IA con Conocimiento Propio: Crea Asistentes Expertos con RAGs y ChatGPT

Introducción al Curso

Fundamentos de la IA Generativa y papel de los RAG

Términos Clave de la IA Generativa y los RAG

Desafios y evolución de los LLMs

Impacto de la IA Generativa

Introducción a los modelos de lenguaje grande (LLM)

Desarrollo de un LLM: Base Model e Instruction Tuned Model

LLM Landscape

Limitaciones de los LLM

Cómo mitigar las alucinaciones de los LLM

Los modelos de lenguaje (LLMs) más conocidos

Introducción a ChatGPT

Laboratorio Práctico: Primeros pasos con ChatGPT

Funcionamiento y Acceso a la API de OpenAI

Todo sobre Gemini el competidor de ChatGPT lanzado por Google

Modelos Open Source y Modelos Específicos de Dominio

Técnicas para mejorar el dese,peño de un modelo

Técnicas de Zero Shot Learning y Few Shot Learning

Técnica de Retrieval Augmented Generation (RAG)

Técnica de RAG con Grafos de Conocimiento

Modelos Personalizados y cómo desarrollarlos

Consideraciones importantes al aplicar técnicas de optimización de modelos

Limitaciones de los LLM y RAGs como solución

Beneficios de los RAGs y consideraciones improtantes

Ajustando el modelo: RAG vs Fine-Tunning

Aplicacion de los RAGs en un caso de uso real

Aplicaciones de los RAGs en diferentes campos y casos de uso

Proyecto real de un RAG en producción de principio a fin

Herramientas y librerías para el desarrollo de RAGs

LangChain: el marco por excelencia para las apps basadas en LLMs

LlamaIndex: otro marco para programar las apps basadas en LLMs

Fundamentos de los CustomGPTs como RAGs

Desarrollando nuestro propio Custom GPT personalizado

Dando conocimiento a los CustomGPTs

Tipos de consultas_Searching My Knowledge y Analyzing

Consideraciones importantes a la hora de trabajar con documentos

Introducción a LangChain

Casos de uso y componentes de LangChain

Dando acceso a datos externos a traves de Indices de LangChain

Como generar un RAG con LangChain y ChatGPT

Laboratorio Practico_Entrenamiento de ChatGPT con inforPDF completo

Componentes y arquitectura del RAG

Indexing Pipeline y del Rag Pipeline

Lab Práctico (I): Desarrollo de un RAG de Principio a Fin con Flowise

Lab Práctico (II): Desarrollo de un RAG de Principio a Fin con Flowise

Ejercicio Práctico: Diseño del asistente personalizado

Introducción a Flowise

Características de Flowise

Instalación de Flowise

Primeros pasos con Flowise

Ejercicio Práctico: Desarrollo de un ChatFlow Básico

Solucion: Diseño de un ChatFlow Básico

Indexing Pipeline de los RAGs

Lab Creación del Indexing Pipeline con Flowise

Extracción de datos de diferentes fuentes con LlamaIndex y Langchain

Lab Obteniendo información de txt, PDF y Wikipedia para nuestro RAG

Importancia de la fragmentación y consideraciones importantes

Tipos de fragmentadores

Laboratorio Practico: Diferentes tipos de Fragmentadores en Flowise

Ejemplos prácticos de cuando implementar cada tipo de fragmentador

Que son los embeddings y funcionamiento

Laboratorio Practico: Como añadir el modelo de Embedding Ada002 en Flowise

Diferentes modelos de embeddings y como elegir el más adecuado

Lab Practico: Diferentes modelos de Embedding en Flowise

Funcionamiento de las Bases de Datos Vectoriales

Fundamentos de Pinecone

Añadiendo el Vector Store de Pinecone

Carga de Embeddings e Indices desde Pinecone

Diferentes tipos de Bases de Datos Vectoriales

Multi Retrieval QA Chain con Multiples BD Vectoriales Simultaneas

Vectara Una Base de Datos Vectorial y un RAG as a Service

Cómo elegir el tipo de Base de Datos Vectorial que se ajusta mejor

Ejercicio Práctico: Desarrollo de Indices y Embeddings para Pinecone

Solucion: Desarrollo de Indices y Embeddings para Pinecone

Funcionamiento y componentes del RAG Pipeline

Laboratorio Práctico: Desarrollo del RAG Pipeline con Flowise

BD vectoriales persistentes, indices temporales y small data

Ejercicio Práctico: Desarrollo de un LLM Personalizado

Solución: Desarrollo de un LLM Personalizado

Fundamentos del proceso de Retrieval

Diferentes métodos de recuperación

Proceso final de Aumentación y generación

Introducción al Proyecto y Ejercicio Práctico Opcional

Web Scrapper, Pinecone y Conversational Retrieval QA Chain

Mejora del Web Scrapper y evitando alucinaciones en el modelo

Descarga e inicialización del modelo con Docker, LocalAI y GPT4All

Utilizando el modelo LLM Open Source desde Flowise

Poryecto Avanzado con Local AI LLama2, Faiss y Local AI Embeddings

Evaluación del RAG y Métricas de Evaluación

RAGAS para la evaluación del RAG

RAG Triad de TrueLens para la evaluación del RAG

Laboratorio Practico de Desarrollo y evaluacion de un RAG con TrueLens