Introducción a los Agentes de AI Multimodales y el Uso de Herramientas

La próxima evolución de la inteligencia artificial va más allá del texto. Los agentes multimodales ahora pueden analizar imágenes, leer documentos complejos y tomar medidas utilizando herramientas externas. En este curso escrito fundamental, aprenderás a diseñar y construir agentes de AI que procesan datos visuales y textuales simultáneamente. Comenzarás con los conceptos básicos de AI agéntica y modelos de visión-lenguaje, para luego avanzar hacia estrategias de implementación práctica para la extracción de documentos, el análisis de capturas de pantalla y el llamado dinámico de herramientas. Lo que aprenderás: - Comprender la terminología fundamental de la AI multimodal y los flujos de trabajo agénticos. - Procesar y extraer datos estructurados de imágenes, capturas de pantalla y documentos complejos. - Implementar patrones modernos de llamado de herramientas para permitir que tus agentes interactúen con sistemas externos. - Aplicar técnicas de prompt engineering diseñadas específicamente para tareas de visión-lenguaje. - Explorar conceptos fundamentales de Retrieval-Augmented Generation (RAG) para el manejo de datos multimodales. - Diseñar arquitecturas de agentes robustas que gestionen con fluidez el razonamiento de múltiples pasos. El curso comienza estableciendo definiciones esenciales y la arquitectura básica de los sistemas multimodales. A partir de ahí, leerás tutoriales escritos paso a paso y fragmentos de código para construir tus propios agentes de procesamiento de documentos y visión. Este curso está diseñado para principiantes y desarrolladores nuevos en agentes de AI; no se requiere experiencia previa en machine learning. Comienza a construir hoy mismo la próxima generación de agentes de AI inteligentes y orientados a la acción.