1. Conceptos básicos sobre LLMs y recuperación de datos
Componentes clave de los modelos de lenguaje grande (LLMs)
¿Por qué son tan revolucionarios los Transformers?
Limitaciones de las redes neuronales clásicas
La revolución de los Transformers
¿Y a efectos prácticos, qué necesito tener para operar mi propio LLM?
Cargando un modelo de GPT2 en nuestro entorno de desarrollo
Las matemáticas muy resumidas detrás de los Transformers (solo para fans verdaderos)
Comparación de Transformers con CNNs y RNNs
¿Y cómo es posible que los LLMs parezcan razonar?
Componentes clave de la recuperación de datos
Resumen

2. Procesamiento de datos no estructurados
Definición de datos no estructurados
Algunos tipos de datos no estructurados
¿Cómo se usan los datos no estructurados en RAG?
Preprocesamiento de Texto
Datos en ficheros
Importancia de procesar datos no estructurados para LLMs
¿Qué es exactamente la indexación de datos?
Procesamiento de datos multimedia
Procesar videos (extraer audio, transcribirlo y generar embeddings)
Resumen

3. Embeddings y bases de datos vectoriales
Bases de datos de vectores
Almacenamiento en bases de datos relacionales y NoSQL
Archivos binarios y almacenamiento en disco
Bases de datos vectoriales
 Almacenamiento de embeddings en bases de datos vectoriales
Introducción a los Sentence Transformers
Flujo general de integración de datos procesados en LLMs
Resumen

4. Crea tu chatbot con datos personalizados
 Siguientes pasos
¿Puedo alojar mi chatbot en Hugging Face?
Alojando el chatbot en tu propio servidor
Mantenimiento del chatbot
 Evaluación de la recuperación de información
Métricas relevantes
Evaluando la efectividad del chatbot
Resumen

5. Despliegues de LLMs, plataformas y herramientas
Beneficios del despliegue local versus en la nube
Herramientas y entornos para despliegue local 
Despliegue de LLMs en la nube
Optimización y mantenimiento de despliegues
Estrategias de actualización y mantenimiento de los modelos
Discusión sobre desafíos y soluciones en el uso práctico de LLMs
Resumen