Inicio └AI Solution Architect Asincrónico
AI Solution Architect Asincrónico
Unirse a este curso
Responsable Pablo Valdivia
Última actualización 06/08/2026
Miembros 1

¿Tienes dudas?

Agenda una sesión gratuita de 15 min

  • Resuelve todas tus preguntas
  • Conoce el plan de estudio
  • Orientación de carrera personalizada
Agendar reunión gratis
IA

AI Solution Architect Asincrónico

 

Acerca del profesor

Pablo Valdivia
Pablo Valdivia
Lo que aprenderás

Acerca del curso

Domina el futuro de la IA con Enterprise AI Core. Aprende arquitectura Transformer, RAG avanzado, FinOps para optimizar costos y orquestación multiagente. De Kubernetes a LLMOps, construye sistemas escalables, seguros y eficientes. ¡Lidera la implementación técnica y estratégica en tu empresa!


AI Architecture: Diseno de blueprints multicloud con model serving, caching y routing.

AI FinOps: Optimización de TCO, semantic caching, cost attribution por unidad de negocio.

Vector DBs & RAG: Implementación de Advanced RAG con hybrid search, GraphRAG y evaluation.

Agentic AI: Orquestacion multiagente con skills, hooks, memory y error handling.

Security: Guardrails, red teaming, PII protection y compliance (GDPR/AI Act).

LLMOps: Observability con tracing distribuido, CI/CD para prompts y eval en produccion.

