Especialista en IA Generativa y Large Language Models
Domina el desarrollo con LLMs, prompt engineering, RAG, y fine-tuning de modelos open-source utilizando frameworks modernos.
Sobre el curso
Este curso práctico de especialización está diseñado para capacitar a profesionales en el diseño, desarrollo e integración de soluciones basadas en Inteligencia Artificial Generativa. Aprenderás desde los fundamentos teóricos hasta la puesta en producción de agentes autónomos.
Qué aprenderás
- Comprender la arquitectura Transformer que potencia los LLMs.
- Dominar técnicas de Prompt Engineering avanzadas.
- Desarrollar sistemas de Generación Aumentada por Recuperación (RAG).
- Realizar Fine-Tuning de modelos de lenguaje de código abierto.
- Desplegar aplicaciones de IA de manera eficiente y segura.
Temario
-
1 Introducción a los modelos de lenguaje masivos
Objetivo: entender qué es un modelo de lenguaje masivo (LLM), cómo se entrena, qué hace realmente cuando genera texto y cuáles son sus capacidades y limitaciones, para tomar decisiones técnicas informadas durante el resto…
La lección completa está en el aula virtual.
-
2 Arquitectura Transformer y mecanismo de atención
Objetivo: comprender en detalle la arquitectura Transformer, el mecanismo de autoatención y los componentes que la rodean (embeddings, codificación posicional, atención multicabeza, capas feed-forward y normalización), y saber implementarlos de forma básica en Python.…
La lección completa está en el aula virtual.
-
3 Sistemas RAG (Retrieval-Augmented Generation)
Objetivo: comprender por qué y cuándo usar Generación Aumentada por Recuperación (RAG), conocer sus componentes (ingesta, indexación, recuperación, generación) y construir un primer sistema RAG funcional en Python, independiente del proveedor del modelo. 1.…
La lección completa está en el aula virtual.
-
4 Prompt engineering avanzado
Objetivo: dominar técnicas avanzadas de prompt engineering (system prompts, few-shot, chain-of-thought, salidas estructuradas en JSON y plantillas reutilizables) y aprender a tratar los prompts como código: versionados, probados y evaluados. 1. Anatomía de un…
La lección completa está en el aula virtual.
-
5 Embeddings y bases de datos vectoriales
Objetivo: entender qué son los embeddings y cómo se comparan, dominar las estrategias de chunking, conocer los índices vectoriales y su funcionamiento aproximado, y combinar búsqueda léxica y semántica con reranking para mejorar la…
La lección completa está en el aula virtual.
-
6 RAG avanzado y evaluación
Objetivo: aplicar técnicas avanzadas de RAG (reescritura de consultas, recuperación multietapa, compresión de contexto) y, sobre todo, aprender a evaluar un sistema RAG de forma sistemática con métricas de recuperación, métricas de fidelidad y…
La lección completa está en el aula virtual.
-
7 Fine-tuning de modelos de lenguaje abiertos
Objetivo: saber cuándo tiene sentido hacer fine-tuning de un modelo de lenguaje y cuándo no, entender el ajuste supervisado (SFT) y los métodos eficientes en parámetros LoRA y QLoRA, preparar un dataset de calidad…
La lección completa está en el aula virtual.
-
8 Agentes y uso de herramientas
Objetivo: entender cómo un LLM puede actuar sobre el mundo mediante herramientas, implementar un bucle de agente razonar–actuar con function calling, conocer las estrategias de planificación y memoria, el protocolo MCP como estándar de…
La lección completa está en el aula virtual.
-
9 Despliegue y optimización de LLMs
Objetivo: decidir entre consumir modelos por API o desplegar modelos propios, aplicar técnicas de optimización como la cuantización y el batching, servir modelos con servidores de inferencia como vLLM, reducir coste y latencia con…
La lección completa está en el aula virtual.
-
10 Seguridad y uso responsable de la IA generativa
Objetivo: identificar los principales riesgos de seguridad de las aplicaciones basadas en LLM (inyección de prompts directa e indirecta, fuga de datos, abuso de herramientas), aplicar defensas en profundidad con guardrails, organizar ejercicios de…
La lección completa está en el aula virtual.
-
11 Proyecto final: asistente RAG con agente desplegado
Objetivo: integrar todo lo aprendido en el curso diseñando, construyendo, evaluando y desplegando un asistente RAG con capacidades de agente, listo para producción, y verificarlo con una checklist profesional. 1. Enunciado y alcance Vas…
La lección completa está en el aula virtual.