RAGs

Dando acceso a ChatGPT a conocimiento personalizado

Data Bootcamp

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 (RAGS). Profundizaremos en cómo los RAGS 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 y actualizada.

Importancia de los RAGS en Modelos de Lenguaje

Los RAGS son fundamentales para la evolución de los modelos de lenguaje grande (LLM), como ChatGPT. A través de la integración de conocimientos externos en tiempo real, estos sistemas permiten que los LLM no solo accedan a una vasta cantidad de información actualizada sino que también aprendan y se adapten a nueva información de manera continua. Esta capacidad de recuperación y aprendizaje mejora significativamente la generación de texto, permitiendo que los modelos respondan con una precisión y relevancia sin precedentes. Este enriquecimiento de conocimientos es crucial para aplicaciones que demandan una gran precisión y contextualización, abriendo nuevas posibilidades en campos como la asistencia médica, el análisis financiero, y más.

Contenido del Curso

Fundamentos de IA Generativa y RAG
- Introducción a la generación de contenido asistida y los modelos de lenguaje.
- Clases sobre los fundamentos de la IA generativa, términos clave, desafíos y evolución de los LLMs.
- Impacto de la IA generativa en diversos sectores.
Profundización en Modelos de Lenguaje Grande
- Introducción y desarrollo de LLMs, incluyendo modelos base y modelos afinados.
- Exploración del paisaje actual de los LLMs, sus limitaciones y cómo mitigar errores comunes como las alucinaciones.
Acceso y Uso de LLMs
- Uso práctico de ChatGPT, incluyendo laboratorios prácticos y acceso a la API de OpenAI.
Optimización de LLMs
- Técnicas avanzadas para mejorar el desempeño de los modelos, incluyendo RAG con Grafos de Conocimiento y desarrollo de modelos personalizados.
Aplicaciones y Casos de Uso de RAGs
- Discusión sobre los beneficios y limitaciones de los RAGs, con ejemplos de implementaciones reales y su impacto en diferentes industrias.
Herramientas para el Desarrollo de RAG
- Instrucción sobre el uso de herramientas específicas para el desarrollo de RAGs, incluyendo plataformas No-Code como Flowise, LangChain y LlamaIndex.
Componentes Técnicos y Avanzados de RAG
- Detalles sobre la arquitectura del RAG, los pipelines de indexación, fragmentación de documentos y el uso de embeddings y bases de datos vectoriales.
Laboratorios y Proyectos Prácticos
- Series de laboratorios prácticos y proyectos que guían a los participantes a través del desarrollo de un RAG de principio a fin, utilizando herramientas como Flowise y LangChain.

Metodología

El curso alterna entre sesiones teóricas que proporcionan una comprensión profunda de los RAGS y sesiones prácticas que permiten a los participantes experimentar con la tecnología en escenarios controlados y reales.

Este programa es perfecto para aquellos que están listos para llevar la funcionalidad de ChatGPT y otros modelos de lenguaje a niveles de desempeño nunca antes vistos, haciendo de los RAGS una herramienta indispensable en el campo de la inteligencia artificial.

Requisitos

No se requiere experiencia previa en programación. El curso incluirá el uso de herramientas No-Code para facilitar el aprendizaje y la implementación de RAGS.

Enroll now

Or start a personal plan

And upskill your team with Udemy

What's inside

Learning objectives

Fundamentos de ia generativa y rag
Profundización en modelos de lenguaje grande
Acceso y uso de los llm más conocidos
Aplicaciones y casos de uso de rags
Herramientas para el desarrollo de rag: flowise, langchain. llamaindex, etc

Componentes técnicos y avanzados de rag
Embeddings: la clave para preprocesar los textos y trnasformarlos en vectores
Bases de datos vectoriales para almacenar el conocimiento de los rags
Evaluación de los rags

Fundamentos de ia generativa y rag
Profundización en modelos de lenguaje grande
Acceso y uso de los llm más conocidos
Aplicaciones y casos de uso de rags
Herramientas para el desarrollo de rag: flowise, langchain. llamaindex, etc
Componentes técnicos y avanzados de rag
Embeddings: la clave para preprocesar los textos y trnasformarlos en vectores
Bases de datos vectoriales para almacenar el conocimiento de los rags
Evaluación de los rags

