RAG práctico: Construcción de aplicaciones LLM con datos de origen

El poder de los modelos de lenguaje grande está limitado por sus datos de entrenamiento.Este curso proporciona una base práctica en la generación aumentada de recuperación (RAG), el patrón esencial para construir aplicaciones LLM confiables y basadas en hechos. Pasará de la simple inyección de prompts y aprenderá a diseñar una canalización de datos completa que recupere el contexto relevante antes de generar una respuesta.Dominar RAG es crucial para implementar LLMs de manera efectiva en entornos específicos de dominio o empresariales. Lo que aprenderás: * Comprender los componentes principales y el flujo de trabajo de un sistema de generación aumentada de recuperación (RAG). * Aplicar técnicas para la preparación de datos, fragmentación y creación de incrustación para una recuperación efectiva. * Configurar el almacenamiento de vectores y las estrategias de indexación para optimizar la latencia y la relevancia de la recuperación. * Diseñar estrategias de recuperación robustas, incluyendo mecanismos avanzados de consulta y reclasificación. * Practicar ingeniería avanzada de prompt para sintetizar el contexto recuperado en respuestas coherentes y respaldadas por fuentes. * Evaluar la calidad de la tubería RAG utilizando métricas clave para la fidelidad, la relevancia y la utilización del contexto. El curso comienza con conceptos fundamentales y pasa por las fases de ingestión y recuperación de datos, culminando en ejercicios prácticos centrados en la generación y el aseguramiento de la calidad.Este curso está diseñado para principiantes y desarrolladores nuevos en el ecosistema LLM que desean pasar de la comprensión teórica al desarrollo de aplicaciones prácticas. No se requiere experiencia previa con bases de datos vectoriales o aprendizaje automático avanzado. Comience a crear su primera aplicación RAG lista para la producción hoy mismo.