El curso inicia el 20 de julio. Lunes y Miércoles de 20 a 22hrs (Horario de la CDMX). 36 hrs.
Evalúa tus agentes
Descarga Información Completa
| AEV01 - 2026 - Información Completa.pdf |
Objetivo del curso
Desarrollar evaluaciones sistemáticas para ingeniería de agentes, incluyendo RAG, agentes y voice agents, con el fin de medir calidad, detectar fallas, comparar modelos y tomar decisiones informadas para el despliegue de sistemas confiables en entornos reales.
Contenido resumido del curso
- Fundamentos de IA y Large Language Models (3 horas)
- Python para evaluación y automatización de IA
- Fundamentos del Testing de IA
- Evals para LLMs con DeepEval
- Evals para RAG con RAGAS
- Evals para Agentes de IA
- Evals para Prompts y Regresión con Promptfoo
- Evals para Voice AI
¿Cuál es la diferencia de este curso con respecto a los cursos de LLMs, Agentes de IA, e Ingeniería de LLMs Aplicada?
La diferencia fundamental radica en que Agentic Evals es un curso enfocado exclusivamente en el diagnóstico, auditoría y control de calidad (QA), mientras que los otros tres cursos están orientados a la construcción, entrenamiento y aplicación de modelos generativos y agentes. En lugar de enseñar a crear o entrenar un sistema de Inteligencia Artificial desde cero, Agentic Evals parte de la premisa de que el sistema ya existe y se centra en medir su rendimiento, detectar fallas (como alucinaciones o desviaciones del modelo) y aplicar métricas cuantitativas para validar su comportamiento empírico.
Los objetivos centrales de cada curso:
- Agentic Evals: Su núcleo es el testing automatizado y la validación metodológica. Utiliza frameworks como DeepEval, RAGAS y Promptfoo para realizar pruebas de regresión, evaluar la fidelidad del contexto (faithfulness) y validar la exactitud en el uso de herramientas dentro de flujos de razonamiento multi-paso.
- Agentic AI: Se centra en la arquitectura lógica y orquestación de sistemas. Enseña los paradigmas teóricos de razonamiento (Chain of Thought, ReAct) y el uso de herramientas como LangChain y CrewAI para desplegar ecosistemas de agentes interactivos.
- Ingeniería LLMs Aplicada: Posee un enfoque orientado al desarrollo de productos finales para nichos específicos. Aborda la implementación de LLMs y Aprendizaje por Refuerzo para resolver problemas complejos de extremo a extremo en el sector clínico y en los mercados financieros.
- Large Language Models (LLMs): Profundiza en los fundamentos técnicos y la eficiencia del entrenamiento de la red neuronal. Explora la construcción matemática de un modelo desde cero (Nano-GPT), la optimización de parámetros (fine-tuning con PEFT/LoRA) y el aprendizaje por refuerzo con retroalimentación humana (RLHF).