Contexto extendido, RAG y memoria persistente

Al finalizar el curso estarás en la capacidad de:

• Comparar arquitecturas RAG y opciones de vector stores, seleccionando la alternativa más adecuada según el dominio, volumen y restricciones operativas.

• Seleccionar estrategias de chunking, query transforms, re-ranking y compresión de contexto para mejorar la recuperación, pertinencia y eficiencia del sistema.

• Diseñar un esquema de memoria persistente con políticas de retención, prioridad y vigencia para soportar continuidad y recuperación eficiente.

• Evaluar el desempeño de un sistema RAG con memoria mediante métricas de recuperación, costo y criterios básicos de privacidad para sustentar decisiones de diseño

El curso está dirigido a:

• Profesionales y estudiantes que desarrollan o desean desarrollar soluciones basadas en LLM y buscan incorporar mecanismos de recuperación, contexto extendido y memoria persistente para mejorar la relevancia y continuidad de sus sistemas.

• Participantes interesados en diseñar arquitecturas RAG, optimizar la recuperación de información, definir políticas de memoria y aplicar criterios básicos de privacidad y evaluación en casos de uso reales.

• Comprensión básica de contexto, estado, datos sensibles y lectura inicial de resultados de búsqueda y métricas.
• Nociones básicas de LLM Apps, comprensión inicial de RAG, recuperación de información y lectura básica de diagramas.
• Para participar en el curso, se recomienda: