1.1 Tópicos Emergentes de la IA — 2026

Contenido

1.1 Tópicos Emergentes de la IA — 2026#

Contenidos#

Módulo 1 — Introducción a la Inteligencia Artificial#

¿Qué es la Inteligencia Artificial?#

La IA es cualquier técnica que permite a los ordenadores imitar el comportamiento humano.

Línea temporal de la IA#

Época

Paradigma

Descripción

1950’s

Inteligencia Artificial

Cualquier técnica que permite a los ordenadores imitar el comportamiento humano.

1980’s

Machine Learning

Técnicas de IA que otorgan a los ordenadores la habilidad de aprender sin ser explícitamente programados para hacerlo.

2010’s

Deep Learning

Un subconjunto del ML que hace viable el cálculo de redes neuronales multicapa.

2020’s

IA Generativa / Modelos Fundacionales

Modelos altamente adaptables que proporcionan una estructura base para múltiples aplicaciones.

¿Qué se necesita para hacer IA?#

Los tres pilares fundamentales son:

        Algoritmos
           / \
          /   \
      Datos — Poder de cómputo

  • Datos: materia prima del aprendizaje automático.

  • Algoritmos: las instrucciones que transforman datos en modelos.

  • Poder de cómputo: la capacidad de hardware para entrenar y ejecutar modelos.

Módulo 2 — Inteligencia Artificial Tradicional#

Flujo de un sistema con IA#

Un proyecto de IA sigue un ciclo estructurado:

Problema a resolver + Datos
         |
   PREPROCESAMIENTO
         |
   PROCESAMIENTO  ←→  Algoritmos / Inteligencia Artificial
         |
    DESARROLLO   →   Aplicación
         |
 POST-PROCESAMIENTO  →  Soporte

Durante el desarrollo: preprocesamiento, procesamiento, desarrollo.
Después del desarrollo: despliegue, monitoreo y soporte.

De observaciones a predicciones mediante modelos#

El objetivo del ML tradicional es aprender una función que mapee observaciones a predicciones:

Observación (X)

Predicción (Y)

Imagen del paciente

¿Tiene patología?

Fragmento de texto

Sentimiento

Series temporales de finanzas

Tendencia del valor

Descripción de la casa

Valor de mercado

Perfil del cliente

Producto a comprar

La terminología equivalente:

X

Y

Variables predictoras

Variables objetivo

Variable independiente

Variable dependiente

Características (features)

Etiquetas (labels)

Proceso de construcción de un modelo#

Datos de ejemplo (X → y)
        |
  [Modelo plantilla]
        |
  Calibración del modelo
        |
   MODELO entrenado
        |
   X nuevos → y predicciones

Datos de entrenamiento vs. datos de validación#

  • Datos de entrenamiento: se usan para calibrar (ajustar) el modelo.

  • Datos de validación: X, y no vistos durante el entrenamiento → miden la capacidad de generalización.

Rend. entrenamiento

Rend. validación

Escenario ideal

BIEN

BIEN

Sobreajuste (overfitting)

BIEN

MAL

Subajuste (underfitting)

MAL

MAL

Objetivo: crear modelos que generalicen bien a datos nunca vistos.
El modelado debe enfrentarse a problemas mal definidos del mundo real.

ML: Técnicas y Oportunidades#

Aprendizaje supervisado#

  • Clasificación: predice una categoría discreta.

  • Regresión: predice un valor continuo.

Aprendizaje no supervisado#

  • Clustering: agrupa observaciones sin etiquetas.

  • Reducción de dimensionalidad: comprime el espacio de características.

Aprendizaje semi-supervisado#

Combina datos etiquetados (pocos) y no etiquetados (muchos) para entrenar modelos más robustos.

Módulo 3 — Deep Learning#

¿Por qué y cuándo usar Deep Learning?#

El Deep Learning supera al ML clásico cuando:

  • El volumen de datos es grande.

  • Las relaciones entre variables son altamente no lineales.

