7.1. Inteligencia Artificial (AI)

7.1. Inteligencia Artificial (AI)

La inteligencia artificial (IA) estudia problemas que son difíciles o impracticables de resolver con enfoques algorítmicos tradicionales. Estos problemas a menudo recuerdan a aquellos que se consideran que requieren inteligencia humana, y las estrategias de solución de IA resultantes típicamente se generalizan sobre clases de problemas. Las técnicas de IA ahora son omnipresentes en la informática, apoyando aplicaciones cotidianas como el correo electrónico, las redes sociales, la fotografía, los mercados financieros y los asistentes virtuales inteligentes (por ejemplo, Siri, Alexa). Estas técnicas también se utilizan en el diseño y análisis de agentes autónomos que perciben su entorno e interactúan racionalmente con él, como vehículos autónomos y otros robots.

Tradicionalmente, la IA ha incluido una mezcla de enfoques simbólicos y subsimbólicos. Las soluciones que proporciona se basan en un amplio conjunto de esquemas de representación del conocimiento generales y especializados, mecanismos de resolución de problemas y técnicas de optimización. Estos enfoques abordan la percepción (por ejemplo, reconocimiento de voz, comprensión del lenguaje natural, visión por computadora), la resolución de problemas (por ejemplo, búsqueda, planificación, optimización), la generación (por ejemplo, narrativa, conversación, imágenes, modelos, recomendaciones), la actuación (por ejemplo, robótica, automatización de tareas, control) y las arquitecturas necesarias para soportarlas (por ejemplo, agentes únicos, sistemas multiagente). El aprendizaje automático puede utilizarse dentro de cada uno de estos aspectos e incluso puede emplearse de extremo a extremo en todos ellos. El estudio de la Inteligencia Artificial prepara a los estudiantes para determinar cuándo un enfoque de IA es apropiado para un problema dado, identificar representaciones y mecanismos de razonamiento apropiados, implementarlos y evaluarlos tanto con respecto al rendimiento como a su impacto social más amplio.

Durante la última década, el término "inteligencia artificial" se ha vuelto común en empresas, artículos de noticias y conversaciones cotidianas, impulsado en gran medida por una serie de aplicaciones de aprendizaje automático de alto impacto. Estos avances fueron posibles gracias a la amplia disponibilidad de grandes conjuntos de datos, el aumento de la potencia computacional y las mejoras algorítmicas. En particular, ha habido un cambio desde representaciones diseñadas manualmente hacia representaciones aprendidas automáticamente a través de la optimización sobre grandes conjuntos de datos. Los avances resultantes han puesto términos como "redes neuronales" y "aprendizaje profundo" en el vocabulario cotidiano. Las empresas ahora anuncian soluciones basadas en IA como valor añadido a sus servicios, de modo que "inteligencia artificial" es ahora tanto un término técnico como una palabra de moda de marketing. Otras disciplinas, como la biología, el arte, la arquitectura y las finanzas, utilizan cada vez más técnicas de IA para resolver problemas dentro de sus disciplinas.

Por primera vez en nuestra historia, la población en general tiene acceso a herramientas sofisticadas impulsadas por IA, incluyendo herramientas para generar ensayos o poemas a partir de un indicador, obras de arte a partir de una descripción, y fotografías o videos falsos que representan personas reales. La tecnología de IA ahora se utiliza ampliamente en el comercio de acciones, la curación de nuestras noticias y feeds de redes sociales, la evaluación automatizada de solicitantes de empleo, la detección de condiciones médicas y la influencia en las sentencias penales a través de la predicción de reincidencia. En consecuencia, la tecnología de IA puede tener impactos sociales significativos y consideraciones éticas que deben entenderse y considerarse al desarrollarla y aplicarla.

Área de Conocimiento (KA) CS
Core
KA
Core
 7.1.1 Introducción a la IA: Conceptos y Comportamiento Inteligente 21
 7.1.2 Características del Problema y Naturaleza de los Agentes 11
 7.1.3 Estado y Búsqueda No Informada 12
 7.1.4 Búsqueda Heurística y CSP 12
 7.1.5 Búsqueda Adversarial y Optimización Estocástica 13
 7.1.6 Representación del Conocimiento y Razonamiento Probabilístico Básico 11
 7.1.7 Independencia, Modelos de Markov y Toma de Decisiones 11
 7.1.8 Fundamentos de Aprendizaje Automático 12
 7.1.9 Aprendizaje Automático: Datos, Representaciones y Evaluación 12
 7.1.10 Redes Neuronales y Ética 11
 7.1.11 Formulación del Aprendizaje Automático y Evaluación 12
 7.1.12 Aprendizaje Profundo, RL y Ética 12
 7.1.13 Entrenamiento y Optimización de Redes Neuronales 11
 7.1.14 Técnicas de Regularización para Redes Profundas 11
 7.1.15 Arquitecturas de Redes Convolucionales y Residuales 11
 7.1.16 Arquitecturas Transformer y Modelos Generativos 11
 7.1.17 Aplicaciones e Impacto Social de la IA 22
 7.1.18 Aplicaciones Adicionales e Impacto Social de la IA 22
 7.1.19 Representación Lógica y Razonamiento Electivo
 7.1.20 Representación Probabilística y Razonamiento Electivo
 7.1.21 Planificación Electivo
 7.1.22 Agentes y Sistemas Cognitivos Electivo
 7.1.23 Ingeniería de Bucles de Agentes (Loop Engineering) Electivo
 7.1.24 Agentes de Codificación basados en LLM Electivo
 7.1.25 Procesamiento del Lenguaje Natural Electivo
 7.1.26 Robótica Electivo
 7.1.27 Percepción y Visión por Computadora Electivo
 7.1.28 Fundamentos de los Modelos de Lenguaje Grandes Electivo
 7.1.29 Técnicas de Ingeniería de Prompts Electivo
 7.1.30 Generación Aumentada por Recuperación (RAG) Electivo
 7.1.31 Ajuste Fino y Métodos Eficientes en Parámetros Electivo
 7.1.32 Evaluación de Sistemas LLM: Benchmarks, Alucinación y Seguridad Electivo
 7.1.33 Servicio de LLM, Optimización de Latencia y Costo Electivo
 7.1.34 Capstone de Aplicación Basada en LLM Electivo
Tabla 7.1: Lista de KUs del área de Inteligencia Artificial.

7.1.1. AI/Introducción a la IA: Conceptos y Comportamiento Inteligente  (CS Core: 2 hrs, KA Core: 1 hr) Volver arriba

Temas:
Core

  • Visión general de los problemas de IA, Ejemplos de aplicaciones recientes exitosas de IA
  • Definiciones de agentes con ejemplos (por ejemplo, reactivos, deliberativos)
  • ¿Qué es el comportamiento inteligente?:
    1. La prueba de Turing y sus defectos
    2. Entrada y salida multimodal
    3. Simulación del comportamiento inteligente
    4. Razonamiento racional versus no racional
  • Visión general de las Aplicaciones de IA, crecimiento e impacto (económico, social, ético)

Non Core

  • Problemas filosóficos
  • Historia de la IA

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Describir la prueba de Turing y el experimento mental de la "Habitación China" [Explicar]
  2. Diferenciar entre razonamiento/comportamiento óptimo y razonamiento/comportamiento similar al humano [Evaluar]
  3. Diferenciar los términos: IA, aprendizaje automático y aprendizaje profundo [Explicar]

