Organiza: ICARO y FCEFyN.
Fecha de inicio: 2 de diciembre de 2026.
Modalidad: Presencial virtual - Interacción sincrónica mediadas por la tecnología entre docentes y estudiantes.
Duración: 20 clases. 1 clase por semana (80 horas totales)
Está dirigido a personas interesadas en adquirir y/o consolidar competencias para el diseño, desarrollo, evaluación y despliegue de soluciones basadas en Modelos de Lenguaje (LLMs) y arquitecturas de agentes, con enfoque aplicado. Entre ellos:
- Profesionales y técnicos/as de áreas STEM (ingenierías, ciencias de la computación, ciencias de datos, ciencias exactas y naturales) que requieran incorporar LLMs y agentes a sistemas reales.
- Desarrolladores/as de software y profesionales de TI que busquen integrar LLMs mediante APIs, RAG, herramientas (tools) y servidores de contexto.
- Analistas y perfiles técnico-productivos que necesiten automatizar flujos de trabajo, extracción/consulta de información y toma de decisiones basada en evidencia, utilizando sistemas con trazabilidad y medición.
- Docentes y estudiantes avanzados de carreras técnicas/científicas interesados en actualizarse en tecnologías de IA generativa con enfoque de ingeniería.
- Objetivo general:
- Desarrollar competencias para la ingeniería de soluciones basadas en modelos de lenguaje (LLMs).
- Objetivos específicos:
- Aplicar modelos de lenguaje y frameworks de desarrollo en la construcción de aplicaciones con LLMs.
- Diseñar sistemas RAG y agentes inteligentes para la integración y el procesamiento de información.
- Evaluar alternativas de modelos, ajuste y despliegue según los requerimientos de cada solución.
- Integrar componentes de software, evaluación y observabilidad en soluciones basadas en LLMs para su puesta en producción.
- Módulo 1. Primeros pasos con LLMs
APIs, modelos, parámetros, tokenización y costos. Prompt engineering: system prompts, few-shot, structured outputs, defensas contra prompt injection, function calling. - Módulo 2. Desarrollo con LangChain
Arquitectura LangChain, LCEL, prompts, chains, memory, output parsers, callbacks y trazabilidad. - Módulo 3. Retrieval-Augmented Generation
RAG fundamentos: embeddings, loaders, splitters, vectorstores, retrieval, MMR.
RAG avanzado: hybrid search, reranking, query transformations, parent retriever, text2sql, evaluación con métricas. - Módulo 4. Agentes inteligentes
Patrones de agentes (ReAct), tools, control de iteraciones, límites y buenas prácticas. LangGraph: grafos con estado, ruteo condicional, persistencia, errores, human-in-the-loop. - Módulo 5. Model Context Protocol
Arquitectura MCP, capabilities (tools/resources/prompts), ecosistema y seguridad. Desarrollo de MCP servers en Python, testing, transporte SSE, composición (aggregator server). - Módulo 6. Fundamentos internos de LLMs
Atención y Transformer, positional encoding, decoder-only, implicancias prácticas. Construcción de mini-GPT (PyTorch), entrenamiento y generación. Scaling laws, MoE, pipeline de entrenamiento (pretraining - SFT - RLHF/DPO), comparación de modelos. - Módulo 7. Fine-tuning y deploy local
Despliegue local: cuantización, Ollama, vLLM/TGI, LiteLLM, fallback. Fine-tuning: decisión, dataset, OpenAI fine-tuning, LoRA/QLoRA, export y versionado. - Módulo 8. Producción y proyecto final
Observabilidad y evaluación: trazas, datasets de evaluación, alertas, costos, seguridad. Backend productivo: FastAPI, docker-compose, tests, CI/CD. Frontend y demo. - Módulo 9. Presentación
Storytelling. Presentación de resultados.
A través de la web de curso: ICARO
