AI para Desarrolladores de React: Oportunidades, Aprendizaje e Innovación

Hola, soy Alexandre Spallato, soy Ingeniero de Relaciones con Desarrolladores en Storyblok, y hoy nos sumergiremos en un tema emocionante, IA para desarrolladores de React. ¿Cuáles son las oportunidades y sobre todo, cómo puedes aprenderlo? ¿Es posible aprenderlo como desarrollador de React o JavaScript? Con la IA, como seguramente sabes, puedes codificar más rápido con aplicaciones como Copilot, también puedes usarla para aprender o explorar documentación, pero hay mucho más que eso para ti si decides aprender IA.

Puedes usar IA para construir aplicaciones que anticipen las necesidades de los usuarios, personalicen la experiencia o automaticen tareas complejas. Así que si sueñas con lanzar tu propio SaaS, este es el camino. Si consideras un cambio de carrera, la demanda de ingenieros de IA va a ser enorme y como desarrolladores de JavaScript, tus habilidades son una base sólida sobre la cual construir.

Bien, ¿cuál es el camino de aprendizaje para convertirse en un ingeniero de IA? Entiendo, estás abrumado, porque si buscas en Google o incluso en chatGPT cómo convertirse en un ingeniero de IA, podrías pensar que necesitas aprender ciencia de datos, aprendizaje automático, matemáticas, Python, etcétera. Y sí, sería increíble aprender todo eso, pero si tuviéramos tiempo. Como puedes ver aquí, cada paso es un subconjunto del otro y ahora estamos aquí en IA generativa. Y esto es lo que necesitamos dominar. Esta es una captura de pantalla del espacio Latino de SWIX y dice que estamos observando un cambio generacional de la IA aplicada, impulsado por las capacidades emergentes de la disponibilidad de API de código abierto de modelos fundacionales. Significa que estamos aquí. El aprendizaje automático y la ciencia de datos están aquí. Son ingenieros de investigación. Y ahora esto significa que si puedes hacer una solicitud web para interactuar con una API, ya estás en el camino correcto.

Así que primero, vamos a aclarar las cosas. La IA es un gran paraguas para todas las etiquetas que hacen que las máquinas actúen como si fueran un cerebro. El aprendizaje automático es una parte de la IA donde las computadoras aprenden de los datos. Los modelos de lenguaje grande como GPT son herramientas especiales en el aprendizaje automático centradas en entender y crear texto. Así que entender estos conceptos básicos nos ayuda a ver lo que la IA puede hacer y nos da un punto de partida para profundizar en el mundo de la ingeniería de IA.

Ahora hablemos de trabajar con APIs. Con las APIs podemos pedir a este sistema de IA que haga tareas por nosotros. Algunos de los nombres importantes en el espacio, incluyendo OpenAI con GPT, Anthropic con Cloud, Gemini para Google, Hugging Face, que ofrece una amplia gama de modelos de IA de código abierto. Así que primero intenta usar estas APIs para ver qué puedes crear y mejorar en tus proyectos. No se trata solo de usarlas, sino de entender cómo pueden cambiar la forma en que construimos software. Así que experimentar con estas APIs de IA puede abrir nuevas posibilidades para tu proyecto y productos. Y también recomiendo explorar en tercer lugar la documentación de OpenAI y entender cómo funcionan las APIs de asistencia así como la llamada de funciones. La llamada de funciones te permite conectar grandes modelos de lenguaje con herramientas externas.

Dependiendo de la consulta del usuario, el modelo llamará a una herramienta u otra. Así que si tenemos dos herramientas, una para verificar el clima y otra para enviar un correo electrónico, si preguntas cómo deberías vestirte en Madrid hoy, invocará la herramienta de verificación del clima y si pides enviar un correo electrónico, usará la otra, por supuesto. También para agilizar tu trabajo puedes usar el Versel AI SDK que es compatible con Next, Nuxt, Svelte, Solid, etc. Tiene una API unificada que estandariza la interacción con los diversos modelos de IA y minimiza el código repetitivo. Luego necesitas entender RAGS, Retrieval Augmented Generations.

Con RAGS podemos aumentar el modelo con datos adicionales. Por ejemplo, si estás construyendo un chat de servicio al cliente, primero necesitarás alimentar al modelo con información sobre la empresa. Esto permitirá al modelo usar esta información externa recuperándola y desde allí generará la respuesta. Así que veamos cómo funciona esto. Primero, la información se divide en fragmentos porque los LLMs tienen un número limitado de tokens, por lo que no pueden buscar en toda la información. Dependiendo de las preguntas, encontrarán los fragmentos correspondientes semánticamente similares y los aplicaremos como contexto para tu consulta. Luego estos fragmentos necesitan ser transformados en embeddings, lo que implica convertir los datos en vectores que son una matriz de números que la máquina puede entender. Luego estos embeddings se almacenarán en una base de datos de vectores y luego la consulta también se transformará en un vector y buscará en la base de datos por similitud semántica para generar las respuestas basadas en el contexto más similar. Así es como funciona. Aquí tenemos un usuario que está chateando y la consulta del usuario se envía al embedder, se transforma en un vector, se almacena en la base de datos de vectores. Lo mismo desde la fuente de datos, la base de conocimiento se transforma en embeddings, se almacena en la base de datos de vectores y luego el modelo de lenguaje grande encontrará el contexto más similar y generará una respuesta a la consulta, etc. Simple.

Ahora que entiendes eso, si quieres construir una aplicación del mundo real no será solo un prompt a un LLM. Necesitarás varias tareas. Imagina que construyes un mapa para planificar vacaciones, necesitarás entender las preferencias del usuario, encontrar destinos, verificar el clima, sugerir opciones de viaje, y aquí es donde entran en juego los frameworks de orquestación como Lanchain o LamaIndex. Nos ayudan a encadenar diferentes tareas así como métodos para fragmentar, recuperar, incrustar, generar, etc.

, y también nos permiten trabajar con diferentes APIs de LLM. Puedes también usar herramientas como Flowwise, que es una interfaz gráfica de usuario sobre Lanchain y luego tendrás una API.

También tienes algunas herramientas locales como relevance que te proporcionan APIs si no quieres hacer cosas de back-end y luego con estas APIs obtienes los datos y puedes construir tu front-end como ingenieros de React. Así que en conclusión, el lenguaje natural está emergiendo como una nueva herramienta de nuestro oficio, pero no olvidemos que la esencia de ser un desarrollador no puede ser replicada por la IA. Así que nuestra capacidad para entender profundamente, innovar valientemente y resolver problemas creativamente es lo que nos hace exclusivamente humanos. Así que mientras adoptamos la IA, recuerda que no es un reemplazo sino un complemento a nuestras capacidades humanas. Y así como desarrolladores de React, puedes aprender totalmente estas habilidades y continuar expandiendo los límites de lo posible aprendiendo a programar con IA y aprendiendo a usarla para construir aplicaciones.

Así que la IA puede apoyarnos en convertirnos en los mejores desarrolladores que podemos ser. Aquí tienes algunos enlaces, incluso más de los que he mencionado, de las aplicaciones que puedes usar. Espero que te haya gustado esta charla. Gracias y aquí tienes un código QR para obtener la diapositiva.