Generative AI Engineering with Databricks - Spanish

Este curso está dirigido a científicos de datos, ingenieros de machine learning y otros profesionales de datos que desean crear aplicaciones de IA generativa utilizando los frameworks más recientes y populares y las funcionalidades de Databricks.

Nota: Databricks Academy está migrando a un formato basado en notebooks para las sesiones en el aula dentro del entorno de Databricks, y deja de utilizar diapositivas para las clases. Puede acceder a los notebooks de las clases en el entorno de laboratorio de Vocareum.

A continuación, describimos cada uno de los cuatro módulos de cuatro horas incluidos en este curso.

Building RAG Agents with Agent Bricks: este curso ofrece capacitación práctica para crear agentes de recuperación utilizando Databricks Agent Bricks. Los participantes aprenderán a explorar y consultar Knowledge Assistants, analizar documentos no estructurados para convertirlos en datos estructurados mediante AI Functions, dividir texto en fragmentos (chunks) para la recuperación semántica, crear índices de Vector Search y crear Knowledge Assistants listos para producción respaldados por múltiples fuentes de conocimiento.

Building Agentic Applications on Databricks: este curso enseña a los estudiantes a crear aplicaciones agénticas de nivel de producción en Databricks. Los estudiantes aprenden a crear herramientas de agente gobernadas mediante Unity Catalog y MCP, crear sistemas de agente único y multiagente con el OpenAI Agents SDK, y aprovechar Agent Bricks y Genie para casos de uso de knowledge assistant orquestados con un agente supervisor. El curso abarca toda la progresión, desde la creación de prototipos de herramientas hasta la implementación en producción, con experiencia práctica utilizando el rastreo (tracing) de MLflow para observar la ejecución del agente.

Agent Evaluation on Databricks: este curso enseña a los estudiantes a evaluar sistemáticamente agentes de IA utilizando el framework de evaluación de MLflow, abordando los desafíos únicos de los sistemas de IA no deterministas que las pruebas de software tradicionales no pueden manejar. Los estudiantes aprenden a implementar diversos enfoques de evaluación, incluidos los jueces integrados (built-in judges) para criterios comunes como la corrección y la seguridad, los jueces basados en directrices para requisitos específicos del negocio y los jueces personalizados para necesidades especializadas. El curso abarca tanto la evaluación sin conexión utilizando conjuntos de datos (datasets) seleccionados como el monitoreo de producción en línea, con experiencia práctica utilizando las capacidades de rastreo (tracing) de MLflow para comprender los patrones de ejecución del agente y recopilar retroalimentación humana de diferentes tipos de partes interesadas. A través de demostraciones y laboratorios prácticos, los estudiantes desarrollan habilidades para crear flujos de trabajo de evaluación que impulsan mejoras continuas de calidad a lo largo del ciclo de vida de desarrollo de los agentes de IA.

Deploying and Monitoring Agent Applications on Databricks: este curso abarca el ciclo de vida completo para implementar y monitorear agentes de IA generativa en Databricks. Los participantes aprenderán a implementar agentes como Databricks Apps utilizando Declarative Automation Bundles (DABs), integrar herramientas mediante el Model Context Protocol (MCP), instrumentar agentes con MLflow Tracing y evaluar la calidad en producción utilizando scorers, jueces de múltiples turnos y evaluación en línea. A través de demos y laboratorios prácticos, los participantes adquirirán experiencia práctica en la creación, observación y monitoreo de agentes de IA de nivel de producción en la plataforma Databricks.

Skill Level

Associate

Duration

16h

Prerequisites

El contenido se desarrolló para participantes con las siguientes habilidades, conocimientos y aptitudes:

1. Building RAG Agents with Agent Bricks

• Conocimiento básico de SQL para consultar tablas y usar funciones integradas

• Experiencia básica en programación con Python

• Familiaridad con la interfaz de usuario (UI) del workspace de Databricks (por ejemplo, navegar por Unity Catalog)

• Comprensión de los conceptos de Unity Catalog, incluidos catalogs, schemas y volumes

• Familiaridad con los conceptos fundamentales de LLM

• Comprensión de datos estructurados vs. no estructurados

2. Building Agentic Applications on Databricks

Habilidades específicas de Python:

• Sintaxis básica de Python y estructuras de datos

• Comprensión de funciones, clases y decorators

• Experiencia con la gestión de paquetes e imports en Python

• Familiaridad con el manejo de datos JSON

• Comprensión básica de los patrones async/await

Habilidades específicas de SQL:

• Sintaxis básica de consultas SQL (SELECT, FROM, WHERE)

• Comprensión de funciones SQL y funciones definidas por el usuario

• Experiencia con funciones SQL de Unity Catalog

Habilidades específicas de Databricks:

• Comprensión de la navegación en el workspace de Databricks y la interfaz de notebooks

