IA Generativa — Intermedio

Este curso está dirigido a profesionales con conocimientos fundacionales en IA generativa que buscan profundizar en el diseño y operación de sistemas LLM listos para producción. A lo largo de seis horas, los participantes explorarán cómo estructurar pipelines de recuperación aumentada (RAG) y cómo adaptar modelos a casos de uso específicos mediante fine-tuning o técnicas de eficiencia como LoRA, aprendiendo a tomar decisiones de diseño justificadas en función del coste, la latencia y la calidad requerida. El curso aborda también el prompt engineering avanzado, la evaluación de la calidad de las respuestas y la implementación de controles de riesgo, de modo que al finalizar cada participante será capaz de construir y auditar un sistema GenAI robusto, seguro y alineado con los requisitos reales de un entorno de negocio.

1. Comprender la arquitectura de un pipeline RAG y las decisiones de diseño asociadas a cada etapa —chunking, embedding, indexación y recuperación— en función del tipo de documentos y el patrón de consulta previsto.
2. Comparar modelos LLM en términos de coste por token, latencia y ventana de contexto, y seleccionar la configuración de inferencia más adecuada para un caso de uso con requisitos concretos de velocidad, coste y calidad.
3. Aplicar técnicas avanzadas de diseño de prompts —few-shot learning, chain-of-thought y role prompting— seleccionando y combinando la técnica apropiada para tareas de negocio complejas.
4. Preparar un dataset de fine-tuning con el formato y la calidad requeridos, y seleccionar entre full fine-tuning, LoRA/QLoRA y prompt-tuning razonando el trade-off entre rendimiento y coste computacional.
5. Evaluar la calidad de las respuestas de un sistema RAG aplicando métricas de faithfulness, answer relevancy y context precision, e interpretar los resultados para diagnosticar fallos en el pipeline.
6. Implementar controles de riesgo en un sistema GenAI —grounding, filtrado de PII y validación de salidas— identificando en qué etapa del pipeline se sitúa cada medida y describiendo su implementación técnica.

Bloque 1 — Arquitectura y diseño de sistemas RAG Arquitectura completa de un pipeline RAG: chunking de documentos (estrategias por tamaño fijo, por separadores semánticos y por estructura), generación y almacenamiento de embeddings en un vector store, indexación eficiente y recuperación por similitud. Cómo las decisiones de diseño en cada etapa dependen del tipo de corpus y del patrón de consulta esperado, para justificar las elecciones técnicas ante un equipo o cliente.

Bloque 2 — Selección y configuración de modelos LLM Comparación de modelos propietarios y abiertos por coste por token, latencia, tamaño de ventana de contexto y capacidades específicas; parámetros clave de inferencia —temperatura, top-p y max_tokens— y cómo su ajuste afecta al equilibrio entre creatividad, coherencia y control del coste, para configurar el modelo de forma óptima según el caso de uso.

Bloque 3 — Prompt engineering avanzado Few-shot learning (selección y estructura de los ejemplos), chain-of-thought (cadenas de razonamiento explícitas para tareas de múltiples pasos) y role prompting (definición del rol del modelo para acotar tono y dominio de las respuestas); combinación deliberada de estas técnicas y argumentación de por qué una determinada combinación produce el resultado más fiable para un caso de uso concreto.

Bloque 4 — Fine-tuning y adaptación eficiente de modelos Preparación del dataset de entrenamiento —formatos de entrada/salida, criterios de calidad de los ejemplos y técnicas de curación— y comparativa entre las principales estrategias de adaptación: full fine-tuning, LoRA/QLoRA y prompt-tuning; trade-off entre rendimiento, coste computacional y accesibilidad según los recursos disponibles. El bloque se trabaja sobre la preparación del dataset y el criterio de elección, apoyado en resultados de entrenamiento ya ejecutados; el alumno no lanza entrenamientos durante el curso.

Bloque 5 — Evaluación de sistemas RAG Métricas estándar para medir la fiabilidad de un sistema RAG: faithfulness (la respuesta está anclada en el contexto recuperado), answer relevancy (la respuesta responde a la pregunta formulada) y context precision (los fragmentos recuperados son realmente pertinentes); interpretación de sus valores para localizar el punto de fallo en el pipeline.

Bloque 6 — Control de riesgos en sistemas GenAI Controles de riesgo que todo sistema GenAI en producción debe incorporar: grounding para mitigar alucinaciones, detección y filtrado de información de identificación personal (PII) tanto en entradas como en salidas, y guardrails de formato y contenido. Para cada medida, en qué etapa del pipeline se inserta y cómo se implementa técnicamente.

• Ordenador con conexión estable a internet.
• Cuenta de Google con acceso a Google AI Studio (nivel gratuito suficiente); la clave de API de Gemini se genera durante la primera sesión. Si la cuenta corporativa tiene el acceso restringido, usar una cuenta personal.
• Python 3.10 o superior instalado localmente, o acceso a Google Colab / JupyterHub corporativo.
• Librerías: google-genai, langchain, langchain-google-genai, chromadb, sentence-transformers y ragas (se facilitará un archivo requirements.txt al inicio del curso).
• Acceso a Hugging Face Hub para la descarga de los modelos de embedding utilizados en el bloque de RAG.
• No se requiere GPU: el bloque de fine-tuning se trabaja sobre la preparación del dataset y la selección razonada de la técnica de adaptación, sin ejecutar entrenamientos.

Para aprovechar este curso el participante debe haber completado el nivel Iniciación de IA Generativa (IAG01) o contar con conocimientos equivalentes, que incluyen: familiaridad con los fundamentos de los modelos de lenguaje de gran escala (qué es un LLM, cómo funciona la generación de texto y el concepto de tokenización), experiencia básica en el diseño de prompts simples y comprensión general del ciclo de vida de un proyecto de IA. Se asume también comodidad con el uso de Python a nivel básico, dado que los ejemplos y ejercicios del curso hacen uso de fragmentos de código.