Good practical walkthrough of quantization tradeoffs, though the throughput benchmarking section could use more depth.
Despliegue de LLMs locales: vLLM, cuantización e inferencia
Aprenda a desplegar modelos de lenguaje extensos de manera eficiente, aplique técnicas de cuantización para reducir los requisitos de hardware y sirva modelos en entornos de producción.
-
💬
Instructor de IA
Pregunta sobre cualquier lección y recibe una respuesta clara al instante, cuando quieras. -
🕐
Empieza cuando quieras
Sin horarios ni fechas límite: aprende a tu ritmo, cuando quieras. -
🌐
En español
Lecciones, tareas y certificado: todo completamente en tu idioma.
Sobre este curso
Ejecutar Large Language Models (LLMs) localmente o en producción puede parecer desalentador debido a los masivos requisitos de hardware y configuraciones complejas. A medida que la AI continúa evolucionando, la capacidad de alojar sus propios modelos de manera eficiente se está convirtiendo en una habilidad esencial para desarrolladores y equipos de operaciones.
Este curso desglosa el proceso de despliegue y optimización de LLMs, transformándolo de un principiante en alguien capaz de servir modelos de AI de alto rendimiento de manera eficiente. Explorará cómo reducir la huella de memoria y maximizar la velocidad de inferencia utilizando técnicas modernas, asegurando que pueda ejecutar modelos potentes incluso con recursos computacionales limitados.
Lo que aprenderá:
• Comprender los conceptos fundamentales de la arquitectura de LLM, inferencia y gestión de memoria.
• Calcular los requisitos de hardware y estimar las necesidades de VRAM de GPU para varios tamaños de modelo.
• Aplicar métodos modernos de cuantización como GGUF, AWQ y GPTQ para optimizar los pesos del modelo.
• Configurar y desplegar modelos utilizando vLLM para una inferencia de alto rendimiento y baja latencia.
• Crear puntos de conexión REST API estándar para integrar sin problemas modelos locales en sus aplicaciones.
• Practicar la contenedorización de sus despliegues de LLM utilizando Docker para entornos consistentes y escalables.
El viaje comienza con terminología esencial de AI y conceptos básicos de hardware antes de pasar a ejercicios escritos prácticos centrados en la cuantización y el despliegue. Progresará paso a paso a través de scripts de configuración y patrones de despliegue utilizados en MLOps moderno.
Diseñada para desarrolladores de software, aspirantes a ingenieros de DevOps y entusiastas de la tecnología sin experiencia previa en machine learning, esta guía basada en texto solo requiere una comprensión básica de los conceptos de programación.
Comience a leer hoy mismo para desarrollar sus habilidades en el despliegue moderno de AI y la optimización de la inferencia.
Lo que obtendrás
-
📜
Certificado de finalización
Añádelo a tu perfil de LinkedIn -
💬
Tutor AI personal
¿Atascado en una lección? Pregúntale a tu tutor integrado lo que quieras, cuando quieras. -
🎧
Versión en audio incluida
Aprende en cualquier momento, sin pantalla -
♾️
Acceso de por vida
Vuelve cuando quieras, sin caducidad -
📱
Teléfono o computadora
Funciona en cualquier dispositivo -
💸
Reembolso de 14 días
Sin preguntas -
⚡
Breve y enfocado
3 h de contenido práctico
Reseñas (20)
The quantization comparisons alone saved me hours of trial and error trying to fit a model onto my GPU.
Finally got vLLM running smoothly.
Khóa học giải thích rất rõ cách triển khai vLLM và áp dụng quantization để giảm bộ nhớ GPU mà vẫn giữ tốc độ suy luận ổn định.
เข้าใจ vLLM และ quantization ง่ายขึ้นมาก
Malinaw ang paliwanag sa pag-deploy gamit ang vLLM, pero sana mas detalyado pa sa paghahambing ng GPTQ at AWQ quantization.
vLLM 설치부터 quantization 적용까지 순서대로 따라가기만 하면 되게 구성되어 있어서 좋았습니다. 특히 AWQ와 GPTQ 방식의 차이를 실제 벤치마크로 보여주는 부분이 인상 깊었고, 덕분에 제 프로젝트에 맞는 방법을 바로 골라서 적용할 수 있었습니다.
vLLM ile yerel model dağıtımını ve quantization tekniklerini bu kadar net anlatan başka bir kaynak görmemiştim.
Kursus ini menerangkan dengan jelas cara guna vLLM dan quantization untuk deploy LLM secara tempatan tanpa memerlukan GPU yang terlalu besar.
Bom curso, mas rápido demais no batching.
Avevo già provato a configurare vLLM da solo un paio di volte senza grandi risultati, quindi questo corso è arrivato al momento giusto. La parte sulla quantizzazione, in particolare il confronto tra le varie tecniche per ridurre l'uso di memoria della GPU, è spiegata con esempi concreti e non solo teoria. Anche il capitolo su PagedAttention mi ha aiutato a capire perché certi modelli locali erano così lenti prima. L'unico neo è che la sezione finale sul batching dinamico va un po' di fretta e avrei voluto qualche esempio in più. Nel complesso però sono riuscito a far girare un modello locale con prestazioni decisamente migliori di prima.
