INTELIGENCIA ARTIFICIAL APLICADA

Diplomado de Alto Nivel: Inteligencia Artificial Aplicada

Transforme su desarrollo profesional con inteligencia artificial

La inteligencia artificial está cambiando la forma de analizar información, mejorar servicios y automatizar procesos. Este diplomado brinda una formación progresiva y aplicada para comprender las tecnologías inteligentes y emplearlas con criterio técnico y responsabilidad.

¿Por qué estudiar este diplomado? Porque le permitirá:

Comprender y aplicar la IA: identificar soluciones pertinentes para necesidades profesionales.
Trabajar con datos: preparar información y evaluar modelos de aprendizaje automático.
Utilizar IA generativa: desarrollar instrucciones eficaces, asistentes y flujos de trabajo.
Automatizar procesos: integrar servicios y agentes con controles de seguridad.
Gestionar proyectos: evaluar resultados, riesgos y viabilidad de soluciones inteligentes.

Objetivo general

Desarrollar competencias para comprender, seleccionar, implementar, evaluar y gestionar soluciones de inteligencia artificial en entornos profesionales, integrando aprendizaje automático, inteligencia artificial generativa, automatización, análisis de datos, seguridad y gobernanza tecnológica.

Perfil de ingreso

Dirigido a profesionales, técnicos, docentes, administradores, emprendedores y personas interesadas en aplicar inteligencia artificial en organizaciones. Se recomienda familiaridad con herramientas digitales.

Perfil del egresado

El participante podrá identificar oportunidades de aplicación de IA, preparar datos, utilizar herramientas generativas, desarrollar prototipos, automatizar procesos, evaluar resultados y participar en proyectos de adopción responsable de inteligencia artificial.

Estructura del Diplomado (12 Módulos)

Módulo 1: Fundamentos de Inteligencia Artificial y Transformación Digital

Objetivo del Módulo: Comprender los fundamentos, paradigmas y tecnologías de la inteligencia artificial e identificar oportunidades de aplicación en la transformación organizacional.

Capítulo 1.1. Introducción a la inteligencia artificial

1.1.1. Conceptos, evolución histórica y fundamentos de la inteligencia artificial.
1.1.2. Inteligencia artificial estrecha, inteligencia artificial general y principales paradigmas tecnológicos.
1.1.3. Capacidades, limitaciones y aplicaciones contemporáneas de los sistemas inteligentes.

Capítulo 1.2. Tecnologías y disciplinas fundamentales

1.2.1. Aprendizaje automático, aprendizaje profundo e inteligencia artificial generativa.
1.2.2. Procesamiento del lenguaje natural, visión por computadora y sistemas de recomendación.
1.2.3. Modelos predictivos, descriptivos, generativos y sistemas de toma de decisiones.

Capítulo 1.3. Ecosistema tecnológico de inteligencia artificial

1.3.1. Infraestructura computacional, servicios en la nube y plataformas de IA.
1.3.2. Herramientas de inteligencia artificial de código abierto y servicios comerciales.
1.3.3. Integración de inteligencia artificial con sistemas empresariales y aplicaciones digitales.

Capítulo 1.4. Inteligencia artificial y transformación organizacional

1.4.1. Identificación de oportunidades de aplicación de IA en procesos profesionales.
1.4.2. Evaluación preliminar de viabilidad, beneficios y riesgos de iniciativas de IA.
1.4.3. Diagnóstico de madurez digital y formulación de casos de uso.

Módulo 2: Datos, Estadística y Preparación de Información para Inteligencia Artificial

Objetivo del Módulo: Analizar, preparar y gestionar conjuntos de datos con criterios estadísticos, de calidad y responsabilidad para proyectos de inteligencia artificial.

Capítulo 2.1. Fundamentos de datos para sistemas inteligentes

2.1.1. Tipos de datos, estructuras y fuentes de información.
2.1.2. Variables, atributos, observaciones y conjuntos de datos.
2.1.3. Calidad, integridad, representatividad y trazabilidad de los datos.

Capítulo 2.2. Estadística aplicada a inteligencia artificial

2.2.1. Estadística descriptiva y análisis exploratorio de datos.
2.2.2. Probabilidad, distribuciones y fundamentos de inferencia estadística.
2.2.3. Correlación, relaciones entre variables e interpretación de resultados.

Capítulo 2.3. Preparación y transformación de datos

2.3.1. Recolección, integración y depuración de conjuntos de datos.
2.3.2. Tratamiento de valores faltantes, duplicados y observaciones atípicas.
2.3.3. Codificación, normalización y transformación de variables.

Capítulo 2.4. Gestión responsable de datos

2.4.1. Clasificación de información y tratamiento de datos personales.
2.4.2. Sesgos de muestreo, representatividad y riesgos asociados a los datos.
2.4.3. Elaboración de conjuntos de datos documentados para proyectos de IA.

