Automatización y desarrollo

Curso técnicoAvanzado

RAG y Sistemas de Conocimiento con Inteligencia Artificial

Construye de punta a punta un asistente que responde sobre los documentos de tu organización: ingesta, fragmentación, embeddings, base vectorial, recuperación, generación con citas, control de permisos y evaluación. Curso técnico con proyecto final.

Definición

Un modelo de lenguaje no conoce los documentos de tu organización, y pedirle que los use pegándolos en el prompt no escala. RAG —Retrieval Augmented Generation— es la arquitectura que resuelve ese problema, y es hoy la forma más común de llevar inteligencia artificial a una base de conocimiento corporativa. Este curso la construye completa, en laboratorio. Parte de la ingesta y la normalización de documentos reales, con sus formatos sucios y su metadata inconsistente; sigue con la fragmentación y los embeddings, donde se decide buena parte de la calidad final; monta el índice vectorial y la búsqueda semántica; y arma el pipeline de recuperación con top-k, re-ranking y búsqueda híbrida. Después trabaja lo que separa un prototipo de un sistema utilizable: generación con citas y atribución a las fuentes, control de alucinaciones, aislamiento de información por permisos de usuario, tratamiento de datos personales, y mitigación de inyección de prompts. Cierra con lo que casi nadie hace y todos necesitan: evaluar de verdad —con datasets de prueba y métricas de recuperación y de generación— y operar el sistema con observabilidad y control de costos. El proyecto final es un asistente documental funcionando.

Público objetivo

Desarrolladores y profesionales de tecnología que van a construir asistentes sobre documentación corporativa.
Ingenieros y científicos de datos que necesitan llevar modelos de lenguaje a bases de conocimiento propias.
Analistas técnicos que integran sistemas de inteligencia artificial aplicada.
Equipos que ya probaron un asistente con IA y necesitan que sea confiable, seguro y evaluable.
Arquitectos de software que deben decidir entre RAG, ajuste fino del modelo u otras alternativas.
Para quién NO es: No es un curso introductorio ni conceptual: es técnico, de nivel avanzado, y exige programación. Quien busque entender la IA sin construir debería considerar Fundamentos de Inteligencia Artificial.

Objetivos

Diseñar e implementar un sistema RAG funcional, evaluable, protegido y operable sobre una base de conocimiento organizacional.

Comprender la arquitectura completa de un sistema RAG y qué problema resuelve cada componente.
Preparar e indexar documentos reales: extracción, limpieza, normalización y metadatos de trazabilidad.
Aplicar estrategias de fragmentación y elegir modelos de embeddings según el tipo de contenido y el idioma.
Montar una base de datos vectorial con búsqueda semántica, filtros por metadatos y persistencia del índice.
Diseñar el pipeline de recuperación —top-k, re-ranking y búsqueda híbrida— y construir el contexto que se entrega al modelo.
Diseñar prompts de generación que respondan con base en las fuentes recuperadas, con citas y atribución verificable.
Incorporar control de permisos y aislamiento de información por usuario, tratamiento de datos personales y mitigación de inyección de prompts.
Evaluar la calidad del sistema con datasets de prueba y métricas separadas de recuperación y de generación.
Operar el sistema con observabilidad, control de latencia y control de costos.

Resultados de aprendizaje

Construir un prototipo RAG de punta a punta, funcionando sobre documentos reales.
Seleccionar con criterio la estrategia de fragmentación, el modelo de embeddings y la base vectorial según el caso.
Incorporar citas y atribución de fuentes para que cada respuesta sea verificable por quien la lee.
Definir un conjunto de pruebas y medir la calidad del sistema en vez de juzgarla por impresión.
Aislar información por permisos de usuario, de modo que nadie reciba contenido al que no debería acceder.
Identificar y mitigar los riesgos de seguridad propios de estos sistemas, incluida la inyección de prompts.
Estimar y controlar el costo y la latencia de la solución en operación.

Temario

1. Fundamentos de los sistemas de conocimiento con IA

Qué es Retrieval Augmented Generation y qué problema concreto resuelve.
Limitaciones de los modelos de lenguaje: por qué no conocen tus documentos y por qué inventan cuando no saben.
RAG frente a las alternativas: ajuste fino del modelo, ventana de contexto extendida y agentes con herramientas, con los criterios para elegir.
Recuperación de información y ventana de contexto: qué cabe, qué cuesta y por qué más contexto no siempre es mejor.
Casos y aplicaciones organizacionales: soporte, documentación técnica, normativa interna y bases de conocimiento.

