
oct de 2026 · LLMs & Agentes
Búsqueda híbrida RAG con BM25 y fusión de rangos en Python
Combina recuperación BM25 y rankings semánticos con reciprocal rank fusion. Ejecuta un baseline en Python y evalúa candidatos antes de añadir un reranker.
LeerArtículos / Guía temática
Guía temática
Flujos de datos, streaming, detección de anomalías, ETL y bases operativas para sistemas de IA y ML.
Para organizaciones donde el problema de IA empieza con datos dispersos, lentos o difíciles de gobernar.
Artículos relacionados

oct de 2026 · LLMs & Agentes
Combina recuperación BM25 y rankings semánticos con reciprocal rank fusion. Ejecuta un baseline en Python y evalúa candidatos antes de añadir un reranker.
Leer
oct de 2026 · LLMs & Agentes
Valida importes extraídos contra líneas fuente, formatos decimales explícitos y totales. Mide precisión por campo y cobertura de revisión con documentos etiquetados.
Leer
sept de 2026 · LLMs & Agentes
Usa Jev y el SDK de TypeSafe en Python para enrutar solicitudes con Choice, Noul, umbrales de confianza y revisión humana.
Leer
sept de 2026 · LLMs & Agentes
Expón un servicio pequeño de Python mediante MCP con entradas validadas, resultados acotados y una lista de integración segura.
Leer
sept de 2026 · LLMs & Agentes
Usa un arnés pequeño y ejecutable en Python para medir recuperación y disponibilidad de evidencia anotada antes de cambiar un sistema RAG.
Leer
jun de 2026 · LLMs & Agentes
Extrae facturas y ofertas de trabajo con Python, Pydantic e Instructor. Valida tipos, revisa errores y mide la calidad de cada campo.
Leer
jun de 2026 · LLMs & Agentes
Construye un agente autónomo de análisis de datos usando LangGraph. Aprende cómo los agentes difieren de RAG e implementa el ciclo ReAct con herramientas para consultar y resumir datos.
Leer
jun de 2026 · MLOps
Pasa de scripts frágiles de entrenamiento a workflows de ML robustos y observables con Prefect. Programa re-entrenamiento, maneja fallos con gracia y monitorea cada ejecución.
Leer
jun de 2026 · MLOps
Compara batches con Evidently 0.7.23, define variables numéricas, exporta métricas y pruebas de drift y evalúa calidad con labels por separado.
Leer
may de 2026 · Aprendizaje automático
Entrena un clasificador Titanic en Python con fetch_openml, preprocesamiento, GridSearchCV y test separado. Incluye categorías desconocidas.
Leer
may de 2026 · Investigación de Operaciones
Construye turnos con pyworkforce 0.5.4: cobertura, disponibilidad, horas mínimas, estados del solver y límites de las reglas de descanso y preferencias.
Leer
abr de 2026 · Aprendizaje automático
Programa mutación y cruzamiento con los adaptadores de sklearn-genetic-opt, comprueba sus curvas y compara la búsqueda con una configuración fija.
Leer
abr de 2026 · Aprendizaje automático
Usa GAFeatureSelectionCV 0.14.0 con escalado dentro de cada fold, revisa las variables seleccionadas y evalúa pipelines sobre datos de prueba separados.
Leer
abr de 2026 · Sistemas de Datos
Ejecuta una demo local de Kafka con Python e Isolation Forest: tres particiones, validación de eventos y confirmación de offsets después del procesamiento.
Leer
mar de 2026 · MLOps
Entrena Iris con scikit-learn y sírvelo con FastAPI: valida entradas, protege ambas rutas, acota lotes y prueba el contenedor Docker.
Leer
mar de 2026 · Aprendizaje automático
Compara grid search, random search y algoritmos evolutivos para optimización de hiperparámetros con sklearn-genetic-opt.
Leer
feb de 2026 · Aprendizaje automático
Ajuste de hiperparámetros con GASearchCV de sklearn-genetic-opt usando algoritmos evolutivos.
Leer
feb de 2026 · MLOps
Registra experimentos de Python con MLflow 3.14 y SQLite, separa validación y test final, y recupera un modelo versionado mediante un alias del Registry.
Leer
ene de 2026 · LLMs & Agentes
Construye un flujo RAG para PDF con Python, LangChain y Chroma. Conserva páginas de origen, valida citas y separa recuperación de calidad de respuesta.
Leer
ene de 2026 · Investigación de Operaciones
Planea una semana cíclica con pyworkforce 0.5.4. Verifica un plan de nueve personas y compara mínimo personal con mínima brecha absoluta de cobertura.
LeerCuéntame qué estás implementando y dónde encuentras el problema: recuperación, modelos, datos o integración con tu producto.