Máster en Ingeniería y Desarrollo de Soluciones de IA Generativa

Para aquellos perfiles menos familiarizados con el lenguaje de programación en Python se ofrece este Prework de nivelación que te permitirá adquirir las bases necesarias para empezar este máster. Aprenderás los fundamentos de este lenguaje a través de material práctico autocorregible y dinámico con acceso a la certificación IT Specialist Python (ITS-303).

Introducción a la Programación Introducción a Python Tipos de Datos Variables Operaciones Básicas de Entrada y Salida Operadores Básicos Valores Booleanos Ejecución Condicional

Bucles Listas Operaciones Bit a Bit Listas Funciones Tuplas y Diccionarios Excepciones

 Se presenta el concepto de Inteligencia Artificial Generativa, sus distintos tipos y casos de uso desde una perspectiva programática. Se establecen las bases del entorno de desarrollo mediante la instalación de Python, VSCode y las extensiones necesarias, la introducción a Git y Postman, y se analiza la oferta de proveedores de IA Generativa (tanto en la nube como de código abierto), así como los requisitos y alternativas de hardware. 

Definición de IA Generativa y sus principales tipos Casos de uso y aplicaciones programáticas de la IA Generativa Preparación del entorno de desarrollo: Python, VSCode y extensiones

Introducción a Git y Postman Proveedores de IA Generativa, tanto en la nube como Open Source Requisitos de hardware para distintos usos

Se explican los diferentes tipos de modelos de Machine Learning (supervisados y no supervisados) y se abordan los conceptos fundamentales de entrenamiento, test e inferencia, así como las métricas de evaluación. Se introduce el Deep Learning y las redes neuronales, requisitos de datos y el problema del sobreajuste. Además, se revisan los requisitos de hardware (GPUs) y parámetros de configuración esenciales para entrenar e inferir en Deep Learning.

Modelos supervisados vs. no supervisados Conceptos de entrenamiento, test e inferencia Métricas de evaluación y validación de resultados Introducción al Deep Learning y a las redes neuronales

Cantidad de datos requerida, generalización y overfitting Requisitos de hardware, uso de GPUs y parámetros de entrenamiento

Se repasa la evolución del Procesamiento del Lenguaje Natural (NLP) antes de la IA Generativa, y se explican los diferentes tipos de modelos (discriminativos, generativos, autoregresivos, VAEs y GANs), así como la difusión generativa. También se ofrece una perspectiva histórica y actual de los Modelos de Lenguaje (LLMs) y los diferentes tipos, revisando el estado de la tecnología y los nuevos avances.

Evolución histórica del NLP y técnicas anteriores a la IA Generativa Tipos de modelos: discriminativos, generativos, autoregresivos, VAEs, GANs Difusión generativa y sus principios

Historia y evolución de los modelos de lenguaje (LLMs) Diferentes arquitecturas de LLMs y su estado actual

Se profundiza en la teoría detrás de los Modelos de Lenguaje Extenso (LLMs) abordando mecanismos como self-attention, multi-head attention y tokenización. Se analizan las arquitecturas y evolución de los modelos GPT (OpenAI), los modelos de Google y los modelos de Anthropic, además de los modelos Open Source. Por último, se diferencian conceptos como prompting, contextualización, RAG, fine tuning y entrenamiento desde 0, y se describe cómo personalizar consultas y optimizar costes y resultados.

Fundamentos teóricos de LLMs: self-attention, multi-head attention, tokenización Arquitectura y evolución de los modelos GPT (OpenAI) Arquitectura y evolución de los modelos de Google Arquitectura y evolución de los modelos de Anthropic Modelos Open Source: tipos y formas de usarlos

Técnicas de adaptación: prompting, contextualización, RAG, fine tuning, entrenamiento desde cero Personalización de parámetros, costes, evaluación y cálculo de tokens Usos prácticos de LLMs: chatbots, generación de código, análisis de texto

 

Este tema propone la creación y entrenamiento de un modelo de IA Generativa partiendo desde cero. Para ello, se utilizará una máquina con potencia suficiente en la nube y un dataset de ejemplo. Se mostrará el proceso de configuración, la arquitectura de la red, la selección de hiperparámetros y las diferentes fases de entrenamiento. Con ello, se busca ofrecer una experiencia práctica de la creación de un modelo de IA Generativa.

