BÁSICO · 8 MÓDULOS · 64 LECCIONES

Embeddings a fondo

Convierte texto en vectores que tu equipo puede buscar: compara modelos de embeddings, elige la métrica de distancia correcta, divide con criterio y mide la calidad de la búsqueda antes de llegar a producción.

  1. 01AI Engineers que implementan búsqueda semántica o RAG y quieren entender y medir lo que pasa adentro.
  2. 02Desarrolladores backend que llegan a AI y necesitan decidir con datos, no por moda.
  3. 03Quienes usan clases de embeddings de un framework y no saben qué revisar cuando algo falla.
  4. 04Equipos que tienen que elegir un modelo de embeddings y justificarlo.
  1. 01Python básico (funciones, listas, diccionarios, clases) y algo de numpy.
  2. 02Matemática básica: suma, multiplicación, raíz cuadrada. Los conceptos de vectores y similitud se explican dentro de la guía.
  3. 03Opcional: una clave de la API de OpenAI para comparar con un modelo de pago.
  1. 01¿Qué son Embeddings?8 LECCIONES
    1. Bienvenido al Módulo 1: ¿Qué son Embeddings?
    2. Definición de Embeddings
    3. Propiedades Vectoriales de Embeddings
    4. Espacios Vectoriales de Alta Dimensionalidad
    5. Casos de Uso Reales de Embeddings
    6. Embeddings vs Keyword Search
    7. Arquitectura Overview: Cómo se Generan Embeddings
    8. Mini-Proyecto: Primer Embedding - Similarity Calculator
  2. 02¿Cómo funcionan Embeddings?8 LECCIONES
    1. Bienvenido al Módulo 2: ¿Cómo funcionan Embeddings?
    2. Transformer Encoders: La Arquitectura de Embeddings Modernos
    3. Tokenización: De Texto a Tokens
    4. Contextualización: Embeddings que Entienden Contexto
    5. Pooling Strategies: De Múltiples Tokens a Un Vector
    6. Normalization: Escalando Embeddings a Magnitud Unitaria
    7. OpenAI API Advanced: Parámetros y Patterns de Producción
    8. Mini-Proyecto: API Client Robusto para Producción
  3. 03Modelos de Embeddings Comparison8 LECCIONES
    1. Introducción al Módulo 3: Modelos de Embeddings Comparison
    2. OpenAI Embeddings Models: Deep Dive Comparison
    3. Open-Source Embeddings: Self-Hosted Alternatives
    4. MTEB: Massive Text Embedding Benchmark
    5. Latencia y Throughput: Performance Real
    6. Cost Analysis: Economics de Embeddings
    7. Domain-Specific y Multilingual Embeddings
    8. Mini-Proyecto: Benchmark Framework para Modelos de Embeddings
  4. 04Evaluación y Chunking Strategies8 LECCIONES
    1. Introducción al Módulo 4: Evaluación y Chunking Strategies
    2. Fixed-Size Chunking: Implementación Práctica
    3. Semantic Chunking: Respetando Estructura del Documento
    4. Métricas de Retrieval: Midiendo Performance de RAG
    5. Crear Evaluation Datasets para RAG
    6. A/B Testing Chunking Strategies
    7. Advanced Chunking Patterns
    8. Mini-Proyecto: Sistema RAG con Chunking Inteligente
  5. 05Métricas de Distancia a Fondo8 LECCIONES
    1. Introducción al Módulo 5: Métricas de Distancia a Fondo
    2. Similitud Coseno: La Métrica Estándar
    3. Distancia Euclidiana: Cuándo Coincide con Coseno y Cuándo No
    4. Producto Punto y Otras Métricas
    5. Benchmarks de Rendimiento: Dónde Se Va el Tiempo
    6. Búsqueda Aproximada (ANN): No Recorrer Todos los Estantes
    7. Introducción a FAISS: Exacto, HNSW e IVF Medidos
    8. Proyecto: Comparador de Métricas e Índices
  6. 06Embedding Operations8 LECCIONES
    1. Introducción al Módulo 6: Embedding Operations
    2. Arithmetic Operations: Embedding Algebra
    3. Interpolation & Blending
    4. Composition Strategies
    5. Dimensionality Reduction
    6. Centroid & Clustering
    7. Outlier Detection
    8. Mini-Proyecto: Semantic Explorer Tool
  7. 07Production Patterns8 LECCIONES
    1. Introducción al Módulo 7: Production Patterns
    2. Caching Strategies
    3. Error Handling & Retries
    4. Monitoring & Logging
    5. Scaling Patterns
    6. Cost Optimization
    7. Fault Tolerance
    8. Mini-Proyecto: Production-Ready RAG System
  8. 08Proyecto Final Integrador - RAG System Completo8 LECCIONES
    1. Módulo 8: Proyecto Final Integrador - RAG System Completo
    2. Document Ingestion Pipeline
    3. Chunking & Embedding Pipeline Integration
    4. Vector Search with FAISS
    5. Evaluation Framework: Measuring RAG Performance
    6. Query Expansion & Reranking: Two-Stage Retrieval
    7. Production Deployment: Freezing and Protecting the Decision
    8. Conclusions and Next Steps
Reseñas

Lo que dicen los estudiantes

Estas reseñas son de estudiantes inscritos que completaron al menos el 50% del curso. Moderamos las reseñas solo por motivos de contenido (spam, lenguaje ofensivo, datos personales), nunca por ser críticas o negativas.

Aún no hay reseñas aprobadas.

¡Sé el primero en compartir tu experiencia!

SEC. 06 · EL ESTUDIO

Por qué existe este estudio

Durante décadas, construir software fue cosa de perfiles técnicos con años de formación, y llevar un producto digital a la vida real le tomaba a las empresas meses o años. El no-code y la inteligencia artificial han acortado esa brecha, pero el conocimiento sigue en manos de unos cuantos.

Tech Benders existe para abrir ese conocimiento, para que los equipos de negocio y los perfiles no técnicos puedan poner sus ideas en producción con las decisiones técnicas correctas detrás. La IA hace lo que le pides. Sin una base técnica, lo que construye puede no escalar con el ecosistema de tu empresa, y sus costos se disparan con el tiempo.

El equipo conoce los dolores de las organizaciones grandes y la velocidad a la que tienen que moverse. Trae arquitectura de soluciones, ingeniería de datos, producto construido de punta a punta, del backend al frontend, y trabajo diario con IA. Software que resuelve lo que necesitas en días, no en meses, con los costos de la IA bajo control.

Fundadores

El estudioConoce Tech Benders →

Escríbenoshi@techbenders.io

Hecho con Wislab