AI Practitioner
Aplica la inteligencia artificial con criterio profesional.
El AI Practitioner es un itinerario eminentemente práctico que te enseña a usar la inteligencia artificial en el trabajo real: desde los fundamentos y Python, hasta el prompt engineering, los agentes, el RAG y la automatización de procesos. Recorre las herramientas que de verdad se usan hoy —ChatGPT, Claude, Gemini, Copilot, Ollama, Power Automate, Midjourney— y culmina con un módulo imprescindible de ética y regulación (EU AI Act). El objetivo no es solo saber usar la IA, sino aplicarla con criterio, seguridad y responsabilidad.
Ver programa completo: objetivos, temario y horas
Objetivos de aprendizaje
- Entender los fundamentos y el panorama actual de la IA
- Programar lo esencial en Python para IA
- Ejecutar modelos en local y en la nube
- Dominar el prompt engineering profesional
- Construir agentes y sistemas RAG con conocimiento propio
- Automatizar procesos con Power Automate y AI Builder
- Generar contenido visual con IA
- Aplicar la IA de forma ética y conforme a la regulación
Competencias que adquieres
- Prompt engineering avanzado
- Despliegue de modelos locales (Ollama, LM Studio)
- Construcción de agentes (LangChain / CrewAI)
- Sistemas RAG y bases de datos vectoriales
- Automatización con IA
- Generación de imagen y vídeo
- Criterio ético y normativo (EU AI Act)
¿A quién va dirigido?
- ·Profesionales que quieren incorporar IA a su trabajo
- ·Perfiles de productividad, marketing y operaciones
- ·Técnicos que quieren desplegar modelos y agentes
- ·Emprendedores y autónomos
- ·Cualquiera con interés en IA aplicada (sin necesidad de ser programador)
Salidas profesionales
- ·Especialista en IA aplicada
- ·Consultor de automatización con IA
- ·Responsable de IA y productividad en la empresa
- ·Creador de contenido con IA
- ·Prompt engineer
- ·Analista de adopción de IA
Metodología
Cada módulo combina un manual de teoría, recursos y herramientas del sector, un cuestionario de autoevaluación y actividades prácticas —obligatoria y optativa— corregidas por tu formador con feedback.
Requisitos
- · Conocimientos básicos de informática
- · Para el módulo de Python no se requiere experiencia previa de programación
- · Ordenador con conexión a Internet
Temario · 21 módulos
1IntroducciónQué es la IA, su historia y sus aplicaciones; comparación de los principales modelos.
Bibliografía recomendada
- Artificial Intelligence: A Modern Approach (4ª edición) — Stuart Russell y Peter Norvig
- Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3ª edición) — Aurélien Géron
- AI Engineering: Building Applications with Foundation Models — Chip Huyen
Recursos oficiales
- Anthropic Courses (Claude / Prompt Engineering Interactive Tutorial) · Anthropic
- Microsoft Learn - AI for Beginners / fundamentos de IA · Microsoft
- Hugging Face Learn (cursos de NLP y LLM) · Hugging Face
- Documentación oficial de la API de Claude · Anthropic
Laboratorio propuesto
Primer contacto con un LLM: prompting estructurado siguiendo la guía oficial de Anthropic
Comprender de forma práctica cómo interactuar con un modelo de lenguaje grande aplicando las técnicas de prompting recomendadas en la documentación oficial de Anthropic (instrucciones claras, roles de sistema, uso de ejemplos y delimitadores), evaluando cómo cambian las respuestas según la calidad del prompt.
2Python para IALa base de programación necesaria para trabajar con IA.
Bibliografía recomendada
- Python Crash Course — Eric Matthes
- Fluent Python — Luciano Ramalho
- Python for Data Analysis — Wes McKinney
Recursos oficiales
- Documentación oficial de la API de Claude y SDK de Python · Anthropic
- Hugging Face LLM Course (Transformers, Tokenizers, Datasets) · Hugging Face
- Documentación oficial del SDK de Python de OpenAI · OpenAI
- Tutorial oficial del lenguaje Python · Python Software Foundation
Laboratorio propuesto
Primer cliente de IA en Python: entorno, SDK y llamada a un modelo
Configurar un entorno de desarrollo Python reproducible y realizar la primera llamada programática a un modelo de lenguaje (Claude) usando el SDK oficial, gestionando la clave de API de forma segura mediante variables de entorno.