7.1.2. AI/Características del Problema y Naturaleza de los Agentes  (CS Core: 1 hr, KA Core: 1 hr) Volver arriba

Temas:
Core

  • Características del problema:
    1. Totalmente observable versus parcialmente observable
    2. Agente único versus multiagente
    3. Determinista versus estocástico
    4. Estático versus dinámico
    5. Discreto versus continuo
  • Naturaleza de los agentes:
    1. Autonomía autónoma, semiautónoma, de iniciativa mixta
    2. Reflexivos, basados en metas y basados en utilidad
    3. Toma de decisiones bajo incertidumbre y con información incompleta
    4. La importancia de la percepción y las interacciones ambientales
    5. Agentes basados en aprendizaje
    6. Agentes corporeizados:
      1. sensores, dinámicas, efectores
  • Practicar la identificación de características del problema en entornos de ejemplo
  • Profundidad adicional sobre la naturaleza de los agentes con ejemplos
  • Profundidad adicional sobre Aplicaciones de IA, Crecimiento e Impacto (económico, social, ético, seguridad)

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Enumerar las características de un problema específico [Aplicar]

7.1.3. AI/Estado y Búsqueda No Informada  (CS Core: 1 hr, KA Core: 2 hrs) Volver arriba

Temas:
Core

  • Representación del espacio de estados de un problema:
    1. Especificación de estados, metas y operadores
    2. Factorización de estados en representaciones (espacios de hipótesis)
    3. Resolución de problemas mediante búsqueda en grafos:
      1. por ejemplo, Grafos como un espacio y recorridos de árboles como exploración de ese espacio
      2. Construcción dinámica del grafo (no dada de antemano)
  • Búsqueda en grafo no informada para resolución de problemas:
    1. Búsqueda en amplitud
    2. Búsqueda en profundidad:
      1. Con profundización iterativa
    3. Búsqueda de costo uniforme
  • Complejidades de espacio y tiempo de los algoritmos de búsqueda en grafos
  • Búsqueda bidireccional

Non Core

  • Comprensión del espacio de búsqueda:
    1. Construcción de árboles de búsqueda
    2. Espacios de búsqueda dinámicos
    3. Explosión combinatoria del espacio de búsqueda
    4. Topología del espacio de búsqueda (por ejemplo, crestas, puntos de silla, mínimos locales)

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Diseñar la representación del espacio de estados para un rompecabezas (por ejemplo, N-reinas o problema de los 3 jarrones) [Aplicar]
  2. Seleccionar e implementar un algoritmo de búsqueda no informada apropiado para un problema (por ejemplo, tres en raya), y caracterizar sus complejidades de tiempo y espacio [Aplicar]

7.1.4. AI/Búsqueda Heurística y CSP  (CS Core: 1 hr, KA Core: 2 hrs) Volver arriba

Temas:
Core

  • Búsqueda en grafo heurística para resolución de problemas:
    1. Construcción heurística y admisibilidad
    2. Ascenso de colinas
    3. Mínimos locales y el paisaje de búsqueda:
      1. Soluciones locales versus globales
    4. Búsqueda primero el mejor voraz
    5. Búsqueda A*
  • Búsqueda en haz
  • Implementación de la búsqueda A*
  • Satisfacción de restricciones

Non Core

  • Variaciones de A* (IDA*, SMA*, RBFS)

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Seleccionar e implementar un algoritmo de búsqueda informada apropiado para un problema después de diseñar una función heurística útil (por ejemplo, un robot navegando en un mundo de cuadrícula 2D) [Aplicar]
  2. Evaluar si una heurística para un problema dado es admisible/puede garantizar una solución óptima [Evaluar]
  3. Diseñar e implementar búsqueda A*/en haz para resolver un problema, y compararla con otros algoritmos de búsqueda en términos del costo de la solución, número de nodos expandidos, etc [Aplicar]
  4. Comparar y contrastar varias búsquedas heurísticas con respecto a la aplicabilidad a un problema dado [Evaluar]
  5. Modelar un rompecabezas lógico o Sudoku como un problema de satisfacción de restricciones, resolverlo con búsqueda con retroceso y determinar cuánto la consistencia de arcos puede reducir el espacio de búsqueda [Aplicar]

7.1.5. AI/Búsqueda Adversarial y Optimización Estocástica  (CS Core: 1 hr, KA Core: 3 hrs) Volver arriba

Temas:
Core

  • Juegos adversariales de dos jugadores:
    1. Búsqueda minimax
    2. Poda alfa-beta:
      1. Corte por profundidad

Non Core

  • Búsqueda local
  • Búsqueda tabú
  • Juegos adversariales de dos jugadores:
    1. El efecto horizonte
    2. Libros de apertura/soluciones de finales
    3. Qué significa "resolver" un juego (por ejemplo, damas)
  • Implementación de búsqueda minimax, búsqueda en haz
  • Búsqueda expectimax (resolución MDP) y nodos de azar
  • Búsqueda estocástica:
    1. Recocido simulado
    2. Algoritmos genéticos
    3. Búsqueda en árbol Monte Carlo

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Aplicar búsqueda minimax en un juego adversarial de dos jugadores (por ejemplo, conecta 4), usando evaluación heurística en una profundidad particular para calcular las puntuaciones a propagar [Aplicar]
  2. Aplicar búsqueda minimax con poda alfa-beta para podar el espacio de búsqueda en un juego adversarial de dos jugadores (por ejemplo, conecta 4) [Aplicar]
  3. Comparar y contrastar algoritmos genéticos con técnicas de búsqueda clásicas, explicando cuándo es más apropiado usar un algoritmo genético para aprender un modelo versus otras formas de optimización (por ejemplo, descenso de gradiente) [Evaluar]

NonCore:

  1. Diseñar e implementar una solución de algoritmo genético para un problema [Aplicar]
  2. Diseñar e implementar un programa de recocido simulado para evitar mínimos locales en un problema [Aplicar]

7.1.6. AI/Representación del Conocimiento y Razonamiento Probabilístico Básico  (CS Core: 1 hr, KA Core: 1 hr) Volver arriba

Temas:
Core

  • Tipos de representaciones:
    1. Simbólicas, lógicas:
      1. Crear una representación a partir de un enunciado de problema en lenguaje natural
    2. Representaciones subsimbólicas aprendidas
    3. Modelos gráficos (por ejemplo, Bayes ingenuo, red bayesiana)
  • Repaso del razonamiento probabilístico, teorema de Bayes
  • Razonamiento bayesiano:
    1. Inferencia bayesiana
  • Variables aleatorias y distribuciones de probabilidad:
    1. Axiomas de probabilidad
    2. Inferencia probabilística
    3. Regla de Bayes (derivación)
    4. Inferencia bayesiana (ejemplos más complejos)

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Dado un enunciado de problema en lenguaje natural, codificarlo como una representación simbólica o lógica [Aplicar]
  2. Calcular una inferencia probabilística en un problema del mundo real usando el teorema de Bayes para determinar la probabilidad de una hipótesis dada la evidencia [Aplicar]
  3. Aplicar la regla de Bayes para determinar la probabilidad de una hipótesis dada la evidencia [Aplicar]
  4. Calcular la probabilidad de resultados y probar si los resultados son independientes [Aplicar]

7.1.7. AI/Independencia, Modelos de Markov y Toma de Decisiones  (CS Core: 1 hr, KA Core: 1 hr) Volver arriba

Temas:
Core

  • Independencia
  • Independencia condicional
  • Cadenas de Markov y modelos de Markov
  • Utilidad y toma de decisiones

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Explicar cómo podemos tomar decisiones bajo incertidumbre, usando conceptos como el teorema de Bayes y la utilidad [Explicar]

