Este curso está diseñado para desarrolladores que desean profundizar en la implementación de sistemas de Inteligencia Artificial basados en Modelos de Lenguaje de Gran Escala (LLMs). A través de un enfoque práctico, los participantes aprenderán a construir chatbots avanzados utilizando técnicas de Retrieval-Augmented Generation (RAG), trabajar con bases de datos vectoriales, y desplegar aplicaciones de IA en entornos de producción.
-
Entender toda la potencialidad de la plataforma de OpenAI:
- Diferencias entre GPTs y Asistentes
- Uso avanzado de la API
-
Dominar la implementación de sistemas RAG utilizando:
- API de OpenAI
- LangChain como framework de integración
-
Comprender y aplicar técnicas de fine-tuning para modelos de lenguaje
-
Desarrollar chatbots avanzados con capacidades de recuperación de información contextual
-
Implementar bases de datos vectoriales con FAISS para búsqueda semántica eficiente
-
Desplegar aplicaciones de IA en plataformas como:
- Streamlit para interfaces de usuario
- AWS EC2 para entornos de producción
-
Conocimientos básicos de Python y ChatGPT
- Idealmente conocer ChatGPT y la plataforma de OpenAI
-
Cuenta en OpenAI con acceso a API
- Se proporcionarán instrucciones para configurarla durante el curso
-
Deseable pero no imprescindible: cuenta de GitHub
- Se puede crear durante el curso
-
Opcional: cuenta en AWS u otro proveedor de cloud
- Útil para la sección de despliegue
El curso está organizado en 8 sesiones distribuidas en 2 semanas:
- Jueves: Introducción y Configuración del Entorno
- Viernes: Fundamentos de LLMs y Chatbot Básico
- Sábado: Introducción a RAG y Bases de Datos Vectoriales
- Domingo: Implementación de RAG con OpenAI
- Jueves: Fundamentos de LangChain
- Viernes: RAG Avanzado
- Sábado: Fine-tuning y Streamlit
- Domingo: Proyecto Final y Despliegue
flowchart TD
subgraph Semana1[Semana 1]
A1[Jueves: Introducción y Configuración] --> A2[Viernes: Fundamentos LLMs y Chatbot Básico]
A2 --> A3[Sábado: Intro a RAG y Bases de Datos Vectoriales]
A3 --> A4[Domingo: Implementación RAG con OpenAI]
end
subgraph Semana2[Semana 2]
B1[Jueves: LangChain Fundamentals] --> B2[Viernes: RAG Avanzado]
B2 --> B3[Sábado: Fine-tuning y Streamlit]
B3 --> B4[Domingo: Proyecto Final y Despliegue]
end
A4 --> B1
subgraph Fundamentos[Fundamentos Técnicos]
F1[Git y GitHub]
F2[Python y Entorno]
F3[APIs y Tokens]
end
subgraph Componentes[Componentes Clave]
C1[Embeddings]
C2[Bases de Datos Vectoriales]
C3[Recuperación de Información]
C4[Prompt Engineering]
C5[LLMs Locales]
end
subgraph Tecnologías[Tecnologías]
T1[OpenAI]
T2[LangChain]
T3[FAISS]
T4[Streamlit]
T5[HuggingFace]
end
Fundamentos -.-> A1
Componentes -.-> A3
T1 -.-> A2
T2 -.-> B1
T3 -.-> A3
T4 -.-> B3
T5 -.-> A2
T5 -.-> C1
T5 -.-> C5
%% Definición de estilos con texto negro
classDef week1 fill:#f9d5e5,stroke:#333,stroke-width:1px,color:#000
classDef week2 fill:#eeeeee,stroke:#333,stroke-width:1px,color:#000
classDef fundamentos fill:#e3f2fd,stroke:#333,stroke-width:1px,color:#000
classDef componentes fill:#e8f5e9,stroke:#333,stroke-width:1px,color:#000
classDef tecnologias fill:#fff3e0,stroke:#333,stroke-width:1px,color:#000
%% Aplicación de estilos
class A1,A2,A3,A4 week1
class B1,B2,B3,B4 week2
class F1,F2,F3 fundamentos
class C1,C2,C3,C4,C5 componentes
class T1,T2,T3,T4,T5 tecnologias
%% Estilos adicionales para mejorar legibilidad
classDef default color:#000,font-weight:bold
%% Estilo para las etiquetas de los subgráficos
classDef subgraphTitle color:#fff,font-weight:bold,font-size:22px
class Semana1,Semana2,Fundamentos,Componentes,Tecnologías subgraphTitle
El cronograma del curso muestra cómo este módulo encaja en la secuencia de aprendizaje:
gantt
title Cronograma del Curso: Python Avanzado para LLMs y Chatbots
dateFormat YYYY-MM-DD
axisFormat %d-%m
todayMarker off
section Semana 1
Introducción y Configuración :s1_1, 2025-01-01, 1d
Fundamentos LLMs y Chatbot Básico :s1_2, after s1_1, 1d
