Curso Desarrollo de Chatbot Inteligencia Artificial Generativa Online

Los chatbots se han convertido en una parte esencial en los diferentes sitios web actualmente, son de gran ayuda para los visitantes que llegan a nuestro sitio web ya que pueden responder a todo tipo de dudas y conseguir así mejorar nuestra relación con los clientes.

El desarrollo de chatbots está basado en los Modelos de Lenguaje de Gran Escala (LLMs) y en la Recuperación de Información Generativa (RAG). A través de este curso serás capaz de conocer estas dos herramientas y dominar su uso para la creación de chatbots. Con el LLMs y la RAG dotaremos a los chatbots de capacidades de gran utilidad, algunas como, la evaluación de estrategias de búsqueda y recuperación de la información que servirá para obtener la respuesta deseada o el despliegue de modelos LLM que permitirán acceder a toda la información para facilitar el acceso y la interacción.

Descubre y aprende los conocimientos y habilidades necesarias para el desarrollo de tus propios chatbots. Te contamos cómo la inteligencia artificial generativa ha llegado para cambiar la forma en la que trabajamos y nos relacionamos con los chatbots, que están ganando importancia y terreno en todo tipo de sitios web en los últimos años.

Identificar y explicar los componentes clave y la funcionalidad de los Modelos de Lenguaje de Gran Escala (LLMs) y la Recuperación de Información Generativa (RAG).
Evaluar ejemplos de aplicaciones RAG y describir cómo se integran con LLMs para mejorar la recuperación de información.
Aplicar técnicas de procesamiento para transformar datos no estructurados en formatos adecuados para el uso en LLMs.
Desarrollar habilidades para implementar y utilizar Sentence Transformers en la creación de bases de datos vectoriales para aplicaciones RAG.
Implementar y evaluar estrategias de búsqueda y recuperación utilizando consultas vectoriales y modelos LLM.
Implementar y desplegar modelos LLM en entornos locales y en la nube, utilizando herramientas avanzadas para facilitar el acceso y la interacción.
Utilizar frameworks de código abierto para desarrollar y desplegar aplicaciones RAG, demostrando comprensión y habilidad en la integración de estos componentes.

Profesionales y estudiantes de tecnologías de la información, ciencias de datos, inteligencia artificial y áreas afines que desean adquirir conocimientos fundamentales sobre los Modelos de Lenguaje de Gran Escala (LLMs) y su aplicación en la inteligencia artificial generativa. Es ideal para:

Desarrolladores de software y programadores interesados en inteligencia artificial.
Analistas de datos y científicos de datos que buscan mejorar sus habilidades en procesamiento y recuperación de información.
Ingenieros de sistemas y arquitectos de soluciones que desean implementar soluciones basadas en LLMs.
Estudiantes y académicos interesados en las aplicaciones prácticas de la inteligencia artificial generativa.

Tema 1. Conceptos básicos sobre LLMs y recuperación de datos
• Componentes clave de los modelos de lenguaje grande (LLMs)
• ¿Por qué son tan revolucionarios los Transformers?
• Limitaciones de las redes neuronales clásicas
• La revolución de los Transformers
• ¿Y a efectos prácticos, qué necesito tener para operar mi propio LLM?
• Cargando un modelo de GPT2 en nuestro entorno de desarrollo
• Las matemáticas muy resumidas detrás de los Transformers (solo para fans
verdaderos)
• Comparación de Transformers con CNNs y RNNs
• ¿Y cómo es posible que los LLMs parezcan razonar?
• Componentes clave de la recuperación de datos
• Resumen
Tema 2. Procesamiento de datos no estructurados
• Definición de datos no estructurados
• Algunos tipos de datos no estructurados
• ¿Cómo se usan los datos no estructurados en RAG?
• Preprocesamiento de Texto
• Datos en ficheros
• Importancia de procesar datos no estructurados para LLMs
• ¿Qué es exactamente la indexación de datos?
• Procesamiento de datos multimedia
• Procesar videos (extraer audio, transcribirlo y generar embeddings)
• Resumen
Tema 3. Embeddings y bases de datos vectoriales
• Bases de datos de vectores
• Almacenamiento en bases de datos relacionales y NoSQL
• Archivos binarios y almacenamiento en disco
• Bases de datos vectoriales
• Almacenamiento de embeddings en bases de datos vectoriales
• Introducción a los Sentence Transformers
• Flujo general de integración de datos procesados en LLMs
• Resumen
Tema 4. Crea tu chatbot con datos personalizados
• Siguientes pasos
• ¿Puedo alojar mi chatbot en Hugging Face?
• Alojando el chatbot en tu propio servidor
• Mantenimiento del chatbot
• Evaluación de la recuperación de información
• Métricas relevantes
• Evaluando la efectividad del chatbot
• Resumen
Tema 5. Despliegues de LLMs, plataformas y herramientas
• Beneficios del despliegue local versus en la nube
• Herramientas y entornos para despliegue local
• Despliegue de LLMs en la nube
• Optimización y mantenimiento de despliegues
• Estrategias de actualización y mantenimiento de los modelos
• Discusión sobre desafíos y soluciones en el uso práctico de LLMs
• Resumen

A través de los modelos personalizados de IA generativa, como pueden ser los chatbots, conseguimos crear LLMs que se adaptan a todas nuestras necesidades. Estas herramientas están entrenadas con nuestros propios datos, por lo que los resultados que obtengamos serán mucho más precisos para las búsquedas. Gracias a los chatbots conseguiremos generar contenidos y automatizar tareas basadas en respuestas y contenidos personalizados, facilitando la innovación al mismo tiempo que potenciamos la eficiencia y la competitividad.