7.1.8. AI/Fundamentos de Aprendizaje Automático  (CS Core: 1 hr, KA Core: 2 hrs) Volver arriba

Temas:
Core

  • Definición y ejemplos de una amplia variedad de tareas de aprendizaje automático:
    1. Aprendizaje supervisado:
      1. Clasificación
      2. Regresión
    2. Aprendizaje por refuerzo
    3. Aprendizaje no supervisado:
      1. Agrupamiento
  • Ideas fundamentales:
    1. Teorema de no hay almuerzo gratis: ningún aprendiz puede resolver todos los problemas; las decisiones de diseño de representación tienen consecuencias.
    2. Fuentes de error e indecidibilidad en el aprendizaje automático
  • Un aprendizaje supervisado simple basado en estadísticas como regresión lineal o árboles de decisión:
    1. Enfocarse en cómo funcionan sin entrar en detalles matemáticos o de optimización; suficiente para entender y usar implementaciones existentes correctamente
  • El problema del sobreajuste/control de la complejidad de la solución (regularización, poda - solo intuición):
    1. El compromiso entre sesgo (subajuste) - varianza (sobreajuste)

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Describir las diferencias entre los tres estilos principales de aprendizaje (supervisado, por refuerzo y no supervisado) y determinar cuál es apropiado para un dominio de problema particular [Explicar]
  2. Diferenciar los términos: IA, aprendizaje automático y aprendizaje profundo [Evaluar]
  3. Formular una aplicación como un problema de clasificación, incluyendo las características de entrada disponibles y la salida a predecir (por ejemplo, identificar caracteres alfabéticos a partir de entrada de cuadrícula de píxeles) [Aplicar]
  4. Identificar el sobreajuste en el contexto de un problema y curvas de aprendizaje y describir soluciones al sobreajuste [Evaluar]
  5. Explicar cómo funciona el aprendizaje automático como un proceso de optimización/búsqueda [Explicar]

7.1.9. AI/Aprendizaje Automático: Datos, Representaciones y Evaluación  (CS Core: 1 hr, KA Core: 2 hrs) Volver arriba

Temas:
Core

  • Trabajar con Datos:
    1. Preprocesamiento de datos:
      1. Importancia y peligros de las elecciones de preprocesamiento
    2. Manejo de valores faltantes (imputación, marcar como faltante):
      1. Implicaciones de imputar versus marcar como faltante
    3. Codificación de variables categóricas, codificación de datos de valor real
    4. Normalización/estandarización
    5. énfasis en datos reales, no ejemplos de libros de texto
  • Representaciones:
    1. Espacios de hipótesis y complejidad
    2. Expansión de características de base simple, como elevar al cuadrado características univariadas
    3. Representaciones de características aprendidas
  • Evaluación del aprendizaje automático:
    1. Separación de conjuntos de entrenamiento, validación y prueba
    2. Métricas de rendimiento para clasificadores
    3. Estimación del rendimiento en prueba en datos retenidos
    4. Ajuste de los parámetros de un modelo de aprendizaje automático con un conjunto de validación
    5. Importancia de entender qué está haciendo un modelo, dónde están sus peligros/limitaciones y las implicaciones de sus decisiones

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Aplicar dos o más algoritmos de aprendizaje estadístico simple a una tarea de clasificación y medir la precisión de los clasificadores [Aplicar]
  2. Implementar un algoritmo de aprendizaje estadístico y el proceso de optimización correspondiente para entrenar el clasificador y obtener una predicción en nuevos datos [Aplicar]
  3. Explicar los procedimientos adecuados de evaluación de AA, incluyendo las diferencias entre rendimiento en entrenamiento y prueba, y qué puede salir mal con el proceso de evaluación llevando a informes inexactos del rendimiento de AA [Explicar]
  4. Comparar dos algoritmos de aprendizaje automático en un conjunto de datos, implementando la metodología de preprocesamiento de datos y evaluación (por ejemplo, métricas y manejo de divisiones entrenamiento/prueba) desde cero [Aplicar]

7.1.10. AI/Redes Neuronales y Ética  (CS Core: 1 hr, KA Core: 1 hr) Volver arriba

Temas:
Core

  • Redes neuronales básicas:
    1. Fundamentos de comprensión de cómo funcionan las redes neuronales y su proceso de entrenamiento, sin detalles de los cálculos
    2. Introducción básica a redes neuronales generativas (por ejemplo, modelos de lenguaje grandes)
  • ética para el Aprendizaje Automático:
    1. Enfocarse en datos reales, escenarios reales y estudios de caso
    2. Sesgo de conjunto de datos/algorítmico/de evaluación y consecuencias no deseadas

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Describir el proceso de entrenamiento de redes neuronales y las representaciones aprendidas resultantes [Explicar]

7.1.11. AI/Formulación del Aprendizaje Automático y Evaluación  (CS Core: 1 hr, KA Core: 2 hrs) Volver arriba

Temas:
Core

  • Formulación del aprendizaje automático simple como un problema de optimización, como regresión lineal por mínimos cuadrados o regresión logística:
    1. Función objetivo
    2. Descenso de gradiente
    3. Regularización para evitar sobreajuste (formulación matemática)
  • Conjuntos de modelos:
    1. Combinación de mayoría ponderada simple
  • Evaluación de rendimiento:
    1. Otras métricas para clasificación (por ejemplo, error, precisión, exhaustividad)
    2. Métricas de rendimiento para regresores
    3. Matriz de confusión
    4. Validación cruzada:
      1. Ajuste de parámetros (búsqueda en cuadrícula/aleatoria, mediante validación cruzada)

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Comparar y contrastar varias técnicas de aprendizaje (por ejemplo, árboles de decisión, regresión logística, Bayes ingenuo, redes neuronales y redes de creencia), proporcionando ejemplos de cuándo cada estrategia es superior [Comparar]
  2. Evaluar el rendimiento de un sistema de aprendizaje simple en un conjunto de datos del mundo real [Evaluar]

NonCore:

  1. Caracterizar el estado del arte en teoría del aprendizaje, incluyendo sus logros y limitaciones [Explicar]
  2. Explicar el problema del sobreajuste, junto con técnicas para detectar y manejar el problema [Explicar]
  3. Explicar el triple compromiso entre el tamaño de un espacio de hipótesis, el tamaño del conjunto de entrenamiento y la precisión del rendimiento [Explicar]

7.1.12. AI/Aprendizaje Profundo, RL y Ética  (CS Core: 1 hr, KA Core: 2 hrs) Volver arriba

Temas:
Core

  • Aprendizaje profundo:
    1. Redes feed-forward profundas (solo intuición, sin matemáticas)
    2. Redes neuronales convolucionales (solo intuición, sin matemáticas)
    3. Visualización de representaciones de características aprendidas de redes profundas
    4. Otras arquitecturas (NN generativas, NN recurrentes, transformers, etc.)
  • Visión general de los métodos de aprendizaje por refuerzo
  • Dos o más aplicaciones de algoritmos de aprendizaje automático:
    1. Por ejemplo, medicina y salud, economía, visión, lenguaje natural, robótica, juego
  • ética para el Aprendizaje Automático:
    1. Continuar enfocándose en datos reales, escenarios reales y estudios de caso
    2. Privacidad
    3. Equidad
    4. Propiedad intelectual
    5. Explicabilidad

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Visualizar el progreso del entrenamiento de una red neuronal a través de curvas de aprendizaje en un kit de herramientas establecido (por ejemplo, TensorBoard) y visualizar las características aprendidas de la red [Aplicar]

NonCore:

  1. Dada una aplicación real de aprendizaje automático, describir problemas éticos respecto a las elecciones de datos, pasos de preprocesamiento, selección de algoritmo y visualización/presentación de resultados [Aplicar]

