Cree una IA que responda con sus propios datos: introducción a RAG

Es una capacitación práctica intensiva de 4 horas en la que usted construye un sistema de IA a la medida, conectado a los datos de trabajo de su empresa mediante la tecnología RAG (Retrieval-Augmented Generation). Bajo la guía de John Kim, CEO de Nanum Consultoría, se aprende paso a paso: desde los conceptos clave de RAG y el diseño de la arquitectura para conectar los documentos de la empresa, hasta la implementación real con Supabase y Voyage AI. Con prácticas guiadas para construir un sistema RAG aplicable de inmediato en un entorno laboral real, los participantes adquieren la capacidad de desarrollar soluciones de IA especializadas en los datos de su propia empresa. Más allá del uso general de ChatGPT, al implementar una IA a la medida que aprende el conocimiento especializado y los datos internos de la organización, es posible mejorar de forma notable la eficiencia del trabajo y la precisión en la toma de decisiones. Es un programa validado por la experiencia de Nanum Consultoría en capacitación para más de 50 grandes empresas e instituciones.
💻 Aprenda primero este tema con un curso en línea →¿Para quién es este programa?
Curso indicado para responsables operativos y líderes de empresas e instituciones que necesitan fortalecer sus capacidades en IA y TI. Se recomienda especialmente a las organizaciones que buscan «comprender la tecnología RAG y adquirir la capacidad de crear una IA conectada a los datos de su trabajo».
¿Qué aprenderá?
- Dominio de la tecnología RAG y capacidad para construir una IA conectada a los datos de trabajo
Programa de capacitación
- El problema de las alucinaciones de la IA generativa: análisis de por qué genera respuestas sin sustento y estudio de casos
- Definición de RAG (Retrieval-Augmented Generation): cómo se combinan la búsqueda de documentos y la generación de respuestas
- Comparación entre la IA tradicional y RAG: análisis de las diferencias en precisión, confiabilidad y utilidad para la empresa
- Valor de negocio de adoptar RAG: protección de la información confidencial, datos siempre actualizados y eficiencia de costos
- Cómo se resuelven las alucinaciones: análisis del proceso de generación de respuestas basadas en datos reales
- Flujo completo de la arquitectura RAG: comprender cada etapa (embeddings, almacén de vectores, búsqueda y generación)
- Estructura de la base de datos vectorial de Supabase: cómo funcionan el almacenamiento de documentos, la vectorización y la búsqueda
- Función del modelo de embeddings de Voyage AI: práctica del proceso que convierte texto en vectores de alta dimensión
- Preprocesamiento de documentos y estrategias de chunking: metodología para dividir documentos largos en fragmentos de tamaño óptimo
- Mecanismo de la búsqueda semántica (Semantic Search): encontrar documentos por su significado, no por palabras clave
- Cálculo de similitud vectorial y ordenamiento por relevancia: criterios para juzgar la pertinencia de los documentos recuperados
- Estructura de conexión con Claude AI: integrar los resultados de la búsqueda en el prompt para generar la respuesta final
- Creación de un proyecto en Supabase y configuración de la tabla de vectores: construcción de la base de datos en un entorno real en la nube
- Integración con la API de Voyage AI y generación de embeddings: convertir documentos de muestra en vectores y almacenarlos
- Uso de herramientas sin código (Make, Zapier): flujo de trabajo automatizado desde la carga de documentos hasta su vectorización
- Prototipo de aplicación RAG con Claude Code: una interfaz de chat que funciona de verdad
- Evaluación de la calidad de los resultados de búsqueda y ajuste de parámetros – valor Top-K y umbral de similitud
- Prueba y despliegue del sistema RAG construido: verificar su funcionamiento real con distintas preguntas y compartirlo
- Creación de un proyecto en Supabase y configuración de la tabla de vectores: construcción de la base de datos en un entorno real en la nube
- Integración con la API de Voyage AI y generación de embeddings: convertir documentos de muestra en vectores y almacenarlos
- Uso de herramientas sin código (Make, Zapier): flujo de trabajo automatizado desde la carga de documentos hasta su vectorización
- Prototipo de aplicación RAG con Claude Code: una interfaz de chat que funciona de verdad
- Evaluación de la calidad de los resultados de búsqueda y ajuste de parámetros – valor Top-K y umbral de similitud
- Prueba y despliegue del sistema RAG construido: verificar su funcionamiento real con distintas preguntas y compartirlo
Herramientas que se usan en este curso
Resultados esperados / al finalizar
- Implementar usted mismo un sistema de IA que responde con precisión a partir de los documentos de su empresa
Clientes atendidos
Sobre la instructora

