Curso online Cómo Desarrollar tu Propio Chatbot: Modelos Personalizados de IA Generativa

Este Curso online Cómo Desarrollar tu Propio Chatbot: Modelos Personalizados de IA Generativa te enseña a comprender cómo funcionan los modelos LLM y cómo aplicarlos al desarrollo de un chatbot con datos personalizados. Está pensado para quienes quieren iniciarse en la creación de soluciones de IA generativa con una base técnica clara, práctica y orientada a implementación.

Formación práctica para crear un chatbot con IA generativa y RAG

Este curso ofrece una visión aplicada sobre los modelos de lenguaje de gran escala (LLMs) y su uso en proyectos de chatbot con IA generativa. A lo largo de la formación aprenderás cómo se integran conceptos como transformers, embeddings, bases de datos vectoriales y recuperación aumentada por generación (RAG) para mejorar la calidad de las respuestas y aprovechar datos propios.

También trabajarás el procesamiento de datos no estructurados, la vectorización de información, el uso de herramientas como Hugging Face o Google Colab, y el despliegue del chatbot en entornos locales o en la nube. Es una formación especialmente útil para quienes buscan entender cómo pasar de la teoría a una implementación funcional de un chatbot personalizado.

El enfoque del experto

El curso ha sido desarrollado por Juan Feu Desongles, especializado en cloud computing, big data e inteligencia artificial, con experiencia en Google Cloud, arquitectura de datos y formación tecnológica avanzada.

Su perfil aporta al curso una visión técnica y aplicada para entender cómo se construyen soluciones basadas en modelos LLMs, cómo se integran datos personalizados y qué decisiones intervienen en su despliegue práctico.

¿A quién se dirige y qué salidas profesionales aporta?

Este curso se dirige especialmente a:

• Desarrolladores y programadores interesados en crear aplicaciones con IA generativa.
• Analistas y científicos de datos (Data Science) que quieran mejorar sus competencias en recuperación y procesamiento de información.
• Ingenieros de sistemas y arquitectos de soluciones que necesiten trabajar con LLMs y despliegues asociados.
• Estudiantes y perfiles técnicos que busquen una base práctica en chatbots, RAG y modelos personalizados.

En cuanto a su utilidad profesional, esta formación puede ayudarte a desarrollar competencias aplicables en ámbitos como:

• Desarrollo de chatbots con IA generativa.
• Proyectos de integración de modelos LLM con datos propios.
• Procesamiento, vectorización y recuperación de información.
• Despliegue técnico de soluciones basadas en IA.
• Actualización profesional en inteligencia artificial aplicada.

Habilidades y Competencias Estratégicas Adquiridas

A lo largo del curso desarrollarás una base técnica útil para comprender mejor cómo crear e implementar soluciones con modelos de lenguaje y datos personalizados.

• Comprender los fundamentos de LLMs y de la arquitectura transformer.
• Aplicar conceptos de RAG, embeddings y bases de datos vectoriales.
• Procesar datos no estructurados para usarlos en modelos de IA.
• Crear un chatbot personalizado con información propia.
• Evaluar métricas de recuperación y rendimiento del sistema.
• Entender opciones de despliegue local y en la nube para LLMs.

Metodología del curso

• Curso online de 20 horas con un plazo de 2 meses para completarlo a tu ritmo.
• Acceso a la plataforma 24 horas al día, 7 días a la semana.
• Incluye contenido en PDF no descargable, ejemplos, 5 unidades de aprendizaje, 5 prácticas, 71 minutos de vídeo y 5 test de evaluación.
• Compatible con cualquier sistema operativo y dispositivo móvil.
• Metodología orientada a combinar explicación técnica y aplicación práctica en LLMs, RAG, procesamiento de datos, chatbot personalizado y despliegue.
• Se requieren conocimientos de programación, preferiblemente en Python, fundamentos de inteligencia artificial y aprendizaje automático, manejo y procesamiento de datos y familiaridad con herramientas de desarrollo.
• Los softwares no vienen incluidos en el curso.

