[IAT-040] Ingeniería de Prompts en IA Generativa

Este curso aborda la creación y optimización de prompts, técnicas avanzadas como RAG y finetuning, además de herramientas y mejores prácticas para desarrollar aplicaciones eficaces y éticas. Incluye aspectos clave como encadenamiento de modelos y estrategias de división de datos, ofreciendo aplicaciones prácticas y casos de estudio.

Duración:                    16 horas

Perfil:                           Avanzado

Dirigido a

Este curso está diseñado para profesionales y técnicos interesados en adentrarse en el mundo de la inteligencia artificial generativa.

Requisitos previos 

Los alumnos necesitarán tener conocimientos consolidados del lenguaje de programación Python.

Objetivos

• Comprender los principios fundamentales de la ingeniería de prompts.

• Aplicar técnicas avanzadas de ingeniería de prompts.

• Conocer las aplicaciones prácticas de la IA generativa.

• Entender los conceptos y la implementación de Retrieval Augmented Generation (RAG).

• Realizar el ajuste fino de modelos generativos.

• Aplicar técnicas de encadenamiento de modelos.

Contenido

1. Introducción a la Ingeniería de Prompts

   1. ¿Qué es un Prompt?

   2. El papel de los Prompts como entrada en un modelo de lenguaje

2. Aspectos Fundamentales de la Ingeniería de Prompts

   1. Conceptos Básicos

   2. Factores de influencia al crear un prompt

   3. Técnicas para crear prompts más efectivos

3. Prompts Avanzados

   1. Introducción a prompts complejos, con ejemplos como formular preguntas en contextos específicos, adaptando el tono y la complejidad

   2. Discusión sobre cómo manejar ambigüedades y optimizar la precisión

4. Mejores Prácticas en la Creación y Uso de Prompts

   1. Test interactivo

   2. Balance entre usuario y modelo

   3. Uso de API para integrar prompts en aplicaciones

   4. Aspectos éticos

5. Casos de Estudio y Aplicaciones

6. RAG (Retrieval Augmented Generation)

   1. Conceptos básicos

   2. Implementación

   3. Ejemplos

7. Finetuning (Ajuste fino del modelo)

   1. Diferencias entre modelos preentrenados y modelos ajustados

   2. Proceso de finetuning

   3. Selección del dataset y métricas de evaluación

   4. Ejemplos de modelos

8. Chaining (Encadenamiento de Modelos)

   1. Concepto y definición

   2. Implementación de encadenamiento de modelos

   3. Optimización y rendimiento

   4. Aplicaciones avanzadas

9. Splitting (División de Datos)

   1. Fundamentos

   2. Estrategias de división

   3. Validación cruzada

10. Herramientas de IA

    1. Revisión de las principales herramientas y plataformas disponibles para trabajar con IA generativa (OpenAI, Hugging Face, etc.)

Documentación Recomendada

Practical Generative AI with ChatGPT, Second Edition
Valentina Alto
Mar 2025

https://www.packtpub.com/en-us/product/practical-generative-ai-with-chatgpt-9781836647843