7.1.13. AI/Entrenamiento y Optimización de Redes Neuronales  (CS Core: 1 hr, KA Core: 1 hr) Volver arriba

Temas:
Core

  • Backpropagation moderno: grafos computacionales y diferenciación automática
  • Optimizadores avanzados: momentum, RMSProp, Adam, y programación de la tasa de aprendizaje

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Implementar una red neuronal profunda desde cero, incluyendo su paso de backpropagation [Aplicar]
  2. Seleccionar y ajustar un optimizador y su programación de tasa de aprendizaje para la estabilidad del entrenamiento [Aplicar]

7.1.14. AI/Técnicas de Regularización para Redes Profundas  (CS Core: 1 hr, KA Core: 1 hr) Volver arriba

Temas:
Core

  • Regularización por Dropout
  • Normalización por lotes (Batch Normalization)

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Diagnosticar el sobreajuste en un entrenamiento usando diagnósticos de regularización [Analizar]
  2. Aplicar Dropout y Batch Normalization para mejorar la generalización de un modelo [Aplicar]

7.1.15. AI/Arquitecturas de Redes Convolucionales y Residuales  (CS Core: 1 hr, KA Core: 1 hr) Volver arriba

Temas:
Core

  • Arquitecturas de redes neuronales convolucionales profundas
  • Conexiones residuales y ResNets

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Diseñar una arquitectura CNN profunda para una tarea de visión dada [Aplicar]
  2. Adaptar una arquitectura residual a un dominio de visión específico [Aplicar]

7.1.16. AI/Arquitecturas Transformer y Modelos Generativos  (CS Core: 1 hr, KA Core: 1 hr) Volver arriba

Temas:
Core

  • Transformers y el mecanismo de atención
  • Modelos generativos: autoencoders variacionales (VAEs) y redes generativas adversariales (GANs)

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Entrenar un modelo transformer en un dataset real [Aplicar]
  2. Analizar y contrastar arquitecturas de modelos generativos VAE y GAN [Analizar]

7.1.17. AI/Aplicaciones e Impacto Social de la IA  (CS Core: 2 hrs, KA Core: 2 hrs) Volver arriba

Temas:
Core

  • Al menos una aplicación de IA a un problema y campo específico, como medicina, salud, sostenibilidad, redes sociales, economía, educación, robótica, etc. (elegir al menos uno para el Núcleo CS):
    1. Formular y evaluar una aplicación específica como un problema de IA:
      1. Cómo lidiar con problemas mal especificados o mal planteados
    2. Disponibilidad/escasez y limpieza de datos:
      1. Limpieza y preprocesamiento básico de datos
      2. Sesgo del conjunto de datos
    3. Sesgo algorítmico
    4. Sesgo de evaluación
    5. Evaluación de las implicaciones sociales de la aplicación
  • Modelos generativos profundos desplegados:
    1. Visión general de alto nivel de modelos generativos de imágenes profundas (por ejemplo, a 2023, DALL-E, Midjourney, Stable Diffusion, etc.), sus usos y sus limitaciones/peligros.
    2. Visión general de alto nivel de modelos de lenguaje grandes (por ejemplo, a 2023, ChatGPT, Bard, etc.), sus usos y sus limitaciones/peligros.
  • Visión general del impacto social de la IA:
    1. ética
    2. Equidad
    3. Confianza/explicabilidad
    4. Privacidad y uso de datos de entrenamiento
    5. Autonomía humana y supervisión/regulaciones/requisitos legales
    6. Sostenibilidad

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Dado un dominio de aplicación y problema del mundo real, formular una solución de IA para ello, identificando datos/entrada apropiados, preprocesamiento, representaciones, técnicas de IA y métricas/metodología de evaluación [Aplicar]

7.1.18. AI/Aplicaciones Adicionales e Impacto Social de la IA  (CS Core: 2 hrs, KA Core: 2 hrs) Volver arriba

Temas:
Core

  • Una o más aplicaciones adicionales de IA a un amplio conjunto de problemas y diversos campos, como medicina, salud, sostenibilidad, redes sociales, economía, educación, robótica, etc. (elegir un área diferente de la elegida para el Núcleo CS):
    1. Formular y evaluar una aplicación específica como un problema de IA:
      1. Cómo lidiar con problemas mal especificados o mal planteados
    2. Disponibilidad/escasez y limpieza de datos:
      1. Limpieza y preprocesamiento básico de datos
      2. Sesgo del conjunto de datos
    3. Sesgo algorítmico
    4. Sesgo de evaluación
    5. Evaluación de las implicaciones sociales de la aplicación
  • Profundidad adicional sobre modelos generativos profundos desplegados:
    1. Introducción a cómo funcionan los modelos generativos de imágenes profundas (por ejemplo, a 2023, DALL-E, Midjourney, Stable Diffusion) incluyendo discusión de atención
    2. Introducción a cómo funcionan los modelos de lenguaje grandes (por ejemplo, a 2023, ChatGPT, Bard) incluyendo discusión de atención
    3. Idea de modelos fundamentales, cómo usarlos, y los beneficios/problemas con entrenarlos a partir de grandes datos
  • Análisis y discusión del impacto social de la IA:
    1. ética
    2. Equidad
    3. Confianza/explicabilidad
    4. Privacidad y uso de datos de entrenamiento
    5. Autonomía humana y supervisión/regulaciones/requisitos legales
    6. Sostenibilidad

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Analizar el impacto social de una o más aplicaciones específicas de IA del mundo real, identificando problemas respecto a ética, equidad, sesgo, confianza y explicabilidad [Evaluar]
  2. Describir algunos de los modos de falla de los modelos generativos profundos actuales para lenguaje o imágenes, y cómo esto podría afectar su uso en una aplicación [Describir]

7.1.19. AI/Representación Lógica y Razonamiento Volver arriba

Temas:
Non Core

  • Repaso de lógica proposicional y de predicados
  • Resolución y demostración de teoremas (solo lógica proposicional):
    1. Encadenamiento hacia adelante, encadenamiento hacia atrás
  • Problemas de representación del conocimiento:
    1. Lógicas de descripción
    2. Ingeniería de ontologías
  • Web semántica
  • Razonamiento no monótono (por ejemplo, lógicas no clásicas, razonamiento por defecto)
  • Argumentación
  • Razonamiento sobre acción y cambio (por ejemplo, cálculo de situaciones y eventos)
  • Razonamiento temporal y espacial
  • Programación lógica:
    1. Prolog, Programación de conjuntos de respuestas
  • Sistemas expertos basados en reglas
  • Redes semánticas
  • Razonamiento basado en modelos y basado en casos

Aprendizaje esperado (Learning Outcomes):
NonCore:

  1. Traducir una oración en lenguaje natural (por ejemplo, inglés) a una declaración de lógica de predicados [Aplicar]
  2. Convertir una declaración lógica a forma causal [Aplicar]
  3. Aplicar resolución a un conjunto de declaraciones lógicas para responder a una consulta [Aplicar]
  4. Comparar y contrastar los modelos más comunes utilizados para la representación estructurada del conocimiento, destacando sus fortalezas y debilidades [Evaluar]
  5. Identificar los componentes del razonamiento no monótono y su utilidad como mecanismo representacional para sistemas de creencias [Evaluar]
  6. Comparar y contrastar las técnicas básicas para representar la incertidumbre [Evaluar]
  7. Comparar y contrastar las técnicas básicas para la representación cualitativa [Evaluar]
  8. Aplicar cálculo de situaciones y eventos a problemas de acción y cambio [Aplicar]
  9. Explicar la distinción entre razonamiento temporal y espacial, y cómo se interrelacionan [Explicar]
  10. Explicar la diferencia entre técnicas de razonamiento basadas en reglas, basadas en casos y basadas en modelos [Explicar]
  11. Definir el concepto de un sistema de planificación y cómo difiere de las técnicas de búsqueda clásicas [Definir]
  12. Describir las diferencias entre planificación como búsqueda, planificación basada en operadores y planificación proposicional, proporcionando ejemplos de dominios donde cada una es más aplicable [Describir]
  13. Explicar la distinción entre inferencia monótona y no monótona [Explicar]

