IA Generativa Aplicada

Curso de nivel intermedio orientado a profesionales que comprenden los fundamentos de la IA generativa y quieren diseñar e implementar sistemas GenAI reales en sus proyectos. El curso cubre el diseño end-to-end de pipelines RAG —estrategias de chunking, modelos de embedding, vector stores y retrieval por similitud—; la evaluación objetiva de la calidad de las respuestas con métricas de faithfulness y answer relevancy para diagnosticar dónde falla el sistema; las técnicas avanzadas de prompt engineering para tareas de negocio complejas —few-shot, chain-of-thought y role prompting—; la selección de modelo y parámetros de inferencia según los requisitos de latencia, coste y calidad; la preparación de datasets de fine-tuning y la selección entre full fine-tuning y LoRA/QLoRA según los recursos disponibles; y la implementación de controles de seguridad —grounding, filtrado de PII y validación de salidas—. Al finalizar, el participante será capaz de diseñar un pipeline RAG completo, evaluarlo con métricas objetivas, construir prompts robustos para producción y elegir el modelo adecuado para cada caso de uso.

Al finalizar el curso, el participante será capaz de:

• Diseñar un pipeline RAG identificando las etapas de chunking, embedding, indexación y recuperación
• Evaluar la calidad de las respuestas de un sistema RAG usando métricas de faithfulness y relevancia
• Aplicar técnicas avanzadas de prompt engineering (few-shot, chain-of-thought, role prompting) para tareas de negocio complejas
• Seleccionar el modelo LLM y su configuración según los requisitos de latencia, coste y calidad del caso de uso
• Preparar un dataset de fine-tuning y seleccionar la técnica de adaptación según el presupuesto y el objetivo
• Implementar medidas de mitigación de riesgos en un sistema GenAI: grounding, filtrado de PII y validación de salidas

1. Pipelines RAG: diseño e implementación Chunking: estrategias por tamaño fijo, por sección semántica y con solapamiento; impacto del tamaño y el solapamiento en la calidad del retrieval; modelos de embedding: selección según dominio y dimensión del vector; indexación en vector store; retrieval por similitud coseno: topK y umbral de corte; integración del contexto recuperado en el prompt del LLM

2. Evaluación de sistemas RAG Métricas por etapa: faithfulness (respuesta basada en el contexto), answer relevancy (respuesta aborda la pregunta), context precision (fragmentos recuperados son relevantes); diagnóstico de fallos a partir de la combinación de métricas: faithfulness baja con relevancy alta → alucinaciones del LLM; context precision baja → retriever impreciso; frameworks de evaluación automatizada (RAGAS)

3. Prompt engineering avanzado y selección de modelo Few-shot learning: cuándo y cómo diseñar ejemplos que especifican el patrón de transformación esperado; chain-of-thought: instrucción de razonamiento paso a paso para tareas multi-criterio; role prompting y output formatting; selección de modelo según latencia, coste por token y calidad; parámetros de inferencia: temperatura según tipo de tarea (determinista vs. creativa), max_tokens según la longitud esperada de la respuesta

4. Fine-tuning y mitigación de riesgos Full fine-tuning vs. LoRA vs. QLoRA: comparativa de requisitos de VRAM, coste y rendimiento; cuándo fine-tuning es preferible a RAG (comportamiento y estilo) y cuándo no; criterios de calidad para el dataset de entrenamiento: representatividad, limpieza, set de evaluación separado; mitigación de riesgos: grounding con instrucción explícita de citar fuentes, filtrado de PII con NER o expresiones regulares antes del envío al LLM, validación de salidas con guardrails de formato y contenido; control de acceso en retrieval por metadatos de usuario

• Python 3.x instalado con pip
• pip con acceso a instalar paquetes: langchain, openai o anthropic, chromadb o faiss-cpu
• Cuenta activa con acceso a la API de un proveedor LLM (OpenAI, Anthropic u otro indicado por el docente)
• Editor de código (VS Code recomendado)
• Terminal: bash, zsh o PowerShell

→ GEN01 — Introducción a la IA Generativa (Iniciación, 4h)

• 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