Selección y configuración de una máquina en la nube Preparación del entorno de desarrollo para el entrenamiento Revisión y limpieza del dataset

Definición de la arquitectura del modelo Ejecución del entrenamiento Validación final y posibilidades de mejora

Se introducen los modelos de generación de imágenes y se presentan casos de uso en los que aportan valor. Se explican arquitecturas como GANs y modelos de difusión, ejemplificados con Stable Diffusion y otros. Se abordan llamadas a modelos populares de generación de imágenes desde Python. También se revisan modelos de audio y video, como Whisper, y la personalización de modelos de imágenes con datasets específicos para lograr ajustes de estilo y control de salida.

Modelos de generación de imágenes y casos de uso Arquitectura de GANs: generador y discriminador, aplicaciones adicionales Modelos de difusión (Stable Diffusion) y el proceso de “denoising”

Uso de APIs de generación de imágenes desde Python Modelos de audio y video (Whisper y otros) Personalización de modelos de imágenes: fine tuning y ajustes de estilo

Se ofrece una introducción matemática a los espacios vectoriales y a la operación con vectores, incluyendo diferentes formas de calcular distancias. Se define el concepto de embedding y su relación con distancias semánticas, así como la generación de embeddings mediante APIs. Se revisan herramientas para trabajar con índices vectoriales y se profundiza en casos de uso prácticos de la búsqueda semántica y la integración con LLMs (RAG).

Espacios vectoriales: conceptos básicos y cálculo de distancias Embeddings: representación vectorial de texto e imágenes Generación de embeddings (OpenAI, Cohere) y herramientas en Python

Búsqueda semántica y construcción de índices vectoriales Aplicaciones prácticas de embeddings y búsquedas semánticas Integración de embeddings y LLMs: RAG, mejores prácticas y optimizadores

Se profundiza en la consulta e integración de APIs usando herramientas como Postman y en cómo diseñar APIs propias con Python (FastAPI, Flask) para crear backends de IA Generativa. Se introduce la computación en la nube y se explican los servicios de IA en Cloud, así como el despliegue de modelos. Se abordan los principios de MLOps para el ciclo de vida de los sistemas de IA Generativa, incluyendo monitorización, mantenimiento y CI/CD. También se explican contenedores, microservicios y las estrategias de despliegue y escalado.

Uso de APIs con Postman y creación de APIs propias (FastAPI, Flask) Introducción a la nube para IA Generativa MLOps: ciclo de vida, actualizaciones, monitorización y mantenimiento CI/CD, contenedores (Docker), microservicios y orquestación

Cálculo de métricas y monitorización en producción Estrategias de despliegue (canary, blue-green) y autoescalado Optimización de costes y reserva de potencia

 Se realiza una introducción general al entorno cloud y su relación con el procesamiento y la validación de soluciones de IA Generativa, comparando distintos proveedores y opciones de cómputo en la nube. Se analizan estrategias de almacenamiento y gestión de datos, incluyendo el uso de vector stores, y se exploran ejemplos de implementación de pipelines y procesos ETL mediante funciones serverless. Además, se abordan aspectos clave como la seguridad y autenticación en endpoints propios, así como la gestión de costes y las buenas prácticas. 