3IA en localEjecutar modelos de IA en tu propia máquina.
Bibliografía recomendada
- Hands-On Large Language Models — Jay Alammar y Maarten Grootendorst (O'Reilly)
- Build a Large Language Model (From Scratch) — Sebastian Raschka (Manning)
- Hands-On Small Language Models — O'Reilly Media
Recursos oficiales
- Documentación oficial de Ollama (Quickstart y Modelfile) · Ollama
- Transformers: tutorial de generación de texto y ejecución local (modo offline) · Hugging Face
- Phi Cookbook y modelos abiertos Phi para ejecución local (Ollama, ONNX Runtime, LM Studio) · Microsoft / Microsoft Learn
- Instalación de Transformers y configuración del entorno local (caché y HF_HUB_OFFLINE) · Hugging Face
Laboratorio propuesto
Despliegue y personalización de un LLM en local con Ollama
Instalar Ollama, ejecutar un modelo abierto de forma totalmente local (sin conexión a servicios externos), interactuar con él por CLI y API REST, y crear una variante personalizada mediante un Modelfile con prompt de sistema y parámetros propios, siguiendo la documentación oficial del fabricante.
4Modelos de IA: Análisis de SentimientosEntrenamiento y evaluación de modelos para clasificar texto.
Bibliografía recomendada
- Natural Language Processing with Transformers — Lewis Tunstall, Leandro von Werra y Thomas Wolf
- Speech and Language Processing — Daniel Jurafsky y James H. Martin
- Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow — Aurélien Géron
Recursos oficiales
- Text classification (clasificación de texto y análisis de sentimientos) · Hugging Face
- Getting Started with Sentiment Analysis using Python · Hugging Face
- Sentiment analysis y opinion mining en Azure AI Language · Microsoft Learn
- Prompt engineering overview (clasificación con Claude mediante prompting) · Anthropic
Laboratorio propuesto
Fine-tuning de un clasificador de sentimientos con DistilBERT y Hugging Face
Entrenar (fine-tuning) un modelo Transformer preentrenado para clasificar críticas de cine como positivas o negativas, evaluar su exactitud y usarlo para inferencia, siguiendo la guía oficial de Hugging Face.
5ChatGPTUso profesional de ChatGPT y ChatGPT Enterprise.
Bibliografía recomendada
- The ChatGPT Millionaire: Making Money Online has never been this Easy — Neil Dagger
- AI 2041: Ten Visions for Our Future — Kai-Fu Lee y Chen Qiufan
- Co-Intelligence: Living and Working with AI — Ethan Mollick
Recursos oficiales
Laboratorio propuesto
Diseño de prompts efectivos y creación de un GPT personalizado
Aplicar las técnicas oficiales de prompt engineering de OpenAI para resolver una tarea profesional concreta y, a continuación, encapsular esa solución en un GPT personalizado reutilizable mediante el GPT Builder.
6Prompt EngineeringTécnicas avanzadas para obtener mejores resultados de los LLMs.
Bibliografía recomendada
- Prompt Engineering for Generative AI — James Phoenix y Mike Taylor
- AI Engineering: Building Applications with Foundation Models — Chip Huyen
- Build a Large Language Model (From Scratch) — Sebastian Raschka
Recursos oficiales
Laboratorio propuesto
Diseño iterativo de prompts con el tutorial interactivo oficial de Anthropic
Aplicar de forma práctica las técnicas fundamentales de prompt engineering (estructura básica, claridad, asignación de roles, separación de datos e instrucciones, formato de salida, razonamiento paso a paso y few-shot) siguiendo la guía oficial de Anthropic, y comparar resultados con la documentación oficial de OpenAI y Google.
7Microsoft CopilotProductividad con IA en el ecosistema Microsoft 365.
