1. Introducción a la IA para desarrolladores de React
La IA ofrece oportunidades para los desarrolladores de React para codificar más rápido, construir aplicaciones que anticipen las necesidades del usuario y automatizar tareas complejas. Si sueñas con lanzar tu propio SaaS o estás considerando un cambio de carrera, aprender IA puede ser una gran opción. El camino de aprendizaje para convertirse en ingeniero de IA puede parecer abrumador, pero no necesitas aprenderlo todo. La IA generativa es un área crucial en la que enfocarse, y se puede dominar haciendo solicitudes web para interactuar con las API de IA.
Hola, soy Alexandre Spallato, Ingeniero de Relaciones con Desarrolladores en Storyblok, y hoy nos adentraremos en un tema emocionante, la 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 IA, como seguramente sabes, puedes codificar más rápido con aplicaciones como Copilot, también puedes usarlo para aprender o explorar la documentación, pero hay mucho más que eso para ti si decides aprender IA. Puedes usar IA para construir aplicaciones que anticipen las necesidades del usuario, personalizar la experiencia o automatizar tareas complejas. Entonces, si sueñas con lanzar tu propio SaaS, este es el camino. Si estás considerando un cambio de carrera, la demanda de ingenieros de IA será enorme y como desarrolladores de JavaScript, tus habilidades son una base sólida para construir.
De acuerdo, ¿cuál es el camino de aprendizaje para convertirse en ingeniero de IA? Veo que estás abrumado, porque si buscas en Google o incluso en chatGPT cómo convertirse en ingeniero de IA, podrías pensar que necesitas aprender ciencia de datos, aprendizaje automático, matemáticas, Python, etc. Y sí, sería genial 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 de Latin space de SWIX y dice que estamos presenciando un cambio generacional de IA aplicada, impulsada por las capacidades emergentes de la disponibilidad de API de código abierto del modelo base. Significa que estamos aquí. El aprendizaje automático y la ciencia de datos están aquí. Son investigadores científicos. Y ahora esto significa que si puedes hacer una solicitud web para interactuar con una API,
2. Trabajando con API de IA y RAGS
La IA es un gran paraguas para todas las etiquetas que hacen que las máquinas actúen como si tuvieran un cerebro. El aprendizaje automático es una parte de la IA donde las computadoras aprenden a partir de datos. Los modelos de lenguaje grandes como GPT son herramientas especiales en el aprendizaje automático enfocadas en comprender y crear texto. Con las API, podemos pedir a los sistemas de IA que realicen tareas por nosotros. Algunos nombres importantes en este espacio incluyen a OpenAI con GPT, Anthropic con Cloud, Gemini para Google y Hugging Face. Experimentar con las API de IA puede abrir nuevas posibilidades para proyectos y productos. El SDK de IA de Versel puede agilizar el trabajo y minimizar el código repetitivo. RAGS (Generaciones Aumentadas de Recuperación) permite que los modelos se amplíen con datos adicionales para generar respuestas basadas en el contexto.
ya estás en el camino correcto. Así que primero, vamos a aclarar las cosas. IA es un gran paraguas para todas las etiquetas que hacen que las máquinas actúen como si tuvieran un cerebro. El aprendizaje automático es una parte de IA donde las computadoras aprenden a partir de datos. Los modelos de lenguaje grandes como GPT son herramientas especiales en el aprendizaje automático enfocadas en comprender y crear texto. Así que entender estos conceptos básicos nos ayuda a ver lo que IA puede hacer y nos da un punto de partida para adentrarnos más en el mundo de la ingeniería de IA.
