RAGs: Dando acceso a ChatGPT a conocimiento personalizado

Este curso está diseñado específicamente para profesionales que desean desbloquear el potencial completo de modelos de lenguaje como ChatGPT a través de los sistemas de Generación Aumentada por Recuperación (RAG). Profundizaremos en cómo los RAG transforman estos modelos de lenguaje en herramientas de alto rendimiento y expertas en múltiples disciplinas, al proporcionarles acceso directo y en tiempo real a información relevante, actualizada e incluso privada.

Por qué importan los RAG

Los RAG son fundamentales para la evolución de los modelos de lenguaje grande (LLM), como ChatGPT. A través de la integración de conocimiento externo en tiempo real, estos sistemas permiten que los LLM accedan a información actualizada y se adapten continuamente a nuevos datos, sin necesidad de reentrenar el modelo. Esto mejora de forma significativa la precisión y relevancia de las respuestas — algo crítico en sanidad, análisis financiero, legal, y cualquier campo donde las alucinaciones no son aceptables.

Este curso es para ti si:

• Quieres ir más allá de usar ChatGPT y aprender a darle conocimiento propio y verificable

• Necesitas que tus respuestas de IA se basen en documentos reales de tu empresa, no en el entrenamiento genérico del modelo

• Buscas tanto la vía con código (LangChain, LlamaIndex) como sin código (Flowise)

• Te preocupa la privacidad y necesitas desplegar soluciones de IA en local, sin enviar datos a APIs externas

Al finalizar sabrás:

• Los fundamentos de la IA Generativa y los LLM, y cómo el RAG resuelve sus limitaciones principales, incluidas las alucinaciones

• Usar ChatGPT y la API de OpenAI, y comparar con alternativas como Gemini

• Construir CustomGPTs enriquecidos con tu propia base de conocimiento

• La arquitectura completa de un RAG: indexing pipeline, fragmentación de documentos, embeddings y recuperación

• Trabajar con Bases de Datos Vectoriales — Pinecone, Vectara — y elegir la más adecuada según tu caso

• Construir sistemas RAG tanto con código (LangChain, LlamaIndex) como sin código (Flowise)

• Desplegar RAG en local para máxima privacidad de datos, con Docker, LocalAI, GPT4All y modelos Llama2

• Evaluar el rendimiento de un RAG con RAGAS y el RAG Triad de TrueLens

Laboratorios y proyectos prácticos:
Este no es un curso solo de teoría. Completarás un proyecto completo de asistente personalizado de principio a fin — combinando web scraping, Pinecone y Conversational Retrieval QA Chain — además de decenas de laboratorios prácticos construyendo índices, embeddings, chatflows y pipelines de evaluación con Flowise y LangChain. Incluye también 7 cuestionarios de repaso a lo largo del curso.

Metodología

El curso alterna entre sesiones teóricas que dan una comprensión profunda del RAG y sesiones prácticas donde experimentas con la tecnología en escenarios controlados y reales — incluyendo un módulo dedicado a desplegar RAG en local cuando los datos no pueden salir de tu infraestructura.

Este programa es perfecto para quienes están listos para llevar la funcionalidad de ChatGPT y otros modelos de lenguaje a niveles de desempeño y fiabilidad nunca antes vistos, haciendo del RAG una herramienta indispensable en el campo de la IA aplicada.

Requisitos: No se requiere experiencia previa en programación. Se usan herramientas No-Code como Flowise a lo largo de todo el curso para hacer el RAG accesible a cualquier persona.