Los LLMs sirven para research cuando dejan de improvisar y empiezan a recuperar, citar y verificar. Aquí el alumno construye un sistema RAG sobre documentos financieros reales, le da herramientas para consultar precios y datos macro, y lo evalúa con un golden set propio. El entregable es una aplicación funcional, no una demo de chat.
Este curso trata el modelo de lenguaje como un componente de ingeniería, no como un oráculo. Se abre explicando por dónde falla: contexto limitado, generación probabilística, alucinación bajo presión. La respuesta técnica es RAG — recuperación aumentada por generación — y el alumno lo construye pieza por pieza: convierte reportes anuales, prospectos de fondos y comunicados a embeddings, los indexa en una base vectorial, y diseña una estrategia de fragmentación que no parta una tabla financiera a la mitad. Después conecta herramientas: el agente puede llamar una API de precios, consultar series de FRED o Banxico, y calcular en vez de estimar de memoria. Se trabaja la salida estructurada con esquemas validados en Pydantic, para que el resultado entre a una hoja de cálculo sin intervención humana. Un módulo completo se dedica a evaluación, porque es lo que distingue un juguete de un sistema: golden set, métricas de fidelidad y cobertura, costo por consulta y latencia. Se compara además el LLM contra clasificadores especializados como FinBERT, para entender cuándo el modelo grande es innecesario y caro. El cierre es un despliegue real en Streamlit que otra persona puede abrir y usar.
Agentes de IA para Research Financiero — te enviamos el brochure y un asesor te contacta.