Lleva sistemas con LLMs del notebook a producción
Rutas de ingeniería en Python escritas para leerse despacio y ejecutarse en tu máquina. Sin relleno ni recetas mágicas: construyes arquitecturas reales, las mides con evaluaciones reproducibles, optimizas su recuperación, despliegas agentes con control de estado y obtienes un certificado verificable por cada curso.
Cómo está hecho cada módulo
No son notas sueltas ni diapositivas. Cada módulo tiene cuatro piezas que se leen y ejecutan en orden.
El criterio de ingeniería
Qué problema resuelve cada técnica, diagramas de arquitectura, cuánto cuesta en latencia y dólares, y cuándo conviene evitarla.
Laboratorios ejecutables en .zip
Lees el código completo en la web y descargas el paquete .zip del curso para correrlo en tu máquina, sin bloqueo de notebooks en la nube.
Retos con solución comentada
Problemas que te obligan a modificar el sistema, medir el impacto con métricas reales y comparar alternativas.
Progreso y certificación
Preguntas de diagnóstico técnico para validar criterio. Al completar un curso, desbloqueas su certificado verificable.
Catálogo de especialización: de fundamentos a agentes en producción
Puedes tomar cada curso por separado o seguir la ruta progresiva completa sobre sistemas reales en Python.
Etapa 1 · Construir el sistema · 9 módulosFundamentos de AI Engineering
De un demo a software de verdad. Construyes un buscador de hojas de vida de principio a fin: extracción validada con esquemas, embeddings, RAG híbrido, agentes con herramientas, observabilidad y guardrails.
- Datos estructurados con LLMs
- Embeddings y búsqueda semántica
- Chunking, metadata e introducción a RAG
- BM25, búsqueda híbrida y Reciprocal Rank Fusion
- Workflows y agentes
- LangGraph
- Observabilidad
- Memoria y guardrails
- Proyecto integrador
Evals para AI Engineers
¿Cómo sabes, con evidencia, si un cambio mejoró o empeoró tu sistema? Análisis de errores, etiquetado, datos sintéticos, LLM como juez calibrado y evals en CI.
- Qué vamos a evaluar
- El primer eval en una tarde
- Error analysis sobre un pipeline de extracción
- Datos sintéticos para arrancar sin usuarios
- Las personas que etiquetan, y cómo se ponen de acuerdo
- LLM como juez, y cómo saber si el juez acierta
- ¿Falló el retrieval o falló la respuesta?
- Evaluar agentes con herramientas
- Evals de conversaciones de varios turnos
- Del notebook al CI
- Evals y guardrails en producción
- Mejorar el sistema con lo que dicen los evals
- Proyecto final · Evaluar desde cero un sistema que no construiste
AI search: medir y mejorar
¿Qué está fallando en tu RAG y qué cambio lo arregla? Cada módulo mide primero (Recall@k, MRR, NDCG), prueba una técnica y verifica si los números se mueven.
- Qué vamos a mejorar, y con qué datos
- Antes de modificar algo, hay que medir
- Query understanding y routing: qué busca de verdad el usuario
- El parsing le pone techo a todo el RAG
- Un retrieval que traiga el documento correcto
- Context engineering y long context
- Cuándo un grafo o SQL le ganan a los vectores
- Lo que enseñan los clics, y learning to rank
- Seguridad y permisos en un índice que cambia todos los días
- Que no se caiga y que no salga carísimo
- Proyecto final · Un sistema medido antes y después
Etapa 4 · Orquestar agentes en producción · 9 módulosAgentes en producción: herramientas, estado y control
¿Cómo construyes un agente que opera sobre sistemas reales sin salirse de presupuesto ni corromper datos? Contratos poka-yoke, máquinas de estado, checkpoints, MCP, subagentes, aprobación humana y evaluación pass^k.
- Cuándo usar (y cuándo no usar) un agente
- Diseño de herramientas y contratos poka-yoke
- Máquinas de estados, checkpoints e idempotencia
- Presupuesto de contexto, poda y memoria
- Protocolo MCP y servidores de herramientas
- Subagentes, delegación y ejecución paralela
- Aprobación humana y defensa contra inyección indirecta
- Evaluar agentes: trayectorias, pass@k y pass^k
- Proyecto final: agente de preselección en producción
Resumen rápido del currículo
Comparativa directa para elegir por dónde empezar según lo que estás construyendo hoy.
| Curso | Etapa | Módulos | Qué dominas en la práctica | Acceso gratuito |
|---|---|---|---|---|
| Fundamentos de AI Engineering | Etapa 1 · Construir el sistema | 9 | De un demo a software de verdad. Construyes un buscador de hojas de vida de principio a fin: extracción validada con esquemas, embeddings, RAG híbrido, agentes con herramientas, observabilidad y guardrails. | Módulo inicial · Muestra .zip |
| Evals para AI Engineers | Etapa 2 · Medir con rigor | 13 | ¿Cómo sabes, con evidencia, si un cambio mejoró o empeoró tu sistema? Análisis de errores, etiquetado, datos sintéticos, LLM como juez calibrado y evals en CI. | Módulo inicial · Muestra .zip |
| AI search: medir y mejorar | Etapa 3 · Optimizar la recuperación | 11 | ¿Qué está fallando en tu RAG y qué cambio lo arregla? Cada módulo mide primero (Recall@k, MRR, NDCG), prueba una técnica y verifica si los números se mueven. | Módulo inicial · Muestra .zip |
| Agentes en producción: herramientas, estado y control | Etapa 4 · Orquestar agentes en producción | 9 | ¿Cómo construyes un agente que opera sobre sistemas reales sin salirse de presupuesto ni corromper datos? Contratos poka-yoke, máquinas de estado, checkpoints, MCP, subagentes, aprobación humana y evaluación pass^k. | Módulo inicial · Muestra .zip |
Certificado verificable al finalizar cada curso
Cuando completas el 100 % de las lecciones y autoevaluaciones de un curso, tu cuenta genera un certificado con código único, URL pública de verificación para reclutadores o empresas, botón para añadir a LinkedIn y descarga en PDF en alta definición.
IAP-AGENTES-PROD2026Escrito como documentación de producción, no como diapositivas
Cada módulo separa fundamentos, código ejecutable, ejercicios con solución y autoevaluación de criterio. Los paquetes descargables incluyen datos sintéticos y modos deterministas locales para verificar flujos, pruebas automatizadas (`pytest`) y contratos antes de gastar presupuesto en llamadas reales a modelos.
Planes
Precios de referencia en dólares. El cobro se realiza en moneda local al cambio del día con el total exacto visible antes de pagar. Ningún plan se renueva solo.
Mensual
- Acceso completo a los 4 cursos (42 módulos)
- Código descargable (.zip), infografías y certificados verificables
- Renuevas solo si quieres continuar
Anual
- Todo el catálogo actual (4 cursos, 42 módulos)
- Acceso automático a nuevos cursos y actualizaciones durante el año
- Código descargable (.zip), infografías y certificados verificables
Un curso
- El curso que elijas, sin fecha de vencimiento
- Su paquete .zip descargable y certificado verificable
- Actualizaciones de ese curso incluidas
Preguntas frecuentes
¿Qué necesito saber antes de empezar?
Python a nivel intermedio y haber usado alguna API REST. No hace falta experiencia previa con modelos de lenguaje ni con machine learning.
¿En qué orden conviene hacer los 4 cursos?
Si empiezas desde cero con LLMs en producción, te conviene seguir la secuencia recomendada del catálogo: 1) Fundamentos de AI Engineering, 2) Evals para AI Engineers, 3) AI search: medir y mejorar, 4) Agentes en producción: herramientas, estado y control. Si ya tienes un sistema RAG o agente operando, puedes entrar directo al curso del área que necesitas reforzar.
¿Puedo entrar con Google o con correo y contraseña?
Sí. Puedes iniciar sesión con 1 clic usando tu cuenta de Google o crear una cuenta directa con correo y contraseña y recuperación por email.
¿Cómo funcionan los laboratorios y las descargas .zip?
Cada módulo incluye scripts completos en Python listos para leer en la web y descargar en un paquete .zip por curso (con sus dependencias y archivo LEEME.txt). Puedes descargar una muestra gratis del primer módulo de cada curso sin comprar.
¿Necesito pagar una API de un proveedor de modelos?
El código con llamadas a LLMs usa OpenAI (OPENAI_API_KEY) o cualquier API compatible mediante OPENAI_BASE_URL. Además, el curso de Agentes en producción incluye un modelo simulado determinista y varios módulos de Fundamentos corren en local con costo cero de tokens.
¿Cómo funciona el certificado?
Al aprobar todas las autoevaluaciones y completar las lecciones de un curso, tu cuenta habilita un certificado verificable con código único, enlace público y descarga en PDF lista para LinkedIn.
¿Los planes se renuevan automáticamente o tienen reembolso?
Ningún plan se renueva solo: el mensual (30 días) y el anual (365 días) son pagos únicos por periodo. También puedes solicitar reembolso dentro de los plazos publicados en Términos y reembolsos.