Introducción a la IA Generativa

Curso de iniciación a la IA generativa orientado a profesionales técnicos que trabajan con herramientas de IA pero no tienen una base conceptual sólida sobre cómo funcionan los sistemas generativos, qué los distingue de la IA clásica y cuándo aplicarlos con criterio. El curso cubre los paradigmas discriminativo y generativo con ejemplos propios del ámbito profesional; las modalidades de generación —texto, imagen, audio, código y multimodal—; el funcionamiento interno de los LLMs mediante predicción de tokens y el papel del contexto y la temperatura; las técnicas de adaptación más usadas —RAG para conocimiento dinámico, fine-tuning para comportamiento específico—; los criterios para evaluar si un caso de uso justifica el uso de GenAI frente a soluciones más simples; y los principales riesgos éticos y de privacidad asociados. Al finalizar, el participante será capaz de clasificar sistemas de IA por paradigma, elegir la modalidad generativa adecuada para un caso de uso, distinguir RAG de fine-tuning y evaluar los riesgos de una solución GenAI antes de proponerla.

Al finalizar el curso, el participante será capaz de:

• Distinguir IA discriminativa de IA generativa con ejemplos propios
• Identificar la modalidad generativa adecuada para un caso de uso dado
• Explicar qué es un LLM y cómo genera texto mediante predicción de tokens
• Distinguir cuándo aplicar RAG y cuándo fine-tuning según el tipo de necesidad
• Reconocer si un caso de uso justifica el uso de IA generativa frente a una solución más simple
• Identificar riesgos éticos y de privacidad en una solución GenAI

1. Paradigmas y modalidades de IA generativa Diferencia entre IA discriminativa (clasificar, etiquetar, predecir) e IA generativa (producir contenido nuevo); distribución de probabilidad de los datos vs. frontera entre clases; modalidades generativas: texto, imagen, audio, código y sistemas multimodales; criterio de selección de modalidad según el tipo de input disponible y el tipo de output requerido; ejemplos reales de cada modalidad

2. Cómo genera texto un LLM: tokens, contexto y temperatura Token como unidad mínima de procesamiento; tokenización de texto: palabras, subpalabras y caracteres; generación autoregresiva: predicción iterativa del token siguiente dado el contexto acumulado; papel del contexto: todos los tokens anteriores influyen en el siguiente; temperatura: cómo aplana o concentra la distribución de probabilidad y su efecto en la variabilidad de las respuestas

3. Técnicas de adaptación: RAG y fine-tuning Retrieval-Augmented Generation: recuperación de documentos externos en tiempo de inferencia, inyección en el contexto del prompt, trazabilidad de las fuentes; fine-tuning: modificación de los pesos del modelo con datos propios, aprendizaje de comportamiento o estilo permanente; criterios de selección: conocimiento dinámico o actualizable → RAG; comportamiento, tono o formato específico → fine-tuning; combinación de ambas técnicas

4. Criterios de aplicación y riesgos éticos Indicadores que justifican GenAI: entrada en lenguaje natural, salida personalizada o creativa, alta variabilidad del input; indicadores que desaconsejan GenAI: salida determinista, regla explícita posible, resultado binario o numérico exacto; principales riesgos: alucinaciones (información inventada con apariencia de certeza), sesgo (reproducción de estereotipos de los datos de entrenamiento), exposición de datos personales (PII procesados por proveedor externo), derechos de autor; medidas básicas de mitigación por riesgo

• Ningún software específico instalado; el curso es conceptual
• Navegador web actualizado para explorar las herramientas de referencia
• Acceso a un LLM conversacional (ChatGPT, Claude u otro) para los ejercicios prácticos de exploración

Ninguno requerido. El curso está orientado a profesionales técnicos con familiaridad básica con herramientas de software. No es necesario haber programado ni haber trabajado con sistemas de IA anteriormente; los conceptos se introducen desde cero con ejemplos concretos del entorno profesional.