Curso libreInteligencia artificial y datos
Generación aumentada con recuperación
El curso Generación aumentada con recuperación proporciona al estudiante el proceso para construir sistemas RAG que responden con base en documentos propios y citan sus fuentes, desde la ingesta hasta la evaluación con RAGAS. Le sirve para crear asistentes empresariales confiables sobre manuales, normas o bases de conocimiento, controlando respuestas sin evidencia y riesgos de inyección.
A quién va dirigido
Desarrolladores con Python intermedio y nociones de modelos de lenguaje y embeddings.
Objetivos
✓Comprender las limitaciones de los modelos sin contexto y los componentes de ingesta, índice, recuperador y generador.
✓Analizar estrategias de fragmentación, búsqueda híbrida, reordenamiento y metadatos para mejorar la recuperación.
✓Aplicar LangChain o LlamaIndex para implementar un RAG con citación obligatoria de fragmentos.
✓Diseñar el comportamiento del asistente ante preguntas sin evidencia y frente al riesgo de inyección de instrucciones.
✓Evaluar fidelidad y relevancia con RAGAS y un conjunto de preguntas de referencia, considerando monitoreo y costos.
Plan de estudios por sesión
1
Arquitectura RAGLimitaciones de los modelos sin contexto y componentes: ingesta, índice, recuperador y generador · RAG frente a ajuste fino y casos de uso empresariales
2
Ingesta y recuperaciónExtracción de texto de PDF y páginas web y estrategias de fragmentación · Búsqueda híbrida, reordenamiento y metadatos para filtrar por fuente y fecha
3
Generación con fuentesPlantillas de instrucción con contexto y citación obligatoria de fragmentos · Respuesta ante preguntas sin evidencia e implementación con LangChain o LlamaIndex
4
Presentación del proyecto final: asistente RAG con respuestas citadasMétricas de fidelidad y relevancia con RAGAS y conjunto de preguntas de referencia · Riesgo de inyección de instrucciones en documentos, monitoreo y costos
Evaluación
Inicial30%Diseño de la arquitectura RAG para un caso empresarial con decisión justificada frente al ajuste fino.
Intermedio30%Implementación de ingesta y recuperación con LangChain o LlamaIndex y prueba de respuestas citadas.
Final40%Proyecto final: asistente RAG sobre un conjunto documental real con respuestas citadas e informe de fidelidad y relevancia, sustentado.
Proyecto final
Asistente RAG sobre un conjunto documental real con respuestas citadas y un informe de evaluación de fidelidad y relevancia.