  • El dominio involucra señales complejas: imágenes, audio, texto, video.

Tareas resueltas con Deep Learning#

  • Clasificación de imágenes a nivel casi humano (ej. esteganálisis).

  • Traducción automática mejorada (ej. DeepL).

  • Conversión de texto a voz de alta calidad.

  • Asistentes digitales (ej. Alexa de Amazon).

  • Conducción autónoma a nivel humano.

  • Segmentación de anuncios (Google, Bing).

  • Respuesta a preguntas en lenguaje natural.

Contexto biológico: la neurona artificial#

El DL modela la relación entre señales inspirándose en el funcionamiento del cerebro:

Especie

Neuronas aprox.

Humano

85 000 millones

Gato

1 000 millones

Ratón

75 millones

El Perceptrón#

Una neurona artificial (perceptrón) modela una neurona biológica:

  1. Recibe un conjunto de entradas.

  2. Asigna un peso a cada entrada.

  3. Calcula una función sobre las entradas ponderadas.

  4. Produce una salida.

Perceptrón Multicapa (MLP)#

Sistema bio-inspirado que apila múltiples perceptrones en capas:

  • Capa de entrada: recibe las características.

  • Capas ocultas: aprenden representaciones intermedias.

  • Capa de salida: produce la predicción.

Ventajas y desventajas de las redes neuronales#

Ventajas#

  • Sirven tanto para clasificación como para regresión.

  • Modelan patrones más complejos que casi cualquier otro algoritmo.

  • No asumen nada sobre las relaciones subyacentes del dominio.

Desventajas#

  • El entrenamiento es extremadamente intensivo en cómputo.

  • Es necesario monitorear el sobreajuste (overfitting).

  • Resultan en una caja negra difícil de interpretar.

Progreso histórico del Deep Learning#

Año

Hito

1957

Perceptrón – Frank Rosenblatt

1986

Retropropagación – Rumelhart, Hinton & Williams

1998

CNN / LeNet-5 – Yann LeCun et al.

2012

AlexNet – Krizhevsky, Sutskever, Hinton → boom de las CNNs

2014

GANs – Ian Goodfellow et al.

2015

ResNet – Kaiming He et al.

2017

Transformers – Vaswani et al.

2022

ChatGPT (GPT-3.5) – OpenAI

2023

Gemini (multimodal), Mixtral (local/open), SAM, SORA, LLaMA 3, GPT-4o…

Proyección: Hype Cycle de Gartner#

El Hype Cycle de Gartner describe las etapas típicas de adopción tecnológica:

  1. Lanzamiento: un avance potencial pone en marcha las expectativas.

  2. Pico de expectativas sobredimensionadas: historias de éxito y muchos fracasos.

  3. Abismo de desilusión: el interés se desvanece ante implementaciones fallidas.

  4. Rampa de consolidación: casos de uso reales comienzan a materializarse.

  5. Meseta de productividad: adopción generalizada y criterios de evaluación claros.

Módulo 4 — Machine y Deep Learning en la Práctica#

Métricas de evaluación#

La matriz de confusión es la base para calcular las métricas de clasificación:

Predicho: Positivo

Predicho: Negativo

Real: Positivo

Verdadero Positivo (VP / TP)

Falso Negativo (FN)

Real: Negativo

Falso Positivo (FP)

Verdadero Negativo (VN / TN)

Definiciones#

  • Accuracy: fracción de predicciones correctas sobre el total.

    Accuracy = (VP + VN) / (VP + VN + FP + FN)

  • Precision: de todos los casos que predije como positivos, ¿cuántos realmente lo eran?
    (calidad de la respuesta)

    Precision = VP / (VP + FP)

  • Recall (Tasa de Verdaderos Positivos): de todos los casos positivos reales, ¿cuántos detecté?
    (cantidad de las respuestas)

    Recall = VP / (VP + FN)

  • F1-Score: media armónica de Precision y Recall — útil cuando ambas métricas son igual de importantes.