Intro a RAG y Bases de Datos Vectoriales :s1_3, after s1_2, 1d
Implementación RAG con OpenAI :s1_4, after s1_3, 1d
section Semana 2
LangChain Fundamentals :s2_1, 2025-01-08, 1d
RAG Avanzado :s2_2, after s2_1, 1d
Fine-tuning y Streamlit :s2_3, after s2_2, 1d
Proyecto Final y Despliegue :s2_4, after s2_3, 1d
section Tecnologías
GitHub & Python :tech1, 2025-01-01, 1d
OpenAI API :tech2, 2025-01-02, 3d
HuggingFace (LLM Local):tech5a, 2025-01-02, 1d
HuggingFace (Embeddings):tech5b, 2025-01-03, 1d
FAISS :tech3, 2025-01-03, 2d
LangChain :tech4, 2025-01-08, 2d
Streamlit :tech6, 2025-01-10, 2d
section Componentes Clave
LLMs Básicos :comp1, 2025-01-02, 1d
Chatbot Local :comp2, 2025-01-02, 1d
Embeddings :comp3, 2025-01-03, 1d
Bases de Datos Vectoriales :comp4, 2025-01-03, 1d
RAG Básico :comp5, 2025-01-04, 1d
RAG Avanzado :comp6, 2025-01-09, 1d
Interfaces de Usuario :comp7, 2025-01-10, 1d
Despliegue :comp8, 2025-01-11, 1d
- Lenguajes: Python 3.12
- Gestión de Entornos: UV (gestor de paquetes moderno)
- Control de Versiones: Git y GitHub
- APIs y Modelos:
- OpenAI (GPT-4o/4o-mini)
- HuggingFace (para embeddings y LLMs locales)
- Frameworks:
- LangChain (para integración de componentes)
- FAISS (para bases de datos vectoriales)
- Streamlit (para interfaces de usuario)
Este repositorio contiene todos los recursos necesarios para seguir el curso:
-
/src: Código fuente organizado por módulos/chatbots: Implementaciones de chatbots básicos y avanzados/rag: Ejemplos de sistemas RAG/config: Configuraciones del proyecto/local_llm: Implementación de modelos locales/proyecto_code: Proyecto de asistente de código avanzado
-
/data: Datos de ejemplo para práctica
La estructura del código es la siguiente:
src/
├── __init__.py
├── chatbots/
│ ├── a_basic.py
│ ├── a_basic_local.py
│ ├── b_openai_assistant.py
│ ├── c_streamlit.py
│ └── primer_intento/
│ └── primero.py
├── config/
│ ├── __init__.py
│ ├── parameters.py
│ └── settings.py
├── local_llm/
│ ├── __init__.py
│ ├── client_local.py
│ ├── model_local_lc.py
│ ├── model_local_thf.py
│ └── README.md
├── models_ia/
│ ├── __init__.py
│ └── call_model.py
├── proyecto_code/
│ ├── __init__.py
│ ├── code_embeddings.py
│ ├── directed_graph.py
│ ├── project_tree.py
│ ├── prompts/
│ │ ├── __init__.py
│ │ └── base.py
│ ├── rag.py
│ ├── README.md
│ ├── serialize.py
│ └── settings.py
└── rag/
├── a_intro/
│ ├── 0_lexical_method.py
│ ├── 1_models_intro.py
│ ├── 2_semantic_method.py
│ ├── __init__.py
│ └── helpers_semantic.py
├── a_rag_openai.py
├── b_basica/
│ ├── __init__.py
│ ├── app.py
│ ├── nlp_proc.py
│ ├── README.md
│ ├── storage.py
│ └── utils.py
├── b_rag_local.py
├── b_rag_openai_store.py
└── rag_prompting.py
El curso combina:
- Exposiciones teóricas con PowerPoint
- Demostraciones en vivo
- Ejercicios prácticos guiados
- Desarrollo de un proyecto final integrador
El curso culmina con el desarrollo de un chatbot RAG completo que puede:
- Procesar documentos específicos
- Indexar la información en una base de datos vectorial
- Responder preguntas utilizando la información relevante
- Ofrecer una interfaz de usuario amigable con Streamlit
- Ser desplegado en un entorno de producción
- Enfoque práctico: Aprenderás haciendo, no solo viendo
- Tecnologías actuales: Utilizarás las herramientas más modernas del mercado
- Aplicación inmediata: Conocimientos aplicables a casos de uso reales
- Proyecto completo: Terminarás con un producto funcional que podrás mostrar
- Asegúrate de tener Python 3.12 instalado
- Crea o ten a mano tu cuenta de OpenAI
- Prepara tu entorno de desarrollo (IDE recomendado: Cursor)
- ¡Trae tu entusiasmo y curiosidad por la IA!
Para aprovechar al máximo este curso, es recomendable seguir cada sesión y realizar los ejercicios prácticos. La construcción de sistemas basados en LLMs requiere práctica y experimentación constante.
Curso desarrollado por Datoscout - Expertos en Inteligencia Artificial y Procesamiento de Lenguaje Natural