Formación
19 IA
IA EMPRESARIAL: SLMS, RAG Y USO SEGURO DE LA INTELIGENCIA ARTIFICIAL
On-line,
Continua en el tiempo
IA
Descripción
Curso de IA empresarial enfocado en SLMs, RAG y uso seguro de la inteligencia artificial. Aprende a diseñar soluciones eficientes, privadas y aplicadas a negocio.
Temática de la actividad
IASkills que se desarrollarán en el curso
Comprender el uso de la IA empresarial y su aplicación en entornos de negocio. || Diferenciar entre modelos de lenguaje grandes (LLMs) y modelos eficientes (SLMs). || Identificar casos de uso de SLMs en entornos empresariales con foco en eficiencia y privacidad. || Entender el funcionamiento de los sistemas RAG y su aplicación con datos internos de la empresa. || Conocer los elementos clave de un sistema RAG incluyendo preparación de datos y recuperación de información. || Aplicar técnicas para reducir errores y alucinaciones en sistemas de inteligencia artificial. || Utilizar prompting estructurado y estrategias de verificación para mejorar la fiabilidad de las respuestas. || Definir un uso seguro de la inteligencia artificial en procesos y flujos de trabajo empresariales. || el curso se imparte íntegramente en inglés
Precio
300,00 €
Duración Teórica
40 horas
Disponibilidad horaria
Sin restricciones horarias
Observaciones
Curso de IA empresarial enfocado en SLMs, RAG y uso seguro de la inteligencia artificial. Aprende a diseñar soluciones eficientes, privadas y aplicadas a negocio. ?? Importante: el curso se imparte íntegramente en inglés
Programa
I.
Small Language Models (SLMs): Private AI, Edge & Strategy
1.
Introduction to SLMs: Why Now?
1.1
AI Evolution: From Giant LLMs to Smart SLMs (Phi-3, Gemma 2, Llama 3.2)
1.2
Problems with Large LLMs: Cost, Latency, Privacy
1.3
Competitive Advantage: SLMs on Edge Devices, Mobile Apps, Local Intranets
2.
What Are SLMs? Key Concepts Without Math
2.1
Simple Technical Difference: Fewer Parameters = More Efficiency (e.g., 3B vs 70B)
2.2
How They Work: Distillation, Pruning, Quantization Explained Visually
2.3
Visual Comparison: SLM vs LLM in Speed, Memory, Accuracy
3.
Business Benefits: Efficiency and Scalability
3.1
Cost: Dramatically Cheaper in Inference and Deployment
3.2
Privacy: Local Models Without Sending Data to the Cloud
3.3
Speed: Millisecond Responses for Real-Time Apps
3.4
Initial Cases: Internal Chatbots, Offline Analysis, Edge Personalization
4.
How Non-Technical People CAN Use SLMs TODAY
4.1
Everyday Apps with Embedded SLMs: Mobile (Local Assistants), Office (Copilot Edge), Browsers
4.2
Accessible Platforms: Ollama Desktop, LM Studio, Mobile Apps with Embedded SLMs
4.3
Practical Examples in Slides: "Chat with Your Documents Offline", "Local Summaries", "Translator Without Internet"
4.4
Checklist: 3 Ways to Try SLMs Today Without IT or Programming
5.
Business Use Cases for SLMs
5.1
Customer Support: SLMs in Mobile Apps Without Connection
5.2
Field Service: AI on Tablets for Technicians (Offline Diagnostics)
5.3
Knowledge Workers: Local Assistants for Internal Documents/Processes
5.4
IoT/Edge: Prediction in Factories, Smart Sensors
5.5
Mini Exercise: Map 3 Processes in Your Company to Possible SLMs
6.
Limitations and When NOT to Use SLMs
6.1
Precision Gap: Complex Tasks Where LLMs Win
6.2
Fine-tuning Challenges vs Mature LLMs
6.3
Decision Framework: SLM vs LLM vs Simple Rules
7.
Non-Technical Implementation: Working with Teams
7.1
How to Present SLM Use Cases to IT/Data Teams (Expected Inputs/Outputs)
7.2
Common Platforms (Hugging Face, ONNX, Ollama) - High Level
7.3
Real Costs: Minimum Hardware, Cloud vs On-Premise
7.4
Business Case Template for SLMs
8.