    F1 = 2 × (Precision × Recall) / (Precision + Recall)

Ejemplo: Detección de plomo en casas#

Predicho: Tiene plomo

Predicho: No tiene plomo

Real: Tiene plomo

2 (TP)

0 (FN)

Real: No tiene plomo

1 (FP)

1 (TN)

 
Precision = 2/3  = 66.6 %
Recall    = 2/2  = 100 %
Accuracy  = 3/4  = 75 %

Ejemplo comparativo: plomo vs. COVID#

Métrica

Plomo (n=12 000)

COVID (n=4 510)

TP

500

2 000

FN

1 000

10

FP

500

500

TN

10 000

2 000

Precision

50 %

80 %

Recall

33.3 %

99.5 %

Accuracy

87.5 %

88.7 %

La accuracy puede ser engañosa con clases desbalanceadas. Siempre analiza precision y recall por separado.

Práctica de ML — Notebook 1#

Contenido:

  • Carga de la base de datos.

  • Eliminación de características por conocimiento experto.

  • Análisis exploratorio de datos (EDA).

  • División de datos en entrenamiento y testing.

  • Método K-Nearest Neighbors (KNN).

  • Métricas y métricas gráficas.

  • KNN con preprocesamiento de features.

  • Balance de clases.

Práctica de ML — Notebook 2#

Contenido:

  • Carga de la base de datos.

  • División en entrenamiento y testing.

  • Aprendizaje supervisado: Clasificación.

  • Aprendizaje supervisado: Regresión.

  • Importancia de características.

Práctica de DL#

Contenido:

  • Librerías necesarias.

  • Carga de la base de datos.

  • Red Neuronal Convolucional (CNN 2D).

  • Red Neuronal Artificial (ANN).

  • Transfer Learning.

  • Despliegue de modelos de DL.

Módulo 5 — Inteligencia Artificial Generativa#

¿Qué significa «IA Generativa»?#

La Inteligencia Artificial Generativa (IA Generativa) crea nuevo contenido —texto, imágenes, música, código— a partir de datos existentes, a diferencia de la IA discriminativa que solo clasifica o predice.

Tipos de contenido que puede generar:

  • Texto

  • Imágenes

  • Música y audio

  • Video

  • Código

Modelos en tiempo real — Omni#

Demo interactiva: AI Studio de Google

Arquitecturas para IA Generativa#

GANs — Redes Generativas Adversariales#

Dos redes compiten:

  • Generador: crea muestras falsas.

  • Discriminador: intenta distinguir lo real de lo falso.

Transformers pre-entrenados#

Base de los LLMs modernos (GPT, BERT, Claude, Gemini…).

Visualizador interactivo: Transformer Explainer

Autoencoders#

Aprenden representaciones comprimidas para luego reconstruir o generar variaciones.

IA para crear imágenes#

Herramientas destacadas:

Herramienta

Descripción

Midjourney

Generación artística de alta calidad por prompts.

DALL-E

Modelo de OpenAI integrado en ChatGPT.

Gemini

Modelo multimodal de Google.

Leonardo.ai

Plataforma enfocada en contenido visual para creativos.

IA para audio y video#

Herramienta

Tipo

ElevenLabs

Síntesis y clonación de voz.

SORA

Generación de video por texto (OpenAI).

Veo 3

Generación de video (Google DeepMind).

Inteligencia Artificial General (AGI)#

«Creemos que nuestra investigación eventualmente conducirá a la inteligencia artificial general, un sistema que puede resolver problemas a nivel humano. Construir AGI segura y beneficiosa es nuestra misión.»

Modelos de lenguaje relevantes (2025–2026)#

Modelo

Organización

Características

GPT-5.3-codex

OpenAI

Razonamiento y generación cercana a nivel experto humano.

Claude 4 (Opus / Sonnet / Haiku)

Anthropic

Destacado en tareas de codificación.

Gemini 3.0 Pro / Flash

Google

Multimodal, mejoras significativas de rendimiento.

LLaMA 4

Meta

Código abierto, hasta 405 B de parámetros.

gpt-oss (120B / 20B)

OpenAI

Modelos de código abierto lanzados en agosto 2025.

DeepSeek-Coder V2

DeepSeek

Especializado en programación, código abierto.

Grok 4 / Grok 4 Fast

xAI

Acceso a información en tiempo real.

o3-mini

OpenAI

Enfocado en razonamiento profundo y lógico.

Módulo 6 — Modelos Grandes del Lenguaje (LLMs)#

¿Qué es un LLM?#

Un Large Language Model (LLM) es un modelo de IA entrenado sobre enormes cantidades de texto con el objetivo de predecir el siguiente token en una secuencia.

Los LLMs son el «autocompletar» del celular… pero a escala#

La diferencia está en la escala: miles de millones de parámetros, entrenados sobre prácticamente todo el texto de internet.

¿Cómo funcionan los LLMs?#

El proceso simplificado:

  1. Tokenización: el texto se descompone en tokens (palabras, subpalabras).

  2. Embeddings: cada token se convierte en un vector numérico.

  3. Atención (Attention): el modelo pondera las relaciones entre todos los tokens del contexto.

  4. Decodificación: se genera el token siguiente con mayor probabilidad.

  5. El proceso se repite hasta completar la respuesta.

Benchmarks y razonamiento#

Los modelos modernos incorporan cómputo en tiempo de inferencia (test-time compute) para mejorar el razonamiento:

  • El modelo «piensa» más antes de responder.

  • Permite resolver problemas que requieren múltiples pasos lógicos.

MoE: Mixture of Experts#

La arquitectura Mixture of Experts permite escalar modelos de forma eficiente:

  • El modelo contiene múltiples sub-redes («expertos»).

  • Un router decide qué expertos activar para cada token.

  • Solo se activa una fracción del total de parámetros por inferencia → menor costo computacional.

Módulo 7 — Herramientas de IA Generativa#

Pro-tips al usar LLMs en proveedores#

Las plataformas de LLMs (ChatGPT, Claude, Gemini, etc.) ofrecen funcionalidades más allá del chat:

  • 🖼️ Crear imágenes: generación visual integrada.

  • 🎙️ Generación de audio en tiempo real: voz sintética y conversación oral.

  • 💻 Ejecución de código: intérpretes Python integrados (Code Interpreter).

  • 📚 Carga de «bases de conocimiento»: subir documentos propios como contexto.

  • 🌐 Búsqueda en internet: acceso a información actualizada.

  • 🔒 Privacidad de la información: revisar siempre las políticas de datos antes de subir información sensible.

IA en manos de todos#

El acceso a modelos de lenguaje potentes se ha democratizado. Hoy cualquier persona puede usar IA de forma gratuita o con bajo costo desde un navegador o una app.

Deep Research: IA para investigación profunda#

La función Deep Research permite a los modelos realizar búsquedas multi-paso, sintetizar fuentes y elaborar informes extendidos de forma autónoma.

Plataformas con esta funcionalidad:

Plataforma

Notas

ChatGPT

Disponible en versión Pro.

Gemini

Integrado con búsqueda de Google.

Perplexity

Especializado en búsqueda con fuentes.

Grok

Acceso a Twitter/X en tiempo real.

Ejemplo de prompt para Deep Research#

Prompt: Dame los avances de los últimos 6 meses en IA generativa

Herramientas para investigación académica#

Herramienta

Uso principal

Elicit

Búsqueda y síntesis de papers científicos con IA.

Consensus

Respuestas basadas en evidencia académica.

Herramientas para productividad y creación#

Herramienta

Uso principal

Napkin

Convierte texto en diagramas y visualizaciones.

NotebookLM

Analiza documentos propios y genera podcasts/resúmenes.

Lovable

Crea aplicaciones web desde una descripción en lenguaje natural.

LMArena (LMSYS)

Compara modelos de lenguaje de forma anónima (chatbot arena).

Módulo 8 — Contextualización de Modelos#

¿Cómo evito que un LLM alucine y sepa de mi negocio?#

Los LLMs generales no conocen información privada ni actualizada de tu organización. Existen tres estrategias para solucionarlo:

                ┌─────────────┐
                │  Prompting  │
                └──────┬──────┘
                       │ (sin datos nuevos)
          ┌────────────┼────────────┐
          ▼                         ▼
    ┌───────────┐           ┌──────────────┐
    │    RAG    │           │ Fine-Tuning  │
    └───────────┘           └──────────────┘
  (recupera contexto         (adapta los pesos
   en tiempo real)            del modelo)

Técnica

Cuándo usarla

Prompting

Información breve que cabe en el contexto.

RAG

Documentos extensos o bases de conocimiento dinámicas.

Fine-Tuning

Estilo, formato o dominio muy específico que no cambia frecuentemente.

Módulo 9 — Técnicas de Prompting#

¿Cómo sacarle provecho a los modelos de lenguaje?#

Un buen prompt no es solo una pregunta — es una instrucción estructurada que guía al modelo hacia la respuesta que necesitas.

Anatomía de un buen prompt#

Componentes: Rol · Objetivo · Audiencia · Contexto · Límites · Salida (opcional)

Ejemplo: «Explícame la PGU»#

❌ Prompt vago

Explícame la PGU

✅ Prompt estructurado

Rol: Actúa como un experto en comunicación del IPS en Chile,
     especializado en lenguaje ciudadano.

Objetivo: Redacta el borrador de un correo electrónico para
          explicar de forma sencilla por qué se rechazó una
          solicitud de PGU.

Audiencia: Un adulto mayor de 70 años que no está familiarizado
           con términos técnicos.

Contexto: El motivo del rechazo es que el postulante no pertenece
          al 90% más vulnerable de la población de 65 años o más,
          según el Registro Social de Hogares.

Límites: Máximo 150 palabras, tono empático y no técnico.
         Terminar sugiriendo que puede actualizar su RSH si su
         situación ha cambiado.

Anatomía de un prompt para modelos razonadores#

Los modelos razonadores (o1, o3, DeepSeek-R1) responden mejor cuando el prompt:

  • Define el problema con precisión.

  • Lista restricciones y criterios de éxito.

  • Evita sobre-guiar el razonamiento intermedio (el modelo lo construye solo).

Técnica 1: Zero-Shot Prompting#

La técnica más común: pedir a la IA que realice una tarea sin ejemplos previos.

Útil para tareas directas: resumir, traducir, redactar.

❌ Sin estructura

Resume el último cambio a la ley del Subsidio Único Familiar.

✅ Zero-shot bien estructurado

Actúa como un analista legal del IPS en Chile. Resume en 3 puntos
clave (usando viñetas) los cambios más recientes a la Ley 18.020
sobre el Subsidio Familiar. El resumen es para una circular interna
dirigida a los jefes de sucursal.

Técnica 2: One-Shot Prompting#

Proporcionar un único ejemplo para que el modelo entienda el patrón esperado.

Ideal para clasificación simple o formatos difíciles de describir solo con palabras.

Tu tarea es clasificar correos de ciudadanos en una de las
siguientes categorías: 'Consulta de Beneficios', 'Problema de Pago',
'Actualización de Datos'.

Ejemplo:
Correo: 'Quería saber si me corresponde el Bono de Invierno.'
→ Categoría: 'Consulta de Beneficios'.

Ahora, clasifica este:
Correo: 'Hola, mi nombre es Juan Soto y no he recibido el pago del
Aporte Familiar Permanente de este año.'
→ Categoría:

Técnica 3: Few-Shot Prompting#

Proporcionar varios ejemplos para patrones más complejos o con matices sutiles.

Útil para extracción de datos de texto no estructurado o lógica de clasificación compleja.

Extrae el RUT y el Beneficio consultado, con el formato:
'RUT: [número], Beneficio: [nombre]'.

Ejemplo 1:
Texto: 'Hola, soy Ana del 15.111.222-3, quería saber del Aporte
Familiar.'
→ RUT: 15.111.222-3, Beneficio: Aporte Familiar Permanente.

Ejemplo 2:
Texto: 'Llamo por mi abuela, RUT 5.888.999-K, para ver si le toca el
Bono de Invierno.'
→ RUT: 5.888.999-K, Beneficio: Bono de Invierno.

Ejemplo 3:
Texto: 'Mi consulta es por el Subsidio de Cesantía, mi cédula es
18.777.666-1.'
→ RUT: 18.777.666-1, Beneficio: Subsidio de Cesantía.

Ahora extrae los datos de:
Texto: 'Buenas tardes, mi RUT es 12.345.678-9 y mi consulta es sobre
la PGU de mi madre.'
→

Técnica 4: Salidas en formato específico#

Instruir al modelo sobre cómo estructurar su respuesta.

Formatos comunes: tabla, lista, JSON, viñetas, HTML, Markdown.

Actúa como un analista de políticas públicas del IPS.
Crea una tabla en formato Markdown que compare los requisitos
principales de la PGU y el Aporte Familiar Permanente.

Columnas:
- Beneficio
- Requisito de Edad
- Requisito de Focalización (RSH)
- Forma de Pago

Asegúrate de que la información esté actualizada a la normativa
vigente en Chile.

Técnica 5: Chain-of-Thought (CoT) — Cadenas de Pensamiento#

Instruir al modelo para que desglose el razonamiento paso a paso antes de concluir.

Precursor de los modelos razonadores. Mejora drásticamente la precisión en problemas complejos.

Actúa como un experto previsional del IPS. Analiza paso a paso si a
la siguiente usuaria le corresponde el Bono por Hijo. Evalúa cada
requisito principal y al final concluye si es elegible o no.

Datos:
- Edad: 66 años
- Nacionalidad: Chilena, con residencia en Chile
- Hijos: 2, ambos nacidos vivos
- Situación previsional: Pensionada a los 65 años, afiliada a AFP

Frases clave para activar CoT#

Frase

Efecto

"Piensa paso a paso..."

Razonamiento secuencial.

"Desglosa tu razonamiento..."

Transparencia del proceso.

"Analiza evaluando primero [A], luego [B], finalmente [C]."

Razonamiento estructurado.

"Antes de la respuesta final, explica la lógica."

Justificación explícita.

"Genera un plan detallado en orden cronológico..."

Planificación paso a paso.

Notebooks de práctica#

  • Ejemplos con OpenAI API

  • Ejemplos con Gemini API

Módulo 10 — Retrieval Augmented Generation (RAG)#

¿Qué es RAG?#

RAG combina la capacidad generativa de un LLM con la recuperación de información relevante desde una base de conocimiento externa, reduciendo alucinaciones y permitiendo responder con datos actualizados o privados.

Flujo general de RAG#

Usuario hace una pregunta
         │
         ▼
   [RETRIEVAL]
   Buscar documentos relevantes
   en la base de conocimiento
         │
         ▼
   [AUGMENTATION]
   Añadir los documentos al
   contexto del prompt
         │
         ▼
   [GENERATION]
   El LLM genera una respuesta
   fundamentada en los documentos
         │
         ▼
   Respuesta al usuario

Fase 1: Indexación#

Pasos:

  1. Carga de documentos: PDF, Word, páginas web, bases de datos…

  2. División en fragmentos (chunking): segmentar en trozos de tamaño manejable.

  3. Generación de embeddings: convertir cada fragmento en un vector numérico.

  4. Almacenamiento en vector store: guardar los vectores en una base de datos vectorial (FAISS, Chroma, Pinecone, etc.).

Fase 2: Retrieval (Recuperación)#

Cuando el usuario hace una pregunta:

  1. La pregunta se convierte en un embedding.

  2. Se buscan los fragmentos más similares semánticamente en el vector store.

  3. Se recuperan los top-k fragmentos más relevantes.

Fase 3: Augmentation & Generation#

Los fragmentos recuperados se inyectan en el prompt como contexto adicional:

[SYSTEM]
Eres un asistente experto. Usa únicamente la siguiente información
para responder.

