Como comprenderéis, nosotros no teníamos ni idea ni experiencia en el problema concreto. Sí habíamos trabajado en el sector con un proyecto de monitorización vía satélite del estado de construcción de parques eólicos en tierra.

Grafos de Conocimiento para RAG

Introducción

RAG significa generación aumentada por recuperación. Se trata de una técnica que mejora los modelos de lenguaje grandes (LLM) al proporcionarles información externa (propia) para aumentar su precisión y capacidad de respuesta. Es decir que un RAG permite comnbinar tus propios datos con un LLM y en lugar de enviarle las preguntas directamente, las complementa con esa información relevante de tus fuentes, lo que le permite generar mejores respuestas ya que están contextualizadas con tus datos.

Cómo usar la Inteligencia Artificial para desarrolladores: 5 herramientas esenciales

Cómo usar la Inteligencia Artificial para desarrolladores: 5 herramientas esenciales

Introducción

En el mundo de la programación, las herramientas de inteligencia artificial generativa están revolucionando el desarrollo de software de la misma manera que lo hicieron en su momento Google, Stack Overflow y GitHub. Aunque estas tecnologías no sustituirán a los desarrolladores, sí tienen la capacidad de multiplicar su productividad y su creatividad. En Taniwa llevamos más de 12 años realizando desarrollos software complejos y desde hace algún tiempo, hemos integrado estas soluciones en nuestro flujo de trabajo con resultados sorprendentes.

Montar un sistema RAG para chatear con tus datos: Puntos a tener en cuenta

No es todo tan fácil como parece

En taniwa trabajamos en muchos proyectos de IA y Machine Learning. Lo importante siempre son los datos y el cariño que pongas a los detalles. Osea, que la tecnología no suele ser el problema principal sino cómo te organices, cómo cuides los datos, cómo los consigues y cómo los presentas.

Montar una demo de un sistema RAG (Retrieval Augmented Generation) con los datos de la empresa es directo; son 5 minutos:

Ray RLlib: Aprendizaje por Refuerzo

Introducción

En este último post de la serie sobre el framework Ray vamos a profundizar en el uso de su librería RLlib (Reinforcement Learning Library) para entrenar algoritmos de aprendizaje por refuerzo en entornos simulados y reales y como utilizar toda la potencia de Ray para entrenarlos, tunearlos y servirlos.

Ray es un framework de Python que permite la ejecución de aplicaciones Python en paralelo y de forma distribuida. Está diseñado principalmente para ser usado en aplicaciones de Machine Learning y AI, pero también se puede usar en cualquier aplicación Python que requiera computación distribuida.

Ray: Plataforma de Machine Learning II

Introducción

Ray es un framework de Python que permite la ejecución de aplicaciones Python en paralelo y de forma distribuida. Está diseñado principalmente para ser usado en aplicaciones de Machine Learning y AI, pero también se puede usar en cualquier aplicación Python que requiera computación distribuida.

En el blog anterior Cluster Ray vimos como desplegar un cluster de Ray en una sola máquina con Dockers (Docker Compose) y explicamos por encima las distintas partes del framework: Ray Data, Ray Train, Ray Tune, Ray Serve y como se puede usar ésta última, Ray Serve, para servir un modelo de Hugging Face que traducía textos del inglés al francés.

Qué conceptos debería dominar un experto en datos e IA

Qué conceptos debería dominar un experto en datos e IA

En taniwa, somos expertos en el tratamiento de datos y la aplicación de modelos de IA para resolver problemas de negocio.

Pero lo mismo dicen cientos de empresas en el sector, así que mostrar qué nos diferencia es clave para trabajar con los clientes adecuados.

• No nos diferencia el discurso.
• Sí nos diferencia el conocimiento profundo de determinados conceptos.
• Sí nos diferencian los proyectos que hemos hecho y los resultados que hemos obtenido.

Trabajar con chatGPT, conectarse a un API de IA, o hacer un modelo de Machine Learning es algo que está al alcance de cualquiera. Tiene valor, hay qué saber, pero el trabajo fino para resolver problemas de negocio reales va a estar en los detalles.

Ray: Plataforma de Machine Learning

Introducción

Ray es un framework de Python que permite la ejecución de aplicaciones Python en paralelo y de forma distribuida. Está diseñado principalmente para ser usado en aplicaciones de Machine Learning y AI, pero también se puede usar en cualquier aplicación Python que requiera computación distribuida.

Se puede montar un cluster de Ray para ejecutar las aplicaciones desplegándolo en cualquier infraestructura: en las nubes de AWS, GCP, Azure, en un Kubernetes, On Premise, etc.

Etiquetado de Datos, la clave para una IA útil y eficiente

Etiquetado de Datos, la clave para una IA útil y eficiente

Tienes datos, tienes IAs que entrenar, pero no tienes etiquetas: No tienes ná.

Por ejemplo, puedes tener tienes archivos con las peticiones de los clientes a tu servicio de soporte, pero no tienes:

• Etiquetas de los temas tratados en las llamadas para saber a qué departamento dirigirlas.
• Etiquetas de las emociones de los clientes para saber si están contentos o enfadados.
• Si se ha resuelto el problema o no.

Una IA que de verdad ayude al negocio a menudo no es viable por el tiempo y el coste necesarios para etiquetar manualmente los datos, ya sea por expertos internos o por crowdsourcing* La forma más rápida de solucionar este problema es creando funciones de etiquetado de datos que puedan capturar el conocimiento de los expertos y aplicarlo automáticamente a gran escala.