Diplomatura en AI Engineer
Del deep learning a los sistemas generativos: RAG desde cero hasta producción, fine-tuning de LLMs y sistemas multiagente. Certificación IDSA + UTN.
Sobre esta Diplomatura
La Diplomatura en AI Engineer forma profesionales capaces de construir sistemas de inteligencia artificial generativa de punta a punta: recuperación aumentada (RAG), fine-tuning de LLMs y agentes autónomos, sobre una base de deep learning. Es la trayectoria del ecosistema IDSA orientada a IA generativa.
El foco es construir sistemas, no solo modelos. El AI Engineer diseña la arquitectura del sistema generativo: cómo recupera información, cómo razona, cómo genera, cómo se evalúa y cómo se despliega. Por eso el trayecto combina deep learning, RAG, fine-tuning y agentes.
Es un rol que integra modelos de lenguaje, recuperación de información y agentes dentro de productos reales, y que exige tanto criterio de machine learning como de ingeniería.
Se apoya en el tutor virtual 24/7 y en notebooks ejecutables en Google Colab. No requiere experiencia previa en IA generativa: la ruta construye las bases de Python, matemática y deep learning antes de llegar a RAG, fine-tuning y agentes.
Cinco etapas hacia la IA generativa
Cada etapa suma una capa: de los fundamentos al core de IA, del core generativo a la frontera de agentes, y de la frontera al sistema completo.
Nivelación matemática y fundamentos de Python. Las competencias mínimas para construir sistemas de inteligencia artificial.
Redes neuronales y optimización con PyTorch (backpropagation, SGD, Adam, regularización, CNN 1D, LSTM y atención) y el ciclo de vida de un modelo en producción: MLflow, DVC, FastAPI, Docker y monitoreo de drift.
El pipeline RAG completo desde cero, la recuperación avanzada (híbrida, HyDE, MMR, índices HNSW) y el ciclo completo de LLMs: evaluación, fine-tuning con LoRA, function calling y despliegue.
Primero los fundamentos de aprendizaje por refuerzo (MDP, Q-learning, DQN, PPO) y después los sistemas multiagente con planificación y orquestación: de los POMDPs a agentes LLM con ReAct, tool use y evaluación con benchmarks. La capa de frontera del AI Engineer.
Un sistema generativo completo desplegado: recuperación, generación, evaluación objetiva y defensa ante comité técnico. Puede ser un asistente conversacional, un sistema RAG especializado o un pipeline multiagente.
Qué vas a aprender, curso por curso
Cada curso se cursa y certifica de forma individual. Al aprobar los nueve más el trabajo final, se emite el diploma de la diplomatura.
Nivelación Matemática para Data Science
Derivadas, vectores, matrices, probabilidad y notación matemática aplicada a Machine Learning. Sin matemática abstracta: todo orientado a ciencia de datos, con Python y casos reales.
Python para Data Science
Del primer script al primer dashboard. Pandas, NumPy, Matplotlib y Dash. Los 4 verbos fundamentales de Pandas y la conexión con el análisis de negocio.
Fundamentos de Deep Learning y Optimización
Construí backpropagation desde cero, entendé SGD y Adam, entrená redes en PyTorch, controlá el sobreajuste y compará CNN 1D, LSTM y atención en un caso de riesgo de mora.
MLOps y Regresión
Del notebook al pipeline productivo. scikit-learn, FastAPI, Docker, monitoreo de drift y reentrenamiento automático. Proyecto integrador acumulativo.
RAG Fundamentos
Retrieval-Augmented Generation. Búsqueda vectorial desde cero, evaluación con métricas objetivas, mitigación de alucinaciones y despliegue en producción.
Optimización de Recuperación (RAG Avanzado)
Recuperación avanzada: BM25 en profundidad, métricas (Recall@k, MRR, NDCG), recuperación híbrida, HyDE, MMR, fine-tuning de embeddings con losses contrastivas e índices HNSW e IVF.
Fine-tuning de LLMs y Prompt Engineering
Prompt engineering sistemático, evaluación de LLMs con LLM-as-judge, fine-tuning con LoRA/QLoRA, instruction tuning con datos sintéticos, function calling y despliegue con control de latencia y costos.
Fundamentos de Aprendizaje por Refuerzo
De los procesos de decisión de Markov a un agente PPO: Q-learning, DQN, REINFORCE y actor-crítico con Gymnasium y PyTorch, cerrando con un entorno propio de gestión de inventario.
Sistemas Multiagente e IA Agéntica
De la teoría formal de POMDPs a la implementación con LLMs: ReAct, tool use, debate multiagente, planificación con MCTS y evaluación con benchmarks reales.
Tres orientaciones en IA generativa
La orientación se define por el trabajo final y el énfasis en cada componente del stack.
AI Engineer
Construcción de sistemas generativos de punta a punta: RAG, fine-tuning, evaluación y despliegue en producción.
Agentic Systems Engineer
Diseño de sistemas multiagente autónomos: planificación, coordinación, protocolos y evaluación formal.
