Bases de Datos Vectoriales y LLM RAG para Aplicaciones de IA

Descripción

Hoy la inteligencia artificial parece magia. Arrastramos bloques, conectamos APIs y decimos que “creamos un agente”. Pero la verdad es otra: sin entender lo que ocurre dentro —embeddings, búsquedas semánticas, distancias vectoriales, memoria— siempre vamos a depender de plantillas, tutoriales y herramientas que cambian cada mes. Este curso es para quienes ya dieron el primer paso… y ahora quieren profundidad. Para quienes quieren pasar de conectar nodos… a diseñar soluciones de inteligencia artificial con criterio técnico. Bienvenido al curso “Bases Vectoriales para Aplicaciones de Inteligencia Artificial”. Aquí vas a aprender las bases conceptuales y prácticas que necesitas para construir sistemas de IA con recuperación semántica, memoria y datos reales. Soy Carlos Martínez. Tengo un MBA en INCAE y un Ph.D. en Management por la Universidad de St. Gallen en Suiza, una universidad líder en estrategia y management. Soy coautor de 25 casos de negocio, algunos incluidos en las bases de Harvard y Michigan, y este es mi curso número 59 en Udemy, con 18 best sellers. Desde hace 5 años ayudo a profesionales a conectar negocio, analítica e inteligencia artificial. ¿Y por qué te menciono esto? Porque en este curso vas a ver pensamiento estructurado, no una colección aleatoria de herramientas. Y porque vengo del mundo empresarial: aquí verás rigor técnico, pero aplicado a casos reales, con criterios que sirven para construir valor en el mundo corporativo. En este programa vas a aprender 4 bases vectoriales, cada una desde una lógica diferente dentro de una matriz 2x2 que diseñé para guiarte: Chroma, con la que aprenderás la esencia: embeddings, similitud, recuperación, eficiencia. Pinecone, para ver qué significa trabajar con un motor dedicado, gestionado en la nube, listo para producción. PostgreSQL + pgvector, para integrar vectores en bases relacionales, junto con los datos del negocio. Y finalmente Supabase, donde llevamos todo a un entorno real full-stack, combinando relacional + vectorial en la nube, con APIs listas para conectar agentes, n8n y servicios de IA. Pero no empezamos en la práctica sin base: primero vas a entender qué es una base vectorial, cómo funcionan los embeddings, medidas de similitud, indexación, eficiencia y cómo se conecta todo eso con modelos de lenguaje y RAG. Ese entendimiento te permite tomar decisiones: cuándo usar cada herramienta y por qué. Este curso es para profesionales que quieren construir aplicaciones de inteligencia artificial reales: desde desarrolladores y analistas… hasta consultores, product owners y personas que ya usan herramientas de IA y ahora quieren ir más allá de la caja negra. No necesitas ser experto, pero si conocés lo básico de Python y bases relacionales, vas a aprovecharlo aún más. Te llevás todo el código en Python, todos los cuadernos de Jupyter, archivos CSV, ejercicios, PDF con los fundamentos conceptuales, y acceso al foro de preguntas y respuestas —si preguntás con educación, yo respondo y te ayudo. Además, vas a poder practicar tus habilidades de comunicacion con Role Plays, la nueva herramienta de Udemy basada en IA para desarrollar tu criterio y tu forma de explicar soluciones técnicas a un público de negocio. También tenés garantía de 30 días. No tenés nada que perder. Asi que te invito a que explores las clases gratuitas, revises el contenido y tomes la decisión de dar un paso adelante, para que dejes de conectar nodos… y empeces a diseñar arquitecturas de inteligencia artificial con criterio. Nos vemos en la primera clase.

Lo que aprenderás

• Comprender qué es una base vectorial y cómo soporta sistemas RAG con LLMs en entornos reales.
• Crear colecciones y almacenar documentos en una base vectorial utilizando ChromaDB, Pinecone, pgvector y Supabase.
• Generar embeddings con OpenAI y evaluar su calidad frente a funciones nativas de ChromaDB
• Implementar consultas de similitud y recuperar documentos usando distancia vectorial.
• Construir un sistema RAG base integrando vectorstore, embeddings y un modelo LLM.
• Integrar ChromaDB con LangChain para fragmentar textos y crear un vectorstore eficiente.
• Comparar arquitecturas de almacenamiento vectorial como Pinecone, PGVector, Chroma y Supabase
• Ejecutar un caso de negocio real para diseñar un flujo RAG y presentar resultados ejecutivos.

Requisitos

• No hay requisitos obligatorios. El curso es accesible para todos, pero tener conocimientos básicos de Python y bases de datos relacionales (SQL) te permitirá aprovechar al máximo los proyectos y las explicaciones técnicas.
• No se requiere software de pago. Trabajaremos con herramientas open-source como ChromaDB, PostgreSQL, pgvector, Docker y pgAdmin, además de los free tiers de servicios como Pinecone y Supabase.