Curso de AI Engineer
Prompt engineering, APIs de LLMs, embeddings, RAG, agentes y despliegue en producción.
Conviértete en AI Engineer: prompt engineering, integración de APIs de LLMs, embeddings, RAG, agentes de IA, evaluación y despliegue en producción.
Contenido del curso
Unidad 1: Fundamentos de IA y LLMs
Comprende qué es un LLM, cómo se comparan los principales modelos y realiza tu primera llamada a una API de IA generativa.
- ¿Qué es un LLM? Tokens, embeddings y arquitectura transformer
- De ML clásico a IA generativa: dónde encaja el AI Engineer
- Comparando modelos: contexto, costo y latencia
- Tu primera llamada a una API de LLM
- Parámetros de generación: temperature, top-p y max tokens
- ¡Adivina el parámetro!
- Prueba de la unidad
Unidad 2: Prompt Engineering
Aprende a diseñar prompts efectivos: estructura, few-shot, chain-of-thought y plantillas reutilizables.
- Anatomía de un buen prompt: rol, contexto, tarea y formato
- Few-shot vs zero-shot prompting
- Chain-of-thought y descomposición de problemas
- System prompts y control de comportamiento
- Prompt templates reutilizables
- ¡Corrige el prompt!
- Prueba de la unidad
Unidad 3: Integración de APIs de LLMs
Domina los SDKs de LLMs: outputs estructurados, function calling, streaming, manejo de errores y control de costos.
- SDKs oficiales: autenticación y manejo de claves
- Structured outputs: JSON mode y schemas
- Function calling / Tool use
- Streaming de respuestas
- Manejo de errores, rate limits y reintentos
- Control de costos: contar tokens y caching de prompts
- Simulador: cliente de chat con function calling
- Juego: ¿qué técnica de API usarías?
- Juego: empareja el error con su manejo
- Prueba de la unidad
Unidad 4: Embeddings y Bases de Datos Vectoriales
Comprende la similitud semántica, genera embeddings y aprende a indexar y consultar documentos en bases de datos vectoriales.
- ¿Qué es un embedding? Similitud semántica y espacio vectorial
- Generar embeddings con una API
- Similitud coseno vs distancia euclidiana
- Bases de datos vectoriales: Pinecone, Chroma, pgvector y Qdrant
- Indexar y consultar documentos
- ¡Encuentra el vecino más cercano!
- Prueba de la unidad
Unidad 5: RAG (Retrieval-Augmented Generation)
Construye pipelines RAG completos: chunking, ingesta de documentos, re-ranking y un chatbot conversacional con memoria.
- Arquitectura RAG: retrieval → augmentation → generation
- Chunking de documentos: estrategias y tamaño
- Pipeline de ingesta de documentos
- Re-ranking y mejora de recuperación
- RAG conversacional con memoria de contexto
- Proyecto: chatbot RAG sobre documentos propios
- Juego: ¿en qué etapa del RAG ocurre?
- Juego: empareja el término de RAG
- Prueba de la unidad
Unidad 6: Agentes de IA
Diseña agentes que razonan y actúan: herramientas, memoria, frameworks de orquestación y coordinación multi-agente.
- De chatbot a agente: el loop de razonamiento y acción
- Diseño de herramientas (tools) para agentes
- Frameworks de agentes: LangGraph, CrewAI y AutoGen
- Memoria de corto y largo plazo en agentes
- Multi-agente: cuándo dividir tareas entre agentes
- ¡Diseña el agente!
- Prueba de la unidad
Unidad 7: Evaluación, Testing y Fine-tuning
Evalúa la calidad de tus sistemas de IA, detecta alucinaciones y decide cuándo usar fine-tuning, RAG o prompting.
- ¿Cómo se evalúa un sistema de IA? Métricas y benchmarks
- LLM-as-judge: evaluación automatizada
- Detectar y reducir alucinaciones
- Fine-tuning vs RAG vs prompting: cuándo usar cada uno
- Fine-tuning básico: datasets y formato
- A/B testing de prompts y modelos
- Juego: ¿prompting, RAG o fine-tuning?
- Juego: empareja el concepto de evaluación
- Prueba de la unidad
Unidad 8: Producción, Seguridad y Ética
Lleva sistemas de IA a producción con observabilidad, guardrails, seguridad ante prompt injection y uso responsable de datos.
- Arquitectura de un sistema de IA en producción
- Observabilidad: logging, tracing y monitoreo de costos
- Seguridad: prompt injection, jailbreaks y data leakage
- Guardrails y validación de salidas
- Sesgo, privacidad y uso responsable de datos
- Estrategias de despliegue: caching y fallback entre modelos
- ¡Detecta el riesgo!
- Examen final del curso