Envíanos tu consulta
Términos y condiciones *
*Si no puedes asistir en directo te facilitaremos un enlace para verlo en diferido
logoImagina
Formación
Modalidades
Próximas Convocatorias
Temario
FAQ
Solicitar información
iconoCurso

Curso de RAG (Generación Aumentada por Recuperación)

DISPONIBLE EN MODALIDAD:
aMedidaIcon
Aula Virtual Personalizada
arrowRightDark

Descubre cómo crear sistemas de Generación Aumentada por Recuperación (RAG) utilizando modelos de lenguaje, recuperación de información y bases de datos vectoriales. Desde la teoría hasta la implementación práctica, este curso te prepara para liderar proyectos innovadores en IA.

iconClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClient

Formación en RAG (Generación Aumentada por Recuperación) bonificable para empresas

A quién va dirigido nuestro curso de RAG (Generación Aumentada por Recuperación)

Ingenieros de datos, desarrolladores de IA y profesionales de analítica interesados en construir aplicaciones avanzadas de IA utilizando el enfoque RAG.

Objetivos de nuestro curso de RAG (Generación Aumentada por Recuperación)

  • Comprender el concepto de Generación Aumentada por Recuperación (RAG) y su aplicación en proyectos de IA.
  • Aprender a implementar arquitecturas RAG combinando modelos de lenguaje con bases de datos o documentos.
  • Diseñar flujos de trabajo de recuperación y generación optimizados para aplicaciones empresariales.
  • Integrar RAG con herramientas modernas como vectores de búsqueda y modelos preentrenados.
  • Evaluar y ajustar el rendimiento de sistemas RAG en escenarios del mundo real.

Qué vas a aprender en nuestro curso de RAG (Generación Aumentada por Recuperación)

Descubre cómo crear sistemas de Generación Aumentada por Recuperación (RAG) utilizando modelos de lenguaje, recuperación de información y bases de datos vectoriales. Desde la teoría hasta la implementación práctica, este curso te prepara para liderar proyectos innovadores en IA.

Requisitos de nuestro curso de RAG (Generación Aumentada por Recuperación)

  • Familiaridad con modelos de lenguaje (LLMs), bases de datos y conceptos básicos de procesamiento de lenguaje natural.
  • Acceso a un entorno Python con bibliotecas como LangChain, Hugging Face y FAISS instaladas.
  • Procesador con capacidad para tareas de IA, 16 GB de RAM, GPU opcional para entrenamiento de modelos y conexión estable a Internet.
  • Acceso a herramientas de procesamiento de datos o APIs de modelos preentrenados (como OpenAI o Hugging Face).

Temario del curso de RAG (Generación Aumentada por Recuperación)

tema 1

Introducción a RAG

  • Concepto de Generación Aumentada por Recuperación
  • Diferencias entre RAG y otras arquitecturas de IA
  • Ventajas del enfoque RAG en aplicaciones empresariales
  • Casos de uso en el mundo real
  • Componentes principales de un sistema RAG
  • Relación entre recuperación y generación de texto
  • Flujo de trabajo general en RAG
  • Limitaciones actuales y desafíos
  • Requisitos previos para implementar RAG
  • Herramientas y tecnologías clave
iconArrowDown
tema 2

Fundamentos de Modelos de Lenguaje y Recuperación

  • Introducción a modelos preentrenados (LLMs)
  • Principios de recuperación de información
  • Bases de datos tradicionales vs bases de datos vectoriales
  • Rol del contexto en la generación de texto
  • Integración de recuperación y generación en IA
  • Configuración básica de entornos para RAG
  • Ejercicio práctico: configuración de un LLM
  • Diferencias entre embeddings y tokens
  • Métricas de calidad en recuperación de datos
  • Optimización de consultas para mejorar la recuperación
iconArrowDown
tema 3

Construcción de Bases de Datos Vectoriales

  • ¿Qué son las bases de datos vectoriales?
  • Instalación y configuración de FAISS
  • Creación de embeddings con modelos preentrenados
  • Indexación eficiente de documentos
  • Ejercicio práctico: creación de una base vectorial simple
  • Uso de Pinecone y Weaviate como alternativas
  • Evaluación del rendimiento de búsquedas vectoriales
  • Técnicas de reducción de dimensionalidad
  • Casos de uso empresariales de bases vectoriales
  • Mejores prácticas en la gestión de datos vectoriales
iconArrowDown
tema 4

Procesamiento de Documentos para RAG

  • Tipos de datos compatibles con RAG
  • Limpieza y preprocesamiento de datos textuales
  • Técnicas de tokenización y embeddings
  • Uso de OCR para documentos no estructurados
  • Indexación de datos categorizados
  • Ejercicio práctico: preprocesamiento y carga de documentos
  • Conversión de datos a formatos vectoriales
  • Herramientas para extracción de entidades (NER)
  • Análisis de documentos en múltiples idiomas
  • Resolución de problemas comunes en el preprocesamiento
iconArrowDown
tema 5

Implementación Básica de RAG

  • Flujo de trabajo general de un sistema RAG
  • Configuración de pipelines de recuperación y generación
  • Integración de bases de datos vectoriales con LLMs
  • Ejercicio práctico: implementación de un sistema RAG básico
  • Uso de LangChain para simplificar la construcción
  • Ajuste de parámetros de generación
  • Monitorización del rendimiento del sistema
  • Incorporación de respuestas personalizadas
  • Manejo de consultas no válidas o ambiguas
  • Métricas para evaluar sistemas RAG
iconArrowDown
tema 6

Integración Avanzada de Herramientas en RAG

  • Uso de LangChain para flujos de trabajo avanzados
  • Integración de APIs externas para recuperación de datos
  • Construcción de pipelines de múltiples etapas
  • Ejercicio práctico: creación de un pipeline complejo
  • Implementación de búsquedas jerárquicas
  • Integración con servicios en la nube (AWS, Azure, GCP)
  • Uso de modelos específicos de dominio en RAG
  • Optimización del flujo de recuperación
  • Resolución de conflictos entre datos recuperados
  • Mejores prácticas para flujos avanzados
iconArrowDown
tema 7

Personalización de Modelos para RAG

  • Adaptación de modelos preentrenados a datos específicos
  • Fine-tuning de LLMs para tareas personalizadas
  • Ejercicio práctico: fine-tuning de un modelo Hugging Face
  • Evaluación del impacto de datos específicos en resultados
  • Configuración de hiperparámetros para generación
  • Uso de transfer learning en aplicaciones RAG
  • Análisis de trade-offs en personalización
  • Consideraciones éticas en el entrenamiento de modelos
  • Mejores prácticas para fine-tuning eficiente
  • Técnicas para mejorar la calidad del texto generado
iconArrowDown
tema 8

Optimización y Rendimiento en RAG

  • Identificación de cuellos de botella en sistemas RAG
  • Técnicas para mejorar la velocidad de recuperación
  • Optimización de consultas en bases vectoriales
  • Uso de memoria eficiente en generación
  • Ejercicio práctico: optimización de un sistema RAG
  • Análisis de logs para identificar problemas
  • Técnicas de escalado para grandes volúmenes de datos
  • Comparación de rendimiento entre configuraciones
  • Mejores prácticas en la optimización de RAG
  • Resolución de problemas de rendimiento comunes
iconArrowDown
tema 9

Evaluación y Validación de Sistemas RAG

  • Métricas de evaluación en recuperación y generación
  • Métodos para evaluar la relevancia de respuestas
  • Ejercicio práctico: análisis de precisión y recall
  • Análisis de coherencia y fluidez en generación
  • Uso de evaluaciones automáticas y humanas
  • Validación de sistemas en entornos productivos
  • Técnicas para identificar errores en respuestas
  • Incorporación de retroalimentación del usuario
  • Mejores prácticas en la validación de sistemas RAG
  • Resolución de discrepancias entre recuperación y generación
iconArrowDown
tema 10

Casos de Uso y Proyecto Final

  • Implementación de un chatbot basado en RAG
  • Creación de asistentes empresariales personalizados
  • Uso de RAG para generación de reportes automatizados
  • Ejercicio práctico: desarrollo de un caso de uso propio
  • Integración con sistemas existentes en la empresa
  • Evaluación del impacto del sistema RAG
  • Documentación del flujo de trabajo implementado
  • Presentación de resultados y lecciones aprendidas
  • Escenarios avanzados y áreas de mejora
  • Propuestas para extender el proyecto en el futuro
iconArrowDown