Curso Online en Grandes Modelos de Lenguaje (LLMs) Comprensión, Uso y Aplicación Práctica

1.    Fundamentos de la inteligencia artificial y el procesamiento del lenguaje natural como base de los grandes modelos de lenguaje

1.1.  Evolución histórica de la inteligencia artificial: del razonamiento simbólico a los modelos generativos

1.2.  Conceptos fundamentales del procesamiento del lenguaje natural (NLP)

1.3.  Del aprendizaje automático al aprendizaje profundo en tareas de lenguaje

1.4.  Hitos clave en la aparición y consolidación de los grandes modelos de lenguaje

1.5.  Terminología esencial y glosario técnico del ecosistema de modelos de lenguaje

2.    Arquitectura Transformer: el motor fundamental de los grandes modelos de lenguaje

2.1.  Origen y principios generales del modelo Transformer

2.2.  El mecanismo de autoatención (self-attention) y la atención multicabezal

2.3.  Estructura del codificador (encoder) y del decodificador (decoder)

2.4.  Codificación posicional y representación del orden secuencial de los tokens

2.5.  Proceso de preentrenamiento de modelos a gran escala

2.6.  Leyes de escalado, comportamientos emergentes y límites del aumento de parámetros

3.    Panorama actual de los grandes modelos de lenguaje: principales familias, plataformas y criterios de selección

3.1.  Modelos propietarios de referencia en el mercado

3.2.  Modelos de código abierto y su impacto transformador en el ecosistema

3.3.  Criterios de comparación y selección de modelos según el caso de uso profesional

3.4.  Plataformas y puntos de acceso centralizados a modelos de lenguaje

3.5.  Modelos de lenguaje multimodales: integración de texto, imagen, audio y vídeo

4.    Ingeniería de prompts: técnicas y estrategias para la interacción efectiva con LLMs

4.1.  Fundamentos de la ingeniería de prompts y su importancia estratégica en el uso de LLMs

4.2.  Anatomía de un prompt efectivo: componentes y principios de diseño

4.3.  Técnicas básicas de prompting para tareas comunes

4.4.  Técnicas avanzadas de razonamiento guiado mediante prompts

4.5.  Parámetros de generación y su influencia directa en las respuestas del modelo

4.6.  Patrones reutilizables de diseño de prompts para tareas profesionales recurrentes

4.7.  Errores frecuentes en la formulación de prompts y estrategias de depuración sistemática

4.8.  Evaluación, iteración y optimización continua de la calidad de los prompts

5.    Acceso programático a LLMs: APIs, frameworks y herramientas de desarrollo

5.1.  Fundamentos del acceso a modelos de lenguaje mediante interfaces de programación (APIs REST)

5.2.  API de OpenAI: configuración, autenticación y uso práctico en proyectos

5.3.  APIs de otros proveedores relevantes: Anthropic, Google Generative AI y modelos abiertos

5.4.  Frameworks de desarrollo para la construcción de aplicaciones basadas en LLMs

5.5.  Ejecución local de modelos de lenguaje de código abierto

5.6.  Buenas prácticas de desarrollo: gestión de errores, reintentos, logging y control de versiones

6.    Generación aumentada por recuperación (RAG): integración de conocimiento externo en los LLMs

6.1.  Concepto, motivación y principios fundamentales del paradigma RAG

6.2.  Embeddings y representaciones vectoriales para la búsqueda semántica

6.3.  Bases de datos vectoriales: tecnologías disponibles y criterios de selección

6.4.  Diseño del pipeline RAG completo: ingestión, indexación, recuperación y generación

6.5.  Técnicas avanzadas de RAG para mejorar la precisión y cobertura

6.6.  Evaluación sistemática de la calidad de sistemas RAG: métricas y frameworks especializados

6.7.  Casos prácticos de implementación de sistemas RAG en entornos profesionales reales

7.    Ajuste fino (fine-tuning) y personalización de modelos de lenguaje para necesidades específicas