Future of SLMs and Next Steps
8.1
2026 Roadmap: Multimodal SLMs, Local Agents
8.2
Pioneer Companies: Microsoft Phi, Google Gemma Cases in Production
8.3
Checklist: Evaluate if Your Next AI Project Needs an SLM
8.4
Final Workshop: From 3 Generic Ideas, Select the Best One for SLM
II.
RAG for Enterprise Knowledge: Making AI work with your company's data
1.
Introduction to RAG: The Missing Piece in Enterprise AI
1.1
The Problem: Why ChatGPT Doesn't Know Your Company
1.2
What Goes Wrong: Hallucinations, Outdated Info, Generic Answers
1.3
The Solution: RAG Brings Your Documents to AI
2.
What is RAG? Core Concepts Without the Math
2.1
The Two-Step Process: Retrieve, Then Generate
2.2
How RAG Finds Relevant Information (Embeddings Explained Simply)
2.3
Why RAG Reduces Hallucinations and Improves Accuracy
3.
Business Benefits: Accuracy, Control, and Up-to-Date Knowledge
3.1
Accuracy: Answers Grounded in Your Documents
3.2
Control: You Decide What Data AI Can Access
3.3
Always Current: Update Documents, Not Models
3.4
Traceability: Citations and Source References
4.
How Non-Technical People Can Use RAG TODAY
4.1
Category 1: "Personal RAG" (Ad-hoc Tools)
4.2
Category 2: "Corporate Search Engines" (Enterprise Search)
4.3
Category 3: "RAG Builders" (Low-Code / Custom)
4.4
Decision Framework: Which Category Do You Need?
5.
Enterprise Use Cases for RAG
5.1
Internal Knowledge Bases: HR, IT, Operations Manuals
5.2
Customer Support: Technical Documentation and Product Guides
5.3
Research and Analysis: Legal, Compliance, Market Research
5.4
Sales Enablement: RFP Responses, Competitive Intelligence
5.5
Mini Exercise: Identify 3 Document-Heavy Processes in Your Company
6.
Limitations and When RAG Isn't Enough
6.1
Retrieval Quality: Garbage In, Garbage Out
6.2
Context Window Limits: Too Much or Too Little Information
6.3
When to Use RAG vs Fine-Tuning vs Hybrid Approaches
7.
Working with Teams: RAG Implementation Without Coding
7.1
How to Specify RAG Requirements to IT Teams
7.2
Document Preparation: What Makes Good RAG Data
7.3
Common Platforms: Pinecone, Weaviate, LangChain (High Level)
7.4
Rag Closing
III.
AI Accuracy & Guardrails: Stop Hallucinations & Spot Errors
1.
Why AI Gets Things Wrong
1.1
How generative models work at a high level (statistical patterns, not logic)
1.2
Hallucinations: what they are and why they occur (invented data, references, facts)
1.3
Other common errors: biases, vague answers, misunderstanding context
2.
Spotting AI Errors in Real Time
2.1
Warning signs in text: overly confident tone, lack of sources, contradictions
2.2
Warning signs in data/numbers: impossible calculations, strange dates, dubious references
2.3
Practical examples: “good response” vs “hallucination” side by side
3.
Questioning & Probing Techniques
3.1
Verification questions: “How do you know that?”, “Show your steps”, “What alternatives exist?”
3.2
Asking for self-review: “Check your response for errors”, “Critique your own argument”
3.3
Effective patterns: Devil’s Advocate, Multi-View, Step-By-Step
4.
Simple Guardrails You Can Ask the AI to Apply
4.1
Structural guardrails
4.2
Verification guardrails
4.3
Consistency guardrails
4.4
Guardrails walkthrough
4.5
Guardrail prompt templates
5.
Understanding AI Limits
5.1
Why AI sounds confident
5.2
Structural limitations
5.3
When not to trust AI
6.
Safe AI Use at Work
6.1
Golden rules for safe use
6.2
AI + humans + sources
6.3
Final error-fixing workshop
7.
Bonus: Future AI Risks
7.1
Goal-driven AI risks
7.2
More autonomous AI
7.3
Why humans stay in the loop
Small Language Models (SLMs): Private AI, Edge & Strategy
1.
Introduction to SLMs: Why Now?
1.1
AI Evolution: From Giant LLMs to Smart SLMs (Phi-3, Gemma 2, Llama 3.2)
1.2
Problems with Large LLMs: Cost, Latency, Privacy
1.3
Competitive Advantage: SLMs on Edge Devices, Mobile Apps, Local Intranets
2.
What Are SLMs? Key Concepts Without Math
2.1
Simple Technical Difference: Fewer Parameters = More Efficiency (e.g., 3B vs 70B)
2.2
How They Work: Distillation, Pruning, Quantization Explained Visually
2.3
Visual Comparison: SLM vs LLM in Speed, Memory, Accuracy
3.
Business Benefits: Efficiency and Scalability
3.1
Cost: Dramatically Cheaper in Inference and Deployment
3.2
Privacy: Local Models Without Sending Data to the Cloud
3.3
Speed: Millisecond Responses for Real-Time Apps
3.4
Initial Cases: Internal Chatbots, Offline Analysis, Edge Personalization
4.
How Non-Technical People CAN Use SLMs TODAY
4.1
Everyday Apps with Embedded SLMs: Mobile (Local Assistants), Office (Copilot Edge), Browsers
4.2
Accessible Platforms: Ollama Desktop, LM Studio, Mobile Apps with Embedded SLMs
4.3
Practical Examples in Slides: "Chat with Your Documents Offline", "Local Summaries", "Translator Without Internet"
4.4
Checklist: 3 Ways to Try SLMs Today Without IT or Programming
5.
Business Use Cases for SLMs
5.1
Customer Support: SLMs in Mobile Apps Without Connection
5.2
Field Service: AI on Tablets for Technicians (Offline Diagnostics)
5.3
Knowledge Workers: Local Assistants for Internal Documents/Processes
5.4
IoT/Edge: Prediction in Factories, Smart Sensors
5.5
Mini Exercise: Map 3 Processes in Your Company to Possible SLMs
6.
Limitations and When NOT to Use SLMs
6.1
Precision Gap: Complex Tasks Where LLMs Win
6.2
Fine-tuning Challenges vs Mature LLMs
6.3
Decision Framework: SLM vs LLM vs Simple Rules
7.
Non-Technical Implementation: Working with Teams
7.1
How to Present SLM Use Cases to IT/Data Teams (Expected Inputs/Outputs)
7.2
Common Platforms (Hugging Face, ONNX, Ollama) - High Level
7.3
Real Costs: Minimum Hardware, Cloud vs On-Premise
7.4
Business Case Template for SLMs
8.
Future of SLMs and Next Steps
8.1
2026 Roadmap: Multimodal SLMs, Local Agents
8.2
Pioneer Companies: Microsoft Phi, Google Gemma Cases in Production
8.3
Checklist: Evaluate if Your Next AI Project Needs an SLM
8.4
Final Workshop: From 3 Generic Ideas, Select the Best One for SLM
II.
RAG for Enterprise Knowledge: Making AI work with your company's data
1.
Introduction to RAG: The Missing Piece in Enterprise AI
1.1
The Problem: Why ChatGPT Doesn't Know Your Company
1.2
What Goes Wrong: Hallucinations, Outdated Info, Generic Answers
1.3
The Solution: RAG Brings Your Documents to AI
2.
What is RAG? Core Concepts Without the Math
2.1
The Two-Step Process: Retrieve, Then Generate
2.2
How RAG Finds Relevant Information (Embeddings Explained Simply)
2.3
Why RAG Reduces Hallucinations and Improves Accuracy
3.
Business Benefits: Accuracy, Control, and Up-to-Date Knowledge
3.1
Accuracy: Answers Grounded in Your Documents
3.2
Control: You Decide What Data AI Can Access
3.3
Always Current: Update Documents, Not Models
3.4
Traceability: Citations and Source References
4.
How Non-Technical People Can Use RAG TODAY
4.1
Category 1: "Personal RAG" (Ad-hoc Tools)
4.2
Category 2: "Corporate Search Engines" (Enterprise Search)
4.3
Category 3: "RAG Builders" (Low-Code / Custom)
4.4
Decision Framework: Which Category Do You Need?
5.
Enterprise Use Cases for RAG
5.1
Internal Knowledge Bases: HR, IT, Operations Manuals
5.2
Customer Support: Technical Documentation and Product Guides
5.3
Research and Analysis: Legal, Compliance, Market Research
5.4
Sales Enablement: RFP Responses, Competitive Intelligence
5.5
Mini Exercise: Identify 3 Document-Heavy Processes in Your Company
6.
Limitations and When RAG Isn't Enough
6.1
Retrieval Quality: Garbage In, Garbage Out
6.2
Context Window Limits: Too Much or Too Little Information
6.3
When to Use RAG vs Fine-Tuning vs Hybrid Approaches
7.