Ahora hablemos de cómo trabajar con las API. Con las API podemos pedirle a este sistema de IA que realice tareas por nosotros. Algunos de los nombres importantes en este espacio incluyen a 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 API 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 API de IA puede abrir nuevas posibilidades para tu proyecto y productos. También recomiendo explorar la documentación de OpenAI y entender cómo funcionan las API de asistencia así como la llamada de funciones. La llamada de funciones te permite conectar modelos de lenguaje grandes con herramientas externas. Entonces, dependiendo de la consulta del usuario, el modelo llamará a una herramienta u otra. Por ejemplo, si tenemos dos herramientas, una para verificar el clima y otra para enviar un correo electrónico, si preguntas cómo debes vestirte en Madrid hoy, invocará la herramienta de verificación del clima y si pides enviar un correo electrónico, usará la otra, por supuesto. Además, para agilizar tu trabajo, puedes usar el SDK de IA de Versel, 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, Generaciones Aumentadas de Recuperación. Con RAGS podemos ampliar 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 que el modelo use esta información externa recuperándola y a partir de ahí generará la respuesta. Veamos cómo funciona esto. Primero, la información se divide en fragmentos porque los LLM tienen un número limitado de tokens, por lo que no pueden buscar en toda la información. Entonces, dependiendo de las preguntas, encontrarán los fragmentos correspondientes semánticamente similares y los aplicaremos como contexto para tu consulta. Luego, estos fragmentos deben transformarse en embeddings, lo que implica convertir los datos en vectores, que son una serie 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 a un usuario que está chateando y la consulta del usuario se envía al embebido, se transforma en un vector, se almacena en la base de datos de vectores. Lo mismo ocurre con la fuente de datos, la base de conocimientos 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.
3. Construyendo aplicaciones del mundo real con IA
Para construir una aplicación del mundo real, es necesario comprender las preferencias del usuario, encontrar destinos, verificar el clima y sugerir opciones de viaje. Los marcos de orquestación como Lanchain y LamaIndex ayudan a encadenar tareas y trabajar con diferentes API de LLM. Herramientas como Flowwise y relevance ofrecen interfaces gráficas y APIs para el desarrollo frontend. Como desarrolladores, nuestra capacidad para comprender profundamente, innovar valientemente y resolver problemas creativamente no puede ser replicada por la IA. La IA es un complemento de nuestras capacidades humanas. Aprender a programar con IA puede ayudarnos a ampliar los límites de lo posible y convertirnos en mejores desarrolladores.
Ahora que comprendes eso, si deseas construir una aplicación del mundo real, no será solo una solicitud a un LLM. Necesitarás varias tareas. Imagina que construyes un mapa para planificar unas vacaciones, deberás comprender las preferencias del usuario, encontrar destinos, verificar el clima, sugerir opciones de viaje, y aquí es donde entran en juego los marcos de orquestación como Lanchain o LamaIndex. Nos ayudan a encadenar diferentes tareas, así como métodos para dividir, recuperar, incrustar, generar, etc., y también nos permiten trabajar con diferentes API de LLM. También puedes utilizar herramientas como Flowwise, que es una interfaz gráfica sobre Lanchain y luego tendrás una API. También tienes algunas herramientas locales como relevance que te proporcionan APIs si no deseas hacer cosas en el backend, y luego con estas APIs obtienes losdata y puedes construir tu frontend como ingenieros de React. 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 laIA. Nuestra capacidad para comprender profundamente, innovar valientemente y resolver problemas creativamente es lo que nos hace únicamente humanos. Entonces, al abrazar laIA, recuerda que no es un reemplazo, sino un complemento de nuestras capacidades humanas. Y así, como desarrolladores deReact, puedes aprender completamente estas habilidades y seguir ampliando los límites de lo posible aprendiendo acode conIA y aprendiendo a usarlo para construir aplicaciones. Entonces, laIA puede ayudarnos a convertirnos en los mejores desarrolladores que podemos ser.
Aquí tienes algunos enlaces, incluso más de los que he mencionado, de las aplicaciones que puedes utilizar. Espero que te haya gustado esta charla. Gracias y aquí tienes un código QR para obtener la presentación. Adiós.
Comments