La búsqueda de información en grandes volúmenes de datos ha sido siempre un reto para las empresas. Sin embargo, la combinación de modelos de recuperación de información (R) y generación de lenguaje (AG), conocida como RAG, está revolucionando cómo accedemos a la información. En este módulo, aprenderás cómo funciona la indexación de documentos y cómo las tecnologías de búsqueda con lenguaje natural permiten realizar consultas más precisas y efectivas para obtener respuestas relevantes de grandes bases de datos, todo de forma más intuitiva y accesible.
Contenido del módulo:
Introducción al Enfoque RAG
- ¿Qué es RAG y por qué es relevante?
- Diferencia entre generación pura y generación aumentada.
- Casos de uso en entornos empresariales.
Cómo Funciona RAG
- Arquitectura básica: Recuperación + Generación.
- Rol de los embeddings y vectores en la recuperación.
- Ventajas del RAG frente a sistemas tradicionales.
Herramientas NoCode para Implementar RAG
- Revisión de plataformas nocode populares (por ejemplo, Chatbase, Flowise, N8N).
- Demostración: Conexión de modelos generativos a fuentes de datos.
Indexación de Documentos
- Tipos de documentos y datos a indexar.
- Preparación y limpieza básica de documentos para indexación.
- Actividad práctica: Subir e indexar documentos en una plataforma nocode.
- Validación de la indexación: cómo saber si el sistema está listo.
Creación de un Flujo de Búsqueda Optimizado
- Pasos para diseñar un sistema de recuperación de documentos.
- Definir y mejorar la relevancia en la búsqueda.
- Estrategias de mejora: filtros, ponderación de resultados y embeddings mejorados.
- Práctica guiada: indexar un conjunto de documentos y probar consultas en lenguaje natural.
Evaluación de la Calidad de un Sistema RAG
- Cómo medir la calidad de la recuperación de información.
- Precision, recall y métricas clave en entornos nocode.
- Técnicas de mejora continua.
Agentic RAG.
- Agentes en el patrón RAG.
- Como automatizar flujos a través de Agentes.