Shop

Este módulo explora la aplicación de la IA generativa en una gama de escenarios empresariales y ofrece una cobertura fundamental de los conceptos, modelos, buenas prácticas y redes neuronales de la IA generativa, incluyendo los modelos de Redes Generativas Adversariales (GANs),  autocodificadores Variacionales (VAEs) y Transformadores. Todo el contenido está escrito en español sencillo y fácil de entender. 

Se cubren los siguientes temas principales:

• Factores de negocio y tecnológicos de la IA generativa
• Beneficios de la IA generativa
• Riesgos y retos comunes del uso de la IA generativa
• Categorías de problemas empresariales que aborda la IA generativa
• Cómo entender los modelos, los algoritmos y las redes neuronales
• Tipos de IA generativa
• Cómo entender las Redes Generativas Adversariales (GANs)
• Cómo entender los Autocodificadores Variacionales (VAEs)
• Cómo entender los Transformadores
• Pasos para construir sistemas de IA
• Buenas prácticas de la IA generativa

Este módulo proporciona una comprensión esencial de la arquitectura de sistemas y soluciones de IA. Explica los distintos tipos, alcances y modos de arquitectura de sistemas de IA y proporciona una cobertura detallada de los módulos nucleares de los sistemas de IA (incluyendo ingesta de datos, preprocesamiento de datos, ingeniería de características, motor de inferencia y repositorio de modelos) y los monitores de los sistemas de IA (incluyendo de operaciones, de datos, de modelos y monitores auxiliares).

Se cubren los siguientes temas principales:

• Comparación entre la arquitectura de IA y la ingeniería de IA
• Arquitecturas de producto de IA vs. arquitecturas de IA a medida
• Alcances de la arquitectura de IA (sistema y solución)
• Modos operativos de soluciones de IA (entrenamiento y producción)
• Tipos de arquitectura de sistemas de IA (monolítica, modular, híbrida)
• Almacenamiento de datos para soluciones de IA (interno, externo, híbrido)
• Módulos nucleares de los sistemas de IA
• Ingesta de datos para fuentes comunes de datos de IA predictiva e IA generativa
• Preprocesamiento de datos en los sistemas de IA predictiva e IA generativa
• Ingeniería de características en los sistemas de IA predictiva e IA generativa
• Motor de inferencia en los sistemas de IA predictiva e IA generativa
• Repositorio de modelos en los sistemas de IA predictiva e IA generativa
• Monitores de operaciones (de rendimiento, de recursos)
• Monitores de datos (de entrada, de salida)
• Monitores de modelos (de peso y gradiente, de distribución de activación, de sesgo e imparcialidad)
• Monitores auxiliares (de explicabilidad, de robustez y ataque adversarial, de calidad de datos, de etiquetado de datos)

Este módulo explora una gama de técnicas y temas complejos dedicados al diseño de sistemas y la arquitectura tecnológica de IA, incluyendo modelos de escalabilidad, técnicas de rendimiento y optimización, y arquitecturas de resiliencia.

Se cubren los siguientes temas principales:

• Patrones de escalabilidad de sistemas de IA
• Procesamiento distribuido de datos y Almacenamiento de datos en caché
• Partición y fragmentación de datos
• Procesamiento incremental
• Aceleración de hardware
• Autoescalamiento y Equilibrio de cargas
• Aprendizaje continuo
• Patrones de rendimiento de sistemas de IA
• Paralelismo y Concurrencia
• Almacenamiento en caché en el borde y Vectorización
• Compresión de datos
• Carga diferida
• Patrones de resiliencia de sistemas de IA
• Tolerancia a fallas
• Degradación gradual
• Ingeniería del caos

Este módulo proporciona una serie de ejercicios y problemas de laboratorio basados en casos de estudio, diseñados para poner a prueba su capacidad para aplicar sus conocimientos de los temas cubiertos en los módulos anteriores. Completar este laboratorio ayuda a reforzar la comprensión de los temas anteriores y demuestra cómo se pueden aplicar diferentes prácticas y tecnologías en conjunto como parte de soluciones más amplias.

Se proporcionan los siguientes ejercicios:

• Ejercicio de lectura 15.1: Antecedentes del caso de estudio: IVA
• Ejercicio de laboratorio 15.2: Entrenamiento del modelo para predicciones en tiempo real
• Ejercicio de laboratorio 15.3: Cálculos en tiempo real y agotamiento de recursos
• Ejercicio de laboratorio 15.4: Escalabilidad del sistema y precisión del modelo
• Ejercicio de laboratorio 15.5: Generación confiable de contenido y errores del sistema
• Ejercicio de lectura 15.6: Antecedentes del caso de estudio: HealthV
• Ejercicio de laboratorio 15.7: Entrenamiento de un LLM para la generación de contenido personalizado
• Ejercicio de laboratorio 15.8: Optimización de la entrega de contenido y acceso remoto
• Ejercicio de laboratorio 15.9: Volumen de datos y limitaciones de recursos
• Ejercicio de laboratorio 15.10: Monitoreo en tiempo real y cargas de trabajo fluctuantes