# Laboratorio: Construcción de un evaluador de productos con IA Construye una canalización (pipeline) completa de análisis de comentarios para un producto de IA ficticio llamado Jarvis. Escribirás código en Node.js que ejecute LLMs locales y modelos de incrustación (embeddings) a través de Docker Model Runner; sin claves de API, sin suscripciones a la nube y sin que los datos salgan de tu máquina. ## Iniciar el laboratorio

  1. Inicia el labspace:

    $ docker compose -p labspace -f oci://dockersamples/labspace-creating-ai-product-reviewer up -d

  2. Abre tu navegador en http://localhost:3030.

  3. Cuando hayas terminado, elimina el labspace:

    $ docker compose -p labspace down
## Qué aprenderás Al final de este Labspace, habrás completado lo siguiente: - Ejecutar LLMs localmente a través de la API compatible con OpenAI de Docker Model Runner. - Conectar una aplicación Node.js a Docker Model Runner usando el SDK de OpenAI y la integración de `models:` en Compose. - Realizar análisis de sentimientos utilizando clasificación LLM a baja temperatura. - Usar embeddings y similitud del coseno para agrupar comentarios relacionados semánticamente. - Extraer datos estructurados de un LLM usando `response_format: { type: 'json_object' }`. - Generar respuestas contextuales a las reseñas basadas en las características del producto extraídas. ## Módulos | # | Módulo | Descripción | | --- | ----------------------------------- | ---------------------------------------------------------------------------------- | | 1 | Introducción | Descripción general de la canalización y configuración de Docker Model Runner | | 2 | Configuración del proyecto y Docker Model Runner | Explorar el proyecto inicial y conectar la integración del modelo en Compose | | 3 | Generación de comentarios sintéticos | Usar el LLM para generar reseñas de productos realistas como datos de prueba | | 4 | Análisis de sentimientos | Clasificar las reseñas como positivas, negativas o neutras con generación a baja temperatura | | 5 | Embeddings y agrupamiento semántico | Agrupar reseñas relacionadas usando embeddings vectoriales y similitud del coseno | | 6 | Características y respuestas | Extraer características procesables y generar respuestas contextuales a las reseñas | | 7 | Cierre | Resumen de técnicas e ideas para extender la canalización |