Antes de saltar a la práctica, conviene aclarar una decisión clave del curso: implementar RAG sobre Azure, la plataforma de cómputo en la nube de Microsoft. Esta elección define el alcance, la escalabilidad y el costo de cada ejercicio que harás más adelante.

¿Por qué aprender RAG en la nube y no en local?

Montar RAG en una PC personal funciona para experimentar, pero topa con un techo claro: el hardware. Por más que inviertas en CPU y GPU, llega un punto donde el procesamiento de embeddings, la indexación vectorial y la inferencia de modelos grandes se vuelven lentos o directamente inviables.

La nube cambia esa ecuación. Te da acceso a hardware incomparable, despliegues reproducibles y, sobre todo, una ruta hacia soluciones productivas y escalables. Aprenderás los mismos conceptos que en local (cómo se conecta el retriever, cómo se orquesta la generación), pero con la infraestructura lista para crecer.

¿Qué ventaja tiene RAG en la nube frente a un entorno local? Escalabilidad real y hardware sin límites prácticos. En local aprendes los conceptos, en la nube los llevas a producción.

¿Qué cursos previos te conviene tomar antes de empezar?

Para aprovechar al máximo el contenido, hay tres pilares que consolidan tu base. No son obligatorios, pero marcan la diferencia entre seguir el curso y dominarlo.

• Fundamentos de Azure: te familiariza con suscripciones, recursos y servicios básicos de la plataforma.
• Langchain en entornos locales: aporta el músculo conceptual sobre cadenas, prompts y retrievers, replicable luego en la nube.
• Jupyter Notebooks configurado: aunque no tiene curso propio en Platzi, aparece en múltiples rutas de ciencia de datos y es la herramienta donde correrás la mayoría de los ejercicios.

Si ya manejas estos tres elementos, tu experiencia con RAG va a ser mucho más fluida.

¿Cómo aprovechar los 200 dólares de crédito de Azure sin gastarlos de más?

Aquí viene un detalle que muchos pasan por alto. Azure ofrece 200 dólares de crédito inicial, suficientes para completar todo el curso, pero con una condición: los servicios en la nube cuestan por estar desplegados, aunque no los uses.

Los servicios de inteligencia artificial son especialmente sensibles a esto. Un endpoint de modelo activo durante una semana, sin tráfico, puede consumir buena parte del crédito sin que te des cuenta.

¿Qué pasa si dejo mis recursos de Azure activos entre clases? Es altamente probable que consumas los 200 dólares aunque no los uses. Los servicios de IA cobran por estar desplegados, no solo por ejecutarse.

La recomendación es directa: si haces una pausa, por ejemplo después de la clase 10, destruye todos los recursos antes de cerrar la sesión. Cuando retomes, los desplegarás de nuevo. Implica trabajo extra, pero te da libertad para aprender sin sobrepasar el crédito gratuito.

¿Qué rutina seguir cada vez que pauses el curso?

Un flujo simple para proteger tu crédito:

1. Termina la clase o módulo en el que estás trabajando.
2. Identifica todos los recursos que creaste en la sesión.
3. Elimínalos desde el portal de Azure antes de cerrar.
4. Al retomar, despliega de nuevo siguiendo las instrucciones del curso.

Este hábito convierte los 200 dólares en un presupuesto realista para todo el camino.

¿Qué necesitas tener listo para empezar la parte operativa?

Si llegaste hasta aquí con tu suscripción de Azure activa, los cursos previos vistos y Jupyter Notebooks configurado, ya tienes el terreno preparado. Lo que sigue es pasar de la teoría de RAG a desplegar tus primeros servicios en la nube y ver cómo se conectan las piezas.

Cuéntame en los comentarios si vas a tomar primero los cursos sugeridos o si entras directo con experiencia previa.