Obtén tu Certificado con Sello de Calidad AENOR

Al finalizar, recibirás vía email tu Certificado Acreditativo emitido por Cursa Online con código QR de verificación. Este certificado acredita la realización de la formación y permite una comprobación sencilla mediante su sistema de verificación.

Además, este curso cuenta con el Sello de Calidad en Contenidos eLearning ANCYPEL-AENOR, una iniciativa orientada a garantizar un estándar de calidad de los contenidos utilizados en la impartición de formación online. Es una señal de confianza útil para quienes valoran materiales formativos bien estructurados y desarrollados con criterios de calidad.

≡ Temario completo del Curso online Cómo Desarrollar tu Propio Chatbot: Modelos Personalizados de IA Generativa

TEMA 1. Conceptos básicos sobre modelos de lenguaje LLMs y recuperación de datos

1. Componentes clave de los modelos de lenguaje grande (LLMs)
2. ¿Pero qué es en esencia un LLM y qué es capaz de hacer?
3. ¿Por qué son tan revolucionarios los Transformers?
4. Limitaciones de las redes neuronales clásicas
   • Redes Neuronales Convolucionales (CNNs)
   • Redes Neuronales Recurrentes (RNNs)
5. La revolución de los Transformers
   • Mecanismo de autoatención
   • Atención múltiple
   • Capacidad para capturar dependencias a largo plazo
   • No secuencialidad en el entrenamiento
6. ¿Y a efectos prácticos, qué necesito tener para operar mi propio LLM?
   • Lo que necesitamos saber para empezar a programar nuestro LLM
   • ¿Qué es Hugging Face?
     • Componentes
   • ¿Qué es Google Colab?
     • Características
   • El Mecanismo de autoatención de nuevo: comprender relaciones entre elementos
   • Representación de datos: Todo es una secuencia
   • Multimodalidad: Integración de diferentes fuentes de información
   • Escalabilidad y paralelización
   • Entrenamiento en grandes cantidades de datos
7. Cargando un modelo de GPT2 en nuestro entorno de desarrollo
8. Las matemáticas muy resumidas detrás de los Transformers (solo para fans verdaderos)
   • Autoatención
   • Cálculo de la salida en la capa de autoatención
   • Atención múltiple
   • Capa de proyección y FFN
   • Resumen gráfico de flujo
9. Comparación de Transformers con CNNs y RNNs
10. ¿Y cómo es posible que los LLMs parezcan razonar?
    • Escala y profundidad del entrenamiento
    • Atención y manejo de contextos largos
    • Instrucciones y prompts
    • Capacidades emergentes
    • Razonamiento implícito mediante datos
11. Componentes clave de la recuperación de datos
    • Definición y funcionalidad de RAG
    • Beneficios y aplicaciones de RAG
    • Ejemplos de aplicación de RAG
    • Fases del proceso RAG
12. Resumen
    • ¿Qué son los modelos LLMs?
    • Transformers: La clave del avance
    • Funcionalidad de los LLMs
    • Ventajas de los Transformers frente a modelos clásicos
    • Componentes clave de los Transformers