7.1.20. AI/Representación Probabilística y Razonamiento Volver arriba

Temas:
Non Core

  • Repaso de independencia condicional
  • Representaciones del conocimiento:
    1. Redes bayesianas:
      1. Inferencia exacta y su complejidad
      2. Mantas de Markov y d-separación
      3. Métodos de muestreo aleatorizado (Monte Carlo) (por ejemplo, muestreo de Gibbs)
    2. Redes de Markov
    3. Modelos de probabilidad relacional
    4. Modelos ocultos de Markov
  • Teoría de la decisión:
    1. Preferencias y funciones de utilidad
    2. Maximización de la utilidad esperada
    3. Teoría de juegos

Aprendizaje esperado (Learning Outcomes):
NonCore:

  1. Calcular la probabilidad de una hipótesis dada la evidencia en una red bayesiana [Aplicar]
  2. Explicar cómo las afirmaciones de independencia condicional permiten una mayor eficiencia de los sistemas probabilísticos [Explicar]
  3. Identificar ejemplos de representaciones del conocimiento para razonar bajo incertidumbre [Listar/Enumerar]
  4. Establecer la complejidad de la inferencia exacta. Identificar métodos para inferencia aproximada [Enunciar/Establecer]
  5. Diseñar e implementar al menos una representación del conocimiento para razonar bajo incertidumbre [Aplicar]
  6. Describir las complejidades del razonamiento probabilístico temporal [Describir]
  7. Diseñar e implementar un HMM como un ejemplo de sistema probabilístico temporal [Aplicar]
  8. Describir la relación entre preferencias y funciones de utilidad [Describir]
  9. Explicar cómo las funciones de utilidad y el razonamiento probabilístico pueden combinarse para tomar decisiones racionales [Explicar]

7.1.21. AI/Planificación Volver arriba

Temas:
Non Core

  • Repaso de lógica proposicional y de primer orden
  • Operadores de planificación y representaciones de estado
  • Planificación de orden total
  • Planificación de orden parcial
  • Grafos de plan y GraphPlan
  • Planificación jerárquica
  • Lenguajes y representaciones de planificación:
    1. PDDL
  • Planificación multiagente
  • Planificación basada en MDP
  • Interconexión de planificación, ejecución y replanificación dinámica:
    1. Planificación condicional
    2. Planificación continua
    3. Planificación probabilística

Aprendizaje esperado (Learning Outcomes):
NonCore:

  1. Construir la representación de estado, meta y operadores para un problema de planificación dado [Aplicar]
  2. Codificar un problema de planificación en PDDL y usar un planificador para resolverlo [Aplicar]
  3. Dado un conjunto de operadores, estado inicial y estado meta, dibujar el grafo de planificación de orden parcial e incluir restricciones de orden para resolver todos los conflictos [Aplicar]
  4. Construir el grafo de planificación completo para que GraphPlan resuelva un problema dado [Aplicar]

7.1.22. AI/Agentes y Sistemas Cognitivos Volver arriba

Temas:
Non Core

  • Arquitecturas de agentes (por ejemplo, reactivas, en capas, cognitivas)
  • Teoría de agentes (incluyendo formalismos matemáticos)
  • Racionalidad, Teoría de juegos:
    1. Agentes decisorios-teóricos
    2. Procesos de decisión de Markov (MDP)
    3. Algoritmos de bandidos
  • Agentes de software, asistentes personales y acceso a información:
    1. Agentes colaborativos
    2. Agentes de recolección de información
    3. Agentes creíbles (personajes sintéticos, modelado de emociones en agentes)
  • Agentes de aprendizaje
  • Sistemas cognitivos:
    1. Arquitecturas cognitivas (por ejemplo, ACT-R, SOAR, ICARUS, FORR)
    2. Capacidades (por ejemplo, percepción, toma de decisiones, predicción, mantenimiento del conocimiento)
    3. Representación, organización, utilización, adquisición y refinamiento del conocimiento
    4. Aplicaciones y evaluación de sistemas cognitivos
  • Sistemas multiagente:
    1. Agentes colaboradores
    2. Equipos de agentes
    3. Agentes competitivos (por ejemplo, subastas, votación)
    4. Sistemas de enjambre y modelos biológicamente inspirados
    5. Aprendizaje multiagente
  • Interacción humano-agente:
    1. Metodologías de comunicación (verbal y no verbal)
    2. Problemas prácticos
    3. Aplicaciones:
      1. Agentes comerciales, gestión de cadena de suministro
      2. Problemas éticos de las interacciones de IA con humanos
      3. Regulación y requisitos legales de los sistemas de IA para interactuar con humanos

Aprendizaje esperado (Learning Outcomes):
NonCore:

  1. Caracterizar y contrastar las arquitecturas estándar de agentes [Evaluar]
  2. Describir las aplicaciones de la teoría de agentes a dominios como agentes de software, asistentes personales y agentes creíbles, y discutir las implicaciones éticas asociadas [Describir]
  3. Describir los paradigmas principales utilizados por los agentes de aprendizaje [Describir]
  4. Demostrar usando ejemplos apropiados cómo los sistemas multiagente soportan la interacción de agentes [Demostrar]
  5. Construir un agente inteligente usando una arquitectura cognitiva establecida (ACT-R, SOAR) para resolver un problema específico [Aplicar]

7.1.23. AI/Ingeniería de Bucles de Agentes (Loop Engineering) Volver arriba

La disciplina de diseñar el ciclo iterativo observar-actuar-verificar que ejecuta un agente de IA, en contraste con la ingeniería de un único prompt. Incluye patrones de bucle con múltiples agentes especializados (constructor/crítico) que refinan un resultado contra un estándar de calidad predefinido hasta su aprobación.
Temas:
Non Core

  • La ingeniería de bucles como disciplina: diseñar el ciclo iterativo observar-actuar-verificar que ejecuta un agente, en contraste con escribir un único prompt
  • El patrón Gauntlet Loop (Matt Shumer, 2026): un agente líder descompone un objetivo y un estándar de calidad en las partes más pequeñas y evaluables posibles, y despliega agentes constructores y agentes críticos con contexto limpio
  • Separación constructor/crítico: un agente que crea un resultado suele ser peor juzgando objetivamente su propia calidad que explicándola, de ahí la necesidad de un crítico independiente
  • Comparación ciega A/B del resultado contra un estándar de calidad predefinido, y criterios de parada del bucle (aprobación del crítico o límite de iteraciones)
  • Relación con otros patrones de bucles agénticos: ReAct (razonar-actuar), auto-reflexión y debate multiagente

Aprendizaje esperado (Learning Outcomes):
NonCore:

  1. Explicar en qué se diferencia la ingeniería de bucles de la ingeniería de un único prompt [Explicar]
  2. Diseñar un bucle de tipo Gauntlet Loop (agente constructor + agente crítico independiente + comparación ciega contra un estándar de calidad) para refinar iterativamente un resultado generado por IA [Diseñar]
  3. Justificar por qué separar los roles de constructor y crítico mejora la calidad de la evaluación frente a que un mismo agente juzgue su propio resultado [Justificar]
  4. Definir criterios de parada apropiados para un bucle agéntico iterativo dado un estándar de calidad y un presupuesto de iteraciones [Definir]

