Descubre cómo las RAG ofrecen resultados precisos y verificables sin los costos prohibitivos de entrenamiento y actualización continua. Sumérgete en el mundo de la eficiencia en IA, donde menos es más y el conocimiento está al alcance de todos.
Video sobre LLMs: https://youtu.be/QrZDTah0EIE
Prompt engineering: https://youtu.be/DELOjYAtbkg
Embeddings: https://youtu.be/GKF2cCLhLhY
RAG: https://youtu.be/P2m1kyGjAbA
Código: https://feregri.no/rag
APÓYAME:
Únete al canal y disfruta de beneficios: https://www.youtube.com/@feregri_no/join
Cómprame un cafecito: https://www.buymeacoffee.com/feregrino
SOCIALES:
https://twitter.com/feregri_no
https://instagram.com/feregri_no
https://twitch.com/feregri_no
https://tiktok.com/@feregri_no
https://github.com/fferegrino
https://kaggle.com/ioexception
https://feregri.no
TIMESTAMPS:
00:00:00 Inicio
00:01:45 Todos quieren un GPT
00:05:39 Consulta tradicional a LLM
00:08:27 Sistemas RAG
00:11:52 Qué nos ofrece un sistema RAG
00:13:31 Cómo se hace la recuperación de contexto
00:15:58 Poblando una BD vectorial
00:17:53 Qué hacer con el query del usuario
00:18:38 Sistema RAG completo
00:20:04 Proyecto práctico
00:20:56 Componentes del proyecto
00:23:02 En dónde encontrar el código
00:24:37 Introducción al dataset
00:26:39 Un ejemplo motivante
00:28:59 Trabajando con el dataset
00:33:31 Introducción al Chunking
00:35:58 Haciendo chunking en nuestros documentos
00:39:42 Procesando los chunks para indexarlos
00:41:46 De dónde sacamos los embeddings
00:43:03 Creando embeddings para nuestros documentos
00:45:21 Base de datos vectorial
00:46:46 Insertando en la BD vectorial
00:50:33 Ejecutando queries en la BD
00:51:26 Obteniendo respuestas potenciales
00:53:19 Generando respuestas RAG
00:53:56 Generando respuestas con mis documentos
00:58:14 Siguientes pasos
01:00:14 En conclusión