Este curso utiliza inteligencia artificial.
Un prototipo de RAG se construye rápido. Un sistema de RAG en el que puedan confiar una clínica, un banco o una administración pública es otra cosa: tiene que encontrar la evidencia correcta, responder fiel a las fuentes, demostrar su calidad con métricas, mantenerse asequible y proteger los datos sensibles. De eso trata este curso.
Acompañamos al equipo de plataforma de Helix Medical, un sistema de salud ficticio de 4.000 personas. La primera versión de HelixRAG dijo que dos fármacos eran seguros juntos, aunque existía una contraindicación documentada. La recuperación había traído una guía clínica obsoleta y el modelo la repitió sin ninguna reserva: fiel a la fuente, pero errónea. De ahí nace un mandato claro: cada respuesta debe ser fiel, citada, medida y gobernada antes de la puesta en producción.
Sección a sección reconstruimos HelixRAG y medimos cada paso frente a un golden set de 300 pares pregunta-respuesta: la faithfulness pasa de 0,71 a 0,96, el context recall de 0,62 a 0,91, el costo por consulta de 0,11 $ a 0,038 $ y la latencia p95 de 6,4 s a 2,7 s.
Aprenderás chunking avanzado (recursivo, por estructura, semántico, Contextual Retrieval, small-to-big), búsqueda híbrida con BM25 y Reciprocal Rank Fusion, reranking con cross-encoder, reescritura de consultas, multiconsulta y HyDE, Self-RAG y Corrective RAG, Graph RAG, recuperación multimodal sobre tablas y figuras, y los temas de producción: evaluación con un LLM como juez, eval gates en CI, optimización de costos, observabilidad y gobernanza de datos de salud según HIPAA (ley federal de EE. UU.) y el RGPD (ley de la UE).
El curso incluye siete laboratorios prácticos que se ejecutan por completo en local con Ollama, sin clave de API y sin costos recurrentes, seis tareas con soluciones de referencia, un cuestionario por sección y un examen de práctica final. Los notebooks y el código de los laboratorios están en inglés; todas las explicaciones están en español.








