INTERMEDIO · 8 MÓDULOS · 67 LECCIONES

Fundamentos de bases de datos vectoriales

Entiende cómo funcionan por dentro las bases de datos vectoriales, por qué un sistema RAG necesita una y cómo elegir la correcta para el proyecto de tu equipo.

  1. 01Por qué Vector Databases para AI Engineers8 LECCIONES
    1. Módulo 1: Por qué Vector Databases para AI Engineers
    2. Cápsula 02: El problema de fondo · RAG necesita encontrar 5 docs entre millones en milisegundos
    3. Por qué SQL/NoSQL no sirven para semantic search
    4. Por qué numpy/pandas no escalan a producción
    5. Cuándo SÍ necesitas vector database
    6. Cuándo NO necesitas vector database
    7. Trade-offs: Simplicidad vs Performance vs Costo
    8. Resumen del Módulo 1 y Transición
  2. 02Cómo funcionan Vector Databases (Conceptual)8 LECCIONES
    1. Módulo 2: Cómo funcionan Vector Databases (Conceptual)
    2. Cápsula 02: Arquitectura de Vector Databases (3 Capas)
    3. Cápsula 03: Indexing Algorithms - Overview
    4. Cápsula 04: HNSW - Hierarchical Navigable Small World
    5. Cápsula 05: IVF - Inverted File Index
    6. Cápsula 06: PQ - Product Quantization
    7. Cápsula 07: Comparación HNSW vs IVF vs PQ - Decision Framework
    8. Cápsula 08: Por qué esto importa para RAG - Resumen del Módulo
  3. 03Features Esenciales para RAG8 LECCIONES
    1. Módulo 3: Features Esenciales para RAG
    2. Cápsula 02: Metadata Filtering (Where Clauses)
    3. Cápsula 03: Hybrid Search (Keyword + Semantic)
    4. Cápsula 04: Multi-tenancy (Aislamiento de datos)
    5. Cápsula 05: Batch Operations · el costo oculto del ingestion ingenuo
    6. Cápsula 06: Distance Metrics · la decisión geométrica que casi nadie justifica
    7. Cápsula 07: Observability · qué medir cuando ya nadie debugea con prints
    8. Cápsula 08: Features Comparison y Resumen del Módulo
  4. 04ChromaDB Setup y Configuración11 LECCIONES
    1. Módulo 4: ChromaDB Setup y Configuración
    2. Cápsula 02: ChromaDB Installation y Setup
    3. Cápsula 03: Collection Configuration · los tres parámetros que casi nadie justifica
    4. Cápsula 04: Metadata Filtering Implementation · del concepto al código en ChromaDB
    5. Cápsula 05: Batch Ingestion en ChromaDB · del concepto al pipeline operable
    6. Cápsula 06: Query Optimization · donde se gana o se pierde la latencia real
    7. Cápsula 07: Persistence y Durability · qué pasa cuando algo se rompe
    8. Cápsula 08: Mini-Proyecto - Document Search System
    9. Cápsula 09: Embeddings con OpenAI · Cuándo cambiar del default
    10. Cápsula 10: Chunking de documentos · el problema del documento entero
    11. Cápsula 11: Pipeline RAG end-to-end con ChromaDB
  5. 05Landscape de Vector Databases para AI Engineers8 LECCIONES
    1. Módulo 5: Landscape de Vector Databases para AI Engineers
    2. Cápsula 02: Panorama de Proveedores de Vector DB
    3. Cápsula 03: Managed vs Self-Hosted
    4. Cápsula 04: Comparación de Features para RAG
    5. Cápsula 05: Costos y Trade-offs de Selección
    6. Cápsula 06: Cuándo Elegir Cada Opción
    7. Cápsula 07: Anti-patrones al Elegir Vector DB
    8. Cápsula 08: Proyecto - Decision Tree para Elegir Vector DB
  6. 06Decision Matrix para AI Engineers8 LECCIONES
    1. Módulo 6: Decision Matrix para AI Engineers
    2. Cápsula 02: Requisitos y Criterios de Decisión
    3. Cápsula 03: Pesos, Scoring y Metodología de la Matriz
    4. Cápsula 04: Matriz de Decisión Práctica
    5. Cápsula 05: Análisis de Costos y ROI
    6. Cápsula 06: Recomendación por Escenarios
    7. Cápsula 07: Casos de Elección Real
    8. Cápsula 08: Proyecto - Cuestionario de Decisión
  7. 07Production Considerations para RAG8 LECCIONES
    1. Módulo 7: Production Considerations para RAG
    2. Cápsula 02: Estrategias de Escalado
    3. Cápsula 03: Monitoring y Observabilidad para Sistemas RAG
    4. Cápsula 04: Backup y Disaster Recovery
    5. Cápsula 05: Seguridad para Sistemas RAG
    6. Cápsula 06: Optimización de Costos y Rendimiento para RAG
    7. Cápsula 07: Migración sin Downtime (ChromaDB → Pinecone)
    8. Cápsula 08: Proyecto - Production Readiness Checklist
  8. 08Proyecto Integrador RAG con ChromaDB8 LECCIONES
    1. Módulo 8: Proyecto Integrador RAG con ChromaDB
    2. Cápsula 02: Arquitectura del Proyecto
    3. Cápsula 03: Pipeline de Ingestion para 1,000+ documentos
    4. Cápsula 04: Retrieval, Generation y API
    5. Cápsula 05: Testing y Evaluación
    6. Cápsula 06: Observabilidad y Deployment
    7. Cápsula 07: Hardening Final
    8. Cápsula 08: Proyecto - RAG Production-Ready
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