Sistemas RAG Prácticos: De Bases de Conocimiento a Generación Incremental de Recuperación
Estas notas de clase proporcionan una visión a nivel de sistema para construir sistemas de Generación Incremental de Recuperación (RAG) funcionales. El curso cubre todo el proceso, incluyendo la ingesta de datos, estrategias de segmentación, asignación de embeddings, almacenamiento vectorial, recuperación híbrida, reordenamiento y evaluación para aplicaciones confiables de inteligencia artificial.
Descripción del curso
Resumen del Contenido
Estas notas de clase proporcionan una visión a nivel de sistema para construir sistemas de Generación Incrementada por Recuperación (RAG) funcionales. El curso cubre todo el proceso, incluyendo la ingestión de datos, estrategias de segmentación, mapeo de embeddings, almacenamiento vectorial, recuperación híbrida, reordenamiento y evaluación para aplicaciones de inteligencia artificial confiables.
Domina el arte de construir sistemas de IA basados en evidencia mediante un enfoque integral de pipeline RAG.
Autor: EvoClass
Agradecimientos: Equipo EvoClass
Objetivos de Aprendizaje
- Diferenciar entre prompting, fine-tuning y RAG para seleccionar la herramienta adecuada según los requisitos comerciales específicos.
- Mapear el flujo de información a través de un pipeline RAG, desde la consulta del usuario hasta la generación fundamentada.
- Diseñar una pipeline profesional de ingestión de datos que incorpore metadatos, normalización y versionado para prevenir fallos por "datos débiles".
- Evaluar e implementar diversas estrategias de segmentación (de longitud fija, consciente de estructura, jerárquicas) según los requisitos específicos del dominio.
- Explicar los mecanismos de los embeddings y la diferencia entre similitud semántica y utilidad de la respuesta.
- Describir la teoría técnica de los almacenes vectoriales e índices, centrándose en las compensaciones entre velocidad de recuperación (latencia) y precisión.
- Diseñar un plan de recuperación multietapa para un corpus a gran escala (más de 100,000 fragmentos), incluyendo estrategias de metadatos y filtrado.
- Diferenciar entre los objetivos de la recuperación (recobro) y el reordenamiento (precisión/relevancia).
- Analizar por qué el reordenamiento es esencial para una generación efectiva de LLM y cómo interactúa con el diseño de fragmentos.
- Diseñar estructuras de metadatos previas que apoyen la citación automática y la recuperación sensible a versiones.