El contenido del programa es el siguiente:
Fundamentos de los modelos de lenguaje (LLM)
Introducción a los fundamentos de los modelos de lenguaje (LLM), su funcionamiento, capacidades y limitaciones. Se estudiarán conceptos esenciales como tokens, ventana de contexto, parámetros de inferencia y tipos de modelos, junto con una primera integración práctica mediante APIs.
Prompt engineering
Introducción a la ingeniería de prompts para diseñar instrucciones efectivas dirigidas a modelos de lenguaje. Se abordarán buenas prácticas, definición de roles, técnicas como zero-shot, few-shot y Chain of Thought, además de plantillas reutilizables para obtener respuestas más precisas y consistentes.
Herramientas de desarrollo
Exploración de las principales herramientas de desarrollo asistidas por inteligencia artificial generativa y su integración en el proceso de desarrollo de software. Se trabajará con asistentes de código, IDEs inteligentes y en la generación, análisis, refactorización y validación de código, incorporando buenas prácticas y evaluación crítica.
Retrieval-Augmented Generation (RAG)
Introducción a los embeddings y las bases de datos vectoriales como fundamento de los sistemas de búsqueda semántica y RAG. Se estudiarán los modelos de embeddings, métricas de similitud, búsqueda vectorial, índices especializados y el flujo completo de recuperación de información para enriquecer las respuestas de los modelos de lenguaje.
Base de conocimiento
Diseño e implementación del pipeline de una base de conocimiento para sistemas RAG, desde la extracción y preparación de datos hasta su indexación y recuperación. Se abordarán técnicas de limpieza, estrategias de chunking, gestión de embeddings, almacenamiento en bases vectoriales y optimización de la recuperación, destacando el impacto de la calidad de los datos.
Agentes inteligentes
Introducción a los agentes basados en modelos de lenguaje y su capacidad para resolver tareas complejas mediante razonamiento iterativo y el uso de herramientas externas.
Memoria y contexto
Estudio de los mecanismos de memoria en aplicaciones basadas en modelos de lenguaje, diferenciando entre memoria de corto y largo plazo y las estrategias para gestionar el contexto de forma eficiente.
Model context protocol (MCP)
Introducción a MCP como estándar para conectar modelos de lenguaje con herramientas, servicios y fuentes de datos externas.
Colaboración entre agentes (A2A)
Sistemas con múltiples agentes y patrones de colaboración entre agentes especializados para resolver problemas complejos. Se estudiarán arquitecturas, estrategias de delegación y orquestación, mecanismos de comunicación, resolución de conflictos y evaluación del desempeño.
Orquestación y automatización
Introducción a la orquestación y automatización de procesos mediante flujos de trabajo que integran modelos de lenguaje, APIs y servicios externos. Se estudiarán herramientas de automatización y diseño de workflows.
Evaluación de aplicaciones basadas en LLMs
Evaluación de aplicaciones basadas en modelos de lenguaje mediante métricas de calidad, costo y latencia. Se estudiarán estrategias de evaluación automática y pruebas sobre sistemas con IA.
Monitoreo de aplicaciones basadas en LLMs
Buenas prácticas para llevar aplicaciones de inteligencia artificial generativa a entornos de producción. Se abordarán estrategias de monitoreo, versionado, evaluación continua, pruebas A/B y control de costos.