Guía de conceptos

Guías de conceptos para certificaciones

Conceptos de examen explicados con visuales en 3D y ejemplos, centrados en lo que de verdad separa la respuesta correcta de las incorrectas.

• Técnicas de ingeniería de promptsCómo zero-shot, few-shot, la cadena de pensamiento, los prompts negativos y las plantillas cambian la salida del modelo, y los ataques que apuntan a los prompts.
• Generación aumentada por recuperación (RAG)Cómo hacer que un modelo responda con documentos que nunca ha visto: fragmentación, embeddings, búsqueda vectorial, fundamentación, mantenimiento de la base de conocimiento, evaluación y cuándo elegir RAG en lugar del ajuste fino.
• Cómo funcionan los modelos de lenguaje grandes (LLM)Cómo produce texto un LLM, paso a paso: predicción del siguiente token, tokens, embeddings, transformers y atención, entrenamiento, temperatura y top-p, y la ventana de contexto.
• Ajuste fino (fine-tuning)Seguir entrenando un modelo ya preentrenado con tus propios datos: cómo preparar los datos, épocas, tasa de aprendizaje y sobreajuste, PEFT y LoRA, preentrenamiento continuo, ajuste por instrucciones, ajuste por preferencias, destilación, olvido catastrófico y cuándo conviene elegir el ajuste fino.
• Métricas de evaluación de modelos de IACómo saber si un modelo es lo bastante bueno: la trampa de la exactitud, la matriz de confusión, precisión, exhaustividad (recall) y F1, la curva ROC y el AUC, MAE y RMSE, BLEU, ROUGE y similitud semántica, el LLM como juez con fidelidad y relevancia, y las pruebas A/B con métricas de negocio.
• Fundamentos del aprendizaje automáticoCómo se relacionan la IA, el aprendizaje automático y el aprendizaje profundo, características y etiquetas, conjuntos de entrenamiento, validación y prueba, aprendizaje supervisado, no supervisado y por refuerzo, árboles de decisión y algoritmos habituales, sobreajuste y subajuste, descenso de gradiente e hiperparámetros, y preparación de datos.
• Agentes de IAAgentes de IA que van más allá del chatbot que solo responde: planifican y usan herramientas para terminar el trabajo. Llamada a funciones, ReAct y planificación, memoria a corto y largo plazo, sistemas multiagente y orquestación, MCP y A2A, y protecciones como el mínimo privilegio y la aprobación humana.
• Alucinaciones y guardrailsPor qué la IA generativa alucina y cómo reducirlo, y cómo los guardrails (barreras de protección) frenan solicitudes y respuestas dañinas: controles de entrada y salida, filtros de contenido y su intensidad, enmascaramiento de datos personales y red teaming.
• IA responsableLos principios de la IA responsable y cómo llevarlos a la práctica: el sesgo que viene de los datos, las métricas de equidad y la regla de los cuatro quintos, la explicabilidad con SHAP y LIME, las tarjetas de modelo, la gobernanza de la IA y la regulación basada en el riesgo.
• MLOps (operaciones de aprendizaje automático)MLOps: el ciclo de vida de ML, los pipelines y la reproducibilidad, el registro de modelos, la inferencia por lotes y en tiempo real con despliegues canario, en sombra y azul/verde, el monitoreo de la deriva, las estrategias de reentrenamiento, el desfase entre entrenamiento y producción con el almacén de características, y la operación de servicios de LLM.