Ir al contenido principal
Español— Elegir un idioma
Menú

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

  1. 01 Qué es una incrustación: la intuición
  2. 02 La API de Embeddings: Modelos y Dimensiones
  3. 03 Generar embeddings para tus datos
  4. 04 Distancia y similitud del coseno
  5. 05 Visualizar embeddings
  6. 06 Búsqueda semántica frente a búsqueda por palabras clave
  7. 07 Indexar un corpus de documentos
  8. 08 Bases de datos vectoriales (Pinecone, Qdrant, Weaviate)
  9. 09 Búsqueda híbrida (semántica + léxica)
  10. 10 Evaluar la calidad de la búsqueda
  11. 11 Arquitectura RAG completa
  12. 12 Fragmentación: división inteligente de documentos
  13. 13 Reordenación: mejora de la relevancia
  14. 14 RAG avanzado: Multi-Query, HyDE, Step-Back
  15. 15 Evaluar un pipeline RAG
  16. 16 Búsqueda de archivos frente a RAG personalizado: cuándo usar cada uno
  17. 17 Clasificación de texto con embeddings
  18. 18 Clustering: Agrupación automática
  19. 19 Recomendaciones personalizadas
  20. 20 Detección de anomalías y duplicados
  21. 21 Ajuste fino de embeddings
  22. 22 Producción: escalado y caché