Sistemas Multiagente e IA Agéntica
Dominá la arquitectura de agentes autónomos, implementá ReAct y tool use, diseñá sistemas multiagente con debate y self-consistency. Aplicá planificación con MCTS y Tree-of-Thoughts, y evaluá con benchmarks reales.
def solve(task):
plan = planner(task)
tools = [«search», «code»]
results = []
for i in range(3):
results.append(react(plan, tools))
return consensus(results)
Lo que lograrás al completar el curso
Cada objetivo es verificable mediante entregables con corrección automática. Aprenderás a diseñar, implementar y evaluar sistemas multiagente con rigor científico.
Definir formalmente qué es un agente y un sistema multiagente
Comprender POMDPs, racionalidad y funciones de utilidad
Implementar agentes reactivos, deliberativos e híbridos desde cero
Implementar un agente LLM con tool use y memoria (ReAct, Plan-and-Execute)
Comprender protocolos de comunicación entre agentes (FIPA-ACL, mensajes)
Diseñar sistemas multiagente con roles, jerarquías y coordinación
Implementar debate multiagente y self-consistency
Aplicar planificación con MCTS, Tree-of-Thoughts y HTN
Evaluar sistemas agénticos con benchmarks (GAIA, AgentBench, SWE-bench)
Detectar y mitigar riesgos de seguridad en sistemas agénticos
Reproducir resultados de papers de frontera en IA agéntica
Documentar arquitecturas multiagente con rigor científico
10 unidades · 4 horas cada una
Progresión estructurada: de los fundamentos teóricos de POMDPs a la implementación de sistemas multiagente completos con LLMs.
- Definir formalmente agente, entorno y racionalidad
- Comprender POMDPs como marco general
- Diferenciar agentes reactivos, deliberativos e híbridos
- Comprender los marcos teóricos de interacción multiagente
- Aplicar teoría de juegos a coordinación
- Reconocer situaciones de cooperación, competencia y mixtas
- Comprender cómo se comunican los agentes formalmente
- Implementar protocolos de mensajería
- Diseñar ontologías y lenguajes compartidos
- Comprender el paradigma de LLM como agente
- