«Buscame vuelos a Bariloche, un hotel cerca del centro y qué hacer el finde.» Un solo agente se marea con todo eso. La gracia está en varios agentes especializados que se coordinan, aunque usen framew… See more

«Buscame vuelos a Bariloche, un hotel cerca del centro y qué hacer el finde.» Un solo agente se marea con todo eso. La gracia está en varios agentes especializados que se coordinan, aunque usen frameworks distintos. En este taller construimos en vivo, paso a paso, un concierge de viajes multiagente. La idea central: tratamos a cada agente como una herramienta. Con un adapter chiquito, cualquier agente: Python puro o LangGraph; se expone como servidor MCP y se llama siempre igual, sin lock-in. Después los coordinamos de las dos formas clásicas (supervisor y swarm) y rompemos el sistema con una race condition para arreglarla. Agenda: El caso: un concierge de viajes y por qué un agente no alcanza (8 min) Lab 1 - Tu primer agente como herramienta MCP: AgenteVuelos (12 min) Lab 2 - Sumamos AgenteHoteles en otro framework, mismo cliente (12 min) Lab 3 - Que trabajen juntos: modo supervisor (12 min) Lab 4 - Lo mismo en swarm + rompemos y arreglamos una race condition (12 min) Escalar a 100 + template para seguir solo + Q&A (4 min) Sobre Axel Sirota: I'm the founder of Data Trainers LLC and a PhD candidate in Machine Learning at the University of Buenos Aires, focusing on NLP, LLMs, and Generative AI. I enjoy creating engaging courses for Pluralsight, O'Reilly Media, and LinkedIn, and love sharing my knowledge through global corporate trainings. Show less

El futuro es Agentic.. En este workshop vas a construir tu primer agente de AI real y verlo colaborar en vivo con otros. Usando el nuevo Model Context Protocol (MCP) y los Agent2Agent vamos a implemen… See more

El futuro es Agentic.. En este workshop vas a construir tu primer agente de AI real y verlo colaborar en vivo con otros. Usando el nuevo Model Context Protocol (MCP) y los Agent2Agent vamos a implementar agentes que se hablen entre sí, tomen decisiones y orquesten tareas complejas a lo Skynet Al final te vas a llevar: (1) un repo multi-agente funcionando en Cursor con un template, (2) una idea clara de cómo se construyen estos sistemas, y (3) la confianza para arrancar por tu cuenta. Tanto si solo escuchaste hablar de los agentes como si querés empezar a construir con ellos, este es tu momento. Si tenés curiosidad, este taller es para vos. 1. Contruyamos un Agente con MCP (10 mins) 2. Orchestacion de Agentes (A2A, Nodes y Crew) (10 mins) 3. Haciendo un sistema multiagente que arme vacaciones! (20 min) 4. Patrones, templates, Cursor y mas yerbas (10 mins) 5. Q&A La idea es no solo presentar un sistema multiagente con pros y cons, sino llevarse un template de como podes armarlos vos! Sobre Axel Sirota: I'm the founder of Data Trainers LLC and a PhD candidate in Machine Learning at the University of Buenos Aires, focusing on NLP, LLMs, and Generative AI. I enjoy creating engaging courses for Pluralsight, O'Reilly Media, and LinkedIn, and love sharing my knowledge through global corporate trainings. Show less

¿Le pagás a una API gigante para una tarea chica, repetitiva y siempre igual? Hay otra opción: entrenar un modelo chico, tuyo y experto en ESO, y hostearlo vos. En este taller, paso a paso y en vivo,… See more

¿Le pagás a una API gigante para una tarea chica, repetitiva y siempre igual? Hay otra opción: entrenar un modelo chico, tuyo y experto en ESO, y hostearlo vos. En este taller, paso a paso y en vivo, fine-tuneamos un LLM chico con QLoRA en Colab (GPU T4 gratis), lo self-hosteamos y construimos un agente que lo usa como herramienta. La idea: un modelo especializado, barato y privado, que tu agente llama cuando le conviene, en vez de mandar todo afuera. Agenda: El problema: por qué no mandar TODO a una API gigante (7 min) Lab 1 - PEFT en vivo: LoRA/QLoRA sobre un modelo chico en Colab T4 (15 min) Lab 2 - Self-hosting: del adapter (~100 MB) al modelo servido (Ollama/vLLM) (13 min) Lab 3 - El agente: exponemos tu modelo como herramienta y que lo use cuando conviene (15 min) ¿Cuándo fine-tunear vs solo promptear? costos, privacidad y template (6 min) + Q&A (4 min) Te vas a llevar tres cosas: un notebook que fine-tunea un LLM con QLoRA y te deja un adapter chiquito (MB, no GB); tu modelo experto self-hosted y servido, sin depender de una API externa; y un agente que lo usa como herramienta, con el criterio de cuándo conviene fine-tunear. Sobre Axel Sirota: I'm the founder of Data Trainers LLC and a PhD candidate in Machine Learning at the University of Buenos Aires, focusing on NLP, LLMs, and Generative AI. I enjoy creating engaging courses for Pluralsight, O'Reilly Media, and LinkedIn, and love sharing my knowledge through global corporate trainings. Show less