
Un chatbot que da una mala respuesta hace perder un minuto. Un agente que toma una mala acción emite el reembolso, borra la base de datos o envía el correo electrónico: el software que puede *actuar* se juzga con un estándar diferente al del software que solo habla. Este curso trata de cerrar esa brecha: convertir demostraciones de agentes en automatizaciones que puedas dejar ejecutando contra sistemas empresariales reales. Comenzarás donde toda automatización seria comienza: mapeando el proceso real y decidiendo, honestamente, qué automatizar y qué dejar intacto. Luego colocarás cada trabajo correctamente en el espectro desde un script simple hasta un agente completo, compondrás los pocos patrones de flujo de trabajo que cubren la mayoría de los casos reales, y conectarás agentes a herramientas y datos a través de interfaces limpias, de mínimo privilegio e idempotentes. Pondrás a las personas en el ciclo exactamente donde lo requieran las apuestas y la reversibilidad, y monitorearás todo con trazas, evaluaciones, límites de costos y SLOs, junto con una mirada clara a la inyección de prompts y la trifecta letal. El hilo conductor es la responsabilidad. Cuando un agente actúa, un ser humano sigue siendo responsable, y los desastres bien documentados, desde el chatbot de Air Canada hasta una base de datos de producción borrada, se tratan como lecciones y no como historias de terror. No se requiere programación, aunque leerás algún artefacto real: un esquema de herramienta, una puerta de permisos, una traza. A lo largo de 37 lecciones obtendrás un manual de operador construido sobre las partes que perduran, no el framework del mes.
Leena Shah’s portfolio reads less like a catalog of models than a record of bottlenecks removed: customer-support teams searching thousands of documents, analysts waiting on manual summaries, and product managers unsure whether an AI answer can be trusted. She has addressed those problems with retrieval-augmented assistants, multimodal extraction, voice agents, and tool-using workflows, pairing Python and FastAPI services with vector databases, cloud infrastructure, and evaluation suites that measure grounding, latency, safety, and cost. Leena has also fine-tuned open models for private environments, introduced human-review loops and production guardrails, and worked alongside product, security, and domain specialists to turn rough prototypes into monitored features. Her strength lies in recognizing where AI can genuinely improve a workflow—and engineering the surrounding system so that improvement survives contact with real users.
🔥
super clair, merci!
挺好的,讲得很清楚。
love it
thx