Bibliografía recomendada
- Microsoft 365 Copilot At Work: Using AI to Get the Most from Your Business Data and Favorite Apps — Jared Matfess, Thomas Hanley, Ryan Schouten
- Microsoft 365 Copilot - Unlocking Productivity with Copilot and Office — Henry Habib
- Copilot for Microsoft 365: Harness the Power of Generative AI in the Microsoft Apps You Use Every Day — Jess Stratton
Recursos oficiales
- Aprende a usar Microsoft Copilot (documentación oficial) · Microsoft Learn
- Documentación oficial de Microsoft Copilot Studio · Microsoft Learn
- Guía de adopción y onboarding de Microsoft 365 Copilot para administradores de TI · Microsoft Learn
- Quickstart: crear y publicar un agente en Copilot Studio · Microsoft Learn
Laboratorio propuesto
Creación de un agente declarativo con Microsoft Copilot Studio
Construir y publicar un agente conversacional básico en Microsoft Copilot Studio siguiendo la guía oficial de inicio rápido, comprendiendo el ciclo de vida de un agente (creación, prueba y publicación) y cómo anclar sus respuestas a una fuente de conocimiento concreta.
8Herramientas de IA GenerativaPanorama de las principales herramientas: Claude, Gemini y más.
Bibliografía recomendada
- Generative Deep Learning: Teaching Machines to Paint, Write, Compose, and Play (2.ª edición) — David Foster
- AI Engineering: Building Applications with Foundation Models — Chip Huyen
- Prompt Engineering for Generative AI — James Phoenix y Mike Taylor
Recursos oficiales
- Documentación oficial de Claude (incluye guía de ingeniería de prompts y tutorial interactivo) · Anthropic
- OpenAI Platform Documentation (guías de API, modelos y prompting) · OpenAI
- Generative AI for Beginners (curso oficial de 21 lecciones) · Microsoft
- Hugging Face Learn (cursos de LLM, NLP y cookbook de RAG) · Hugging Face
Laboratorio propuesto
Asistente conversacional con herramientas (tool use) usando la API de Claude
Construir un asistente de IA generativa que responda a consultas y, mediante la función de uso de herramientas (tool use) descrita en la documentación oficial de Anthropic, invoque una herramienta externa definida por el alumno para devolver datos reales en lugar de respuestas inventadas.
9OllamaDespliegue y personalización de modelos open-source en local.
Bibliografía recomendada
- Hands-On Large Language Models: Language Understanding and Generation — Jay Alammar y Maarten Grootendorst
- AI Engineering: Building Applications with Foundation Models — Chip Huyen
- Build a Large Language Model (From Scratch) — Sebastian Raschka
Recursos oficiales
- Documentación oficial de Ollama (docs.ollama.com) · Ollama
- Quickstart oficial de Ollama · Ollama
- Referencia del Modelfile · Ollama
- Referencia de la API REST · Ollama
Laboratorio propuesto
Despliegue local y personalización de un asistente con Ollama
Instalar Ollama, ejecutar un modelo abierto en local, crear un asistente personalizado mediante un Modelfile e integrarlo a través de su API REST, siguiendo exclusivamente las guías oficiales de Ollama.
10Power AutomateAutomatización empresarial potenciada con IA.
Bibliografía recomendada
- Workflow Automation with Microsoft Power Automate (Third Edition) — Aaron Guilmette
- Deep Dive into Power Automate: Learn by Example — Goloknath Mishra
Recursos oficiales
- Documentación oficial de Microsoft Power Automate · Microsoft
- Ruta de aprendizaje: Automatizar un proceso de negocio con Power Automate · Microsoft Learn
- Ruta de aprendizaje: Flujos de escritorio y automatización robótica de procesos (RPA) · Microsoft Learn
- Módulo: Cree su primer flujo de escritorio de Power Automate · Microsoft Learn
Laboratorio propuesto
Flujo automatizado de aprobación con notificación y resumen mediante IA
Construir un flujo en la nube de Power Automate que automatice una solicitud de aprobación a partir de un evento (formulario o elemento de lista), envíe la petición al aprobador y notifique el resultado, siguiendo la guía oficial de Microsoft Learn para crear flujos en la nube. Como extensión opcional, integrar IA Builder o un conector de IA para generar un resumen de la solicitud.