7.1.  Conceptos fundamentales del ajuste fino de modelos preentrenados

7.2.  Preparación y curación de conjuntos de datos para el proceso de ajuste fino

7.3.  Técnicas de ajuste fino eficiente en parámetros (PEFT)

7.4.  Alineación de modelos mediante retroalimentación humana

7.5.  Herramientas y plataformas para ejecutar procesos de fine-tuning

7.6.  Evaluación rigurosa de modelos ajustados: métricas de calidad y validación cruzada

7.7.  Consideraciones prácticas: coste computacional, almacenamiento, versionado y reproducibilidad

8.    Agentes autónomos y sistemas multi-agente basados en grandes modelos de lenguaje

8.1.  Concepto de agente inteligente autónomo en el contexto de los modelos de lenguaje

8.2.  Arquitectura de agentes basados en LLMs: planificación, memoria y capacidad de acción

8.3.  Frameworks y herramientas para la construcción práctica de agentes

8.4.  Sistemas multi-agente: colaboración, coordinación y distribución de tareas

8.5.  Casos de uso prácticos de agentes autónomos en entornos profesionales y empresariales

8.6.  Limitaciones actuales, riesgos de seguridad y estrategias de supervisión y control de agentes

9.    Aplicaciones prácticas de los LLMs en el ámbito profesional y empresarial

9.1.  Generación y redacción automatizada de contenidos profesionales con LLMs

9.2.  Asistentes conversacionales y chatbots empresariales inteligentes basados en LLMs

9.3.  Análisis, extracción y síntesis automatizada de información contenida en documentos

9.4.  Aplicaciones en programación y desarrollo de software asistido por LLMs

9.5.  Aplicaciones sectoriales especializadas de los grandes modelos de lenguaje

9.6.  Automatización de procesos empresariales mediante la integración estratégica de LLMs

9.7.  Metodología para la identificación, evaluación y priorización de casos de uso en organizaciones

10.    Ética, sesgos y uso responsable de los grandes modelos de lenguaje

10.1.  Sesgos en los grandes modelos de lenguaje: origen, tipología y manifestaciones prácticas

10.2.  Alucinaciones y generación de información falsa, inventada o no verificable

10.3.  Privacidad, protección de datos personales y cumplimiento normativo

10.4.  Propiedad intelectual y derechos de autor sobre contenidos generados por modelos de IA

10.5.  Principios de transparencia, explicabilidad y rendición de cuentas en sistemas basados en LLMs

10.6.  Marcos éticos institucionales y guías de uso responsable de IA para organizaciones

11.    Evaluación, optimización y despliegue en producción de soluciones basadas en LLMs

11.1.  Métricas y metodologías de evaluación del rendimiento de modelos de lenguaje

11.2.  Técnicas de optimización de modelos para la inferencia eficiente en producción

11.3.  Arquitecturas de despliegue en entornos cloud, on-premise e híbridos

11.4.  Monitorización, observabilidad y mantenimiento continuo de aplicaciones basadas en LLMs

11.5.  Gestión estratégica de costes y optimización económica del uso de modelos de lenguaje

11.6.  Ciclo de vida completo de un proyecto basado en LLMs: de la prueba de concepto a la producción

12.    Tendencias emergentes y perspectivas de futuro de los grandes modelos de lenguaje

12.1.  Evolución hacia modelos multimodales avanzados de propósito general

12.2.  Modelos de razonamiento avanzado: capacidades matemáticas, lógicas y de planificación

12.3.  Modelos pequeños y eficientes (SLMs): democratización y despliegue en el edge

12.4.  Avances en personalización, adaptación continua y aprendizaje en contexto de los modelos

12.5.  Nuevos paradigmas de interacción y colaboración entre humanos e inteligencia artificial

12.6.  Retos abiertos del campo: escalabilidad, sostenibilidad energética y gobernanza global de la IA

12.7.  Prospectiva profesional: escenarios futuros, nuevos perfiles y oportunidades de carrera en el ecosistema LLM