Working with Teams: RAG Implementation Without Coding
7.1
How to Specify RAG Requirements to IT Teams
7.2
Document Preparation: What Makes Good RAG Data
7.3
Common Platforms: Pinecone, Weaviate, LangChain (High Level)
7.4
Rag Closing
III.
AI Accuracy & Guardrails: Stop Hallucinations & Spot Errors
1.
Why AI Gets Things Wrong
1.1
How generative models work at a high level (statistical patterns, not logic)
1.2
Hallucinations: what they are and why they occur (invented data, references, facts)
1.3
Other common errors: biases, vague answers, misunderstanding context
2.
Spotting AI Errors in Real Time
2.1
Warning signs in text: overly confident tone, lack of sources, contradictions
2.2
Warning signs in data/numbers: impossible calculations, strange dates, dubious references
2.3
Practical examples: “good response” vs “hallucination” side by side
3.
Questioning & Probing Techniques
3.1
Verification questions: “How do you know that?”, “Show your steps”, “What alternatives exist?”
3.2
Asking for self-review: “Check your response for errors”, “Critique your own argument”
3.3
Effective patterns: Devil’s Advocate, Multi-View, Step-By-Step
4.
Simple Guardrails You Can Ask the AI to Apply
4.1
Structural guardrails
4.2
Verification guardrails
4.3
Consistency guardrails
4.4
Guardrails walkthrough
4.5
Guardrail prompt templates
5.
Understanding AI Limits
5.1
Why AI sounds confident
5.2
Structural limitations
5.3
When not to trust AI
6.
Safe AI Use at Work
6.1
Golden rules for safe use
6.2
AI + humans + sources
6.3
Final error-fixing workshop
7.
Bonus: Future AI Risks
7.1
Goal-driven AI risks
7.2
More autonomous AI
7.3
Why humans stay in the loop
Objetivos
-Comprender el uso de la IA empresarial y su aplicación en entornos de negocio.
-Diferenciar entre modelos de lenguaje grandes (LLMs) y modelos eficientes (SLMs).
-Identificar casos de uso de SLMs en entornos empresariales con foco en eficiencia y privacidad.
-Entender el funcionamiento de los sistemas RAG y su aplicación con datos internos de la empresa.
-Conocer los elementos clave de un sistema RAG, incluyendo preparación de datos y recuperación de información.
-Aplicar técnicas para reducir errores y alucinaciones en sistemas de inteligencia artificial.
-Utilizar prompting estructurado y estrategias de verificación para mejorar la fiabilidad de las respuestas.
-Definir un uso seguro de la inteligencia artificial en procesos y flujos de trabajo empresariales.
Importante: el curso se imparte íntegramente en inglés, aunque el soporte y la información del curso se presentan en español.
-Diferenciar entre modelos de lenguaje grandes (LLMs) y modelos eficientes (SLMs).
-Identificar casos de uso de SLMs en entornos empresariales con foco en eficiencia y privacidad.
-Entender el funcionamiento de los sistemas RAG y su aplicación con datos internos de la empresa.
-Conocer los elementos clave de un sistema RAG, incluyendo preparación de datos y recuperación de información.
-Aplicar técnicas para reducir errores y alucinaciones en sistemas de inteligencia artificial.
-Utilizar prompting estructurado y estrategias de verificación para mejorar la fiabilidad de las respuestas.
-Definir un uso seguro de la inteligencia artificial en procesos y flujos de trabajo empresariales.
Importante: el curso se imparte íntegramente en inglés, aunque el soporte y la información del curso se presentan en español.
Cursos de TRAINING IT
Usarás Playwright y agentes de IA con responsabilidades distintas para especificar, generar y ejecutar pruebas, y aprenderás a investigar los fallos para decidir si corregir o reportar un defecto.
Tanto si ya has probado Claude Code como si aún estás decidiendo qué herramienta de IA usar, aquí verás cómo sacarle partido en .NET. Prepararás CLAUDE.md, controlarás el contexto y los permisos de la...
CONTENEDORES DOCKER EN LINUX: IMÁGENES Y REDES
On-line,
Continua en el tiempo
PROGRAMACIÓN DE SISTEMAS INFORMÁTICOS
Aprende a lanzar y gestionar contenedores Docker, crear tus propias imágenes con Dockerfile y conectar varios servicios con Docker Compose. Un curso práctico, hecho íntegramente en la terminal de Linu...