11Generación de Imágenes y Vídeo con IACrear contenido visual con modelos generativos.
Bibliografía recomendada
- Generative Deep Learning: Teaching Machines to Paint, Write, Compose, and Play (2.ª edición) — David Foster
- Hands-On Generative AI with Transformers and Diffusion Models — Omar Sanseviero, Pedro Cuenca, Apolinário Passos y Jonathan Whitaker
- Deep Learning (Adaptive Computation and Machine Learning series) — Ian Goodfellow, Yoshua Bengio y Aaron Courville
Recursos oficiales
- Image generation guide (API de generación de imágenes con GPT Image) · OpenAI
- Generate videos with Veo on Vertex AI (Veo e Imagen) · Google Cloud (Vertex AI)
- Diffusers: Text-to-image y modelos de difusión de última generación · Hugging Face
- Azure OpenAI Service: generación de imágenes (documentación y tutoriales) · Microsoft Learn
Laboratorio propuesto
Pipeline de generación: de texto a imagen y de imagen a vídeo con APIs oficiales
Construir un flujo reproducible que genere una imagen a partir de un prompt de texto y la anime convirtiéndola en un clip de vídeo corto, comparando un enfoque de código abierto (Hugging Face Diffusers) con un enfoque de proveedor gestionado (OpenAI para imagen y Google Veo en Vertex AI para vídeo), evaluando coste, calidad, control del prompt y metadatos de procedencia (C2PA).
12Agentes de IAAutomatización inteligente mediante agentes autónomos.
Bibliografía recomendada
- AI Engineering: Building Applications with Foundation Models — Chip Huyen
- Building LLM Powered Applications: Create Intelligent Apps and Agents with Large Language Models — Valentina Alto
- Natural Language Processing with Transformers — Lewis Tunstall, Leandro von Werra y Thomas Wolf
Recursos oficiales
- Building Effective Agents (guía de ingeniería de Anthropic) · Anthropic
- Anthropic Academy: Build with Claude · Anthropic
- OpenAI Agents SDK (documentación oficial) · OpenAI
- Hugging Face AI Agents Course (smolagents) · Hugging Face
Laboratorio propuesto
Construcción de un agente con herramientas siguiendo la guía oficial de Anthropic
Implementar un agente sencillo pero funcional que razone, decida cuándo invocar herramientas externas y ejecute un bucle agéntico (percepción-decisión-acción-observación), aplicando los patrones recomendados en la guía oficial Building Effective Agents de Anthropic y la documentación de tool use de la API de Claude.
13RAG y Bases de Datos VectorialesDar conocimiento propio a los LLMs con Retrieval-Augmented Generation.
Bibliografía recomendada
- Natural Language Processing with Transformers (Revised Edition) — Lewis Tunstall, Leandro von Werra y Thomas Wolf
- Building LLM Powered Applications — Valentina Alto
- AI Engineering: Building Applications with Foundation Models — Chip Huyen
Recursos oficiales
- Claude Cookbook: Enhancing RAG with Contextual Retrieval · Anthropic
- Advanced RAG on Hugging Face documentation using LangChain (Open-Source AI Cookbook) · Hugging Face
- pgvector: Open-source vector similarity search for PostgreSQL · pgvector (PostgreSQL)
- Documentación oficial para desarrolladores (RAG, ingestion y retrieval) · LlamaIndex
Laboratorio propuesto
Construcción de un pipeline RAG sobre documentación corporativa con base de datos vectorial
Implementar un sistema de Retrieval-Augmented Generation extremo a extremo que ingiera un corpus documental, lo indexe en una base de datos vectorial y responda preguntas en lenguaje natural citando las fuentes recuperadas, siguiendo las guías oficiales de Anthropic y Hugging Face.
14Herramientas de Productividad con IAIntegrar la IA en el trabajo diario.