2. Ingesta de información

Formatos de origen y extracción de contenido: PDF, documentos ofimáticos, HTML y texto plano, con sus problemas típicos.
Limpieza y normalización: encabezados repetidos, tablas, notas al pie y todo lo que ensucia la recuperación.
Metadatos y trazabilidad de las fuentes: qué registrar para poder citar con precisión después.
Actualización de la base: qué hacer cuando un documento cambia o se elimina.

3. Fragmentación y embeddings

Qué son los embeddings y cómo transforman texto en vectores que capturan significado.
Estrategias de fragmentación: tamaño fijo, por estructura del documento y con solapamiento, y cómo afecta cada una a la recuperación.
Por qué la fragmentación es la decisión que más impacta en la calidad final, y suele ser la que menos se piensa.
Elección del modelo de embeddings: calidad de la representación, soporte de español, dimensionalidad y costo.
Enriquecer los fragmentos con contexto para que no pierdan sentido al separarse del documento.

4. Bases de datos vectoriales e índices

Qué es una base de datos vectorial y cómo indexa la información para búsqueda por similitud.
Búsqueda semántica: cómo se recupera por significado y no por coincidencia de palabras.
Filtros por metadatos: acotar la búsqueda por fuente, fecha, área o nivel de acceso.
Persistencia y actualización del índice: reindexación incremental frente a completa.
Alternativas de implementación y criterios para elegir según volumen y requisitos.

5. Arquitectura de recuperación

El pipeline de recuperación completo: de la consulta del usuario al conjunto de fragmentos seleccionados.
Top-k: cuántos fragmentos recuperar y por qué recuperar de más degrada la respuesta.
Re-ranking: reordenar los resultados con un segundo modelo para subir lo verdaderamente relevante.
Búsqueda híbrida: combinar búsqueda semántica con búsqueda por palabras clave, y cuándo cada una gana.
Reformulación de consultas: cómo mejorar la pregunta del usuario antes de buscar.
Construcción del contexto: qué se le entrega finalmente al modelo y en qué orden.

6. Generación de respuestas

Diseño de prompts para respuestas basadas en la información recuperada y no en el conocimiento del modelo.
Citas y atribución de fuentes: cómo hacer que cada afirmación sea verificable por quien lee.
Manejo de la incertidumbre: cómo lograr que el sistema diga que no sabe en vez de inventar.
Control de alucinaciones: qué las provoca en un sistema RAG y qué técnicas las reducen.
Formato de respuesta y experiencia de uso: cómo se presenta lo recuperado para que sea útil.

7. Seguridad y privacidad

Permisos y aislamiento por usuario: cómo garantizar que nadie recupere fragmentos a los que no debería acceder.
Filtrado por nivel de acceso en la etapa de recuperación, y por qué hacerlo después es tarde.
Tratamiento de datos personales en la base de conocimiento: detección, minimización y obligaciones de la Ley 21.719.
Inyección de prompts: cómo un documento malicioso puede alterar el comportamiento del sistema, y sus mitigaciones.
Registro y auditoría: qué consultó cada usuario y qué se le respondió.

8. Evaluación y operación

Construcción de un dataset de evaluación: preguntas y respuestas esperadas sobre la base real.
Métricas de recuperación: si el fragmento correcto fue recuperado y en qué posición quedó.
Métricas de generación: fidelidad a las fuentes, pertinencia y completitud de la respuesta.
Separar los dos problemas: por qué una mala respuesta puede ser falla de recuperación o de generación, y cómo distinguirlo.
Observabilidad: qué registrar de cada consulta para poder diagnosticar después.
Control de costos y latencia: dónde se va el presupuesto y qué decisiones lo reducen sin degradar la calidad.

9. Proyecto final: asistente documental

Desarrollo de un asistente sobre una base de conocimiento organizacional, integrando todo lo construido.
Análisis y resumen de contenidos corporativos con atribución de fuentes.
Evaluación del sistema con el dataset propio y ajuste según resultados.
Pruebas de seguridad y de permisos antes de considerarlo terminado.
Presentación del resultado y revisión de decisiones de arquitectura entre participantes.

