Curso - Inteligencia Artificial para Profesionales de TI: Machine Learning, LLM, RAG y Agentes de IA

Objetivos

Objetivos de la formación Inteligencia Artificial para Profesionales de TI

Al finalizar esta formación serás capaz de:

• Identificar los retos de la Inteligencia Artificial y las nuevas oportunidades que abre.
• Adoptar una visión amplia y profunda de las tecnologías de IA, desde el Machine Learning y Deep Learning hasta los LLM.
• Describir las nuevas tecnologías de IA y su implementación mediante ejemplos prácticos, incluyendo RAG, agentes inteligentes y MCP.
• Reconocer los retos jurídicos relacionados con el AI Act y los retos éticos vinculados a la explicabilidad e interpretabilidad de los modelos.
• Explorar las innovaciones y los usos futuros de la Inteligencia Artificial mediante un taller de prospectiva.

Requisitos previos

Para realizar esta formación es necesario poseer conocimientos de Python y análisis de datos.

Duración

Programa

Programa de la formación Inteligencia Artificial para Profesionales de TI

Día 1: fundamentos, Machine Learning y Deep Learning

Introducción a la Inteligencia Artificial: tecnologías y casos de uso

• Definir la IA.
• Fundamentos e historia de la IA.
• Los mercados de la IA.
• Las diferentes ramas de la IA.
• Casos de uso de la IA:
  • Búsqueda de conocimiento.
  • Asistentes personales digitales.
  • Generación de código (vibe coding, spec-based coding).
  • AIOps: automatización y optimización de las operaciones informáticas.
  • Limpieza de datos.
  • Aprendizaje aumentado.
  • Terapia y compañía.
  • Conductor personal.
  • Gestión de almacenes.
  • Salud humana.
  • Videojuegos.
  • Domótica.
• Las tecnologías de la IA.
• Las nuevas profesiones de la IA.
• Disrupciones de la IA: la llegada de los LLM y otras innovaciones de ruptura.
• IA closed source frente a IA open source: comparativa de ventajas e inconvenientes.
• Estudios de caso inspirados en la actualidad.

Técnicas fundamentales de IA: Machine Learning y Deep Learning

• Machine Learning.
• Redes neuronales artificiales (Artificial Neural Networks).
• Aprendizaje profundo (Deep Learning).
• Redes neuronales convolucionales (Convolutional Neural Networks).
• Redes neuronales recurrentes (Recurrent Neural Networks).
• Aprendizaje supervisado / no supervisado / por refuerzo.
• TensorFlow.

Ejemplos de trabajos prácticos

• Implementar y realizar una comparativa de algoritmos de IA con Python.
• Construir una aplicación de IA con Flask o Kivy.

Día 2: Machine Learning, MLOps y procesamiento del lenguaje natural

Pipelines de Machine Learning y MLOps

• Definición del problema.
• Ingesta de los datos.
• Preparación de los datos.
• Segregación de los datos.
• Selección de variables.
• Extracción de variables.
• Entrenamiento del modelo.
• Despliegue del modelo en producción.
• Supervisión del modelo y reentrenamiento.
• Introducción a MLOps.

Ejemplos de trabajos prácticos

• Creación de modelos de Machine Learning con Python.
• Despliegue del modelo e inferencia.

Procesamiento del lenguaje natural (NLP)

• Visión general del NLP.
• Los componentes del NLP.
• Aplicaciones del NLP en la empresa.
• ¿Cómo utilizar el NLP?
• Tokenización.
• Stemming frente a lematización.
• Uso del modelo bag-of-words.
• Retos del NLP.

Ejemplos de trabajos prácticos

• Creación de un modelo de NLP para el análisis de sentimiento.
• Despliegue del modelo e inferencia.

Día 3: LLM, RAG, agentes de IA y protocolo MCP

LLM, LCM, prompting y RAG

• Grandes Modelos de Lenguaje (LLM).
• LLM polivalentes: Claude, ChatGPT, Mistral / Mixtral, Llama y Falcon.
• LLM ligeros: Phi-3, Gemma y TinyLlama.
• LLM especializados: CodeLlama y Meditron.
• Casos de uso de los LLM.
• LCM para la generación de imágenes.
• Casos de uso de los LCM.
• Mejores prácticas de prompting.
• Herramientas de ingeniería de prompts: LangChain, Guidance, DSPy…
• Infraestructuras para los LLM: Ollama, Hugging Face, Hub Space.
• Explotación del conocimiento externo con RAG.
• Frameworks de RAG: LangChain y LlamaIndex.
• Retos en la puesta en producción de los LLM y LCM.
• Introducción a LLMOps.

Ejemplo de trabajo práctico

• Creación de un chatbot basado en LLM.

Arquitecturas componibles de IA: agentes inteligentes y protocolo MCP

• IA autónomas con agentes inteligentes.
• Interacción IA-aplicaciones con el protocolo MCP.
• Por qué utilizar el protocolo MCP:
  • Integraciones listas para usar.
  • Flexibilidad arquitectónica.
  • Seguridad de los datos.

Ejemplo de trabajo práctico

• Implementación y prueba de una arquitectura MCP con Claude.

