Construcción de Sistemas RAG con Bases de Datos Vectoriales: Chroma, Pinecone y pgvector
Curso práctico para ingenieros de datos que deseen implementar sistemas RAG utilizando bases de datos vectoriales. Aprenderás a diseñar, desarrollar y optimizar pipelines completos con Chroma, Pinecone y pgvector, enfocándote en casos reales de producción.
25
Lecciones
25
Prácticas
25
Quizzes
Filtro de calidad
Público solo si tiene profundidad, práctica y evaluación.
Aprendizaje aplicable
Lecciones orientadas a entregables, casos y decisiones reales.
Listo para equipos
Podemos adaptar rutas para onboarding, upskilling o ventas.
Evidencia de calidad
6.170
Caracteres promedio por lección
20
Lecciones con práctica
25
Quizzes evaluables
0
Pendientes antes de publicar
Vas a practicar con
- Introducción a Pinecone: Cuentas, APIs y Configuración
- Diseño del Proyecto: Arquitectura y Planificación
- Quiz Final: Evaluación Integral del Proyecto
Construcción de Sistemas RAG con Bases de Datos Vectoriales: Chroma, Pinecone y pgvector
Contenido del curso
Este módulo establece las bases teóricas y prácticas necesarias para entender cómo funcionan los sistemas RAG y por qué las bases de datos vectoriales son esenciales, preparándote para implementaciones reales.
- 1.1Arquitectura de Sistemas RAG: Componentes y Flujo de DatosLectura15 min
- 1.2Embeddings y Similitud Vectorial: Teoría AplicadaLectura20 min
- 1.3Configuración Inicial: Entorno de Desarrollo y Primeros PasosLectura25 min
- 1.4Práctica: Creación de un Pipeline Básico de EmbeddingsLectura30 min
- 1.5Quiz: Evaluación de Conceptos FundamentalesQuiz10 min
Aprenderás a utilizar Chroma para construir sistemas RAG en entornos locales, optimizando el almacenamiento y recuperación de vectores con un enfoque en eficiencia y escalabilidad inicial.
- 2.1Instalación y Configuración de Chroma: Primeros PasosLectura15 min
- 2.2Operaciones CRUD con Chroma: Inserción y Consulta de VectoresLectura20 min
- 2.3Optimización de Consultas: Filtros y Métricas de SimilitudLectura25 min
- 2.4Práctica: Construcción de un Sistema RAG Simple con ChromaLectura30 min
- 2.5Quiz: Evaluación de Chroma y sus FuncionalidadesQuiz10 min
Explorarás Pinecone para desplegar sistemas RAG en la nube, manejando grandes volúmenes de datos y garantizando alta disponibilidad, crucial para aplicaciones en producción.
- 3.1Introducción a Pinecone: Cuentas, APIs y ConfiguraciónLectura15 min
- 3.2Gestión de Índices en Pinecone: Creación y MantenimientoLectura20 min
- 3.3Consultas Avanzadas y Monitoreo en PineconeLectura25 min
- 3.4Práctica: Migración de un Sistema RAG a PineconeLectura30 min
- 3.5Quiz: Evaluación de Pinecone y EscalabilidadQuiz10 min
Aprenderás a utilizar pgvector para integrar capacidades vectoriales en bases de datos relacionales existentes, combinando lo mejor de ambos mundos para sistemas híbridos.
- 4.1Instalación y Configuración de pgvector en PostgreSQLLectura15 min
- 4.2Operaciones Vectoriales en pgvector: Extensiones y ConsultasLectura20 min
- 4.3Optimización de Rendimiento: Índices y Buenas PrácticasLectura25 min
- 4.4Práctica: Implementación de un Sistema RAG Híbrido con pgvectorLectura30 min
- 4.5Quiz: Evaluación de pgvector y IntegraciónQuiz10 min
Este módulo final te guiará en la construcción de un sistema RAG completo, integrando Chroma, Pinecone y pgvector, con evaluación de rendimiento y despliegue en un entorno de producción simulado.
- 5.1Diseño del Proyecto: Arquitectura y PlanificaciónLectura20 min
- 5.2Implementación del Pipeline: Integración de Múltiples Bases de DatosLectura25 min
- 5.3Evaluación de Rendimiento: Métricas y PruebasLectura30 min
- 5.4Práctica: Despliegue y Monitoreo del Sistema RAGLectura30 min
- 5.5Quiz Final: Evaluación Integral del ProyectoQuiz15 min
Cursos relacionados
Seguí aprendiendo dentro de la misma ruta.
Fine-tuning de LLMs con RLHF y DPO: De la teoría a la implementación práctica
Curso avanzado para ingenieros de ML que desean dominar técnicas de ajuste fino de modelos de lenguaje con aprendizaje por refuerzo. Aprenderás a implementar RLHF y DPO en modelos open-source, optimizando respuestas con retroalimentación humana y preferencias. Al finalizar, podrás desplegar modelos ajustados para aplicaciones reales con métricas de evaluación robustas.
Containerización y Despliegue de Modelos de ML con Docker y Kubernetes
Aprende a containerizar tus flujos de Machine Learning con Docker y desplegarlos en Kubernetes para producción. Este curso práctico te guiará desde la creación de imágenes personalizadas hasta la orquestación de servicios escalables, optimizado para científicos de datos.
FastAPI para APIs de Machine Learning en Producción
Curso práctico para ML Engineers que desean desplegar modelos de machine learning como APIs REST robustas usando FastAPI. Aprenderás a implementar validación de datos, monitoreo en tiempo real y despliegue escalable, culminando con un proyecto completo listo para producción.
Para estudiantes y creadores
Aprendé este tema o creá una versión para tu audiencia.
Empezá el curso o postulá tu experiencia si querés publicar una ruta revisada en el marketplace.
Para empresas
Capacitación a medida
Si querés este contenido para un equipo, armamos rutas con objetivos, seguimiento y cursos propios.
Hablar por equipos