AI Platform Engineer
Lleva sistemas de IA generativa a producción: serving, versionado, monitoreo y control de costos y latencia.
Los perfiles son orientativos. El alumno construye su especialización con el trabajo final y los proyectos del Laboratorio de Datos.
Sistema generativo real
Un sistema generativo completo desplegado: recuperación, generación, evaluación objetiva y defensa ante comité técnico. Puede ser un asistente conversacional especializado, un sistema RAG sobre un corpus real o un pipeline multiagente.
- Duración: 17 horas distribuidas en 4-6 semanas
- Tutoría personalizada durante todo el desarrollo
- Defensa oral ante comité técnico
- Publicación en el Laboratorio de Datos del Instituto
Doble aval universitario
Certificación IDSA + UTN con resolución oficial y verificación digital de cada curso aprobado.

Qué incluye la certificación
- Diploma final con doble firma (Director IDSA + Decano UTN FRRQ)
- Certificado por cada curso completado en el camino
- Resolución oficial 920/2020 UTN Facultad Regional Reconquista
- Código QR de verificación digital
- Copia automática a la Facultad para registro oficial
- Acreditación progresiva: cada curso completado ya queda certificado
Los certificados se emiten al aprobar los quizzes y trabajos prácticos de cada curso.
¿Diplomatura o cursos sueltos?
| Aspecto | Curso suelto | Diplomatura completa |
|---|---|---|
| Duración por unidad | 15-40h por curso | 287h totales |
| Certificación | IDSA + UTN por curso | IDSA + UTN por curso + diploma final |
| Trabajo final aplicado | — | ✓ Obligatorio |
| Publicación en Laboratorio | — | ✓ Elegible |
| Stack completo generativo | Parcial | ✓ DL + RAG + FT + Agentes |
| Del modelo a un sistema desplegado | Parcial | ✓ MLOps + RAG + FT |
Dudas sobre la Diplomatura
¿Necesito experiencia previa en IA generativa?
No en IA generativa. La trayectoria arranca desde la nivelación matemática y Python. Los cursos finales son de perfil avanzado: RAG Avanzado pide Python intermedio-avanzado, y Sistemas Multiagente se apoya en Fundamentos de Aprendizaje por Refuerzo, que sí forma parte de la diplomatura. Los cursos de refuerzo y de agentes piden machine learning intermedio, que no es un curso de esta diplomatura (lo cubre Machine Learning Supervisado y No Supervisado): si no lo tenés, conviene cursarlo antes.
¿Qué herramientas voy a usar?
Python, PyTorch, Hugging Face (Transformers, PEFT y Sentence-Transformers), Chroma, FAISS, HNSWlib, LangChain, LlamaIndex, AutoGen, MLflow, DVC, FastAPI y Docker. Todo desde Google Colab o JupyterLite, accesibles desde el navegador.
¿Necesito GPU propia?
No. Los cursos que la usan (Deep Learning, Aprendizaje por Refuerzo, Fine-tuning y Multiagente) se ejecutan en Google Colab con GPU gratuita o en JupyterLite. Para proyectos propios que requieran más cómputo existen alternativas gratuitas y pagas.
¿Cuánto tiempo lleva completarla?
A 10 horas semanales: aproximadamente 26 semanas (6 meses). A 6 horas semanales: unos 10 meses. El ritmo lo definís vos.
¿Cómo se cursan los cursos de la diplomatura?
Cada curso se cursa y se paga de forma individual. Podés comprarlos a medida que avanzás. Al aprobar los 9 cursos más el trabajo final, se emite el diploma de la diplomatura.
¿Cuál es la diferencia con la Diplomatura en ML Engineer?
AI Engineer se enfoca en construir sistemas generativos sobre deep learning: RAG, fine-tuning y agentes. ML Engineer se enfoca en los datos y la producción: SQL, pipelines, MLOps, cloud, Kubernetes y feature stores. Comparten Nivelación, Python, MLOps y Regresión y RAG Fundamentos, pero el foco es distinto: uno construye, el otro opera.
¿Por qué hay un curso de deep learning en una diplomatura de AI Engineer?
Porque el fine-tuning de embeddings en RAG Avanzado, el fine-tuning de LLMs y los agentes con PyTorch asumen manejo de redes neuronales, entrenamiento y optimización. Fundamentos de Deep Learning entrena esa base: backpropagation, optimizadores, PyTorch, regularización y atención.
¿Qué puedo cursar después?
Podés seguir con la Diplomatura en ML Engineer: ya tendrías aprobados Nivelación, Python, MLOps y Regresión y RAG Fundamentos, que ambas comparten. Para los demás cursos del Frontier Program tenés acceso directo al completar una Diplomatura IDSA o mientras cursás una que incluya cursos Frontier, como esta; en otro caso se rinde un examen de admisión técnico.
Construí la próxima generación de IA
287 horas con foco en deep learning, RAG, fine-tuning de LLMs, aprendizaje por refuerzo y agentes. Trabajo final de sistema generativo real y doble certificación IDSA + UTN.