Syllabus

Introducción

Introducción al curso

Material del curso

Introducción a la IA Generativa

Fundamentos de la IA Generativa y papel de los RAG

Términos Clave de la IA Generativa y los RAG

Desafios y evolución de los LLMs

Impacto de la IA Generativa

Introducción a los modelos de lenguaje grande (LLM)

Desarrollo de un LLM: Base Model e Instruction Tuned Model

LLM Landscape

Limitaciones de los LLM

Cómo mitigar las alucinaciones de los LLM

Acceso y uso de los principales Modelos de Lenguaje Grande (LLMs)

Los modelos de lenguaje (LLMs) más conocidos

Introducción a ChatGPT

Laboratorio Práctico: Primeros pasos con ChatGPT

Funcionamiento y Acceso a la API de OpenAI

Todo sobre Gemini el competidor de ChatGPT lanzado por Google

Modelos Open Source y Modelos Específicos de Dominio

Mejorando los Modelos de Lenguaje (LLMs)

Técnicas para mejroar el desempeño de un modelo

Técnicas de Zero Shot Learning y Few Shot Learning

Técnica de Retrieval Augmented Generation (RAG)

Técnica de RAG con Grafos de Conocimiento

Modelos Personalizados y cómo desarrollarlos

Consideraciones importantes al aplicar técnicas de optimización de modelos

Fundamentos de los RAGs (Retrieval Augmented Generation)

Limitaciones de los LLM y RAGs como solución

Beneficios de los RAGs y consideraciones importantes

Ajustando el modelo: RAG vs Fine-Tunning

Aplicaciones del los RAGs

Aplicacion de los RAGs en un caso de uso real

Aplicaciones de los RAGs en diferentes campos y casos de uso

Proyecto real de un RAG en producción de principio a fin

Herramientas para el desarrollo de un RAG

Componentes y arquitectura del RAG

LangChain: el marco por excelencia para las apps basadas en LLMs

LlamaIndex: otro marco para programar las apps basadas en LLMs

CustomGPTs de Open AI

Fundamentos de los CustomGPTs como RAGs

Desarrollando nuestro propio Custom GPT personalizado

Dando conocimiento a los CustomGPTs

Tipos de consultas: Searching My Knowledge y Analyzing

Consideraciones importantes a la hora de trabajar con documentos

Langchain: el marco perfecto para el desarrollo de RAGs

Introducción a LangChain

Casos de uso y componentes de LangChain

Dando acceso a datos externos a traves de Indices de LangChain

Como generar un RAG con LangChain y ChatGPT

Laboratorio Práctico: Desarrollo de un RAG con LangChain y ChatGPT

Componentes del RAG

Indexing Pipeline y del Rag Pipeline

Lab Práctico (I): Desarrollo de un RAG de Principio a Fin con Flowise

Lab Práctico (II): Desarrollo de un RAG de Principio a Fin con Flowise

Ejercicio Práctico: Diseño del asistente personalizado

Solucion: Diseño del asistente personalizado

Flowise: Desarrollo de RAGs sin código (No code)

