Contenido
- 01
Introducciónlos conceptos de arquitectura de software que importan para la IA, incluidos el vocabulario, los posibles casos de uso, los riesgos, los puntos fuertes y débiles, y cuándo te conviene más la IA o el desarrollo de software clásico.
- 02
Cumplimiento, seguridad y alineamientoel panorama legal y normativo de los sistemas de IA que los arquitectos de software deben conocer, incluidos el cumplimiento del Reglamento de IA de la UE, la legislación de protección de datos y los marcos de clasificación de riesgos.
Estrategias técnicas de seguridad para proteger los sistemas de IA frente a ataques, prácticas sólidas de gestión de datos y una documentación adecuada para la trazabilidad y la transparencia.
Gobernanza ética de la IA: principios de seguridad, marcos de IA responsable y cómo integrar el cumplimiento, la seguridad y la ética en tus decisiones de arquitectura.
- 03
Comprender los sistemas de MLlos fundamentos de los ciclos de vida de los proyectos de machine learning y de los procesos de desarrollo de software para sistemas de IA. Definir tareas de ML, comprender los requisitos del problema y especificar los datos de entrada y salida de los sistemas de ML.
- 04
Análisis exploratorio de datosdistintos tipos de datos y problemas típicos de ML, y cómo los científicos de datos obtienen, etiquetan y analizan conjuntos de datos. Cómo detectar sesgos en los datos, y las opciones de almacenamiento para proyectos de ML.
- 05
Limpieza y preparación de datosestrategias de agregación, limpieza, transformación y aumento de datos con herramientas modernas de ingeniería de datos. Cómo diseñan los científicos de datos pipelines de datos eficientes y cómo gestionan los problemas de calidad de datos que pueden perjudicar a los sistemas de ML.
- 06
Feature engineeringcómo preparar los datos de entrada para distintos algoritmos de IA, y los compromisos entre arquitecturas de modelos. Técnicas avanzadas como el transfer learning y el fine-tuning para optimizar el rendimiento del modelo.
- 07
Entrenamiento y selección de modeloslos requisitos de hardware para entrenar modelos, y cómo hacer el seguimiento de los parámetros, las métricas y los resultados de los modelos. Técnicas de evaluación de modelos que sopesan el coste, la sostenibilidad y la reproducibilidad.
- 08
Construir una prueba de conceptoelegir las herramientas adecuadas para prototipar sistemas de IA y aplicar patrones de diseño para aplicaciones de ML. Principios de diseño de interfaces de usuario y requisitos de explicabilidad de los sistemas de IA.
- 09
Desplegar sistemas de MLpipelines de CI/CD, estrategias de despliegue y opciones de plataforma para modelos de ML, incluidas las soluciones SaaS y autoalojadas. Integrar modelos de ML en sistemas existentes sin perder de vista la seguridad, el cumplimiento y la arquitectura de despliegue.
- 10
Operar sistemas de MLlas necesidades de monitorización propias de los sistemas de IA, y la medición de métricas de rendimiento como la latencia y el throughput. Estrategias de escalabilidad, robustez, fiabilidad y tolerancia a fallos en sistemas de ML en producción.
- 11
Mantener los sistemas de ML a lo largo del tiempodetectar y gestionar los distintos tipos de deriva del modelo y los problemas continuos de calidad de datos. Usar el feedback de los usuarios para mejorar el modelo y mantener el rendimiento del sistema a largo plazo.
- 12
Arquitecturas de sistemas y plataformas para IA generativacómo integrar sistemas de IA, en especial modelos de lenguaje de gran tamaño (LLM), en arquitecturas de TI reales con herramientas, bibliotecas e interfaces prácticas.
Los fundamentos de la IA generativa y los LLM, junto con técnicas como el prompt engineering, la generación aumentada por recuperación (RAG) y los flujos de trabajo agénticos, para construir aplicaciones de IA eficaces.
También la parte práctica: evaluación de sistemas, gestión de costes, aseguramiento de la calidad y patrones de diseño para operar soluciones de IA en producción.