Curso de Introducción a Data Engineering
Duración
21 semanas
Modalidad
Online en vivo
Público
General
Curso de AI Engineering
Formación práctica en ingeniería de IA aplicada a productos con LLMs.
Ventajas del curso
Construcción, no solo uso
El programa se centra en desarrollar aplicaciones con modelos de lenguaje y conectarlas con APIs, datos y herramientas reales.
Datos propios con RAG
Aprende a incorporar conocimiento externo mediante embeddings, bases vectoriales y flujos RAG
Pensado para producción
El curso incluye APIs, Docker, despliegue, monitoreo, costos, seguridad y escalabilidad.
Evidencia práctica
Cada fase desemboca en proyectos que permiten demostrar lo aprendido y culminan en un asistente de conocimiento funcional.
Temario del Curso
Módulo 1 - Introducción a la Ingeniería de IA
Qué es AI Engineering, diferencias con otros perfiles técnicos, funcionamiento general de los LLMs, stack moderno, APIs y panorama del rol.
Módulo 2 - Python aplicado a la IA
HTTP, JSON, variables de entorno, consumo de APIs de IA y manejo de respuestas de modelos.
Módulo 3 - LangChain
Prompts como objetos, chains, memoria básica y construcción estructurada de aplicaciones con LLMs.
Módulo 4 - Prompt Engineering
Zero-shot, few-shot, razonamiento guiado, prompts de sistema y evaluación sistemática de calidad.
Módulo 5 - Fundamentos de FastAPI
Rutas, request/response con Pydantic, inyección de dependencias, manejo de errores y documentación automática.
Módulo 6 - FastAPI + LangChain — Proyecto de Fase 1
Arquitectura de API de IA, manejo de estado, patrones asíncronos e integración de un chatbot funcional expuesto vía API.
Módulo 7 - Introducción a RAG
Problema del conocimiento estático, fundamentos de RAG, embeddings, chunking y primer flujo RAG de extremo a extremo.
Módulo 8 - Bases de datos vectoriales: ChromaDB
Indexación de documentos, búsqueda semántica e integración con FastAPI para responder preguntas sobre documentos propios.
Módulo 9 - RAG intermedio
Chunking avanzado, mejoras en embeddings, pipelines RAG, control de contexto y evaluación.
Módulo 10 - Uso de herramientas y Function Calling
Conectar LLMs con funciones y APIs externas para crear chatbots capaces de ejecutar acciones.
Módulo 11 - Evaluación y pruebas
Métricas de RAG, relevancia, groundedness, completitud, LLM-as-a-judge, golden datasets y evaluación automatizada.
Módulo 12 - Proyecto Fase 2 — Q&A sobre documentación: Desarrollo
Construcción de un sistema de preguntas y respuestas con RAG + ChromaDB + FastAPI + Tool Use y marco de evaluación.
Módulo 13 - Proyecto Fase 2 — Q&A sobre documentación: Pulido
Optimización, documentación técnica, revisión por pares y presentación final del sistema.
Módulo 14 - Dockerización de aplicaciones de IA
Dockerfiles, imágenes, contenedores, Docker Compose y configuración de entornos para aplicaciones de IA.
Módulo 15 - Despliegue estilo nube con LocalStack
Ejecución tipo Lambda, API Gateway, S3 y orquestación local de servicios AWS.
Módulo 16 - Monitoreo y Observabilidad
Instrumentación del sistema, métricas, dashboards, alertas y troubleshooting en entorno cloud.
Módulo 17 - Optimización de costos y caché
Costos de LLMs, estrategias de caching estilo Redis y optimización de solicitudes.
Módulo 18 - Seguridad y protección
Amenazas específicas de IA, prompt injection, manejo de secretos, aislamiento de entornos, control de acceso y API segura.
Módulo 19 - Integraciones: Slack, Discord y Notion
Webhooks, autenticación, flujos event-driven e integración del sistema con herramientas de uso real.
Módulo 20 - Diseño y escalabilidad de sistemas
Arquitectura modular, estrategias de escalado, resiliencia, tolerancia a fallos y trade-offs en sistemas de IA.
Módulo 21 - Proyecto final
Asistente de conocimiento con IA que integra RAG, Tool Use, Docker, despliegue, seguridad y monitoreo; demo y cierre del programa.
