Unlocking Data with Generative AI and RAG

Manual técnico y exhaustivo orientado al diseño e implementación de sistemas de Generación Aumentada por Recuperación (RAG) para conectar grandes modelos de lenguaje (LLMs) con datos privados corporativos, mitigando las alucinaciones y fundamentando las respuestas en información factual. Utiliza el ecosistema moderno de Python, integrando LangChain, bases de datos vectoriales y APIs de modelos generativos de última generación. Está dirigido a científicos de datos, ingenieros de IA y desarrolladores de software de nivel intermedio que ya cuenten con experiencia previa en programación con Python y conceptos básicos de machine learning o procesamiento del lenguaje natural.

El libro enseña paso a paso la arquitectura completa de un pipeline de RAG: carga y preprocesamiento de documentos heterogéneos, técnicas de particionado de texto (chunking), generación de embeddings semánticos y almacenamiento en bases de datos vectoriales como Chroma. Explora en detalle la búsqueda por similitud vectorial, optimización de ventanas de contexto, ingeniería avanzada de prompts y la creación de interfaces de usuario interactivas con Gradio. Además, aborda patrones arquitectónicos avanzados como Agentic RAG, flujos cíclicos y de decisión con LangGraph, integración de grafos de conocimiento mediante Neo4j (GraphRAG), marcos de memoria para agentes (como CoALA y LangMem), y evaluación cuantitativa de fidelidad y relevancia utilizando métricas de Ragas, junto con protocolos de seguridad y red/blue teaming.

En la parte práctica, se guía la construcción gradual de un motor de búsqueda y consulta documental empresarial, que escala desde un recuperador básico en cuadernos Jupyter hasta un agente de IA interactivo provisto de memoria, interfaz visual en Gradio y validación formal de métricas. Su principal fortaleza radica en trasladar la teoría a pipelines listos para producción con evaluación cuantitativa real. Como contrapartida, no aborda el preentrenamiento desde cero de LLMs ni el fine-tuning profundo de pesos neuronales, concentrándose enteramente en la capa de orquestación y recuperación. Es conveniente tener familiaridad con Jupyter y consumo de APIs antes de comenzar.