Diferencias y casos de uso de KBs en Sistemas RAGs

A realizarse el 12/06/24 a las 14 h.

Enlace de meet: https://meet.google.com/qeh-kntz-som?pli=1&authuser=1

Título: Diferencias y Casos de Uso de KBs en Sistemas RAGs
Disertantes: Diego Karum (Globant)*;  Maxi Tejerina y Lucas Prone (Globant)
Resumen
En el ámbito de la inteligencia artificial, una base de conocimiento (Knowledge Base, KB) es una colección organizada de datos que una computadora utiliza para resolver problemas y responder preguntas, siendo fundamental para sistemas de razonamiento automático como asistentes virtuales y chatbots. Una innovación notable en este campo son los sistemas de Generación Mejorada por Recuperación (RAG), que integran estas bases de conocimiento con Grandes Modelos de Lenguajes (LMMs). Esta combinación permite a los sistemas generar respuestas actualizadas y precisas sin la necesidad de reentrenar los modelos, mejorando significativamente su eficacia y eficiencia.
Durante esta charla, nos centraremos en explorar los diferentes tipos de bases de conocimiento que pueden integrarse en los sistemas RAG. Analizaremos algunas de las bases de conocimiento comerciales y de código abierto más destacadas, enfatizando sus diferencias y aplicaciones más comunes. También discutiremos cómo los grafos se emplean como fuentes de información robustas y versátiles, y presentaremos ejemplos prácticos que ilustran su uso en varios escenarios.

Mini Bio:
Diego Karum : Recibido de FAMAF, trabaja como Data Scientist para Globant hace más de 5 años, especialmente en machine learning para NLP. Actualmente trabajando en mejorar sistems de RAG con énfasis en facilidad de desarrollo y velocidad de respuesta.

Lucas Prone: Analista en Ciencias de la Computación, egresado de UNRC y diplomado en data y AI en FAMAF. Trabajo como desarrollador desde hace más de 10 años y en data desde hace más de 4, pasando por diferentes industrias, lenguajes y proyecto, en los últimos años mayormente relacionados a Computer Vision y NLP.

Maximiliano Tejerina : Recibido de FAMAF, trabajó como Data Scientist para Globant hace más de 3 años, En campos como la analitica, NLP, y computer visión. Actualmente trabajando en el desarrollo de modelos en la nube (MLOps).