Siirry sisältöön
NeuraLIA Labs
Kirjaudu sisäänAloita

David Vicente Campos

NeuraLIA Labsin perustaja ja MyRealFoodin toinen perustaja

Olen valmistunut tietotekniikan insinööriksi Leónin yliopistosta. Olin mukana perustamassa MyRealFoodia, jossa teknologiajohtajana rakensin sovelluksen, jota miljoonat ihmiset ovat käyttäneet syödäkseen paremmin, ja perustin NeuraLIA Labsin, jossa rakennan tekoälytuotteita. Täällä kirjoitan siitä, mitä minun on pitänyt ymmärtää matkan varrella, niin kuin olisin toivonut jonkun selittävän asiat minulle.

Tekoäly alusta alkaen

30 lukua

  1. Perceptron alusta alkaen: mitä neuroni laskee
  2. Mistä häviöfunktio syntyy: likelihood, ei käytäntö
  3. Alamäkeen: Gradient Descent ja kaksi askelta, jotka kaikki ohittavat
  4. Luokittelu, ristientropia ja miten et huijaa itseäsi
  5. Backpropagation alusta asti: ensin moottori, sitten verkko
  6. Miten saada se oppimaan ja yleistämään
  7. Rakenna BPE-tokenizer: miksi mallisi ei osaa laskea R-kirjaimia
  8. Next-token-ennustus: embedding ja mitä perpleksisyys tarkoittaa
  9. Attention ja transformer-lohko keskiarvosta johdettuna
  10. LLM:n esikoulutus: data, laskenta, scaling laws ja kustannus
  11. Perusmallista assistentiksi: SFT, RLHF, DPO ja GRPO
  12. Chain of Thought, RLVR ja test-time compute mitattuna
  13. Halpaa inferenceä: KV cache, batching ja kvantisointi
  14. Ensimmäinen tuotannon LLM-kutsusi: streaming, retries ja timeouts
  15. Prompt engineering mitattuna: mikä muuttaa outputia
  16. Context window, token-kulut ja lasku mitattuina
  17. Temperature, top-p ja determinismi, jota sinulla ei ole
  18. Tool Calling ja rakenteiset tulosteet: sopimus, joka pitää
  19. RAG tuotannossa: chunking, haku ja rehelliset viittaukset
  20. Fine-tuning, retrieval vai prompt? Päätös on taloudellinen
  21. Multimodaalinen hinnoittelu: mitä kuvat, ääni ja video todella laskuttavat
  22. Mikä AI agent on: viisi klassista tyyppiä, kaksi kilpailevaa määritelmää
  23. Rakenna agent harness: loop ja sen viisi poistumistietä
  24. Context engineering: miksi agent muuttuu tyhmemmäksi vuorolla 40
  25. Multi-Agent Orchestration: viisi mallia ja milloin yksi voittaa
  26. MCP selitettynä speksiä vasten: mikä serveri oikeasti on
  27. MCP Server tuotantoon: TypeScript ja Python mitattuina
  28. Agent Skills ja SKILL.md: asteittainen paljastaminen mitattuna
  29. LLM-evaluointi: julkisista benchmarks omaan golden setiin
  30. Prompt Injection ja kuolettava kolmikko: oikean agentin suojaaminen