IA Generativa — Avanzado

Este curso está dirigido a profesionales que ya dominan los fundamentos y el uso aplicado de los sistemas de IA Generativa y que buscan operar en el nivel de diseño, optimización y gobierno de estos sistemas en entornos de producción reales. A lo largo de seis horas, los participantes aprenderán a arquitectar sistemas multi-agente con herramientas externas y distintos patrones de coordinación, a optimizar pipelines RAG diagnosticando sus cuellos de botella, a diseñar la infraestructura de serving que satisfaga requisitos de SLA exigentes y a establecer frameworks de evaluación continua que garanticen la calidad del sistema ante cambios de modelo o de prompt. Adicionalmente, el curso aborda las técnicas de alineamiento de LLMs —RLHF, DPO y Constitutional AI— y el marco regulatorio del EU AI Act, dotando al alumno de los criterios necesarios para auditar un sistema GenAI y proponer las medidas de cumplimiento correspondientes. Al finalizar, el participante será capaz de tomar decisiones de diseño fundadas y argumentadas en proyectos de IA Generativa de alta complejidad, equilibrando rendimiento, coste, fiabilidad y cumplimiento normativo.

1. Comparar las técnicas de alineamiento de LLMs —RLHF, DPO y Constitutional AI— explicando el mecanismo de entrenamiento de cada una, sus ventajas y limitaciones, como base conceptual para el diseño de sistemas robustos y seguros.
2. Diseñar un sistema multi-agente especificando herramientas externas, patrón de coordinación y mecanismos de control de flujo, argumentando las implicaciones de cada decisión en fiabilidad, coste y mantenibilidad.
3. Optimizar el rendimiento de un pipeline RAG diagnosticando cuellos de botella en las etapas de recuperación y generación e implementando mejoras concretas como reranking, HyDE o chunking jerárquico.
4. Diseñar la infraestructura de serving para un LLM en producción, seleccionando estrategias de batching, caching y escalado en función de los requisitos de throughput, latencia y coste del SLA.
5. Diseñar un framework de evaluación continua que incluya métricas automatizables, tests de regresión, alertas ante degradación y procedimiento de rollback para un sistema LLM en producción.
6. Auditar un sistema GenAI aplicando el EU AI Act para clasificarlo por nivel de riesgo e identificar los requisitos de documentación y controles obligatorios aplicables, proponiendo las medidas técnicas y organizativas de cumplimiento.

Bloque 1 — Alineamiento de LLMs: fundamentos y técnicas comparadas Se estudian en profundidad las tres grandes familias de técnicas de alineamiento de modelos de lenguaje: RLHF (Reinforcement Learning from Human Feedback), DPO (Direct Preference Optimization) y Constitutional AI. Para cada una se analiza el mecanismo de entrenamiento subyacente, las ventajas que aporta en términos de controlabilidad y seguridad, y sus limitaciones prácticas en cuanto a coste de datos, estabilidad del entrenamiento y escalabilidad. A partir de este marco comparativo, se diseña un proceso completo de recopilación de datos de preferencia orientado a un objetivo de alineamiento concreto, incluyendo criterios de selección de anotadores, estructuras de comparación y control de calidad del dataset.

Bloque 2 — Arquitecturas multi-agente Este bloque aborda el diseño de sistemas en los que múltiples agentes especializados colaboran para resolver tareas complejas que superan la capacidad de un agente único. Se examinan los tres patrones principales de coordinación —orquestador central, pipeline secuencial y peer-to-peer— analizando sus implicaciones en fiabilidad, coste operativo y mantenibilidad. Se trabaja la especificación de herramientas externas por agente, los mecanismos de control de flujo (gestión de estado, delegación, detección de fallos) y los criterios de elección de arquitectura según la naturaleza de la tarea y los requisitos del sistema.

Bloque 3 — Optimización de pipelines RAG Partiendo de un pipeline RAG funcional, se desarrolla una metodología sistemática para diagnosticar problemas de rendimiento: retrieval impreciso, mismatch semántico entre consulta y documentos, contexto insuficiente, alucinaciones persistentes y latencia excesiva. Se introduce el uso de métricas de evaluación por etapa como herramienta de diagnóstico y se implementan optimizaciones concretas —reranking, Hypothetical Document Embeddings (HyDE), query expansion y chunking jerárquico— vinculando cada técnica al tipo de problema detectado.

Bloque 4 — Infraestructura de serving y evaluación continua en producción La primera parte del bloque se centra en el diseño de la capa de serving para LLMs en producción: continuous batching, gestión del KV cache, prompt caching y estrategias de escalado horizontal, con criterios explícitos de decisión según throughput, latencia y coste objetivo del SLA. La segunda parte aborda cómo sostener la calidad del sistema a lo largo del tiempo mediante un framework de evaluación continua: definición de métricas automatizables, construcción de suites de tests de regresión sensibles a cambios de modelo o prompt, configuración de alertas ante degradación y diseño del procedimiento de rollback. Ambas dimensiones —infraestructura y evaluación— se tratan de forma integrada como las dos caras del ciclo de vida de un sistema LLM en producción.

Bloque 5 — Gobernanza y cumplimiento normativo: EU AI Act El curso concluye con una introducción operativa al EU AI Act aplicada a sistemas GenAI. Se trabaja la clasificación de sistemas por nivel de riesgo y las consecuencias prácticas de cada categoría en términos de obligaciones. Se identifican los requisitos de documentación exigibles —model cards, impact assessments, registros de actividad— y los controles técnicos y organizativos obligatorios. A partir de un caso de auditoría, el alumno elabora un plan de adecuación que incluye las medidas necesarias para cumplir con el marco regulatorio vigente.

• Acceso a un entorno de desarrollo Python 3.10 o superior con capacidad para instalar paquetes vía pip o conda.
• Cuenta activa en al menos un proveedor de LLMs con acceso a API (OpenAI, Anthropic, Google o equivalente) con créditos suficientes para las prácticas del curso.
• Familiaridad con el uso de Jupyter Notebooks o entornos similares (VS Code con extensión Jupyter, Google Colab).
• Acceso a una base de datos vectorial (Chroma, Qdrant, Pinecone o equivalente) para los ejercicios de optimización RAG.
• Recomendado: cuenta en una plataforma de observabilidad LLM (LangSmith, Langfuse o similar) para los ejercicios del bloque de evaluación continua.
• Conocimiento operativo de Git para gestión de código de los proyectos de práctica.

Se requiere haber completado el curso IAG02 o demostrar un nivel equivalente de conocimiento aplicado en IA Generativa. Concretamente, se asume dominio de los siguientes aspectos: arquitectura y funcionamiento de los modelos de lenguaje de gran escala (LLMs), construcción y evaluación de pipelines RAG, técnicas de prompt engineering avanzado (chain-of-thought, few-shot, structured output), uso de frameworks de orquestación como LangChain o LlamaIndex, y comprensión básica de los mecanismos de fine-tuning. Sin estos conocimientos previos, el ritmo y la profundidad del curso resultarán inadecuados.