[CONTEXTO RECUPERADO]
... fragmentos del vector store ...

[PREGUNTA DEL USUARIO]
...

El LLM genera su respuesta basándose en el contexto provisto, no solo en su entrenamiento.

Variaciones de RAG#

Variante

Características

Naive RAG

Flujo básico: chunk → embed → retrieve → generate.

Advanced RAG

Reranking, query expansion, recuperación híbrida.

Modular RAG

Componentes intercambiables, agentes de recuperación.

Self-RAG

El modelo decide cuándo recuperar y evalúa la relevancia.

Graph RAG

Recuperación sobre grafos de conocimiento.

Notebook de práctica con ejemplos de variaciones de RAG disponible en el repositorio del curso.

Módulo 11 — Fine-Tuning para Ajuste de Modelos#

Tamaño de los modelos de lenguaje#

Los LLMs varían enormemente en tamaño:

  • Modelos pequeños: ~1–7 B parámetros (ejecutables en CPU o GPU de consumo).

  • Modelos medianos: ~13–70 B parámetros (requieren GPU de gama alta).

  • Modelos grandes: ~405 B+ parámetros (requieren clústeres de GPUs).

Referencia de hardware: llamaimodel.com/requirements

Precisión de los parámetros#

Los parámetros de un modelo se almacenan con distinta precisión numérica:

Precisión

Bits por parámetro

Memoria para 7B params

FP32

32 bits

~28 GB

FP16 / BF16

16 bits

~14 GB

INT8

8 bits

~7 GB

INT4

4 bits

~3.5 GB

Quantization — Cuantización de modelos#

La cuantización reduce la precisión de los parámetros para disminuir el uso de memoria y aumentar la velocidad de inferencia, con una pérdida de calidad aceptable.

  • Permite ejecutar modelos grandes en hardware de consumo.

  • Es la base de formatos como GGUF (llama.cpp) y GPTQ.

¿Qué necesitamos para hacer Fine-Tuning?#

Componentes necesarios:

  1. Modelo base pre-entrenado: el punto de partida (LLaMA, Mistral, Gemma…).

  2. Dataset de ajuste: pares (instrucción → respuesta) específicos del dominio.

  3. Cómputo: GPU con suficiente VRAM (o servicios en la nube).

  4. Framework: Hugging Face Transformers, Unsloth, Axolotl, LLaMA-Factory…

LoRA: Low-Rank Adaptation#

LoRA adapta el modelo sin modificar sus pesos originales:

  • Se añaden matrices de bajo rango (A, B) a las capas de atención.

  • Solo se entrenan esas matrices adicionales (~1–2% de los parámetros totales).

  • El modelo base se congela → mucho menos cómputo y memoria.

Visualizador de arquitectura Transformer: Transformer Explainer

QLoRA: Quantized LoRA#

QLoRA combina cuantización + LoRA:

  1. El modelo base se carga en 4 bits (usando NF4).

  2. Los adaptadores LoRA se entrenan en 16 bits.

  3. Resultado: fine-tuning de modelos de 70B+ en una sola GPU de 24 GB.

Pasos para hacer Fine-Tuning#

1. Seleccionar modelo base
2. Preparar y formatear el dataset
3. Configurar LoRA / QLoRA
4. Entrenamiento
5. Evaluación en conjunto de validación
6. Fusión de pesos (merge) o uso con adaptadores
7. Despliegue

¿Cómo evaluamos que el modelo está bien?#

Métricas de evaluación para modelos ajustados:

Métrica

Uso

Perplexity

Mide qué tan bien predice el modelo el texto de validación.

ROUGE / BLEU

Comparación con respuestas de referencia (resumen, traducción).

