Este módulo está diseñado para convertir el potencial de la Inteligencia Artificial en valor empresarial tangible. Cómo la IA se integra y transforma sectores clave como la banca, el retail y la salud, cubriendo desde la Visión Computacional hasta la IA Generativa y Predictiva.
Comienza entendiendo los Enfoques Clásicos de la IA (Pensar/Comportarse Humana y Racionalmente) y examina las cuestiones éticas cruciales para cualquier despliegue corporativo. El núcleo del módulo se centra en la Implementación Práctica: explora las fases clave de un proyecto de IA (CI/CD), los roles especializados necesarios (Data Scientists, MLOps, etc.) y los factores críticos de éxito y fracaso.
Finalmente, aborda la Selección de Modelos y Estrategias de Entrenamiento adecuadas para cada necesidad empresarial: desde los Modelos Fundacionales y el Ajuste Fino (Fine-Tuning) hasta la Generación Aumentada por Recuperación (RAG) y los Agentes autónomos, asegurando que cada inversión en IA se traduzca en una ventaja competitiva sostenible.
Contenidos del módulo:
Introducción.
Fundamentos y Enfoques Clásicos de la IA Aplicados a la Empresa.
- Pensar como humano (Thinking Humanly).
- Comportarse como humano (Acting Humanly).
- Pensar racionalmente (Thinking Rationally).
- Comportarse racionalmente (Acting Rationally).
La inteligencia artificial en el contexto empresarial.
- Impacto de la inteligencia artificial en industrias como banca, retail, salud, manufactura.
- Inteligencia artificial en Procesamiento de Lenguaje Natural (PLN).
- Inteligencia artificial en Visión Computacional.
- Inteligencia artificial Predictiva.
- Inteligencia artificial Generativa.
- Inteligencia artificial para Automatización.
- Cuestiones éticas de la inteligencia artificial en las empresas.
Diferencias entre distintos modelos de inteligencia artificial Generativa.
Prompt engineering.
Técnicas de Prompt Engineering.
Introducción a la Implementación de Proyectos de inteligencia artificial.
- Fases de implementación de proyectos de IA. (CI/CD).
- Roles y habilidades necesarios ( Data Scientists, Data Engineer, MLOps, etc).
- Factores críticos de éxito y fracaso.
Colab IDEs y Copilot, y mas herramientas.
Diferencias entre distintos entrenamientos.
- Modelos Fundacionales (LLM Base).
- Ajuste Fino (Fine-Tuning).
- Generación Aumentada por Recuperación (RAG).
Agentes.
- Autonomía y Aplicaciones.
MCPS.
- Subtopic.