7.1.24. AI/Agentes de Codificación basados en LLM Volver arriba

Uso de agentes construidos sobre modelos de lenguaje grandes (LLM) para tareas de desarrollo de software: leer y editar una base de código, ejecutar comandos y pruebas, e iterar sobre los resultados dentro de un bucle de trabajo iniciado por una persona.
Temas:
Non Core

  • Contexto disponible para el agente: qué partes de la base de código, la documentación y el historial de la conversación se incluyen, y cómo la degradación del contexto afecta la calidad del trabajo
  • Uso de herramientas por parte del agente (lectura y escritura de archivos, terminal, búsqueda, ejecución de pruebas) como forma de actuar sobre el repositorio en lugar de limitarse a generar texto
  • Niveles de autonomía y supervisión humana: asistencia en línea, edición multi-archivo y ejecución no supervisada de tareas largas
  • Capacidades y limitaciones observables de los agentes actuales: alucinación, degradación en tareas largas, dependencia de señales de verificación y sensibilidad a la formulación del objetivo

Aprendizaje esperado (Learning Outcomes):
NonCore:

  1. Explicar cómo un agente de codificación basado en LLM percibe el repositorio, actúa sobre él y verifica su propio trabajo [Explicar]
  2. Comparar niveles de autonomía de un agente (asistencia en línea, edición multi-archivo, ejecución no supervisada) en términos de riesgo y beneficio [Comparar]
  3. Evaluar las limitaciones de un agente dado frente a una tarea concreta y proponer la supervisión humana necesaria [Evaluar]

7.1.25. AI/Procesamiento del Lenguaje Natural Volver arriba

Temas:
Non Core

  • Gramáticas deterministas y estocásticas
  • Algoritmos de análisis sintáctico:
    1. CFGs y analizadores de tabla (por ejemplo, CYK)
    2. CFGs probabilísticos y CYK ponderado
  • Representación del significado/Semántica:
    1. Representaciones del conocimiento basadas en lógica
    2. Roles semánticos
    3. Representaciones temporales
    4. Creencias, deseos e intenciones
  • Métodos basados en corpus
  • N-gramas y HMMs
  • Suavizado y retroceso
  • Ejemplos de uso: Etiquetado POS y morfología
  • Recuperación de información:
    1. Modelo de espacio vectorial:
      1. TF & IDF
    2. Precisión y exhaustividad
  • Extracción de información
  • Traducción de lenguaje
  • Clasificación de texto, categorización:
    1. Modelo de bolsa de palabras
  • Aprendizaje profundo para PLN:
    1. RNNs
    2. Transformers
    3. Incrustaciones multimodales (por ejemplo, imágenes + texto)
    4. Modelos de lenguaje generativos

Aprendizaje esperado (Learning Outcomes):
NonCore:

  1. Definir y contrastar gramáticas deterministas y estocásticas, proporcionando ejemplos para mostrar la adecuación de cada una [Definir]
  2. Simular, aplicar o implementar algoritmos clásicos y estocásticos para analizar lenguaje natural [Aplicar]
  3. Identificar los desafíos de representar el significado [Analizar]
  4. Listar las ventajas de usar corpus estándar. Identificar ejemplos de corpus actuales para una variedad de tareas de PLN [Listar/Enumerar]
  5. Identificar técnicas para recuperación de información, traducción de lenguaje y clasificación de texto [Analizar]
  6. Implementar una transformación TF/IDF, usarla para extraer características de un corpus, y entrenar un algoritmo de aprendizaje automático estándar usando esas características para hacer clasificación de texto [Aplicar]

7.1.26. AI/Robótica Volver arriba

Temas:
Non Core

  • Visión general: problemas y progreso:
    1. Sistemas robóticos de última generación, incluyendo sus sensores y una visión general de su procesamiento sensorial
    2. Arquitecturas de control de robots, por ejemplo, control deliberativo versus reactivo y vehículos de Braitenberg
    3. Modelado del mundo y modelos del mundo
    4. Incertidumbre inherente en la percepción y en el control
  • Sensores y efectores:
    1. Sensores: por ejemplo, LIDAR, sonar, visión, profundidad, estereoscópico, cámaras de eventos, micrófonos, háptica
    2. Efectores: por ejemplo, ruedas, brazos, pinzas
  • Marcos de coordenadas, traslación y rotación (2D y 3D)
  • Espacio de configuración y mapas ambientales
  • Interpretación de datos sensoriales inciertos
  • Localización y mapeo
  • Navegación y control
  • Cinemática directa e inversa
  • Planificación de trayectorias de movimiento y optimización de trayectorias
  • Manipulación y agarre
  • Control y dinámica de articulaciones
  • Control basado en visión
  • Coordinación y colaboración múltiple de robots
  • Interacción humano-robot:
    1. Espacios de trabajo compartidos
    2. Equipos humano-robot e HRI físico
    3. Robots de asistencia social
    4. Predicción de movimiento/tarea/meta
    5. Colaboración y comunicación (explícita vs implícita, verbal o simbólica vs no verbal o visual)
    6. Confianza
  • Aplicaciones y Problemas Sociales, Económicos y éticos:
    1. Implicaciones sociales, económicas, de derecho al trabajo
    2. Implicaciones éticas y de privacidad de las aplicaciones robóticas
    3. Responsabilidad en robótica autónoma
    4. Armas autónomas y ética
    5. Supervisión y control humano

Aprendizaje esperado (Learning Outcomes):
NonCore:

  1. Listar capacidades y limitaciones de los sistemas robóticos de última generación actuales, incluyendo sus sensores y el procesamiento sensorial crucial que informa a esos sistemas [Listar/Enumerar]
  2. Integrar sensores, actuadores y software en un robot diseñado para emprender una tarea específica [Aplicar]
  3. Programar un robot para realizar tareas simples usando arquitecturas de control deliberativas, reactivas y/o híbridas [Aplicar]
  4. Implementar algoritmos fundamentales de planificación de movimiento dentro de un espacio de configuración de robot [Aplicar]
  5. Caracterizar las incertidumbres asociadas con sensores y actuadores robóticos comunes; articular estrategias para mitigar estas incertidumbres [Caracterizar]
  6. Listar las diferencias entre las representaciones del entorno externo de los robots, incluyendo sus fortalezas y limitaciones [Listar/Enumerar]
  7. Comparar y contrastar al menos tres estrategias para la navegación de robots dentro de entornos conocidos y/o desconocidos, incluyendo sus fortalezas y limitaciones [Comparar]
  8. Describir al menos un enfoque para coordinar las acciones y percepción de varios robots para realizar una única tarea [Describir]
  9. Comparar y contrastar un enfoque de coordinación multirobot y un enfoque de colaboración humano-robot y atribuir sus diferencias a diferencias entre los entornos del problema [Comparar]
  10. Analizar los problemas sociales, económicos y éticos de una aplicación robótica del mundo real [Analizar]

7.1.27. AI/Percepción y Visión por Computadora Volver arriba

Temas:
Non Core

  • Visión por computadora:
    1. Adquisición, representación, procesamiento y propiedades de imágenes
    2. Representación de formas, reconocimiento de objetos y segmentación
    3. Análisis de movimiento
    4. Modelos generativos
  • Audio y reconocimiento de voz
  • Tacto y propiocepción
  • Otras modalidades (por ejemplo, olfato)
  • Modularidad en el reconocimiento
  • Enfoques para el reconocimiento de patrones:
    1. Algoritmos de clasificación y medidas de calidad de clasificación
    2. Técnicas estadísticas
    3. Técnicas de aprendizaje profundo

