Curso de RAG (Generación Aumentada por Recuperación) para tu equipo

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

¿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

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

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

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

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

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

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

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