Cursos relacionados
Empiece con un curso en línea
Antes de contratar capacitación en sus instalaciones, conozca lo esencial de este tema con un curso en línea.
Curso práctico de iniciación para crear una herramienta de trabajo que funciona con solo darle instrucciones, como en una conversación.
De la preparación de clases a la creación de contenidos: un curso para usar la IA directamente en el trabajo.
Diseñamos este programa a la medida de su empresa
Del diagnóstico a la ejecución — Nanum Consultoría
Preguntas frecuentes

Cree una IA que responda con sus propios datos: introducción a RAG
Capacitación práctica intensiva de 4 horas para construir un sistema de IA a la medida, conectado a los datos de trabajo de su empresa mediante la tecnología RAG (Retrieval-Augmented Generation)
- Dominio de la tecnología RAG y capacidad para construir una IA conectada a los datos de trabajo
- Implementar usted mismo un sistema de IA que responde con precisión a partir de los documentos de su empresa
- El problema de las alucinaciones de la IA generativa: análisis de por qué genera respuestas sin sustento y estudio de casos
- Definición de RAG (Retrieval-Augmented Generation): cómo se combinan la búsqueda de documentos y la generación de respuestas
- Comparación entre la IA tradicional y RAG: análisis de las diferencias en precisión, confiabilidad y utilidad para la empresa
- Valor de negocio de adoptar RAG: protección de la información confidencial, datos siempre actualizados y eficiencia de costos
- Cómo se resuelven las alucinaciones: análisis del proceso de generación de respuestas basadas en datos reales
- Flujo completo de la arquitectura RAG: comprender cada etapa (embeddings, almacén de vectores, búsqueda y generación)
- Estructura de la base de datos vectorial de Supabase: cómo funcionan el almacenamiento de documentos, la vectorización y la búsqueda
- Función del modelo de embeddings de Voyage AI: práctica del proceso que convierte texto en vectores de alta dimensión
- Preprocesamiento de documentos y estrategias de chunking: metodología para dividir documentos largos en fragmentos de tamaño óptimo
- Mecanismo de la búsqueda semántica (Semantic Search): encontrar documentos por su significado, no por palabras clave
- Cálculo de similitud vectorial y ordenamiento por relevancia: criterios para juzgar la pertinencia de los documentos recuperados
- Estructura de conexión con Claude AI: integrar los resultados de la búsqueda en el prompt para generar la respuesta final
- Creación de un proyecto en Supabase y configuración de la tabla de vectores: construcción de la base de datos en un entorno real en la nube
- Integración con la API de Voyage AI y generación de embeddings: convertir documentos de muestra en vectores y almacenarlos
- Uso de herramientas sin código (Make, Zapier): flujo de trabajo automatizado desde la carga de documentos hasta su vectorización
- Prototipo de aplicación RAG con Claude Code: una interfaz de chat que funciona de verdad
- Evaluación de la calidad de los resultados de búsqueda y ajuste de parámetros – valor Top-K y umbral de similitud
- Prueba y despliegue del sistema RAG construido: verificar su funcionamiento real con distintas preguntas y compartirlo
- Creación de un proyecto en Supabase y configuración de la tabla de vectores: construcción de la base de datos en un entorno real en la nube
- Integración con la API de Voyage AI y generación de embeddings: convertir documentos de muestra en vectores y almacenarlos
- Uso de herramientas sin código (Make, Zapier): flujo de trabajo automatizado desde la carga de documentos hasta su vectorización
- Prototipo de aplicación RAG con Claude Code: una interfaz de chat que funciona de verdad
- Evaluación de la calidad de los resultados de búsqueda y ajuste de parámetros – valor Top-K y umbral de similitud
- Prueba y despliegue del sistema RAG construido: verificar su funcionamiento real con distintas preguntas y compartirlo
