Edición en español
Embeddings, RAG y búsqueda semántica
Este curso cubre los embeddings de OpenAI, las bases de datos vectoriales, la búsqueda semántica, un pipeline completo de RAG y aplicaciones en producción.
22 lecciones ca. 2 h 15 min Desarrollador
Lo que aprenderás
- Generar embeddings y medir la proximidad semántica entre textos mediante similitud del coseno
- Indexar un corpus en una base de datos vectorial y configurar una búsqueda híbrida semántica y léxica
- Construir un pipeline completo de RAG: segmentación, recuperación, reordenación y generación
- Evaluar la relevancia de un pipeline de RAG y elegir entre File Search y una arquitectura personalizada
- Usar embeddings para clasificar, agrupar, recomendar y detectar anomalías y duplicados
Ficha del curso
- Dirigido a
- Desarrolladores, ingenieros e integradores que quieran usar ChatGPT mediante API en sus aplicaciones.
- Requisitos previos
- Capacidad para leer Python y JSON, nociones básicas de línea de comandos. Una clave de API de la plataforma OpenAI para probar los ejemplos.
- Duración
- 2 h 15 min — 22 lecciones
- Modalidades
- Curso online 100 % a tu propio ritmo, accesible 24/7 desde el navegador. El progreso se guarda y puedes retomarlo en cualquier momento. Duración estimada: 2 h 15 min.
- Evaluación
- Autoevaluación basada en los puntos clave que concluyen cada lección y práctica directa de los ejemplos con tus propios datos. Un cuestionario final de 5 preguntas con respuestas, al final de la última lección, valida lo aprendido.
- Accesibilidad
- Curso a tu propio ritmo accesible para personas con discapacidad: contenido de texto compatible con lectores de pantalla, navegación por teclado y contraste de color conforme. Para cualquier necesidad de adaptación, escribe a [email protected].
- Precio
- Gratis
Contenido del curso
- 01 Qué es una incrustación: la intuición
- 02 La API de Embeddings: Modelos y Dimensiones
- 03 Generar embeddings para tus datos
- 04 Distancia y similitud del coseno
- 05 Visualizar embeddings
- 06 Búsqueda semántica frente a búsqueda por palabras clave
- 07 Indexar un corpus de documentos
- 08 Bases de datos vectoriales (Pinecone, Qdrant, Weaviate)
- 09 Búsqueda híbrida (semántica + léxica)
- 10 Evaluar la calidad de la búsqueda
- 11 Arquitectura RAG completa
- 12 Fragmentación: división inteligente de documentos
- 13 Reordenación: mejora de la relevancia
- 14 RAG avanzado: Multi-Query, HyDE, Step-Back
- 15 Evaluar un pipeline RAG
- 16 Búsqueda de archivos frente a RAG personalizado: cuándo usar cada uno
- 17 Clasificación de texto con embeddings
- 18 Clustering: Agrupación automática
- 19 Recomendaciones personalizadas
- 20 Detección de anomalías y duplicados
- 21 Ajuste fino de embeddings
- 22 Producción: escalado y caché