Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Duración 14 horas
Temario del curso
Fundamentos de la IA Agéntica para la Salud
- Aplicaciones de LLM agénticas frente a las que solo usan herramientas.
- Límites de autonomía, políticas y supervisión humana.
- Panorama de datos de salud y restricciones (EHR, FHIR, PHI).
Diseño de Flujos de Trabajo de Agentes
- Planificación, memoria, uso de herramientas y bucles de reflexión.
- Ingeniería de prompts, funciones/herramientas y selección de acciones.
- Gestión de estado y patrones de orquestación.
Agentes Aumentados por Recuperación
- Ingesta y segmentación de documentos médicos.
- Embeddings, almacenes vectoriales y evaluación de relevancia.
- Sustrato de las respuestas (grounding) y estrategias de citación.
Integraciones e Interoperabilidad en Salud
- Básicos de FHIR/SMART para la conectividad de agentes.
- Trabajo con datos clínicos estructurados y no estructurados.
- Eventos, APIs y auditorías (audit trails).
Seguridad, Riesgo y Gobernanza
- Barreras de seguridad (guardrails), pruebas de intrusión (red-teaming) y diseño de seguridad (fail-safe).
- Manejo de PHI, desidentificación y controles de acceso.
- Revisión con participación humana en el circuito y vías de escalación.
Evaluación y Monitoreo
- Evaluaciones offline, conjuntos dorados y definición de KPIs.
- Detección de alucinaciones y verificación de factualidad.
- Observabilidad, registros (logging) y gestión de costos/latencia.
Patrones de Despliegue y Laboratorio Práctico
- Elección entre modelos basados en API y modelos on-premises.
- Construcción de un agente aumentado por recuperación con LangChain, FastAPI y ChromaDB.
- Simulación de respuesta a incidentes y procedimientos de reversión (rollback).
Resumen y Próximos Pasos
Requerimientos
- Comprensión de la programación básica en Python.
- Experiencia en análisis de datos o flujos de trabajo de aprendizaje automático (ML).
- Familiaridad con conceptos de datos en salud (p. ej., EHR, FHIR).
Público Objetivo
- Científicos de datos y ingenieros de ML en el sector salud.
- Equipos de informática clínica y productos de salud digital.
- Líderes de TI y gerentes de innovación en salud.