• Conocimiento de la estructura de Unity Catalog (catalogs, schemas, tables, volumes, functions)

• Experiencia con recursos de compute de Databricks y computación serverless

• Familiaridad con el seguimiento de experimentos de MLflow

• Comprensión de los endpoints de model serving de Databricks

Habilidades específicas de GenAI/agentes:

• Comprensión básica de los LLMs y sus capacidades

• Conocimiento de la ingeniería de prompts y los system prompts

• Familiaridad con los agentes de tool-calling y los conceptos de function calling

• Conocimiento básico del Model Context Protocol (MCP)

3. Agent Evaluation on Databricks

• Experiencia intermedia en programación con Python

• Conocimiento básico de SQL para consultar y crear funciones

• Familiaridad con la Databricks Data Intelligence Platform

• Comprensión de los conceptos de Unity Catalog, incluidos catalogs y schemas

• Comprensión básica de los grandes modelos de lenguaje (LLMs) y la ingeniería de prompts

• Conocimiento básico de MLflow

4. Deploying and Monitoring Agent Applications on Databricks

• Familiaridad con el workspace y los notebooks de Databricks

• Familiaridad con Unity Catalog

• Experiencia en la creación de agentes utilizando el OpenAI Agents SDK

• Conocimiento básico de MLflow y Python

• Familiaridad con los conceptos de agentes de GenAI (llamadas a LLM, invocación de herramientas, recuperación)

Outline

1. Building RAG Agents with Agent Bricks

Introducción a RAG y al Knowledge Assistant de Agent Bricks:

• Agent Bricks para la recuperación y la ingeniería de contexto

• Demo: exploración del Knowledge Assistant

Creación de pipelines de parsing de documentos en Databricks:

• Estrategias de parsing y chunking de documentos

• Demo: transformación de PDFs en datos estructurados

Vector Search y Knowledge Assistants:

• AI Search en Databricks

• Demo: chunking de PDFs y Vector Search

• Lab: creación y curación de un Knowledge Assistant

2. Building Agentic Applications on Databricks

Fundamentos:

• Agentes, MCP y gobernanza de IA en Databricks

• Demo: creación de herramientas de agente en Databricks

• Lab: evaluación y corrección de herramientas de agente

Desarrollo de agentes:

• Creación de agentes con el OpenAI Agents SDK y MLflow

• Demo: creación de agentes únicos con el OpenAI Agents SDK

• Demo: orquestación multiagente con el OpenAI Agents SDK

Agent Bricks y más allá:

• Agent Bricks y Genie

• Lab: creación de un agente supervisor con Agent Bricks

• BONUS: creación de agentes únicos con LangChain

3. Agent Evaluation on Databricks

Fundamentos de la evaluación de agentes de IA:

• El desafío de evaluar agentes de IA

• Demo: configuración del agente

• El framework de evaluación de MLflow

Fundamentos de la evaluación de agentes de IA:

• Jueces integrados (built-in judges)

• Demo: uso de los jueces integrados de MLflow

• Jueces basados en directrices

• Demo: jueces basados en directrices con MLflow

• Jueces personalizados y retroalimentación

• Demo: jueces personalizados con MLflow

• Lab: aplicación de la evaluación de agentes

Jueces personalizados y retroalimentación humana:

• Estrategias de evaluación sin conexión vs. en línea

• Lab: retroalimentación de desarrolladores y SME con MLflow

4. Deploying and Monitoring Agent Applications on Databricks

Implementación de agentes:

• Implementación de agentes en Databricks

• Demo: implementación de un agente observable

Integración de herramientas y observabilidad:

• Integración de herramientas y observabilidad

• Demo: rastreo (tracing) para agentes en producción

Evaluación y monitoreo en producción:

• Evaluación y monitoreo en producción

• Lab: evaluación en línea con conversaciones multi-turno

• Lab: backfill y archivado de conversaciones multi-turno

Public Class Registration

If your company has purchased success credits or has a learning subscription, please fill out the Training Request form. Otherwise, you can register below.

Customer registration Partner registration

Private Class Request

If your company is interested in private training, please submit a request.

Request Private Training

See all our registration options

Registration options

Databricks has a delivery method for wherever you are on your learning journey

Self-Paced

Custom-fit learning paths for data, analytics, and AI roles and career paths through on-demand videos

Instructor-Led

Public and private courses taught by expert instructors across half-day to two-day courses

Blended Learning

Self-paced and weekly instructor-led sessions for every style of learner to optimize course completion and knowledge retention. Go to Subscriptions Catalog tab to purchase

Purchase now

Skills@Scale

Comprehensive training offering for large scale customers that includes learning elements for every style of learning. Inquire with your account executive for details

Upcoming Public Classes

Generative AI Engineer

Generative AI Engineering with Databricks - French

Ce cours s’adresse aux data scientists, aux ingénieurs en machine learning et aux autres professionnels des données qui souhaitent créer des applications d’IA générative à l’aide des frameworks les plus récents et les plus populaires et des fonctionnalités de Databricks.

