Creación de Modelos de Inteligencia Artificial

Situación del sector, principales aplicaciones, diferencias clave con Business Intelligence y Big Data, y los fundamentos de hardware (CPU, GPU, memoria de vídeo) que determinan cuándo se puede entrenar un modelo y cuándo solo usarlo.

Cómo se diseñan, entrenan y evalúan los modelos que están detrás de la mayoría de aplicaciones modernas de IA. Trabajarás con redes convolucionales (CNN, las arquitecturas estándar para procesar imágenes, audio y otras señales con estructura espacial).

Cómo representar el sonido en forma de espectrograma (una imagen que captura cómo cambian las frecuencias en el tiempo) y entrenar modelos capaces de clasificar eventos acústicos, detectar fallos en maquinaria por su sonido o reconocer comandos de voz.

Cómo transformar texto en representaciones numéricas que capturan su significado, y cómo construir sistemas de búsqueda semántica y recuperación de información (RAG, Retrieval-Augmented Generation, una técnica que permite a un modelo de lenguaje consultar una base de conocimiento externa para dar respuestas más precisas y actualizadas).

La familia de modelos que ha revolucionado la IA moderna, incluyendo BERT y GPT, y su aplicación a tareas como clasificación, generación de texto y resumen de documentos.

Los principios y la arquitectura de los modelos de difusión (la familia de modelos detrás de generadores como Stable Diffusion o DALL·E), desde el proceso teórico de difusión hasta el entrenamiento y muestreo necesarios para producir imágenes de alta calidad.

Técnicas de aprendizaje no supervisado para explorar y entender datasets (clustering, reducción de dimensionalidad), análisis de series temporales como herramienta de soporte, y métodos de interpretabilidad y visualización para comunicar los resultados de tus modelos.

Construirás una red neuronal convolucional capaz de clasificar sonidos a partir de sus espectrogramas, aplicada a un caso industrial real: mantenimiento predictivo de maquinaria, identificación de eventos acústicos o reconocimiento de comandos de voz. Junto con el modelo, introducimos los conceptos y las herramientas básicas para el desarrollo de redes neuronales, así como las herramientas para visualizar y evaluar tus resultados.

Construirás un sistema de búsqueda semántica y recuperación de información (RAG) sobre un corpus real, aprendiendo por el camino cómo se representa el texto en vectores que capturen su significado y cómo se aplican modelos basados en Transformers (BERT, GPT) para tareas avanzadas de procesamiento de lenguaje.

Construirás un modelo de difusión desde cero, comprendiendo el proceso de difusión, su arquitectura y las técnicas de entrenamiento y muestreo. El objetivo es que domines tanto la teoría como la práctica para crear tus propios modelos de generación de imágenes.

La diferencia entre un modelo de lenguaje convencional y un agente, y los patrones fundamentales como ReAct (Reasoning and Acting, un patrón en el que el modelo alterna pasos de razonamiento con acciones sobre el mundo) que permiten descomponer objetivos complejos en tareas más pequeñas.

Cómo un agente mantiene el contexto a lo largo de una conversación o de una tarea larga, y cómo gestionar la información relevante sin saturar al modelo.

Cómo conectar un agente con APIs, bases de datos y servicios reales utilizando estándares emergentes como MCP (Model Context Protocol, un protocolo abierto que estandariza cómo los modelos se conectan a herramientas y fuentes de datos).

El panorama actual de herramientas como LangChain, LlamaIndex y Claude Agent SDK, sus diferencias y cuándo usar cada una.

Cómo diseñar equipos de agentes que colaboran para resolver problemas complejos siguiendo patrones como planner/executor/critic (un agente planifica, otro ejecuta, otro revisa).

Por qué evaluar agentes es difícil, qué métricas usar (tasa de éxito, precisión en el uso de herramientas, coste, latencia), cómo analizar las trazas de ejecución y cómo construir conjuntos de pruebas (golden datasets) que permitan medir el progreso.

Cómo monitorizar un agente en funcionamiento, cómo controlar su coste y su consumo de recursos, y qué herramientas de observabilidad (registro y análisis de ejecuciones) se usan en la industria.

Prompt injection (un tipo de ataque en el que el usuario manipula las instrucciones del modelo a través de los datos de entrada), guardrails (mecanismos de protección que limitan lo que un agente puede hacer), sandboxing (aislamiento de las herramientas peligrosas), niveles de autonomía y patrones de supervisión humana.

Construirás un agente capaz de interpretar intenciones complejas y ejecutar tareas de forma autónoma utilizando herramientas externas reales. Te enfocarás en la arquitectura del agente, su capacidad de razonamiento, la gestión de su memoria y la integración de herramientas mediante MCP para resolver problemas de manera secuencial.

Diseñarás un equipo de agentes que colaboran para resolver problemas más complejos, incorporando RAG avanzado como una de sus herramientas. Desde el primer día construirás el sistema con observabilidad y evaluación continua, y en la fase final lo desplegarás en producción aplicando las técnicas de ética y seguridad que has aprendido: guardrails, sandboxing, niveles de autonomía y supervisión humana. Tu entregable será un agente real, monitorizado y acompañado de un informe de evaluación y un informe de riesgos —el tipo de proyecto que demuestra a un empleador que sabes llevar la IA del cuaderno a producción.