Introducción al uso general del Cloud y pruebas de cómputo en la nube Almacenamiento y gestión de datos en la nube (vectorstores) Implementación de pipelines y ETLs en la nube, uso de servicios serverless

Seguridad y autenticación (API keys, protección de endpoints) Gestión de costes en la nube, optimización y mitigación de gastos

 Se introducen las librerías y frameworks más utilizados en el desarrollo de soluciones de IA Generativa, como PyTorch Lightning y TensorFlow, destacando sus capacidades para el entrenamiento distribuido. Se analiza el ecosistema de Hugging Face (Transformers y Diffusers) para la utilización y personalización de modelos open source. Además, se trabaja con LangChain para la construcción de sistemas complejos basados en LLM, incorporando técnicas como RAG y memoria. También se presentan Gradio y Streamlit como herramientas para el desarrollo ágil de interfaces (frontends) sencillos. Finalmente, se abordan la integración de APIs con frontends puros y el uso de herramientas de monitorización. 

Librerías de Deep Learning: PyTorch Lightning, Tensorflow Uso de Hugging Face: Transformers y Diffusers LangChain: RAG, memoria y orquestación de prompts

Creación de frontends con Gradio y Streamlit Conexión de APIs con frontends y monitorización

 En este tema se integran los conocimientos adquiridos en módulos anteriores para desarrollar aplicaciones completas y procesos automatizados. Se aborda todo el recorrido: desde la conceptualización de un frontend para consumir una API de IA Generativa, hasta la integración de LLMs con datos empresariales mediante búsqueda semántica y chatbots privados. También se introduce el concepto de aplicaciones multimodales, combinando distintos modelos para obtener resultados más eficaces, y se analiza cómo ampliar la funcionalidad mediante agentes y asistentes inteligentes. Finalmente, se enfatiza la importancia de realizar pruebas unitarias y de integración en soluciones generativas. 

Conceptualización de frontends y conexión con APIs de IA Generativa Integración de LLMs con datos empresariales: búsqueda semántica y chatbots Aplicaciones multimodales y coordinación de varios modelos

Uso de agentes y asistentes con ReAct Prompting Testing y QA de aplicaciones generativas

A lo largo del máster se ha aprendido a desarrollar soluciones que en muchos casos ya ofrecían un cierto nivel de automatización. Sin embargo este tema se centra en programar Agentes y procesos de automatización avanzados capaces de gestionar diferentes tipos de flujos de trabajo, plataformas, herramientas, integraciones, etc. Consiguiendo sistemas de automatización mucho más personalizados y sofisticados que los que se pueden crear con herramientas LowCode o NoCode.

Determinación de herramientas y fuentes externas a usar. ReaAct Prompting. Servicios actuales que ofrecen creación de asistentes y posibilidades de conexión con distintas herramientas y servicios. Desarrollo de asistentes y agentes para propósitos específicos.

Sistemas multiagentes. Orquestación de agentes. Desarrollo guiado de una solución completa que implementa agentes.

Se reflexiona sobre la ética de la IA Generativa y los sesgos que pueden surgir, proponiendo mecanismos de filtrado y transparencia para mitigar riesgos. También se cubren las regulaciones y normativas relacionadas con el tratamiento de datos, la anonimización y la protección de derechos de autor, enfatizando la importancia del cumplimiento legal y la buena gobernanza de los sistemas de IA.

Identificación y mitigación de sesgos en IA Generativa Filtrado de contenido, transparencia y responsabilidad Privacidad de datos y normativas de tratamiento de datos

Derechos de autor, licencias de uso y consideraciones legales Importancia de la gobernanza ética y el cumplimiento regulatorio

Se exponen las claves para planificar y gestionar proyectos de IA Generativa, diseñando un MVP y definiendo requisitos y modelos adecuados. Además, se aborda la estimación de recursos y costes, tamaño y especialización del equipo, y las fases necesarias para el desarrollo y la puesta en producción de la solución.

Conceptualización y diseño de un MVP Definición de requisitos y selección del modelo adecuado Determinación de datos y preparación del dataset

Estimación de recursos, formación del equipo y planificación Cálculo de costes y puesta en producción

Al finalizar el máster, se introducirán los principales avances ocurridos durante los meses anteriores a este tema, relacionados con el desarrollo de soluciones de IA Generativa, con el objetivo de que los alumnos culminen con un perfil completamente actualizado y comprendan la velocidad a la que evoluciona el campo de la IA Generativa.