Sesión 00. Introducción al desarrollo de IA y panorama actual

• Introducción al curso
  • Qué hace hoy un AI Engineer?
  • Qué requisitos se necesitan?
  • Qué tipo de proyectos se realizan?
• IA Generativa, Situación actual
  • Panorama de la IA
  • Machine Learning
    • Casos de uso actuales
    • Herramientas (Pytorch, tensorflow, pandas)
  • IA generativa
• Modelo transformers
• tecnologías core y stack tecnológico que vamos a utilizar

Sesión 01: LLMs y setup de entorno de trabajo

• LLMs, comunicación con modelos y setup básico de APIs
  • Importación de la librería
  • Gestión completa de la llamada a la API
  • System prompt
  • Estructura de la respuesta
    • Respuesta al chat
    • Metadatos
    • Tokens
    • Errores
    • Comparativa de proveedores
• Ecosistema de herramientas y proveedores
• Criterios de selección según caso de uso
• Análisis de casos reales y mapeo de arquitecturas

Generación de un proyecto utilizando arquitectura CAG y wrappers de modelos

Sesión 02. Primeros pasos de arquitectura CAG

• Explicación del proyecto que vamos a realizar en el módulo de manera incremental
• Fundamentos de arquitectura CAG
• Arquitectura de proyecto que incluya llamadas a LLM mediante API
  • Tokens
  • Contexto
  • Parámetros: nivel de razonamiento, temperatura (quitado ya en casi todos), verbosity
  • Tools
• Arquitectura de conversación
• Gestión de claves, rate limiting y manejo de errores
• Costes y optimización de consumo

Sesión 03. Patrones de diseño para wrappers de modelos

• Introducción a interfaces conversacionales
  • Frameworks y librerías
    • Listado de las más conocidas
    • Ejemplo con streamlit
  • Pros y contras de usar librerías
  • DIY: ejemplo con código (tipo peripheral)
• Arquitectura de capas para wrappers de LLMs
• Abstracción de proveedores y estrategias de fallback
• Cacheo inteligente de respuestas
• Streaming y manejo de respuestas largas
• Logueo y trazabilidad

Sesión 04. Productos IA avanzados

• Adaptación de interfaces para abstracción de prompts
  • Experiencia de usuario: Dar al usuario una interfaz donde el usuario no tenga que ocuparse del prompting, solo pedir lo que necesita de la forma más básica posible (idealmente un botón o comando, botones de parámetros, selector de los casos de uso).
  • La calidad de la respuesta no debe depender de la calidad del prompt. Calidad homogénea para todos los usuarios
  • De interfaz conversacional a acciones y formularios (interfaces tradicionales)
• Prompts estructurados y templates dinámicos
• Extracción de datos estructurados (JSON, schemas)
• Guardrails y validación de outputs

Sesión 05. Funcionalidades avanzadas

• Integración de contexto dinámico desde fuentes externas
  • Archivos adjuntos
  • Búsqueda web
  • Bases de datos
• Implementación de memoria conversacional
  • Memoria
• Historial
• Sistema de prompts adaptativo mediante permisos de usuario
  • Ingenieros asumen que todo usuario tiene acceso a todo
  • Es desarrollo web normal (parámetro “tier” en base de datos, interfaz adaptada al parámetro, y prompts diferentes)
  • Dar un ejemplo ya hecho: modo investigacion profunda
  • NO se llevaría al directo, simplemente sería parte de la solución que se entrega para la sesión en vivo
• Testing y evaluación del sistema

Sesión 06. Fundamentos de data driven AI – Análisis, formateo y normalización de datos existentes

• Auditoría de datos empresariales
• Criterios de selección de arquitectura según caso de uso
• Selección de datos por tipo (estructurado, no-estructurados y semi-estructurados) y fuente
• Sistemas de normalización de los datos – extracción y limpieza
  • Evitar garbage-in – garbage-out
• Privacidad y GDPR de los datos

Sesión 07. Embeddings y representación vectorial

• Chunking de información y agentes de chunking
• Verificación, solapamiento y técnicas de siblings
• Teoría de embeddings
• Modelos de embeddings
• Agentes de embedding de datos
• Concepto de espacio vectorial
• Vectores como catalizador de búsqueda semántica
• Pre-procesamiento específico de embeddings por tipo de documento o información estructurada de BBDD

Sesión 08. Bases de datos vectoriales

• Concepto de BBDD vectorial
• Comparativa y arquitectura de BBDD vectorial vs BBDD tradicional
• Comparativa de BBDD Vectoriales en el mercado
• Tipos de índices vectoriales
• Inserción de vectores en BBDD y representación semántica de campos
• Ejemplos de búsqueda semántica
• Escalabilidad y consideraciones de producción

Sesión 9. Fundamentos de RAG y técnicas de recuperación

• Componentes de arquitectura y flujo de datos
• Consultas y reformulación
• Estrategias de retrieval
• Integración retriever/generador
• Apificación de la capa de datos
  • Aislamiento y securización de la capa de datos

Sesión 10. Técnicas de recuperación

• Reranking y cross encoders
• Búsqueda híbrida en BBDD Vectorial
• Expansión de consultas
• RAG Multi-índice y routing de consultas – handover entre agentes
• Filtrado contextual y temporal

Sesión 11. RAG Avanzado – Generación y calidad

• Content augmentation
• Síntesis de múltiples fuentes
• Citación y atribución de fuentes
• Detección y mitigación de alucinaciones
• Reindexación de información
• Evaluación de la calidad de las respuestas – métricas y frameworks (RAGAS)

Sesión 12. Introducción a agentes de IA

• Capa agéntica en sistemas RAG
• Anatomía de un agente (razonamiento, planificación, acción, handover…)
• Patrones de agentes
• Herramientas y function calling

Sesión 13. Orquestación de agentes

• Frameworks de gestión de agentes
  • Langchain
  • ML Autogen
  • Google
• Frameworks vs orquestación interna
• Diseño de grafos de ejecución
  • Langgraph
• Gestión de estado y memoria
• Manejo de errores y recuperación
  • Herramientas:
    • Langsmith
    • Logfire

Sesión 14. Sistemas multi-agente y patrones avanzados

• Arquitecturas multi-agente: colaboración vs competición
• Patrones de comunicación entre agentes
• Agentes de supervisión y delegación de tareas
• Human in the loop
• Seguridad y sandboxing de agentes

Sesión 15. Puesta en producción y LLMOps

• Arquitectura de microservicios
• Monitorización, observabilidad y KPIs
• Safety y compliance-by-design 
• Optimización de latencia y costes
• A/B testing y mejora continua

Laboratorio: 10x Engineer

Sesión práctica orientada a integrar IA de manera efectiva en el proceso de desarrollo end-to-end:

• Spec-Driven Development
• Agentes
• MCPs 
• Skills

Aplicación de lo aprendido en casos de uso reales, desde la planificación de la tarea hasta la code review automatizada.