Aprende a integrar modelos de lenguaje, construir agentes IA y trabajar con bases de datos vectoriales usando Spring AI. Un curso práctico para desarrolladores Java que quieran añadir inteligencia art...
Aprende a aplicar la IA a tareas legales reales: investigar jurisprudencia, redactar y revisar contratos, y diseñar flujos de trabajo con criterio humano, usando ChatGPT, Claude y herramientas legales...
CURSO DE LINUX HARDENING: DEFENSA EN PROFUNDIDAD
On-line,
Continua en el tiempo
SISTEMAS DE GESTIÓN DE INFORMACIÓN
Aprende a defender un servidor Linux capa a capa con cortafuegos, OSSEC, Lynis y cifrado de disco con LUKS. Un curso práctico para sysadmins y para quien quiere empezar en seguridad, con laboratorios ...
CURSO LPIC 102: SHELL, REDES Y SEGURIDAD EN LINUX
On-line,
Continua en el tiempo
PROGRAMACIÓN DE SISTEMAS INFORMÁTICOS
Aprende a administrar usuarios y grupos, automatizar tareas con cron y proteger tus sistemas con SSH y GPG en Linux. Un curso práctico pensado para quienes ya trabajan con Linux y quieren preparar el ...
CURSO LPIC 101: APRENDE LINUX Y PREPARA TU EXAMEN
On-line,
Continua en el tiempo
PROGRAMACIÓN DE SISTEMAS INFORMÁTICOS
Aprende a configurar el arranque de Linux con GRUB y systemd, gestionar particiones y administrar paquetes con dpkg y RPM. Un curso práctico, en español, pensado tanto para quien quiere prepararse el ...
LINUX ESSENTIALS: COMANDOS, PERMISOS Y CERTIFICACIÓN LPI
On-line,
Continua en el tiempo
PROGRAMACIÓN DE SISTEMAS INFORMÁTICOS
Aprende comandos, permisos y redes en Linux practicando en terminal real con Bash. Pensado tanto para quien empieza de cero como para quien ya trabaja con sistemas y quiere preparar la certificación L...
Aprende a definir specs, planes y tareas, y a construir un backend .NET real con GitHub Copilot, Entity Framework Core y PostgreSQL. Un curso práctico para desarrolladores .NET y arquitectos de softwa...
Aprende a usar ChatGPT para seleccionar candidatos, evaluar el desempeño, resolver dudas de nómina y diseñar formaciones. Un curso práctico para profesionales de RRHH que quieran aplicar la IA a las t...
Aprende a planificar clases, crear contenidos y dar feedback con ChatGPT, Claude y Gemini, y a usar agentes de IA aplicados a la educación. Un curso práctico para docentes y formadores que quieran apl...
Aprende a crear, personalizar y automatizar asistentes de IA con ChatGPT, Gemini y Claude, o en local con Ollama y AnythingLLM. Un curso práctico para profesionales y emprendedores que quieran tener s...
A lo largo del curso descubrirás cómo crear presentaciones profesionales que vayan mucho más allá de las típicas diapositivas aburridas. Aprenderás a organizar tus ideas, estructurar el contenido y ap...
NOTION PARA PROFESIONALES: HERRAMIENTAS AVANZADAS DE PRODUCTIVIDAD Y GESTIÓN
On-line,
Continua en el tiempo
ADMINISTRACIÓN DE BASES DE DATOS
Domina la gestión y automatización de proyectos con Notion, elevando tu productividad al máximo nivel
GESTIÓN AVANZADA DEL DATO: ESTRATEGIA, CALIDAD Y DATOS MAESTROS
On-line,
Continua en el tiempo
Ofimática
Curso completo de Gestión Avanzada del Dato con enfoque DAMA. Aprende estrategia de datos, calidad de la información y gestión de datos maestros (MDM).
Aprende a sacar el máximo partido a Claude: investiga, redacta informes, genera presentaciones y automatiza tareas con inteligencia artificial. Un curso práctico para profesionales que quieran integra...
Mejora tu productividad y añade una herramienta increíble a tu día a día. Google Sheets, las hojas de cálculo de Google.
Obtén de manera rápida, sencilla y dinámica las conclusiones que necesitas para alcanzar el éxito en tus negocios.
Curso de LangGraph enfocado en la creación de agentes de IA con RAG y sistemas multiagente. Aprende a diseñar flujos, gestionar memoria y construir soluciones completas paso a paso.
Software para las Agencias de colocación