Módulo 3: Herramientas de Programación y Entornos de Desarrollo para IA

Objetivo del Módulo: Utilizar Python, entornos de desarrollo y bibliotecas de análisis para construir flujos reproducibles de procesamiento de información.

Capítulo 3.1. Fundamentos de programación con Python

3.1.1. Sintaxis, variables, operadores y estructuras de datos.
3.1.2. Condicionales, estructuras iterativas y funciones.
3.1.3. Módulos, bibliotecas y organización básica del código.

Capítulo 3.2. Entornos de trabajo para inteligencia artificial

3.2.1. Instalación y configuración de Python, Jupyter y entornos virtuales.
3.2.2. Uso de cuadernos interactivos y plataformas de desarrollo en la nube.
3.2.3. Gestión de dependencias, repositorios y control de versiones con Git.

Capítulo 3.3. Manipulación programática de datos

3.3.1. Operaciones numéricas y matriciales con NumPy.
3.3.2. Manipulación y transformación de datos con pandas.
3.3.3. Visualización de información con Matplotlib y bibliotecas especializadas.

Capítulo 3.4. Desarrollo de soluciones iniciales

3.4.1. Consumo de servicios web y fundamentos de interfaces API.
3.4.2. Manejo de archivos, excepciones y validación de entradas.
3.4.3. Construcción de un flujo reproducible de procesamiento de datos.

Módulo 4: Aprendizaje Automático y Modelos Predictivos

Objetivo del Módulo: Seleccionar, entrenar y evaluar modelos de aprendizaje automático para resolver problemas de predicción, clasificación y segmentación.

Capítulo 4.1. Fundamentos del aprendizaje automático

4.1.1. Aprendizaje supervisado, no supervisado y por refuerzo.
4.1.2. Variables predictoras, etiquetas y definición del problema de aprendizaje.
4.1.3. Partición de datos y conjuntos de entrenamiento, validación y prueba.

Capítulo 4.2. Algoritmos de aprendizaje supervisado

4.2.1. Regresión lineal, regresión logística y sus aplicaciones.
4.2.2. Árboles de decisión, bosques aleatorios y métodos de ensamble.
4.2.3. Máquinas de vectores de soporte y métodos de clasificación.

Capítulo 4.3. Aprendizaje no supervisado

4.3.1. Agrupamiento mediante K-means y métodos jerárquicos.
4.3.2. Reducción de dimensionalidad y análisis de componentes principales.
4.3.3. Segmentación de registros e identificación de patrones.

Capítulo 4.4. Evaluación y mejora de modelos

4.4.1. Métricas de regresión y clasificación.
4.4.2. Sobreajuste, subajuste y validación cruzada.
4.4.3. Ajuste de hiperparámetros y selección fundamentada de modelos.

Módulo 5: Aprendizaje Profundo y Redes Neuronales Artificiales

Objetivo del Módulo: Comprender las arquitecturas de redes neuronales y aplicar técnicas de entrenamiento y evaluación de modelos de aprendizaje profundo.

Capítulo 5.1. Fundamentos de redes neuronales

5.1.1. Neuronas artificiales, perceptrón y arquitecturas multicapa.
5.1.2. Funciones de activación y propagación hacia adelante.
5.1.3. Funciones de pérdida, retropropagación y optimización.

Capítulo 5.2. Arquitecturas de aprendizaje profundo

5.2.1. Redes neuronales convolucionales y procesamiento de imágenes.
5.2.2. Redes recurrentes, LSTM y modelado de secuencias.
5.2.3. Mecanismos de atención y arquitectura Transformer.

Capítulo 5.3. Entrenamiento de modelos profundos

5.3.1. Tensores y operaciones fundamentales en PyTorch o TensorFlow.
5.3.2. Configuración de entrenamiento, lotes, épocas y optimizadores.
5.3.3. Regularización, normalización y técnicas de estabilización.

Capítulo 5.4. Aplicaciones y evaluación

5.4.1. Transferencia de aprendizaje y adaptación de modelos preentrenados.
5.4.2. Evaluación del rendimiento y análisis de errores.
5.4.3. Implementación experimental de una red neuronal aplicada.

Módulo 6: Inteligencia Artificial Generativa y Modelos de Lenguaje

Objetivo del Módulo: Analizar el funcionamiento de los modelos generativos y utilizar herramientas de IA generativa con criterios de calidad, costo, privacidad y confiabilidad.

Capítulo 6.1. Fundamentos de inteligencia artificial generativa

6.1.1. Modelos generativos y diferencias respecto de modelos discriminativos.
6.1.2. Modelos de lenguaje de gran escala y procesos de preentrenamiento.
6.1.3. Tokenización, embeddings y ventanas de contexto.

