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 28 horas
Temario del curso
El ingeniero de IA desplegado en el terreno
- El rol versus ingeniero de ML e ingeniero de soluciones
- Responsable de los resultados y no solo de los hitos de entrega
- Trabajo con equipos de producto, investigación y seguridad
Descubrimiento en empresas complejas
- Seguimiento de un flujo de trabajo de principio a fin
- Mapeo de sistemas, datos y transferencias de responsabilidad
- Identificación de la restricción que bloquea el valor
Definición del problema y priorización
- Calificación de casos de uso por viabilidad
- Puntuación de flujos de trabajo candidatos según esfuerzo
- Elegir el primer flujo de trabajo para demostrar
Enfoque de valor y criterios de aceptación
- Establecimiento de métricas base antes de construir
- Lenguaje de casos de negocio para patrocinadores financieros
- Acuerdo de criterios de aceptación con usuarios
Selección de modelos: vanguardia y pesos abiertos
- Comparación de GPT-6, Claude 5.5 y modelos abiertos
- Compensaciones entre contexto, latencia y costo unitario
- Cuándo las reglas de datos obligan a modelos alojados localmente
Ingeniería de contexto y diseño de prompts
- Estructuración de instrucciones para un comportamiento confiable
- Ensamblaje de contexto desde sistemas de registro
- Caché de prompts y minimización de tokens
Recuperación y anclaje de conocimiento
- Segmentación e indexación de contenido empresarial
- Búsqueda híbrida, reordenamiento y citación
- Evaluación de la recuperación por separado de la generación
Agentes y uso de herramientas
- Diseño de herramientas e interfaces tipadas
- Construcción con los SDK de agentes de OpenAI y Claude
- Aprobaciones, reintentos y manejo de fallos
MCP e integración empresarial
- La revisión 2026-07-28 del Modelo Contextual Protocol (MCP)
- Construcción y seguridad de servidores MCP
- Asignación de permisos de herramientas contra la identidad empresarial
Evaluación como lenguaje de entrega
- Conjuntos de oro construidos a partir del trabajo real
- Puntuación automática y jueces de LLM
- Puertas de lanzamiento vinculadas a umbrales de evaluación
Barandillas, seguridad y supervisión humana
- Barandillas en las capas de prompt, herramienta y política
- Puntos de escalación y revisión humana
- Registros de auditoría y deberes de manejo de datos
Arquitectura de despliegue en el entorno del cliente
- Restricciones de identidad, red y residencia de datos
- Portal de modelos y abstracción multi-proveedor
- Infraestructura como código y proceso de lanzamiento
Observabilidad, costo y economía de tokens
- Seguimiento de ejecuciones de agentes y llamadas a herramientas
- Tableros para calidad y gasto
- Reducción de costos sin perder calidad
Adopción y cambio
- Habilitación para las personas que realizan el trabajo
- Redes de campeones y bucles de retroalimentación
- Medición de la velocidad de adopción
Del compromiso a la capacidad reutilizable
- Empaquetado de flujos de trabajo probados
- Guías, planos y aceleradores
- Transferencia a equipos internos
Requerimientos
- Dominio de Python, incluido el trabajo con API y entornos virtuales
- Conocimiento de plataformas en la nube, contenedores y control de versiones
- Experiencia previa llamando una API de LLM o construyendo una función basada en prompts
- Comprensión básica de sistemas empresariales como CRM, ERP o plataformas de gestión de tickets
Público objetivo
- Ingenieros de IA desplegados en el terreno y aplicados
- Ingenieros de software que se incursionan en la entrega de IA orientada al cliente
- Consultores técnicos y arquitectos de soluciones responsables de implementaciones de IA
- Ingenieros de plataforma que soportan cargas de trabajo de IA en producción