Contenido del programa

  • Módulo 1 - Arquitectura Base & AI FinOps
    19Lecciones ·
    • Sesión 1. AI Architecture Patterns & Seleccion Estrategica de Modelos
    • Topologias enterprise para IA: hub-and-spoke, mesh, federated inference.
    • Taxonomía de modelos: Dense vs MoE, propietarios vs open-weight (Llama 3, Mixtral, Qwen, Command R+).
    • Transformers a fondo: Attention Mechanism, KV Cache, Context Windows, estrategias de Tokenización.
    • Optimizacion de inferencia: Quantization (GPTQ, AWQ, GGUF), Speculative Decoding, Continuous Batching.
    • Estrategias de llamadas API: streaming, batching, function calling, structured outputs (JSON mode).
    • Estimación de TCO con modelo de pricing por token y cost-per-query.
    • STACK: OpenAI, Anthropic Claude, AWS Bedrock, Azure OpenAI, Groq, Together AI, Ollama
    • Entregable: Lab: Blueprint multcloud con matriz de decisión de modelos y estimación de costos por caso de uso.
    • Entregable: Lab: Blueprint multcloud con matriz de decisión de modelos y estimación de costos por caso de uso.
    • Sesión 2. AI FinOps: Semantic Caching, Model Routing & Cost Attribution
    • Arquitectura FinOps para LLM: metricas clave (cost-per-query, cost-per-completion, token waste ratio).
    • Semantic Caching con GPTCache y Redis + embeddings para reducir hasta 60% de llamadas redundantes.
    • Model Routing inteligente: modelo barato (Haiku/Flash) para queries simples, modelo potente para complejas.
    • Arquitecturas Serverless (Lambda, Cloud Run) vs always-on para inferencia: cuando usar cada una.
    • Cost Attribution por unidad de negocio: chargebacks internos y dashboards de consumo.
    • Auditoria de costos en tiempo real con alertas y auto-throttling.
    • STACK: GPTCache, LiteLLM Proxy, AWS Cost Explorer, GCP Billing API, Helicone
    • Entregable: Lab: Proxy con semantic cache + model router + dashboard de costos en tiempo real
  • Módulo 2 - Infraestructura, Model Serving & Data Pipelines
    19Lecciones ·
    • Sesión 1. Model Serving & Inferencia a Escala en Kubernetes
    • Docker para ML: imagenes optimizadas, multi-stage builds, GPU passthrough (NVIDIA Container Toolkit).
    • Kubernetes para IA: GPU scheduling, node affinity, resource quotas, Helm charts para ML workloads.
    • Model Serving frameworks: vLLM, TGI (Text Generation Inference), Triton Inference Server, ONNX Runtime.
    • Tensor Parallelism y Pipeline Parallelism para servir modelos de +70B parámetros.
    • Autoscaling basado en queue depth, latencia P99 y tokens-per-second throughput.
    • Estrategias de Cold Start, warm pools y pre-provisioned concurrency para serverless.
    • STACK: vLLM, TGI, Triton, Docker, Kubernetes, NVIDIA CUDA, Helm, Keda
    • Entregable: Lab: Despliegue de vLLM en Kubernetes con autoscaling basado en métricas custom de inferencia
    • Sesión 2. Data Pipelines, Document Processing & Enterprise Integration
    • Pipelines de ingesta para IA: batch vs streaming, Apache Kafka + LLM event processing.
    • Document processing avanzado: OCR (Tesseract, Azure Doc Intelligence), table extraction, multimodal parsing.
    • Patrones de integración: API Gateway, circuit breakers, retry policies, rate limiting, backpressure.
    • Patrones de integración: API Gateway, circuit breakers, retry policies, rate limiting, backpressure.
    • Event-driven architectures: triggers, webhooks, message queues para cadenas LLM asíncronas.
    • Seguridad en tránsito: mTLS, encryption at rest, tokenización de PII, VPC peering entre servicios.
    • Patrones de conectores para ERPs, CRMs y sistemas legacy.
    • STACK: Apache Kafka, RabbitMQ, Azure Doc Intelligence, Unstructured.io, LangChain Loaders
    • Entregable: Lab: Pipeline ETL con document processing + ingesta automática a Vector DB con seguridad reforzada.
  • Módulo 3 - Vector Databases, Advanced RAG & Knowledge Architecture
    18Lecciones ·
    • Comparativa técnica de Vector DBs: Qdrant, Pinecone, Weaviate, Milvus, pgvector, ChromaDB, FAISS
    • Sesión 1. Vector Databases & Semantic Search Deep Dive
    • Algoritmos de indexación a fondo: HNSW, IVF-PQ, ScaNN — trade-offs de precisión vs velocidad vs memoria.
    • Embedding Models: OpenAI text-embedding-3, Cohere Embed v3, BGE-M3, Jina v3, multimodal (CLIP, SigLIP).
    • Estrategias de Chunking: fixed-size, recursive, semantic, parent-child, agentic chunking con LLM.
    • Hybrid Search: dense vectors + sparse (BM25/SPLADE), Reciprocal Rank Fusion (RRF), alpha tuning.
    • Sharding, replication y optimización de índices para millones de documentos en producción.
    • STACK: Qdrant, Pinecone, Weaviate, pgvector, FAISS, Milvus, ChromaDB, CLIP, SPLADE
    • Entregable: Lab: Índice multi-vector con hybrid search, benchmarking de recall@10 y latencia P95.
    • Sesión 2. Advanced RAG Patterns, Knowledge Graphs & Eval Frameworks
    • RAG Patterns: Naive, Sentence-Window, Auto-Merging, RAPTOR (tree-based), GraphRAG, Corrective RAG (CRAG).
    • Re-ranking avanzado: Cohere Rerank, Cross-Encoders, ColBERT v2, FlashRank, Lost-in-the-Middle mitigation.
    • Query Transformation: HyDE, Multi-Query, Step-Back Prompting, Query Decomposition, Sub-Question engine.
    • Knowledge Graphs + Vector DBs: Neo4j + embeddings, entity extraction con LLMs, GraphRAG de Microsoft.
    • Grounding y citation chains: trazabilidad de cada respuesta a su fuente original.
    • Evaluacion de RAG: RAGAS (faithfulness, relevancy, context recall), DeepEval, custom eval pipelines.
    • STACK: LlamaIndex, LangChain, Neo4j, RAGAS, DeepEval, Cohere Rerank, ColBERT, GraphRAG
    • Entregable: Lab: Enterprise RAG con GraphRAG + hybrid search + pipeline de evaluación automatizada con RAGAS.
  • Módulo 4 - Agentic AI, Skills, Hooks & Development Patterns
    18Lecciones ·
    • Sesión 1. AI Agent Architecture & Multi-Agent Orchestration
    • Agent Patterns: ReAct, Plan-and-Execute, LATS (Language Agent Tree Search), Reflexion, Tool-Use-Only.
    • Frameworks: LangGraph (state machines + cycles), CrewAI (role-based), AutoGen, Semantic Kernel, OpenAI Swarm.
    • Function Calling & Tool Use: schema design, output validation con Pydantic, parallel tool calls, error recovery.
    • Memory Systems: short-term (buffer), long-term (vector store), episodic (conversation), semantic (knowledge graph).
    • Human-in-the-Loop patterns: approval gates, escalation flows, confidence thresholds para derivación.
    • Multi-agent communication: message passing, shared state, hierarchical delegation, debate patterns.
    • STACK: LangGraph, CrewAI, AutoGen, Semantic Kernel, Pydantic, OpenAI Function Calling
    • Entregable: Lab: Sistema multiagente con LangGraph — agentes especializados que colaboran en un workflow end-to-end.
    • Sesión 2. Skills, Hooks & Production-Grade Development Patterns
    • Skills Architecture: capacidades modulares, skill registry, dynamic tool loading, skill versioning.
    • Hook Patterns: pre-processing (input sanitization, PII detection), post-processing (output formatting, guardrails), middleware chains.
    • Prompt Engineering a escala: versionado de prompts, A/B testing, DSPy para optimizacion automatica de prompts.
    • Error Handling: fallback chains, retries con exponential backoff, circuit breakers para LLMs, graceful degradation.
    • Testing de sistemas IA: unit tests para prompts, integration tests, eval suites, regression testing, snapshot testing.
    • Design Patterns aplicados a IA: Chain of Responsibility, Strategy (model selection), Observer (logging), Factory (agent creation).
    • STACK: DSPy, Pydantic, pytest, LangSmith Datasets, Promptfoo, Microsoft Presidio
    • Entregable: Lab: Agente production-ready con skills modulares, hooks de seguridad, test suite y evaluacion continua.
  • Módulo 5 - Security, LLMOps, Observability & Go-Live
    19Lecciones ·
    • Sesión 1. Guardrails, Red Teaming & Regulatory Compliance
    • Guardrails frameworks: Guardrails AI, NeMo Guardrails (Colang), custom validators con Pydantic, output parsers.
    • Prompt Injection defense: input scanning, output scanning, canary tokens, sandwich defense, instruction hierarchy.
    • Red Teaming de aplicaciones LLM: jailbreak patterns, adversarial testing, automated red team con Garak/PyRIT.
    • Content filtering, toxicity detection y brand safety en outputs generados.
    • Compliance: GDPR, EU AI Act, SOC 2, ISO 42001 — checklist de auditoría para sistemas de IA en producción.
    • STACK: Guardrails AI, NeMo Guardrails, Presidio, Garak, PyRIT, OWASP LLM Top 10
    • Entregable: Lab: Capa de seguridad multicapa con Guardrails + NeMo + red team testing automatizado.
    • Sesión 2. LLMOps, Observability & Defensa del Enterprise AI Core
    • LLMOps Lifecycle: development > evaluation > staging > canary deployment > production > monitoring.
    • Observability stack: LangFuse (open-source), LangSmith, Helicone, Arize Phoenix, Weights & Biases.
    • Distributed Tracing para cadenas LLM: spans, traces, token tracking, cost attribution por request.
    • Evaluación en produccion: online evals, human feedback loops, drift detection, A/B testing de prompts
    • CI/CD para IA: prompt CI (linting + eval gates), model CI (benchmark regression), integration CI (e2e tests)
    • Pruebas de carga con Locust/k6 para endpoints de inferencia. Autoscaling policies y SLOs.
    • Defensa del proyecto Enterprise AI Core ante panel de expertos.
    • STACK: LangFuse, LangSmith, Arize Phoenix, Helicone, Locust, GitHub Actions, Promptfoo
    • Entregable: Proyecto final: Enterprise AI Core completo — arquitectura documentada, segura, observable y lista para producción.
    • PII Detection & Redaction: Microsoft Presidio, regex + NER hybrid, anonymization reversible para audit trails.