Capítulo 6.2. Funcionamiento de los modelos generativos

6.2.1. Arquitectura Transformer y predicción de secuencias.
6.2.2. Ajuste supervisado, alineamiento y adaptación de modelos.
6.2.3. Parámetros de generación, variabilidad y control de respuestas.

Capítulo 6.3. Herramientas de inteligencia artificial generativa

6.3.1. Asistentes conversacionales y plataformas de generación de contenido.
6.3.2. Generación y edición asistida de imágenes, audio y video.
6.3.3. Modelos multimodales y procesamiento combinado de información.

Capítulo 6.4. Evaluación y uso profesional

6.4.1. Alucinaciones, errores factuales y límites de confiabilidad.
6.4.2. Verificación de resultados, procedencia y revisión humana.
6.4.3. Selección de modelos generativos según requisitos de calidad, costo y privacidad.

Módulo 7: Ingeniería de Prompts y Aplicaciones Profesionales de IA Generativa

Objetivo del Módulo: Diseñar, probar y optimizar instrucciones y flujos de interacción con sistemas generativos para resolver tareas profesionales de manera segura.

Capítulo 7.1. Diseño estructurado de instrucciones

7.1.1. Objetivos, contexto, restricciones y criterios de respuesta.
7.1.2. Instrucciones directas, ejemplos guiados y descomposición de tareas.
7.1.3. Diseño de formatos de salida estructurados y verificables.

Capítulo 7.2. Técnicas avanzadas de interacción

7.2.1. Plantillas reutilizables y parametrización de instrucciones.
7.2.2. Secuenciación de tareas y flujos de interacción multietapa.
7.2.3. Evaluación comparativa y optimización sistemática de prompts.

Capítulo 7.3. Aplicaciones en actividades profesionales

7.3.1. Redacción técnica, síntesis documental y análisis asistido.
7.3.2. Elaboración de informes, presentaciones y materiales formativos.
7.3.3. Asistencia para programación, análisis de información y resolución de problemas.

Capítulo 7.4. Control de calidad y seguridad

7.4.1. Diseño de rúbricas para evaluar respuestas generadas.
7.4.2. Protección de información confidencial durante la interacción con IA.
7.4.3. Identificación y mitigación de inyección de instrucciones y salidas inseguras.

Módulo 8: Procesamiento del Lenguaje Natural y Sistemas de Recuperación Inteligente

Objetivo del Módulo: Implementar componentes de procesamiento del lenguaje natural, búsqueda semántica y generación aumentada por recuperación para consultar información documental.

Capítulo 8.1. Fundamentos del procesamiento del lenguaje natural

8.1.1. Preprocesamiento, segmentación y normalización de texto.
8.1.2. Representaciones vectoriales y similitud semántica.
8.1.3. Clasificación textual, reconocimiento de entidades y análisis de sentimientos.

Capítulo 8.2. Recuperación y búsqueda semántica

8.2.1. Indexación documental y métodos de recuperación de información.
8.2.2. Bases de datos vectoriales y búsqueda por embeddings.
8.2.3. Recuperación híbrida y estrategias de clasificación de resultados.

Capítulo 8.3. Generación aumentada por recuperación

8.3.1. Arquitectura y componentes de los sistemas RAG.
8.3.2. Fragmentación documental, metadatos y recuperación contextual.
8.3.3. Construcción de respuestas fundamentadas con referencias documentales.

Capítulo 8.4. Implementación y evaluación

8.4.1. Desarrollo de asistentes de consulta sobre documentación institucional.
8.4.2. Evaluación de relevancia, fidelidad y cobertura de respuestas.
8.4.3. Control de acceso, actualización documental y mitigación de riesgos en RAG.

Módulo 9: Automatización Inteligente y Agentes de Inteligencia Artificial

Objetivo del Módulo: Diseñar e integrar flujos automatizados y agentes inteligentes, incorporando supervisión humana, control de errores y métricas de desempeño.

Capítulo 9.1. Fundamentos de automatización de procesos

9.1.1. Identificación y modelado de procesos automatizables.
9.1.2. Automatización robótica de procesos y automatización basada en IA.
9.1.3. Criterios de selección y priorización de oportunidades de automatización.

Capítulo 9.2. Integración de herramientas y servicios

9.2.1. APIs, webhooks y mecanismos de intercambio de información.
9.2.2. Plataformas de automatización de flujos de trabajo.
9.2.3. Integración de modelos de IA con aplicaciones y sistemas institucionales.

Capítulo 9.3. Agentes inteligentes

9.3.1. Arquitectura de agentes, objetivos, herramientas y estado.
9.3.2. Orquestación de tareas, uso de herramientas y gestión de contexto.
9.3.3. Sistemas multiagente y coordinación de actividades.