Aprendizaje esperado (Learning Outcomes):
NonCore:

  1. Resumir la importancia del reconocimiento de imágenes y objetos en IA e indicar varias aplicaciones significativas de esta tecnología [Resumir]
  2. Listar al menos tres enfoques de segmentación de imágenes, como umbralización, algoritmos basados en bordes y basados en regiones, junto con sus características definitorias, fortalezas y debilidades [Listar/Enumerar]
  3. Implementar reconocimiento de objetos 2D basado en representaciones de forma basadas en contorno y/o región [Aplicar]
  4. Distinguir los objetivos del reconocimiento de sonido, reconocimiento de voz y reconocimiento de hablante, e identificar cómo se manejará diferente la señal de audio cruda en cada uno de estos casos [Distinguir]
  5. Proporcionar al menos dos ejemplos de transformación de una fuente de datos de un dominio sensorial a otro, por ejemplo, datos táctiles interpretados como imágenes 2D de banda única [Generar]
  6. Implementar un algoritmo de extracción de características en datos reales, por ejemplo, un detector de bordes o esquinas para imágenes o vectores de coeficientes de Fourier que describen un segmento corto de señal de audio [Aplicar]
  7. Implementar un algoritmo que combine características en percepciones de nivel superior, por ejemplo, un contorno o polígono a partir de primitivas visuales o hipótesis de fonemas a partir de una señal de audio [Aplicar]
  8. Implementar un algoritmo de clasificación que segmenta percepciones de entrada en categorías de salida y evalúa cuantitativamente la clasificación resultante [Aplicar]
  9. Evaluar el rendimiento de la extracción de características subyacente, relativo a al menos un enfoque alternativo posible (ya sea implementado o no) en su contribución a la tarea de clasificación (8), anterior [Evaluar]
  10. Describir al menos tres enfoques de clasificación, sus prerrequisitos para aplicabilidad, sus fortalezas y sus limitaciones [Describir]
  11. Implementar y evaluar una solución de aprendizaje profundo para problemas en visión por computadora, como reconocimiento de objetos o escenas [Aplicar]

7.1.28. AI/Fundamentos de los Modelos de Lenguaje Grandes Volver arriba

La arquitectura fundamental, el entrenamiento y el pipeline de inferencia de los modelos de lenguaje grandes (LLM): el bloque transformer de tipo decodificador usado en los LLM modernos, la tokenización en subpalabras, el objetivo de preentrenamiento, y el proceso de decodificación usado para generar texto durante la inferencia.
Temas:
Non Core

  • Esquemas de tokenización en subpalabras (BPE, WordPiece, tokenización a nivel de byte) y su efecto en el tamaño del vocabulario, la longitud de secuencia y la cobertura multilingüe Procesamiento del Lenguaje Natural .
  • Arquitectura transformer de tipo decodificador para modelado de lenguaje autorregresivo: enmascaramiento de autoatención causal, codificaciones posicionales, y la pila de bloques transformer usada en los LLM modernos Arquitecturas Transformer y Modelos Generativos .
  • El objetivo de preentrenamiento (predicción del siguiente token) sobre grandes corpus de texto no etiquetado, y las leyes de escalamiento que relacionan el tamaño del modelo, el tamaño de los datos y el cómputo con la pérdida de preentrenamiento Entrenamiento y Optimización de Redes Neuronales .
  • Inferencia autorregresiva y estrategias de decodificación: decodificación voraz (greedy), búsqueda en haz (beam search), temperatura y muestreo top-k/top-p, y la caché KV que hace eficiente la decodificación incremental.

Aprendizaje esperado (Learning Outcomes):
NonCore:

  1. Explicar cómo un transformer de tipo decodificador procesa una secuencia de entrada tokenizada para producir la distribución de probabilidad del siguiente token [Explicar]
  2. Comparar esquemas de tokenización en subpalabras en términos de tamaño de vocabulario, longitud de secuencia y manejo de palabras fuera de vocabulario [Comparar]
  3. Aplicar diferentes estrategias de decodificación (voraz, búsqueda en haz, muestreo) a un LLM preentrenado y analizar el efecto sobre la calidad y diversidad de la salida [Aplicar]
  4. Analizar cómo el tamaño del modelo, el tamaño de los datos de entrenamiento y el presupuesto de cómputo afectan la pérdida de preentrenamiento de un LLM, dado un conjunto de mediciones de leyes de escalamiento [Analizar]

7.1.29. AI/Técnicas de Ingeniería de Prompts Volver arriba

Técnicas para obtener un comportamiento deseado de un modelo de lenguaje grande preentrenado únicamente a través de su texto de entrada (el prompt), sin modificar los pesos del modelo: formulación de instrucciones, demostraciones en contexto, y prompts de razonamiento estructurado.
Temas:
Non Core

  • Prompting de cero ejemplos (zero-shot) y de pocos ejemplos (few-shot): formular una tarea solo con instrucciones frente a proporcionar demostraciones de entrada/salida en contexto.
  • Prompts de cadena de pensamiento (chain-of-thought) y razonamiento paso a paso, y autoconsistencia entre múltiples rutas de razonamiento muestreadas.
  • Prompts de sistema/rol y formateo de salida estructurada (por ejemplo, solicitar respuestas restringidas a JSON o XML).
  • Sensibilidad y robustez del prompt: cómo pequeños cambios de redacción u orden afectan la salida del modelo, y el refinamiento iterativo de prompts Ingeniería de Bucles de Agentes (Loop Engineering) .

Aprendizaje esperado (Learning Outcomes):
NonCore:

  1. Diseñar un prompt de pocos ejemplos con demostraciones en contexto para una tarea dada de clasificación o extracción [Diseñar]
  2. Aplicar prompting de cadena de pensamiento para mejorar el desempeño de un modelo en una tarea de razonamiento de múltiples pasos [Aplicar]
  3. Evaluar la sensibilidad de un prompt a cambios de redacción y orden, y refinarlo para reducir la variabilidad de la salida [Evaluar]

7.1.30. AI/Generación Aumentada por Recuperación (RAG) Volver arriba

Arquitecturas que fundamentan la salida de un modelo de lenguaje grande en una fuente de conocimiento externa recuperada en el momento de la consulta, en lugar de depender únicamente del conocimiento codificado en sus pesos preentrenados: fragmentación de documentos, recuperación basada en embeddings, búsqueda de similitud vectorial, y el paso de generación que combina el contexto recuperado con la consulta del usuario.
Temas:
Non Core

  • Estrategias de fragmentación de documentos y embedding vectorial denso de fragmentos de texto para recuperación semántica.
  • Búsqueda de similitud vectorial (similitud coseno/producto punto, índices de vecinos más cercanos aproximados) y selección de base de datos/índice vectorial Sistemas NoSQL , Bases de Datos Semiestructuradas y No Estructuradas .
  • El pipeline de recuperar-y-generar: embedding de la consulta, recuperación de los top-k resultados, ensamblaje del contexto, y construcción del prompt para el modelo generador.
  • Patrones avanzados de RAG: reordenamiento (re-ranking) de los fragmentos recuperados, recuperación híbrida (dispersa+densa), y recuperación de múltiples saltos/iterativa Procesamiento del Lenguaje Natural .