Remarque : Databricks Academy passe à un format basé sur des notebooks pour les sessions en classe dans l’environnement Databricks, et n’utilise plus de diaporamas pour les cours. Vous pouvez accéder aux notebooks de cours dans l’environnement de laboratoire Vocareum.

Ci-dessous, nous décrivons chacun des quatre modules de quatre heures inclus dans ce cours.

Building RAG Agents with Agent Bricks : ce cours propose une formation pratique à la création d’agents de récupération à l’aide de Databricks Agent Bricks. Les participants apprendront à explorer et à interroger les Knowledge Assistants, à analyser des documents non structurés pour les convertir en données structurées à l’aide des AI Functions, à découper le texte en fragments (chunks) pour la récupération sémantique, à créer des index Vector Search et à créer des Knowledge Assistants prêts pour la production s’appuyant sur plusieurs sources de connaissances.

Building Agentic Applications on Databricks : ce cours enseigne aux étudiants comment créer des applications agentiques de niveau production sur Databricks. Les étudiants apprennent à créer des outils d’agent gouvernés à l’aide d’Unity Catalog et de MCP, à créer des systèmes à agent unique et multi-agents avec l’OpenAI Agents SDK, et à exploiter Agent Bricks et Genie pour des cas d’usage de knowledge assistant orchestrés avec un agent superviseur. Le cours couvre l’ensemble de la progression, du prototypage des outils au déploiement en production, avec une expérience pratique de l’utilisation du traçage (tracing) MLflow pour observer l’exécution des agents.

Agent Evaluation on Databricks : ce cours enseigne aux étudiants comment évaluer systématiquement les agents IA à l’aide du cadre d’évaluation de MLflow, en relevant les défis propres aux systèmes d’IA non déterministes que les tests logiciels traditionnels ne peuvent pas gérer. Les étudiants apprennent à mettre en œuvre diverses approches d’évaluation, notamment les juges intégrés (built-in judges) pour des critères courants tels que l’exactitude et la sécurité, les juges basés sur des directives pour des exigences propres à l’entreprise, et les juges personnalisés pour des besoins spécialisés. Le cours couvre à la fois l’évaluation hors ligne à l’aide d’ensembles de données (datasets) sélectionnés et la surveillance de la production en ligne, avec une expérience pratique de l’utilisation des capacités de traçage (tracing) de MLflow pour comprendre les schémas d’exécution des agents et recueillir les retours humains de différents types de parties prenantes. Grâce à des démonstrations et des laboratoires pratiques, les étudiants développent des compétences pour créer des flux de travail d’évaluation qui favorisent l’amélioration continue de la qualité tout au long du cycle de vie de développement des agents IA.

Deploying and Monitoring Agent Applications on Databricks : ce cours couvre le cycle de vie de bout en bout pour le déploiement et la surveillance des agents d’IA générative sur Databricks. Les participants apprendront à déployer des agents en tant que Databricks Apps à l’aide des Declarative Automation Bundles (DABs), à intégrer des outils via le Model Context Protocol (MCP), à instrumenter les agents avec MLflow Tracing, et à évaluer la qualité en production à l’aide de scorers, de juges multi-tours et de l’évaluation en ligne. Grâce à des démos et des laboratoires pratiques, les participants acquerront une expérience pratique de la création, de l’observation et de la surveillance d’agents IA de niveau production sur la plateforme Databricks.

Deploying and Monitoring Agent Applications on Databricks

This course covers the end-to-end lifecycle for deploying and monitoring generative AI agents on Databricks. Participants will learn how to deploy agents as Databricks Apps using Declarative Automation Bundles (DABs), integrate tools via the Model Context Protocol (MCP), instrument agents with MLflow Tracing, and evaluate production quality using scorers, multi-turn judges, and online evaluation. Through hands-on demos and labs, participants will gain practical experience building, observing, and monitoring production-grade AI agents on the Databricks platform.

Note: Databricks Academy is transitioning to a notebook-based format for classroom sessions within the Databricks environment, discontinuing the use of slide decks for lectures. You can access the lecture notebooks in the Vocareum lab environment.

Building Agentic Applications on Databricks

This course teaches students how to build production-grade agentic applications on Databricks. Students learn to create governed agent tools using Unity Catalog and MCP, build single and multi-agent systems with the OpenAI Agents SDK, and leverage Agent Bricks and Genie for knowledge-assistant use cases orchestrated with a supervisor agent. The course covers the full progression from tool prototyping to production deployment, with hands-on experience using MLflow tracing to observe agent execution.