Metodología y materiales

Metodología

Laboratorios prácticos: cada componente se implementa apenas se explica.
Desarrollo incremental: el sistema se construye por capas y queda funcionando al final de cada módulo.
Revisión de arquitectura: comparación de decisiones alternativas y sus consecuencias en calidad, costo y latencia.
Evaluación sistemática con datasets de prueba, para medir en vez de opinar.
Proyecto final: un asistente documental sobre una base de conocimiento, con presentación de resultados.

Materiales incluidos

Créditos y accesos a API incluidos para los laboratorios del curso.
Repositorio inicial con la estructura del proyecto y los laboratorios de cada módulo.
Dataset documental de práctica con los problemas típicos de una base real.
Guía de evaluación con métricas de recuperación y de generación.
Instrucciones de configuración del entorno, entregadas antes del inicio.

Evaluación y certificación

Evaluación del curso

Proyecto técnico funcional.

Certificados

Certificado de participación Passus

Condiciones de inscripción

Se dicta online en vivo o presencial. En cursos abiertos las clases siguen el calendario publicado por Passus; en cursos cerrados, la modalidad, el horario y la fecha se acuerdan con la institución o empresa.

Requisitos

Programación básica, preferentemente en Python o TypeScript.
Conocimientos de APIs, manejo de datos y nociones de modelos de lenguaje.
Entorno de desarrollo propio, configurado según las instrucciones que se entregan antes del inicio.

Preguntas frecuentes

¿Qué nivel de programación necesito?

Programación básica, preferentemente en Python o TypeScript, más conocimientos de APIs y manejo de datos. Es un curso técnico de nivel avanzado: se escribe código en todos los módulos.

¿Necesito créditos o cuentas de API propias?

No. Los créditos y accesos a API necesarios para los laboratorios están incluidos en el curso. Sí necesitas tu propio entorno de desarrollo, configurado según las instrucciones que se entregan antes del inicio.

¿Qué me llevo concretamente al terminar?

Un asistente documental funcionando de punta a punta sobre una base de conocimiento, con citas a las fuentes, control de permisos, un dataset de evaluación propio y métricas medidas. Más el repositorio completo para reproducirlo en tu organización.

¿Cuándo conviene RAG y cuándo ajustar el modelo?

El primer módulo trabaja exactamente esa decisión. En términos gruesos: RAG cuando el conocimiento cambia, debe ser citable y está en documentos; ajuste fino cuando se busca cambiar el estilo o el comportamiento del modelo, no su conocimiento. También se comparan la ventana de contexto extendida y los agentes con herramientas.

¿Se puede construir sobre los documentos de mi organización?

En modalidad cerrada, sí: el proyecto final puede desarrollarse sobre una base de conocimiento real de la organización, con lo cual al terminar el curso el asistente queda funcionando sobre contenido propio. Se coordina con anticipación para preparar los documentos.

¿Cómo se evita que el asistente entregue información a quien no corresponde?

Con aislamiento por permisos en la etapa de recuperación, que es el punto correcto: filtrar después de recuperar ya es tarde. El módulo 7 trabaja el control de acceso, el filtrado por nivel, el registro de auditoría y la mitigación de inyección de prompts.

¿Por qué se dedica un módulo completo a la evaluación?

Porque es lo que separa un prototipo de un sistema utilizable, y casi nadie lo hace. Sin un dataset de prueba y métricas separadas de recuperación y de generación, no hay forma de saber si un cambio mejoró el sistema o solo cambió los ejemplos que alguien probó a mano.

¿Entrega certificación oficial?

No incluye examen de certificación externo. Passus entrega certificado de participación al finalizar.

¿Qué diferencia hay con el curso de IA Generativa y Prompt Engineering?

Ese curso trabaja el uso experto de herramientas de IA generativa. Este construye un sistema: arquitectura, código, base vectorial, seguridad, evaluación y operación. Son cursos de naturaleza distinta, y este exige programación.

¿Sirve si ya tenemos un asistente con IA que no funciona bien?

Es uno de los mejores motivos para tomarlo. La mayoría de los asistentes que decepcionan fallan en la fragmentación, en la recuperación o en la falta de evaluación —no en el modelo. El curso permite diagnosticar dónde está el problema y corregirlo con criterio.