Construcción de sistemas RAG: Búsqueda, Reranking y Evaluación

A medida que los Large Language Models (LLMs) transforman el desarrollo de software, la capacidad de conectarlos con datos personalizados se está convirtiendo en una habilidad crítica. Retrieval-Augmented Generation (RAG) es el estándar de la industria para hacer que las respuestas de AI sean precisas y conscientes del contexto. Este curso basado en texto le guía a través de la construcción de un sistema RAG desde cero. Comenzará con la terminología central de AI y búsqueda vectorial, para luego avanzar hacia la implementación de búsqueda híbrida, la aplicación de técnicas de reranking y la evaluación de la calidad de las respuestas de su sistema utilizando patrones modernos de Python. Lo que aprenderá: - Comprender los conceptos fundamentales de Retrieval-Augmented Generation y modelos de embedding. - Construir pipelines de datos personalizados para preparar e ingerir texto en bases de datos vectoriales modernas. - Implementar estrategias de búsqueda híbrida combinando recuperación por palabras clave y semántica. - Aplicar algoritmos de reranking para mejorar la relevancia del contexto recuperado. - Evaluar la precisión y calidad de las respuestas generadas por LLM utilizando métricas actuales de la industria. - Practicar la integración de conceptos básicos de prompt engineering para optimizar los resultados de AI. El plan de estudios fluye lógicamente desde definiciones básicas y conceptos centrales de AI hasta pasos de implementación práctica. Leerá explicaciones claras y estudiará fragmentos de código bien estructurados para construir su comprensión de la integración moderna de backend de AI. Diseñado para principiantes y desarrolladores con conocimientos básicos de programación, este curso no requiere experiencia previa en machine learning. Comience a leer hoy mismo para desarrollar sus habilidades fundamentales en Retrieval-Augmented Generation.