Брался за курс, чтобы разобраться с локальным запуском моделей без облака, и в целом цель достигнута. Тема квантизации объяснена понятно: стало ясно, как ужать модель и не угробить качество, чтобы влезть в скромную видеокарту. Развёртывание через vLLM показали по шагам, я поднял свой инференс-сервер и проверил под нагрузкой. Единственное, хотелось бы чуть глубже про мониторинг в продакшене, этот раздел показался коротковатым. Но в остальном материал плотный и применимый сразу. Для тех, кто хочет держать LLM у себя, это отличная отправная точка.
Quantization kısmı çok faydalıydı ama vLLM'in production ortamına ölçeklendirilmesiyle ilgili örnekler biraz daha fazla olabilirdi.
O curso mostra na prática como configurar o vLLM e aplicar quantização sem transformar isso num mar de teoria abstrata. Gostei bastante de como a parte de PagedAttention foi explicada com desenhos simples que finalmente fizeram sentido pra mim. Depois de terminar consegui rodar um modelo local com uma latência bem menor do que antes.
Practical and hands-on, though it assumes you're already comfortable with basic GPU setup before diving into vLLM.
평소에 로컬 LLM을 돌릴 때 GPU 메모리 문제로 계속 막혔었는데, 이 강의를 듣고 나서야 quantization이 실제로 어떻게 작동하는지 감을 잡았습니다. vLLM 설정 과정을 단계별로 따라가면서 PagedAttention 개념까지 자연스럽게 이해가 됐고, 실습 예제도 실제 배포 환경과 비슷하게 구성되어 있어서 도움이 많이 됐습니다. GPTQ와 AWQ 차이를 비교해주는 부분이 특히 유용했는데, 다만 후반부 배치 처리 최적화 설명은 조금 빠르게 지나가서 몇 번 되돌려 봐야 했습니다. 그래도 전체적으로 로컬 배포를 실무 수준으로 끌어올려주는 강의였습니다.
The walkthrough on quantizing models with AWQ actually made the memory savings click for me instead of just being a buzzword. Setting up vLLM locally went a lot smoother following the instructor's config choices than when I tried it on my own before. The only gap is the course doesn't spend much time on multi-GPU serving, which I would have liked.
Made local deployment actually make sense.
मैंने पहले vLLM को इंस्टॉल करने की कई बार कोशिश की थी लेकिन हमेशा GPU मेमोरी की दिक्कत आ जाती थी, इस कोर्स ने वो पूरी प्रक्रिया कदम दर कदम समझाई। Quantization वाले हिस्से में INT8 और INT4 के बीच का ट्रेडऑफ बहुत साफ तरीके से बताया गया, जिससे यह समझना आसान हो गया कि कब कौन सा तरीका इस्तेमाल करना चाहिए। PagedAttention का कॉन्सेप्ट पहले किताबी लगता था लेकिन यहां प्रैक्टिकल उदाहरण से समझ आ गया। सर्विंग API सेटअप करने वाला हिस्सा भी असली प्रोडक्शन जैसा फील देता है, सिर्फ थ्योरी नहीं। कुल मिलाकर अब मैं अपने खुद के मॉडल को लोकली डिप्लॉय करने में कॉन्फिडेंट महसूस करता हूं।
Dense but genuinely useful content.
Otros también tomaron
🎓 Con certificado
IA Privada con LLMs de Código Abierto: Despliegue Local, RAG y Agentes
Certificado
Práctica
S$20.00
→
💼 Listo para trabajar
🎓 Con certificado
Ajuste Fino de Modelos OpenAI: Personaliza LLMs con tus Propios Datos
Certificado
Práctica
S$20.00
→
🏆 El más popular
🎓 Con certificado
Desarrollo de Sistemas RAG con Azure OpenAI y Azure AI Search
Certificado
Práctica
S$20.00
→
💼 Listo para trabajar
🎓 Con certificado
Desarrollo de Aplicaciones de IA con LangChain
Certificado
Práctica
S$20.00
→
Preguntas frecuentes
¿Qué necesito para tomar este curso? +
Solo un teléfono o computadora con internet. Sin instalaciones ni hardware especial.
¿Cómo pago? +
Con tarjeta a través de Stripe. No almacenamos datos de tarjeta — Stripe los gestiona de forma segura.
¿Puedo obtener un reembolso? +
Sí — reembolso completo en 14 días, sin preguntas.
¿Por cuánto tiempo tendré acceso? +
Para siempre. Una vez comprado, el curso es tuyo para revisarlo cuando quieras.
¿Obtendré un certificado? +
Sí. Al finalizar recibirás un certificado que puedes añadir a tu perfil de LinkedIn.
Diseñado para profesionales en
Tecnología
Diseño
Finanzas
Marketing
Salud
Educación
Hostelería
Manufactura