Perspectivas futuras de la Inteligencia Artificial

• Retos de la IA.
• Futuras tendencias y oportunidades.
• Nuevas arquitecturas de IA: SSL, EBM, MPC, JEPA, H-JEPA.
• Escalabilidad de la IA.
• Implicaciones éticas, sociales, de ciberseguridad (security) y de seguridad de la IA (safety).

Ejemplo de trabajo práctico

• Cierre: taller de prospectiva.

Retos, límites y buenas prácticas de la Inteligencia Artificial

• Evaluación de la calidad de los resultados.
• Gestión de los sesgos y de las alucinaciones.
• Cuestiones éticas y jurídicas:
  • Exigencias del AI Act.
  • Derechos de autor.
  • Obligaciones del RGPD.
  • Explicabilidad e interpretabilidad de los modelos.
• ISO 42001 como marco organizativo para adoptar y desarrollar IA.
• Ingeniería agéntica para dominar la automatización y evitar desviaciones.
• Buenas prácticas para garantizar la confidencialidad.
• Integración de las IA en el flujo de trabajo profesional.
• Presentación de herramientas para trabajar con total confidencialidad.

Nota: Las acciones y herramientas presentadas en este programa son orientativas y pueden adaptarse en función del nivel, los requisitos previos y las necesidades de los participantes. Las competencias clave de este programa se trabajan a razón de una competencia por media jornada de formación.

Metodología

Metodología de la formación Inteligencia Artificial para Profesionales de TI

La formación puede impartirse de forma presencial o a distancia mediante blended learning, e-learning, clase virtual o presencial a distancia.

El formador alternará los métodos demostrativo, interrogativo y activo mediante ejercicios prácticos y/o simulaciones.

Evaluación del aprendizaje

La evaluación de los aprendizajes se realizará:

• A lo largo de la formación, mediante estudios de caso o ejercicios prácticos.
• Al finalizar la formación, mediante un cuestionario de autoevaluación.

Bonificación Fundae

Esta formación es bonificable a través de FUNDAE para todas las empresas que cuenten con trabajadores en régimen general de la Seguridad Social y dispongan de crédito formativo. SKOLAE Formación gestiona todo el proceso administrativo necesario para que tu empresa pueda recuperar el importe invertido en la formación, siempre que se cumplan los requisitos legales y de comunicación establecidos por FUNDAE.

Formador

Profesional especializado en Inteligencia Artificial y tecnologías aplicadas a entornos TI, con experiencia práctica en Machine Learning, Deep Learning, LLM, RAG y arquitecturas basadas en agentes de IA.

Cuenta con conocimientos avanzados de Python y análisis de datos, así como experiencia con tecnologías y herramientas incluidas en el programa, entre ellas TensorFlow, MLOps, NLP, LLMOps, LangChain, LlamaIndex, Hugging Face y MCP.

También conoce los principales retos relacionados con la implementación, seguridad, explicabilidad y cumplimiento normativo de los sistemas de Inteligencia Artificial.

Preguntas frecuentes sobre la formación Fine-Tuning de Modelos de IA

Qué es el fine-tuning de modelos de IA?

El fine-tuning permite adaptar modelos preentrenados a casos de uso específicos. En la formación se analizan también los criterios para decidir cuándo utilizar fine-tuning frente a alternativas como la ingeniería de prompts o RAG.

¿Qué técnicas de fine-tuning se trabajan en la formación?

El programa aborda full fine-tuning, PEFT, LoRA y QLoRA, incluyendo su impacto en memoria, velocidad y calidad, además de los principales hiperparámetros y estrategias de ajuste.

¿La formación aborda el fine-tuning de LLM?

Sí. Se recomienda experiencia previa con modelos de lenguaje (LLM), y el programa trabaja técnicas de adaptación de modelos preentrenados, alineación, evaluación y despliegue.

¿Qué herramientas se utilizan para entrenar y evaluar los modelos?

El programa contempla herramientas y plataformas como Hugging Face TRL / SFTTrainer, Axolotl, Unsloth, SageMaker, Vertex AI, Weights & Biases y TensorBoard, además de DeepSpeed y FSDP para entrenamiento distribuido.

¿Se estudian RLHF y DPO?

Sí. La formación aborda los principios de RLHF (Reinforcement Learning from Human Feedback) y la alineación DPO, incluyendo un ejercicio práctico de entrenamiento DPO sobre un modelo previamente afinado.

¿Cómo se despliegan los modelos con fine-tuning?

El programa contempla formatos como GGUF, ONNX y SafeTensors, cuantificación con GPTQ y AWQ y despliegue mediante tecnologías como vLLM, TGI, Ollama y Triton.

¿Qué conocimientos previos necesito?

Es necesario tener un buen conocimiento de Python y nociones de Deep Learning y procesamiento del lenguaje natural (NLP). También se recomienda experiencia previa con LLM.

¿Te gustó esta formación? Suscríbete a nuestra Newsletter pinchando aquí. También te animamos a seguirnos en LinkedIn, Instagram y Facebook y así estarás al día de todas nuestras novedades.