Crear chatbots y aplicaciones de PLN (Procesamiento del Lenguaje Natural)

Resumen

Ready to transform customer interactions through intelligent conversation? This Short Course was created to help data analysts and professionals accomplish the development of sophisticated chatbot applications with natural language processing capabilities.

By completing this course, you'll be able to implement retrieval-augmented generation systems, optimize conversational flows, extract meaningful insights from unstructured text, and make data-driven decisions about text representation methods. By the end of this course, you will be able to:

Build a chatbot prototype using RAG (retrieval-augmented generation) and measure user satisfaction through SUS survey Evaluate dialog-flow metrics (fallback rate, turn length) and iterate on intent-matching rules Apply named-entity recognition to extract key terms from support tickets and quantify precision/recall Evaluate two vectorization techniques (TF-IDF vs. embeddings) on a text-classification task This course is unique because it combines hands-on chatbot development with rigorous evaluation methodologies, ensuring your AI solutions deliver measurable business value.

To be successful in this project, you should have a background in Python programming and basic machine learning concepts.

Programa

• Módulo 1: Desarrollo de Chatbot RAG - Fundación
Construir un prototipo de chatbot utilizando RAG (generación aumentada por recuperación) y medir la satisfacción del usuario a través de la encuesta SUS.
• Módulo 2: Optimización del Flujo de Diálogo - Aplicación Principal
Evaluar métricas del flujo de diálogo (tasa de fallos, longitud de turno) e iterar sobre las reglas de coincidencia de intenciones.
• Módulo 3: Reconocimiento de Entidades Nombradas - Integración
Aplicar el reconocimiento de entidades nombradas para extraer términos clave de tickets de soporte y cuantificar precisión/recuperación.
• Módulo 4: Evaluación de Vectorización de Texto - Evaluación
Evaluar dos técnicas de vectorización (TF-IDF vs. embeddings) en una tarea de clasificación de texto.

---

Impartido por

Hurix Digital

---

Materias

Artificial Intelligence