Capítulo 9.4. Operación segura de automatizaciones

9.4.1. Supervisión humana, autorizaciones y límites de actuación.
9.4.2. Manejo de errores, registros de ejecución y recuperación ante fallos.
9.4.3. Implementación de un flujo automatizado con controles y métricas.

Módulo 10: Aplicaciones Sectoriales de Inteligencia Artificial

Objetivo del Módulo: Evaluar oportunidades de aplicación de IA en organizaciones educativas, sanitarias, administrativas, públicas y productivas.

Capítulo 10.1. Inteligencia artificial en administración y gestión

10.1.1. Optimización de procesos administrativos y gestión documental.
10.1.2. Analítica comercial, segmentación de clientes y apoyo a decisiones.
10.1.3. Aplicaciones de IA en recursos humanos, logística y operaciones.

Capítulo 10.2. Inteligencia artificial en educación

10.2.1. Personalización del aprendizaje y sistemas de tutoría inteligente.
10.2.2. Diseño de recursos educativos y evaluación asistida por IA.
10.2.3. Analítica del aprendizaje y detección temprana de necesidades educativas.

Capítulo 10.3. Inteligencia artificial en salud y servicios públicos

10.3.1. Aplicaciones de apoyo clínico y límites de la decisión automatizada.
10.3.2. Análisis de información sanitaria y gestión de servicios de salud.
10.3.3. Aplicaciones en gestión pública, atención ciudadana y servicios digitales.

Capítulo 10.4. Inteligencia artificial en sectores productivos

10.4.1. Mantenimiento predictivo y control de calidad industrial.
10.4.2. Agricultura de precisión, gestión ambiental y monitoreo inteligente.
10.4.3. Evaluación comparativa de casos de uso y diseño de propuestas sectoriales.

Módulo 11: Ética, Gobernanza, Seguridad y Regulación de Inteligencia Artificial

Objetivo del Módulo: Aplicar principios éticos, normativos y de gobernanza para identificar, evaluar y mitigar riesgos asociados al uso de inteligencia artificial.

Capítulo 11.1. Ética y principios de inteligencia artificial responsable

11.1.1. Equidad, transparencia, explicabilidad y responsabilidad.
11.1.2. Discriminación algorítmica y evaluación de impactos.
11.1.3. Supervisión humana y mecanismos de rendición de cuentas.

Capítulo 11.2. Protección de datos y marco normativo

11.2.1. Protección de datos personales y obligaciones aplicables en el Perú.
11.2.2. Marco peruano de promoción y regulación de la inteligencia artificial.
11.2.3. Referentes internacionales de regulación y gestión de riesgos de IA.

Capítulo 11.3. Seguridad y gestión de riesgos

11.3.1. Amenazas a sistemas de IA y superficies de ataque.
11.3.2. Privacidad, filtración de información y seguridad de modelos y datos.
11.3.3. Evaluación, tratamiento y monitoreo de riesgos tecnológicos.

Capítulo 11.4. Gobernanza organizacional de IA

11.4.1. Políticas institucionales y asignación de responsabilidades.
11.4.2. Inventario de sistemas, documentación y controles de cumplimiento.
11.4.3. Auditoría, seguimiento y mejora continua de sistemas de IA.

Módulo 12: Implementación, Gestión de Proyectos y Desarrollo de Soluciones de IA

Objetivo del Módulo: Formular, implementar y evaluar un proyecto integrador de IA aplicada, considerando viabilidad, despliegue, operación y mejora continua.

Capítulo 12.1. Formulación de proyectos de inteligencia artificial

12.1.1. Identificación del problema y definición de objetivos medibles.
12.1.2. Requerimientos funcionales, técnicos, operativos y regulatorios.
12.1.3. Evaluación de factibilidad, costos y retorno esperado.

Capítulo 12.2. Diseño e implementación de soluciones

12.2.1. Selección de arquitectura, modelos, infraestructura y servicios.
12.2.2. Desarrollo de prototipos y pruebas de concepto.
12.2.3. Integración, despliegue y documentación técnica de soluciones.

Capítulo 12.3. Operación y ciclo de vida de sistemas inteligentes

12.3.1. Fundamentos de MLOps y LLMOps.
12.3.2. Monitoreo de calidad, costos, latencia y degradación del rendimiento.
12.3.3. Versionamiento, mantenimiento y actualización de modelos.

Capítulo 12.4. Proyecto integrador de inteligencia artificial aplicada

12.4.1. Desarrollo de una solución de IA para un problema profesional real.
12.4.2. Validación funcional, evaluación de resultados y análisis de riesgos.
12.4.3. Presentación técnica, sustentación y propuesta de escalabilidad.