Inicio Repaso Notas Examen Tags

26/120 lecciones · 22%

Módulos

01State of the Art: AI Engineering en 2026

¿Qué son los LLMs?
Arquitectura Transformer (Profundización)
Tokens, Contexto y Coste
Temperatura y Parámetros de Generación
Comparativa de Modelos: Actualización Agosto 2026
Propietario vs Open Source: Framework y Casos
Machine Learning en la Práctica
Redes Neuronales: Deep Learning
Cuándo NO Usar un LLM: ML vs DL vs IA Generativa
Benchmarks y Evaluación de Modelos
Comparativa de Algoritmos: Todos los Modelos a la Vez
Ejercicio 1 — Análisis de Costes de 3 APIs
Ejercicio 2 — Temperatura y Top_p en el Playground
Ejercicio 3 — Calcular ROI de un Proyecto de IA

02Prompt Engineering + Primeros Pasos con OpenAI

Anatomía de un prompt: Los 4 componentes
Zero-shot vs Few-shot vs Chain-of-thought
System prompts vs User prompts
Structured outputs (JSON mode)
ReAct prompting
Prompting para código
Prompting para análisis
Iteración y evaluación de prompts
Seguridad: Prompt injection, defensas y guardrails
Introducción a OpenAI y Configuración de API
Generación de Texto y Chatbots con GPT
Creación de Asistentes Inteligentes con OpenAI
OpenAI Prompt Engineering Avanzado

03Arquitectura de Sistemas Conversacionales

Arquitectura vs. Diseño de software
El Rol del Arquitecto de Software
La Ley de los Trade-offs
Atributos de Calidad: los "-ilities"
Ingeniería de Requerimientos
Técnicas de Extracción de Información
Definición de Restricciones
Domain-Driven Design (DDD) Básico
Estilos Arquitectónicos
Selección de Tecnología (Stack)
Diagramación y Comunicación
Arquitectura Limpia y Hexagonal
Estructura de Carpetas (Screaming Architecture)
Estrategias de Comunicación
El Walking Skeleton
Configuración del Entorno de Desarrollo (DX)
Estrategia de Testing
Pipelines de CI/CD
ADRs (Architecture Decision Records)
Deuda Técnica
Evolución y Migración (Patrón Strangler Fig)
Introducción a Agentes de IA
ReAct Pattern: Razonamiento Explícito para Agentes Confiables
Tool Use en LLMs: Diseño de Herramientas Efectivas
Function Calling: El Protocolo de Comunicación entre LLM y Herramientas
Structured Outputs para Agentes

04LangChain: Fundamentos Prácticos

LCEL: la cadena mínima
Prompt templates y output parsers
Componer cadenas: el diccionario que crece
Memoria conversacional: buffer, ventana y resumen
Agentes ReAct: cuando el flujo lo decide el modelo
El LangChain de la guía y el de hoy

05LangGraph: State Machines para Agentes

Anatomía de un grafo de estado
Aristas condicionales: separar decidir de hacer
Reducers: sobrescribir o acumular
Ciclos con freno: reintentos y recursion_limit
El ciclo ReAct: agente, ToolNode y la arista de vuelta
Memoria: hilo corto, almacén largo
Router-Specialist y Supervisor-Workers
Concurrencia controlada: ainvoke, semáforo y logs

06Observability: LangFuse + LangSmith

Anatomía de una traza: trace, span y generation
Cuatro rutas de instrumentación: decorador, wrapper, callback o entorno
LangFuse frente a LangSmith
Prompt registry: sacar el prompt del código
Scores y LLM-as-a-Judge: medir lo que no lanza excepción
Datasets y experimentos: evaluar antes de desplegar
Auditar trazas con el SDK: de dashboard a alerta
PII y soberanía del dato: qué sale de tu red

07Modelos Open Source: HuggingFace Ecosystem

El Hub y el pipeline de una línea
Elegir modelo: modalidad, tarea y licencia
Las tres familias de Transformer
Auditar sesgo con fill-mask
Muestreo: cómo se elige el token siguiente
La plantilla de chat y los tokens especiales
Del notebook al Hub: subir y servir un modelo

08Closed Source Models: Gemini + Claude

Dos puertas a los modelos de Google
Flash o Pro: elegir modelo por tarea
GenerationConfig y la respuesta que puede no llegar
El ciclo de vida de un archivo subido
El coste de cada modalidad

10RAG

Las dos fases del pipeline RAG
Chunking: el parámetro que condiciona todo
De documento crudo a chunk indexable
El mapa de estrategias de retrieval
Medir el retrieval: precisión y recall

11RAG AVANZADO (CRAG + Reranking)

Las tres familias del RAG avanzado
Enriquecer el chunk: Contextual RAG y Parent-Child
Graph RAG: cuando la respuesta está en las relaciones
Self-RAG: el sistema que se evalúa a sí mismo
El router: una estrategia por tipo de consulta

12Deep Research + Multimodal

Analizar o generar: la bifurcación de la IA visual
BLIP y TrOCR: semántico frente a simbólico
El sonido como dato: de la onda al espectrograma
Deep Research: un informe como grafo de estado
El ciclo de reflexión y lo que multiplica

14MLOps: Tracking y Experimentos con MLflow

Si no lo registras, no sucedió: la anatomía de un run
Autolog y el árbol de ejecuciones

15MLOps: Pipelines con ZenML

Del notebook al DAG
Artifacts, caché y linaje
El stack: la infraestructura como configuración
Reproducibilidad: repetir un entrenamiento
El despliegue como último paso del pipeline

17Serverless AI: AWS Bedrock + Lambda

Las dos capas de IA en cada nube
El mapa de las tres nubes
La misma llamada en tres nubes
Por token o por hora: el modelo de coste

18CI/CD + Monitoring en Producción

CI/CD: las dos des que no significan lo mismo
La jerarquía de un workflow
El pipeline que no se puede saltar
Environments: el freno del CD
Logs, métricas y trazas: tres preguntas distintas
Alertas que alguien atiende
Desplegar sin que se note

19Evaluación y Testing de Sistemas de IA

Las preguntas que no tienen respuesta
De la métrica al test: el umbral que convierte un número en un veredicto
Barrer configuraciones sin engañarse

20Proyecto Final: Integración y Presentación

Especificar para que lo genere otro
Proyecto final · Fase 1: el agente multimodal
Proyecto final · Fase 2: de prototipo a servicio

Difícil · 1 / 4

MLOps: Tracking y Experimentos con MLflow

Difícil

¿Por qué llamar a autolog() después de fit() no registra nada, y por qué eso es peor que un error?

0 / 0 sabidas

Autolog y el árbol de ejecuciones →