This resporitory will save all the documentation of the AI project for Keskinube. It will containe the architecture, the documentation of the alternatives we have and all the content generated. LLM models, RAGs, Code.
Talk to your Database using RAG and LLMs
ReAct: Integrating Reasoning and Acting with Retrieval-Augmented Generation (RAG)
Next-Gen Large Language Models: The Retrieval-Augmented Generation (RAG) Handbook
Get up and running with large language models. Models download
What model should we use?
1-. 
2-. 
3-. 
4-. 
What security consideration we must have?
Privacy of the client Database.
Dockers container
MLOps and DEVops
Emplear prácticas de integración y entrega continua (CI/CD) en canalizaciones de aprendizaje automático para optimizar los procesos de desarrollo e implementación de modelos. Aplicar control de versiones para garantizar la reproducibilidad y trazabilidad de los proyectos de aprendizaje automático.
Implementar modelos predictivos como servicios web para beneficiar la accesibilidad, mantenimiento, seguridad y flexibilidad en la integración con aplicaciones y sistemas existentes.
Aplicar técnicas de monitoreo para identificar data drift en modelos desplegados y tomar acciones.
Estructurar proyectos de Machine Learning de manera organizada, aplicar principios fundamentales de programación orientada a objetos (OOP), refactorizar código para mejorar su eficiencia y mantenibilidad, y crear interfaces de línea de comandos (CLI) para ejecutar y gestionar proyectos de manera escalable y eficiente, facilitando su uso y automatización en diferentes entornos.
2.1. Developing
2.1.1. Structure of ML projects
2.1.2. OOP Fundamentals
2.1.3. Refactoring
2.1.4. CLI
Mejorar la administración y eficiencia de los modelos mediante el seguimiento a los experimentos, registrar métricas, aplicación de control de versiones en experimentos, visualizar resultados y gestionar y versionar los modelos.
2.2 Tracking
2.2.1 Experiment tracking tools
2.2.2. Logging Metrics
2.2.3. Version control for experiments
2.2.4. Visualization of experiment results
2.2.5 Model Registry
Implementar prácticas y técnicas que aseguren la reproducibilidad en el entrenamiento de modelos.
2.3. Reproducibility
2.3.1. Importance and challenges in reproducibility
2.3.2. Reproducibility in model training
2.3.3. Documentation and reporting
2.3.4. Testing for reproducibility
Asegurar la calidad, confiabilidad y cumplimiento en los proyectos, implementando prácticas de gobernanza, y aplicando pruebas a código, datos y modelos de Machine Learning.
2.4. Testing
2.4.1. Governance
2.4.2. Code Testing
2.4.3 Data Testing
2.4.4. Models Testing