AI Engineering

Comprender el rol del AI Engineer, la arquitectura de productos con IA y el ciclo de vida de una solución inteligente.

• Clase 1 Panorama de AI Engineering
• Clase 2 Rol de AI Engineer vs Data Scientist vs ML Engineer
• Clase 3 Arquitectura básica de una app de IA
• Clase 4 Ciclo de vida de un producto con IA

Proyecto: Definir el caso de uso y la arquitectura inicial del proyecto final.

Dominar Python moderno, FastAPI y consumo de APIs de IA para construir servicios de inferencia.

• Clase 5 Python moderno para AI Engineering
• Clase 6 FastAPI para servicios de inferencia
• Clase 7 Consumo de APIs de IA: OpenAI y Anthropic
• Clase 8 Ingesta y limpieza de datos para IA
• Clase 9 Testing y logging en servicios IA

Proyecto: API REST que expone un endpoint de inferencia con logging y tests.

Aplicar ML clásico con scikit-learn: pipelines, evaluación y empaquetado para producción.

• Clase 10 Problemas de ML en productos IA
• Clase 11 Pipeline de sklearn de extremo a extremo
• Clase 12 Feature engineering práctico
• Clase 13 Evaluación de modelos y error analysis
• Clase 14 Empaquetar un modelo ML para producción

Proyecto: Clasificador ML desplegable como microservicio con métricas de evaluación.

Fundamentos de redes neuronales con PyTorch y transfer learning para casos reales.

• Clase 15 Fundamentos de redes neuronales
• Clase 16 PyTorch básico: tensores y autograd
• Clase 17 Entrenamiento de una red simple en PyTorch
• Clase 18 Regularización y buenas prácticas
• Clase 19 Transfer learning y fine-tuning

Proyecto: Fine-tuning de un modelo preentrenado para un dataset de clasificación.

Dominar transformers, prompt engineering y APIs de modelos fundacionales con evaluación y guardrails.

• Clase 20 Introducción a LLMs y transformers
• Clase 21 Prompt engineering efectivo
• Clase 22 Uso práctico de OpenAI API
• Clase 23 Uso práctico de Anthropic API
• Clase 24 Guardrails y seguridad en LLM apps
• Clase 25 Evaluación de prompts y modelos LLM

Proyecto: Asistente conversacional con prompts versionados y evaluación automatizada.

Construir sistemas RAG con embeddings, chunking, vector stores y frameworks modernos.

• Clase 26 Embeddings: representación semántica
• Clase 27 Chunking y preparación de conocimiento
• Clase 28 Vector stores: Chroma y Pinecone
• Clase 29 Construcción de pipeline RAG
• Clase 30 Frameworks RAG: conceptos de LangChain y LangGraph

Proyecto: Chatbot con RAG sobre documentación interna de una empresa simulada.

Diseñar agentes con herramientas, memoria, planificación y evaluación en escenarios reales.

• Clase 31 De cadenas a agentes
• Clase 32 Herramientas (tools) y function calling
• Clase 33 Memoria, estado y planificación de agentes
• Clase 34 Automatizaciones con agentes en backend
• Clase 35 Evaluación de agentes con tareas reales

Proyecto: Agente que automatiza tareas de soporte con acceso a APIs y base de conocimiento.

Desplegar, monitorear y presentar un producto de IA completo listo para portfolio y entrevistas.

• Clase 36 Despliegue con Docker para servicios IA
• Clase 37 CI/CD y versionado de modelos/prompts
• Clase 38 Monitoreo y observabilidad de sistemas IA
• Clase 39 Evaluación integral y pruebas de aceptación
• Clase 40 Proyecto final de portafolio AI Engineer

Proyecto final: Solución de IA en producción (RAG o agente) con Docker, evaluación y demo en GitHub.