Bibliografía recomendada
- Co-Intelligence: Living and Working with AI — Ethan Mollick
- The AI-Driven Leader: Harnessing AI to Make Faster, Smarter Decisions — Geoff Woods
- Prompt Engineering for Generative AI — James Phoenix y Mike Taylor
Recursos oficiales
- Anthropic Academy: Build with Claude · Anthropic
- Documentación oficial de Prompt Engineering de Claude (overview, XML tags, chain of thought) · Anthropic
- Transform ideas into action with Copilot Chat (Basic) - Learning Path · Microsoft Learn
- Google AI Essentials · Google (en Coursera)
Laboratorio propuesto
Asistente de productividad personal: del prompt aislado al flujo de trabajo reutilizable
Diseñar, probar y documentar un conjunto de prompts reutilizables para tareas profesionales recurrentes (redacción, resumen, extracción y reescritura), aplicando las técnicas de prompting recomendadas en la documentación oficial de Anthropic (Claude) y de Microsoft 365 Copilot, y midiendo la mejora en calidad y tiempo frente a hacer la tarea sin IA.
15Ética y Regulación en IAUso responsable y marco legal de la IA.
Bibliografía recomendada
- Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy — Cathy O'Neil
- The Alignment Problem: Machine Learning and Human Values — Brian Christian
- The Ethical Algorithm: The Science of Socially Aware Algorithm Design — Michael Kearns y Aaron Roth
Recursos oficiales
- Reglamento (UE) 2024/1689 (AI Act) - Texto oficial en EUR-Lex · Unión Europea / EUR-Lex
- AI Risk Management Framework (AI RMF 1.0) y AI Resource Center · NIST (National Institute of Standards and Technology)
- Responsible AI Standard y principios de IA responsable · Microsoft / Microsoft Learn
- Responsible Scaling Policy y Usage Policy · Anthropic
Laboratorio propuesto
Evaluación de cumplimiento de un sistema de IA frente al AI Act y al NIST AI RMF
Clasificar el nivel de riesgo de un caso de uso de IA según el Reglamento (UE) 2024/1689 y elaborar una ficha de gestión de riesgos aplicando las funciones del NIST AI RMF 1.0 (Govern, Map, Measure, Manage), justificando cada decisión con la documentación oficial.
16Cómo funcionan los LLMs por dentroAbrir la caja negra: qué ocurre dentro de un modelo de lenguaje y por qué importa para usarlo con criterio.
17Evaluación de sistemas de IA (Evals)Sustituir el «a mí me funciona» por evidencia medible: cómo evaluar sistemas de IA de forma rigurosa.
18Fine-tuning y adaptación de modelosCuándo y cómo adaptar el propio modelo, frente a prompting y RAG, con una mirada honesta a costes y riesgos.
19Tool use y Model Context Protocol (MCP)De responder a actuar: conectar modelos a herramientas y datos con function calling y el estándar abierto MCP.
20De prototipo a producción: LLMOps y apps de IA segurasEl salto a producción de una aplicación de IA: arquitectura, coste, observabilidad, guardrails y mejora continua.
21El toolkit del practicante: catálogo de herramientas de IAMapa por categorías y método para elegir herramientas con criterio (asistentes, imagen, vídeo y avatares, voz, código, productividad, automatización), con laboratorios prácticos optativos.
Cálculo de las 275 horas
| Componente | Cantidad | h/ud | Horas |
|---|---|---|---|
| TeoríaCapítulos de manual (lectura y estudio) | 108 | 1 | 108 h |
| Material de estudioDocumentos, guías y presentaciones | 4 | 0.5 | 2 h |
| Recursos y laboratoriosVídeos, herramientas y normativa externa | 18 | 0.5 | 9 h |
| AutoevaluaciónCuestionarios por módulo | 21 | 0.5 | 10.5 h |
| Práctica obligatoriaCasos y proyectos evaluables | 16 | 5 | 80 h |
| Práctica de ampliaciónActividades optativas | 21 | 3 | 63 h |
| Total | 272.5 h | ||