Inteligencia Artificial Aplicada — Senior

🎯 Objetivo del curso

Hacer que el sistema piense, decida y aprenda. Cómo integrar modelos de IA, desde lo simple hasta redes neuronales, en todo el ciclo del sistema.

📌 Programa Sintético

Conceptos: IA, Machine Learning, Deep Learning. Datos: recolección, limpieza, etiquetado, preparación, aumento. Algoritmos clásicos: regresión, clasificación, agrupamiento, anomalías. Redes neuronales: estructura, funcionamiento, entrenamiento. Visión artificial: imágenes, detección, reconocimiento. IA en dispositivos: modelos livianos, optimización, ejecución local. Integración con sistema IoT. Proyecto final: modelo inteligente funcional.

🧩 Proyecto del nivel

Desarrollo e integración de un modelo de IA funcional en un sistema IoT real: detección de anomalías en señal de sensor, entrenado en cloud y ejecutándose en dispositivo embebido, con pipeline completo de datos.

Unidad 1 (Sem 1-2): IA, ML, DL y datos. Unidad 2 (Sem 3-4): Algoritmos clásicos. Unidad 3 (Sem 5-6): Redes neuronales y visión. Unidad 4 (Sem 7-8): Edge AI e integración.

Unidad 1 — MLOps en Producción (Sem 1-2)

• Monitoreo de drift, re-entrenamiento automático
• Lab: pipeline de re-entrenamiento con drift detection

Unidad 2 — Continual Learning (Sem 3-4)

• Catastrophic forgetting y técnicas de mitigación
• Online learning en edge devices
• Lab: modelo que se actualiza con datos de campo

Unidad 3 — Federated Learning (Sem 5-6)

• Federated Learning: entrenamiento distribuido en dispositivos
• Privacy-preserving ML: diferential privacy
• Lab: federated learning con 5 clientes simulados

Unidad 4 — Gobernanza de IA (Sem 7-8)

• AI governance: frameworks y regulaciones (EU AI Act)
• Responsible AI: fairness, accountability, transparency
• Lab: evaluación de riesgo de sistema IA bajo EU AI Act

Unidad 5 — Explicabilidad (Sem 9-10)

• XAI: SHAP, LIME, Grad-CAM para modelos en IoT
• Por qué importa la explicabilidad en sistemas físico-cibernéticos
• Lab: dashboard de explicabilidad para modelo de detección de anomalías

Unidad 6 — Impacto y ROI de IA en IoT (Sem 11-12)

• Medición de ROI de proyectos de IA industrial
• Business case para inversión en IA embebida
• Lab: análisis de ROI de sistema de predictive maintenance

Unidad 7 — Investigación Aplicada (Sem 13-14)

• Cómo leer papers de IA relevantes para IoT
• Del paper al prototipo: ciclo de investigación aplicada
• Lab: implementación de paper reciente sobre Edge AI

Unidad 8 — Proyecto Final (Sem 15-16)

• Sistema de IA en producción completo: modelo en campo, MLOps, monitoreo, gobernanza y medición de impacto

Bienvenido a Inteligencia Artificial Aplicada — Nivel Senior.

Este nivel es sobre IA en producción a escala: MLOps avanzado, estrategias de actualización de modelos en campo y gobernanza de sistemas de IA.

Semana 1:
– IA en producción vs IA en laboratorio: las diferencias críticas
– Model drift: cuando el mundo cambia y el modelo no
– Data drift vs concept drift: cómo detectarlos
– Estrategias de monitoreo de modelos en producción