TEMA 2. Procesamiento de datos no estructurados

1. Definición de datos no estructurados
2. Algunos tipos de datos no estructurados
3. ¿Cómo se usan los datos no estructurados en RAG?
4. Preprocesamiento de Texto
5. ¿Cuáles serían los siguientes pasos?
6. Datos en ficheros
   • Instalar las librerías necesarias para la extracción de los datos
   • Funciones para leer diferentes tipos de archivos VIDEO
   • Procesar un repositorio de documentos
   • Generar embeddings para cada documento y guardarlos para su uso posterior
   • Cargar los embeddings guardados
7. Importancia de procesar datos no estructurados para LLMs
8. ¿Qué es exactamente la indexación de datos?
   • Limpieza y normalización de los datos
   • Dividir los datos en fragmentos (chunking)
   • Representación de los datos (Vectorización)
   • Construcción del índice
   • Consulta y recuperación
   • Actualización del índice
9. Procesamiento de datos multimedia
   • Flujo para procesar multimedia (videos e imágenes)
   • Procesar imágenes (extraer texto con OCR + generar embeddings visuales)
     • Instalación de librerías necesarias
     • Código para procesar imágenes
10. Procesar vídeos (extraer audio, transcribirlo y generar embeddings)
    • Instalación de librerías necesarias
    • Código para procesar videos
    • Explicación del flujo de procesamiento de vídeo
11. Resumen
    • Procesamiento de datos no estructurados
    • Preprocesamiento de datos no estructurados en RAG

TEMA 3. Embeddings y bases de datos vectoriales

1. Opciones de almacenamiento para embeddings
2. Bases de datos de vectores
3. Almacenamiento en bases de datos relacionales y NoSQL
4. Archivos binarios y almacenamiento en disco
5. Bases de datos vectoriales
   • ¿Qué son las bases de datos vectoriales?
   • ¿Cómo funcionan?
   • ¿Cómo se comparan las bases de datos vectoriales?
6. Almacenamiento de embeddings en bases de datos vectoriales
7. Introducción a los Sentence Transformers
8. Flujo general de integración de datos procesados en LLMs
   • Flujo de trabajo
   • Flujo de trabajo para el Fine-tuning
   • Comparación con los Bloques de Código Anteriores
   • ¿Cuándo Usar Este Código?
9. Resumen
   • ¿Cómo guardar los embeddings?
   • Bases de datos vectoriales
   • Almacenamiento de embeddings
   • Flujo de integración de datos en LLMs
   • Fine-tuning del modelo

TEMA 4. Crea tu chatbot con datos personalizados

1. Siguientes pasos
2. ¿Puedo alojar mi chatbot en Hugging Face?
   • Crear una cuenta en Hugging Face
   • Crear un nuevo Space
   • Subir tu código del chatbot
   • Especificar dependencias
   • Probar y lanzar tu chatbot
   • Compartir tu Space
   • Ejemplo de estructura de archivos
3. Alojando el chatbot en tu propio servidor
   • Configurar el Servidor
   • Instalar dependencias
4. Mantenimiento del chatbot
   • Monitorización del chatbot
5. Evaluación de la recuperación de información
6. Métricas relevantes
7. Evaluando la efectividad del chatbot
   • Instalación de evaluate
   • Ejemplo de Cálculo de Recall y MRR
   • Explicación del Código
8. Resumen
   • Recuperando Información
   • Integración del chatbot personalizado
   • Evaluación de estrategias de búsqueda

TEMA 5. Despliegues de LLMs, plataformas y herramientas

1. Introducción a los despliegues de LLMs
2. Beneficios del despliegue local versus en la nube
   • Casos de uso de despliegues de LLMs
   • Consideraciones previas para el despliegue, hardware, memoria, capacidad de procesamiento
3. Herramientas y entornos para despliegue local
   • Introducción a entornos y plataformas
   • Configuración de un entorno local para desplegar LLMs
   • Comparación entre frameworks y herramientas
4. Despliegue de LLMs en la nube
   • Creación y configuración de una instancia en la nube para alojar LLMs
   • Servicios especializados para despliegues en la nube (Amazon Sagemaker, Google Vertex IA…
5. Optimización y mantenimiento de despliegues
   • Métodos para optimizar: cuantización podado, distillation
   • Consideraciones de seguridad en los despliegues de LLMs
6. Estrategias de actualización y mantenimiento de los modelos
7. Discusión sobre desafíos y soluciones en el uso práctico de LLMs
8. Resumen
   • Despliegue de LLMs: Local vs. nube
   • Casos de uso
   • Consideraciones del despliegue
   • Herramientas y entornos
   • Optimización y desafíos