Chelsea AI Ventures

Recursos de IA

Guías prácticas, artículos y herramientas para su camino en la IA

Publicamos un artículo casi todas las semanas en el boletín de Chelsea AI sobre qué funciona en la IA en producción y qué no. Aquí se agrupan en cuatro temas, junto con apariciones en pódcast y sesiones grabadas, cada uno con un resumen para que sepa si le merece la pena antes de salir de la página. Debajo están los libros de nuestro director y nuestras charlas.

Explorar por tema

Cuatro hilos recorren todo lo que publicamos. Cada uno reúne los artículos sobre una parte de lo que hacemos.

Libros de nuestro equipo

Nuestros programas integrales de formación se basan en la experiencia práctica de implementación presentada en libros superventas escritos por nuestro equipo

Cover of Retrieval Augmented Generation, The Seminal Papers

Retrieval Augmented Generation, The Seminal Papers

Published: March 2026 | New Release

Principles for architecting reliable and verifiable AI

Retrieval Augmented Generation (RAG) is a standard process for grounding LLM prompts in user-specified content rather than relying only on a model’s training data. RAG has grown from a simple prompt engineering workflow into a sophisticated set of data analysis, storage, and retrieval techniques. Retrieval Augmented Generation, The Seminal Papers explores foundational research papers that explain why RAG works, how it’s built, and what makes it different from other approaches.

Focus areas include:

Retrieval Augmented Generation AI Architecture Verifiable AI
View Now →
Cover of Generative AI with LangChain

Generative AI with LangChain (2nd edition)

Published: May 2025 | Amazon Bestseller in Programming

Build production ready LLM applications and advanced agents using Python and LangGraph

A practical guide to leveraging LangChain and LangGraph for GenAI implementation, with real-world examples ranging from customer support to data analysis. The 2025 edition features updated code examples and improved GitHub repository.

Focus areas include:

Enterprise-grade LLM application architecture Prompt engineering best practices RAG implementation for knowledge augmentation Custom agent development Production deployment strategies
View on Amazon →
Cover of Machine Learning for Time Series

Machine Learning for Time Series

Published: October 2021 | Industry Standard Reference

Forecast, predict, and detect anomalies with state-of-the-art machine learning methods

Use Python to forecast, predict, and detect anomalies with state-of-the-art machine learning methods. This comprehensive guide covers everything from data preprocessing to advanced models for time-dependent data. The included tutorials range from simple forecasting to complex deep learning architectures for time series analysis.

Focus areas include:

Anomaly detection systems Forecasting methodologies Feature engineering for time-series Deep learning approaches Production deployment patterns Time series preprocessing techniques LSTM and RNN architectures
View on Amazon →
Cover of Artificial Intelligence with Python Cookbook

Artificial Intelligence with Python Cookbook

Published: October 2020 | BookAuthority Best-Seller

Proven recipes for applying AI algorithms and deep learning techniques

Proven recipes for applying AI algorithms and deep learning techniques using TensorFlow and PyTorch. The practical cookbook approach provides ready-to-use solutions for common AI challenges, from computer vision to natural language processing, with complete code examples and detailed explanations of implementation considerations.

Focus areas include:

Deep learning fundamentals Computer vision applications NLP implementation techniques Reinforcement learning Model optimization strategies Transfer learning approaches Hyperparameter tuning
View on Amazon →
Ver página de autor en Amazon

Conferencias y educación

The GenAI Build Lab: Build Production-Ready RAG with Open Models

Packt Publishing, 2026

Focus: RAG listo para producción sobre modelos abiertos pequeños: búsqueda híbrida y reranking, recuperación correctiva, evaluación con RAGAS y modelos de guardrail abiertos

Designing secure, customised, and sovereign LLM workflows

DataFest Tbilisi 2025

Focus: Taller sobre canalizaciones de agentes en cascada, salida estructurada con gramáticas, barreras de seguridad y evaluación con un conjunto de referencia en CPU local

Ver la página del evento

Why open-source LLMs are the future of enterprise AI

DataFest Tbilisi 2025

Focus: Del uso de API públicas a modelos de código abierto en infraestructura propia, y dónde encajan los modelos de lenguaje pequeños

Ver la página del evento

Moving Beyond Statistical Parrots: LLMs and Their Tooling

Put Generative AI to Work 2023, ODSC 2024, Data Science Week Amsterdam

Focus: LLMs de código abierto e implementación empresarial

Future of Data Science and LLMs

PyData London 2023

Focus: Mesa redonda sobre tecnologías de IA de código abierto

Experimentation at Scale at loveholidays

RE•WORK, 2023

Focus: Decenas de pruebas A/B simultáneas en una plataforma propia, con poco sesgo y menor demora

Ver la grabación

Mastering Machine Learning Techniques for Time-Series Analysis

PyData Bristol 2023

Focus: Extracción de características, previsión y detección de anomalías en series temporales con Python

Ver las diapositivas

Time-Series Development

University of Oxford 2023

Focus: Clase invitada en el curso Artificial Intelligence: Cloud and Edge Implementations

Strategic AI Implementation

Data & Analytics Summit EU 2022

Focus: Estrategia empresarial de IA y hojas de ruta de implementación

Time-Series in Python: Preprocessing and ML

ODSC 2022

Focus: Técnicas de aprendizaje automático para datos de series temporales

ML: The Good, The Bad and the Ugly

DataFest Tbilisi 2019

Focus: Dónde funciona el aprendizaje automático en producción y dónde falla

Apariciones en pódcast:

¿Busca ponente para una conferencia, una sesión interna o un podcast? Aceptamos algunos al año, sobre IA generativa, MLOps y series temporales. Escríbanos