Introducción a Flowise

Características de Flowise

Instalación de Flowise

Primeros pasos con Flowise

Ejercicio Práctico: Desarrollo de un ChatFlow Básico

Solucion: Diseño de un ChatFlow Básico

Indexing Pipeline

Indexing Pipeline de los RAGs

Laboratorio Práctico: Creación del Indexing Pipeline con Flowise

Extracción de datos de diferentes fuentes con LlamaIndex y Langchain

Lab Práctico: Obteniendo información de diferentes fuentes: txt, PDF y Wikipedia

Fragmentación de Documentos

Importancia de la fragmentación y consideraciones importantes

Tipos de fragmentadores

Laboratorio Practico: Diferentes tipos de Fragmentadores en Flowise

Ejemplos prácticos de cuando implementar cada tipo de fragmentador

Embeddings: transformando el texto en vectores numéricos

Que son los embeddings y su funcionamiento

Laboratorio Practico: Como añadir el modelo de Embedding Ada002 en Flowise

Diferentes modelos de embeddings y como elegir el más adecuado

Lab Practico: Diferentes modelos de Embedding en Flowise

Bases de Datos Vectoriales

Funcionamiento de las Bases de Datos Vectoriales

Fundamentos de Pinecone

Añadiendo el Vector Store de Pinecone

Carga de Embeddings e Indices desde Pinecone

Diferentes tipos de Bases de Datos Vectoriales

Multi Retrieval QA Chain con Multiples BD Vectoriales Simultaneas

Vectara Una Base de Datos Vectorial y un RAG as a Service

Cómo elegir el tipo de Base de Datos Vectorial que se ajusta mejor

Ejercicio Práctico: Desarrollo de Indices y Embeddings para Pinecone

Solucion: Desarrollo de Indices y Embeddings para Pinecone

RAG Pipeline: La parte generativa con el Modelo de Lenguaje

Funcionamiento y componentes del RAG Pipeline

Laboratorio Práctico: Desarrollo del RAG Pipeline con Flowise

BD vectoriales persistentes, indices temporales y small data

Ejercicio Práctico: Desarrollo de un LLM Personalizado

Solución: Desarrollo de un LLM Personalizado

Búsqueda y recuperación de la información

Good to know

Know what's good

, what to watch for

, and possible dealbreakers

Profundiza en modelos de lenguaje como ChatGPT, aportando conocimientos específicos del sector y mejorando la precisión y relevancia de las respuestas

Desarrolla habilidades profesionales en el campo de la inteligencia artificial, haciendo hincapié en la integración de LLMs y RAGs para aplicaciones prácticas

Proporciona una base sólida para los recién llegados y mejora los conocimientos existentes para los profesionales experimentados en el dominio de la inteligencia artificial

Emplea técnicas avanzadas como RAG con grafos de conocimiento y desarrollo de modelos personalizados para mejorar el rendimiento de los LLMs

Utiliza herramientas específicas y marcos de desarrollo como Flowise y LangChain para facilitar el desarrollo de RAGs

Requiere experiencia previa en programación, lo que puede ser una barrera para los principiantes o aquellos sin conocimientos técnicos

Save this course

Save RAGs: Dando acceso a ChatGPT a conocimiento personalizado to your list so you can find it easily later:

Save

Activities

Be better prepared before your course. Deepen your understanding during and after it. Supplement your coursework and achieve mastery of the topics covered in RAGs: Dando acceso a ChatGPT a conocimiento personalizado with these activities:

Guía paso a paso de uso de ChatGPT y otros LLM

Show steps

Familiarízate con las funciones básicas y avanzadas de ChatGPT y otros LLM para aprovechar al máximo su potencial en el curso.

Browse courses on ChatGPT

Show steps

Explora la interfaz de ChatGPT y sus funciones básicas.
Experimenta con diferentes tipos de indicaciones para ajustar las respuestas.
Descubre técnicas avanzadas para obtener respuestas más precisas y personalizadas.

Ejercicios prácticos con RAGs y LLM

Show steps

Refuerza tu comprensión aplicando los conceptos de RAG y LLM a través de ejercicios prácticos que simulan escenarios del mundo real.

Browse courses on RAG

Show steps

Crea indicaciones personalizadas para RAG para recuperar información específica.
Optimiza las indicaciones de LLM para generar respuestas más relevantes y precisas.
Evalúa la calidad de las respuestas de RAG y LLM utilizando métricas cuantitativas y cualitativas.

Crea un asistente virtual personalizado con RAGs y LLM

Show steps

Pon en práctica tus habilidades creando un asistente virtual personalizado impulsado por RAG y LLM, lo que te permitirá interactuar con los modelos de lenguaje de forma natural.

Browse courses on RAG

Show steps

Diseña la interfaz de usuario y las funcionalidades de tu asistente virtual.
Integra RAG y LLM en el asistente para responder preguntas y proporcionar información.
Prueba y mejora el asistente virtual para garantizar respuestas precisas y relevantes.

Show all three activities

Career center

Learners who complete RAGs: Dando acceso a ChatGPT a conocimiento personalizado will develop knowledge and skills that may be useful to these careers: