Aprende a seleccionar, adaptar y evaluar modelos de lenguaje abiertos. Comparas con evidencia prompting, RAG y ajuste fino con LoRA/QLoRA, y terminas con un prototipo documentado hecho en parejas.
Duración: 24 horas · 4 semanas
Modalidad: Virtual
Fecha de inicio: 6 November 2026
Precio: 150.000 COP
Etiqueta: Educación continua
Resumen corto: Aprende a seleccionar, adaptar y evaluar modelos de lenguaje abiertos. Comparas con evidencia prompting, RAG y ajuste fino con LoRA/QLoRA, y terminas con un prototipo documentado hecho en parejas.
Duración (detalle): 14 sincrónicas + 10 de trabajo dirigido
Modalidad (detalle): Con encuentros sincrónicos
Inicio (detalle): Miércoles y viernes, 9:00 a. m. a 10:30 a. m.
Inversión (detalle): Facultad de IA e Ingenierías
Temario: 00 | Apertura internacional y diagnóstico | 2 | Panorama de LLM abiertos, cuándo usar prompting, RAG o ajuste fino, y demostración con un invitado internacional. | Orientación y diagnóstico inicial
01 | Fundamentos y selección de LLM | 3 | Arquitecturas, tamaños y licencias. Cómo elegir un modelo según la tarea, el presupuesto y las restricciones de despliegue. | Ficha de selección
02 | Ingeniería de instrucciones | 3 | Diseño sistemático de instrucciones, patrones de razonamiento y pruebas reproducibles del comportamiento del modelo. | Asistente con pruebas
03 | RAG y conocimiento documental | 4 | Recuperación aumentada: fragmentación, incrustaciones, bases vectoriales y evaluación de la calidad de las respuestas. | Prototipo RAG
04 | Ajuste fino eficiente | 5 | Adaptación con LoRA y variantes. Preparación de datos, entrenamiento, control de costos y comparación contra la línea base. | Experimento documentado
05 | Evaluación y uso responsable | 4 | Métricas, pruebas adversarias, sesgos, privacidad y registro de riesgos del sistema construido. | Informe comparativo y registro de riesgos
06 | Integración y demostración | 3 | Puesta en servicio del prototipo, documentación técnica y sustentación ante el grupo. | Producto final y sustentación
01 | Fundamentos y selección de LLM | 3 | Arquitecturas, tamaños y licencias. Cómo elegir un modelo según la tarea, el presupuesto y las restricciones de despliegue. | Ficha de selección
02 | Ingeniería de instrucciones | 3 | Diseño sistemático de instrucciones, patrones de razonamiento y pruebas reproducibles del comportamiento del modelo. | Asistente con pruebas
03 | RAG y conocimiento documental | 4 | Recuperación aumentada: fragmentación, incrustaciones, bases vectoriales y evaluación de la calidad de las respuestas. | Prototipo RAG
04 | Ajuste fino eficiente | 5 | Adaptación con LoRA y variantes. Preparación de datos, entrenamiento, control de costos y comparación contra la línea base. | Experimento documentado
05 | Evaluación y uso responsable | 4 | Métricas, pruebas adversarias, sesgos, privacidad y registro de riesgos del sistema construido. | Informe comparativo y registro de riesgos
06 | Integración y demostración | 3 | Puesta en servicio del prototipo, documentación técnica y sustentación ante el grupo. | Producto final y sustentación
Resultados de aprendizaje: Selecciona y configura un modelo de lenguaje para una tarea definida.
Implementa y contrasta estrategias de adaptación de un LLM.
Evalúa y documenta el desempeño y los riesgos de la solución.
Implementa y contrasta estrategias de adaptación de un LLM.
Evalúa y documenta el desempeño y los riesgos de la solución.
Producto final: un prototipo documentado y una comparación experimental de estrategias de adaptación.
Para quién es: Estudiantes de pregrado avanzado, posgrado y profesionales con base de programación.
Requisitos: Python básico, notebooks y archivos CSV/JSON. Si necesitas reforzar, hay una nivelación previa voluntaria.
Cómo aprendes: Encuentros en vivo, demostraciones de docentes invitados y un proyecto aplicado en parejas.