Evaluación humana

Juicio cualitativo sobre coherencia, precisión, tono.

LLM-as-judge

Usar otro LLM para puntuar las respuestas generadas.

Fine-Tuning vs. RAG: ¿cuándo usar cada uno?#

Criterio

RAG

Fine-Tuning

Conocimiento actualizable

✅ Fácil

❌ Requiere re-entrenamiento

Información privada / extensa

✅

✅

Adaptar estilo o formato

❌

✅

Costo computacional

Bajo (inferencia)

Alto (entrenamiento)

Citas y trazabilidad

✅ Fuentes recuperables

❌

Latencia en producción

Mayor (búsqueda + LLM)

Menor

En muchos casos, RAG + Fine-Tuning se combinan para obtener lo mejor de ambos enfoques.

Módulo 12 — Agentes de IA y Automatización Low-Code#

Prompt vs. Workflow vs. Agente#

Nivel

Descripción

Ejemplo

Prompt

Una sola instrucción al LLM, respuesta directa.

«Resume este documento.»

Workflow

Secuencia predefinida de pasos con LLMs y herramientas.

Cadena: resumir → traducir → enviar por email.

Agente

El LLM decide qué acciones tomar de forma autónoma, en bucle.

Investigar un tema, navegar webs, redactar un informe.

La IA generativa entrega valor real cuando se combina con buenos datos y casos de negocio claros.

Agentes de IA#

Un agente de IA es un sistema donde el LLM actúa como el «cerebro» que:

  1. Percibe el entorno (contexto, herramientas disponibles).

  2. Planifica una secuencia de acciones para alcanzar el objetivo.

  3. Actúa ejecutando herramientas (búsqueda web, código, APIs…).

  4. Observa el resultado y ajusta el plan.

Frameworks para construir agentes#

CrewAI — Agentes colaborativos#

CrewAI permite definir equipos de agentes con roles especializados:

  • Cada agente tiene un rol, un objetivo y herramientas asignadas.

  • Los agentes se coordinan para completar tareas complejas.

Human in the Loop#

No todos los agentes deben actuar de forma completamente autónoma. El patrón Human in the Loop inserta puntos de aprobación humana:

  • Antes de acciones irreversibles (enviar email, borrar datos…).

  • Cuando la confianza del modelo es baja.

  • En decisiones que requieren juicio ético o de negocio.

MCP: Model Context Protocol#

El Model Context Protocol (MCP) es un estándar abierto (Anthropic, 2024) que define cómo los LLMs se conectan a herramientas y fuentes de datos externas de forma uniforme.

¿Cómo funciona?#

┌──────────────┐      MCP       ┌─────────────────────┐
│  LLM / Host  │ ←────────────→ │  Servidor MCP        │
│  (Claude,    │                │  (acceso a archivos, │
│   GPT, etc.) │                │   APIs, BD, código…) │
└──────────────┘                └─────────────────────┘

Beneficios#

  • Un solo protocolo para conectar cualquier LLM con cualquier herramienta.

  • Servidores MCP reutilizables entre distintos clientes.

  • Ecosistema creciente de servidores MCP (GitHub, Notion, bases de datos…).

Vibe Coding: prototipado y desarrollo de apps#

Vibe coding es el flujo de trabajo donde describes en lenguaje natural lo que quieres y un agente de IA genera la aplicación completa.

Herramienta destacada: Lovable — genera aplicaciones web funcionales desde una descripción.

Casos de uso:

  • MVPs y prototipos rápidos.

  • Automatización de procesos internos sin equipo de desarrollo.

  • Dashboards y formularios a medida.

Agentes de código en tu PC#

Los agentes de código permiten orquestar procesos completos directamente desde el entorno de desarrollo:

  • Leer, escribir y ejecutar archivos.

  • Correr tests y corregir errores en bucle.

  • Interactuar con APIs y servicios locales.

Herramientas destacadas: Claude Code, Cursor Agent, GitHub Copilot Workspace.

Contenido