Aprende las nuevas habilidades que busca el sector

Cómo está montado el programa y cómo sacarle partido: qué vas a construir, cómo combinar clases, prácticas y sesiones en vivo, cómo dejar tu entorno listo y cómo usar la clave de modelos que viene incluida, sin dar tu tarjeta a ningún proveedor.

Qué hace de verdad un AI Engineer y en qué se diferencia de un ML Engineer o un Data Scientist. Entiendes cómo se entrena y cómo piensa un LLM, por qué el mismo prompt no siempre responde igual y qué arquitectura elegir para cada problema, sopesando coste, latencia, privacidad y precisión antes de escribir una línea.

Construyes una mini app que llama a un LLM.

Llamar a un modelo es fácil; hacerlo bien en producción, no. Conoces qué ofrece cada proveedor, cuándo compensan los modelos de razonamiento y qué hacer cuando la API tarda, falla o te limita. Y aprendes a cambiar de modelo sin reescribir tu aplicación y a saber cuánto cuesta cada llamada antes de que llegue la factura.

Programas un cliente de LLM multi-proveedor.

Que el modelo devuelva exactamente lo que tu código espera, no un texto que luego hay que adivinar. Escribes prompts pensados para miles de usuarios, defines la forma de los datos con JSON Schema, Pydantic o Zod, dejas que el modelo llame a tus funciones y sabes qué hacer cuando la respuesta llega mal o se sale del guion.

Construyes un extractor de datos estructurados.

Buscar por significado y no por palabras exactas. Entiendes cómo se convierte un texto en un vector, cómo trocear documentos para que cada fragmento tenga sentido, qué base de datos vectorial elegir y cómo funcionan por dentro sus índices. Lo pones en práctica con pgvector, sobre el PostgreSQL que ya conoces, y aprendes a medir si recuperas lo que de verdad importa.

Construyes un buscador semántico.

Tu primer sistema que responde con tus propios documentos, enseña de dónde sale cada dato y sabe decir «no lo sé» en lugar de inventarse algo. Decides qué contexto darle al modelo sin disparar el coste, lo mides con un primer conjunto de preguntas de referencia y lo despliegas con API e interfaz para que otros puedan usarlo.

Despliegas un chatbot RAG con citas.

Qué hacer cuando el RAG básico se queda corto: reformular la pregunta del usuario, buscar desde varios ángulos, combinar búsqueda semántica y por palabras clave, reordenar resultados y mandar cada consulta por el camino que mejor la resuelve, incluso generando SQL sobre datos estructurados. Y lo más importante, demostrar con números que has mejorado.

Haces un benchmark de tu RAG antes y después de las mejoras.

Un buen RAG empieza por buenos datos. Aprendes a llevar PDFs, webs, emails, tickets y documentación interna hasta tu índice: limpios, sin duplicados, con los metadatos que luego permiten filtrar y citar, sin datos personales que no hacen falta y respetando quién puede ver qué desde el origen.

Montas un pipeline de ingesta con búsqueda.

El conocimiento de una empresa no siempre es texto limpio. Extraes información de escaneos, tablas e imágenes, buscas imágenes con texto y al revés, usas modelos que entienden lo que ven y conviertes audio en texto útil, para que tu sistema responda con todo lo que hay en los documentos.

Añades una capacidad multimodal o documental avanzada a tu sistema.

Cuándo hace falta un agente y cuándo basta con un flujo de pasos fijos. Diseñas herramientas que el modelo usa cuando toca, entiendes cómo un agente planifica, se corrige y recuerda, y aprendes a darle el contexto justo en cada momento. Con MCP conectas herramientas y datos de forma estándar a cualquier modelo.

Llevar agentes a producción sin perder el control. Combinas pasos deterministas con decisiones del modelo, orquestas con LangGraph, Temporal o tu propio flujo, coordinas varios agentes entre sí y decides qué necesita la aprobación de una persona, qué pasa cuando algo falla y hasta dónde puede actuar el agente por su cuenta.

Construyes un agente con estado, herramientas y aprobación humana.

Los ataques que va a recibir tu sistema y cómo defenderte: instrucciones maliciosas escondidas en lo que lee el modelo, intentos de saltarse sus reglas, fugas de datos, agentes que hacen más de lo que deberían o documentos manipulados para envenenar las respuestas. Aprendes a aislar y limitar, a atacar tu propio sistema antes que otro, y lo que exigen el RGPD y la Ley de IA de la UE.

Atacas, defiendes y gobiernas tu propio sistema.

Los tests de siempre no sirven para algo que no responde siempre igual. Construyes conjuntos de casos de referencia, automatizas evaluaciones, usas un modelo para juzgar a otro sin caer en sus trampas y sabes cuándo hace falta una persona. Mides fidelidad, alucinaciones, latencia y coste, y lo integras en tu CI para que ninguna mejora rompa lo que ya funcionaba.

Montas la suite de evaluación de tu proyecto.

Cuándo compensa servir tu propio modelo en lugar de pagar una API, y cómo hacerlo. Eliges el modelo abierto y el hardware adecuados, lo empaquetas como un servicio más con Docker y FastAPI, lo sirves con vLLM o sus alternativas y lo preparas para atender a muchos usuarios a la vez sin disparar el coste.

Sirves un modelo open source mediante una API.

Operar un sistema de IA como cualquier software serio. Ves qué pasa en cada paso, del prompt a la herramienta y la búsqueda, controlas coste y latencia con alertas, versionas prompts como si fueran código, comparas versiones con usuarios reales y cambias de modelo sin miedo, con CI/CD y vuelta atrás en segundos.

Añades observabilidad a tu proyecto.

Que tu producto sea rápido y rentable. Entiendes de dónde sale la latencia, haces las cuentas de coste por usuario y por tarea, y aplicas las palancas que más pesan: caché, procesamiento en bloque, modelos pequeños cuando bastan, prompts más cortos y técnicas del propio modelo como la cuantización.

Optimizas el coste y la latencia del sistema desplegado.

Cuándo adaptar un modelo y cuándo basta con un buen prompt o un RAG. Preparas un buen dataset, también con datos sintéticos, ajustas modelos grandes en hardware modesto con LoRA y QLoRA, entrenas modelos pequeños que usan herramientas como uno grande y demuestras que el modelo ha mejorado de verdad, sin sobreajustarlo.

Haces fine-tuning de un modelo con tu propio dataset.

Juntas todo lo aprendido en un producto de IA completo: arquitectura, seguridad, evaluación, métricas y viabilidad económica, con demo y defensa técnica. Es el proyecto que enseñarás en tus entrevistas.