Aprendizaje esperado (Learning Outcomes):
NonCore:

  1. Diseñar una estrategia de fragmentación y embedding para una colección de documentos dada, de modo que soporte recuperación semántica [Diseñar]
  2. Implementar un pipeline de recuperar-y-generar que fundamente la respuesta de un LLM en el contexto recuperado [Implementar]
  3. Comparar estrategias de recuperación densa, dispersa e híbrida en términos de exhaustividad y relevancia para un corpus dado [Comparar]
  4. Evaluar la fundamentación (groundedness) de las respuestas de un sistema RAG frente a los documentos fuente recuperados [Evaluar]

7.1.31. AI/Ajuste Fino y Métodos Eficientes en Parámetros Volver arriba

Adaptar un modelo de lenguaje grande preentrenado a una tarea o dominio específico actualizando sus pesos, desde el ajuste fino completo hasta métodos eficientes en parámetros que actualizan solo una pequeña cantidad de parámetros adicionales: LoRA y técnicas relacionadas basadas en adaptadores, y ajuste fino basado en instrucciones/preferencias.
Temas:
Non Core

  • Ajuste fino completo de un LLM preentrenado frente al costo y los riesgos de sobreajuste de actualizar todos sus parámetros con un conjunto de datos pequeño de la tarea objetivo Técnicas de Regularización para Redes Profundas .
  • Adaptación de bajo rango (LoRA) y métodos relacionados de ajuste fino eficiente en parámetros (PEFT) basados en adaptadores: actualizaciones de pesos de bajo rango, ubicación de adaptadores, y fusión de adaptadores en el modelo base.
  • Ajuste fino cuantizado (por ejemplo, QLoRA) para adaptar modelos grandes con memoria de GPU limitada.
  • Ajuste por instrucciones y ajuste fino basado en preferencias (por ejemplo, RLHF/DPO) para alinear el comportamiento de un modelo ajustado con las instrucciones y preferencias deseadas.

Aprendizaje esperado (Learning Outcomes):
NonCore:

  1. Comparar el ajuste fino completo y el ajuste fino eficiente en parámetros basado en LoRA en términos de costo computacional, huella de memoria y desempeño en la tarea [Comparar]
  2. Implementar una corrida de ajuste fino con LoRA sobre un LLM preentrenado para una tarea objetivo [Implementar]
  3. Determinar un rango y ubicación de adaptador apropiados para un presupuesto y tarea de ajuste fino dados [Determinar]
  4. Explicar cómo el ajuste por instrucciones y el ajuste fino basado en preferencias cambian el comportamiento de un modelo base respecto a su estado preentrenado [Explicar]

7.1.32. AI/Evaluación de Sistemas LLM: Benchmarks, Alucinación y Seguridad Volver arriba

Métodos para evaluar la calidad y la seguridad de un modelo de lenguaje grande más allá de las métricas clásicas de ML: benchmarks estandarizados, evaluación automática y humana de generación abierta, detección de alucinaciones, y pruebas adversarias/de seguridad (red teaming).
Temas:
Non Core

  • Benchmarks estandarizados para LLM (por ejemplo, benchmarks de conocimiento y razonamiento multitarea) y métricas de evaluación automática para generación abierta (por ejemplo, LLM-como-juez) Aprendizaje Automático: Datos, Representaciones y Evaluación .
  • Protocolos de evaluación humana: juicios de preferencia por pares, calificación basada en rúbricas, y acuerdo entre evaluadores.
  • Alucinación: causas, técnicas de detección (por ejemplo, verificación de hechos contra una fuente recuperada, verificaciones de autoconsistencia), y estrategias de mitigación Agentes de Codificación basados en LLM .
  • Pruebas adversarias y de seguridad (red teaming): intentos de jailbreak, pruebas de toxicidad/sesgo, y conjuntos de benchmarks de seguridad Redes Neuronales y Ética .

Aprendizaje esperado (Learning Outcomes):
NonCore:

  1. Diseñar un protocolo de evaluación (selección de benchmarks más una rúbrica de evaluación humana) para una aplicación basada en LLM dada [Diseñar]
  2. Detectar contenido alucinado en la salida de un LLM verificándolo contra documentos fuente recuperados [Detectar]
  3. Evaluar la robustez de una aplicación basada en LLM frente a un intento de red teaming/jailbreak y proponer mitigaciones [Evaluar (valorar)]

7.1.33. AI/Servicio de LLM, Optimización de Latencia y Costo Volver arriba

Operar modelos de lenguaje grandes en producción: la pila de servicio de inferencia, técnicas para reducir la latencia y el costo en tiempo de servicio, y las compensaciones de cada técnica sobre la calidad de la salida.
Temas:
Non Core

  • Arquitectura de servicio de LLM: agrupamiento de solicitudes (batching), batching continuo/dinámico, y el papel de la caché KV en el rendimiento de la decodificación incremental Pruebas de Rendimiento y Evaluación Comparativa .
  • Cuantización de modelos (por ejemplo, cuantización post-entrenamiento int8/int4) y sus compensaciones entre huella de memoria, latencia y calidad de salida Entrenamiento y Optimización de Redes Neuronales .
  • Estrategias de caché para sistemas de servicio de LLM: caché de prompt/respuesta, caché semántica, y reutilización de prefijo/caché KV entre solicitudes.
  • Compensaciones de optimización de costo y latencia: selección del tamaño del modelo, elección del acelerador de hardware, y enrutamiento de solicitudes entre niveles de modelos Pruebas de Rendimiento y Evaluación Comparativa .

Aprendizaje esperado (Learning Outcomes):
NonCore:

  1. Explicar cómo el batching continuo y la reutilización de la caché KV mejoran el rendimiento de un sistema de servicio de LLM [Explicar]
  2. Aplicar una técnica de cuantización a un LLM preentrenado y medir las compensaciones resultantes de latencia, memoria y calidad [Aplicar]
  3. Diseñar una estrategia de caché para una carga de trabajo de servicio de LLM dada, con el fin de reducir llamadas de inferencia redundantes [Diseñar]
  4. Estimar el costo de servicio de una aplicación basada en LLM dado un volumen de solicitudes esperado, el tamaño del modelo y el hardware [Estimar]

7.1.34. AI/Capstone de Aplicación Basada en LLM Volver arriba

Integrar las técnicas de fundamentos de LLM, prompting, recuperación, ajuste fino, flujos de trabajo agénticos, evaluación y servicio en una sola aplicación de extremo a extremo, desde un prototipo inicial hasta un sistema desplegable, pasando por un refinamiento iterativo guiado por evaluación.
Temas:
Non Core

  • Integrar un componente de prompting/RAG/agéntico, una capa de servicio y un bucle de evaluación en una sola aplicación de extremo a extremo basada en LLM Prácticas de Codificación .
  • Refinamiento iterativo guiado por evaluación de una aplicación basada en LLM: usar los resultados de evaluación y la retroalimentación de usuarios para guiar cambios en los prompts, la recuperación o el ajuste fino Construcción a Escala y Proceso .
  • Consideraciones de despliegue para una aplicación basada en LLM: empaquetado, monitoreo en producción, y un plan de reversión/respaldo ante fallas del modelo o la infraestructura.

Aprendizaje esperado (Learning Outcomes):
NonCore:

  1. Integrar componentes de prompting, recuperación y/o ajuste fino con una capa de servicio en una aplicación de extremo a extremo basada en LLM que funcione [Integrar]
  2. Usar los resultados de evaluación y la retroalimentación de usuarios para refinar iterativamente una aplicación basada en LLM desplegada [Usar]
  3. Planear una estrategia de despliegue y reversión para una aplicación basada en LLM, considerando el monitoreo y los modos de falla [Planear]

¿Encontraste una errata, un curso desactualizado, un enlace roto, o tienes una sugerencia? Cuéntanos.

Escanea para abrir en tu teléfono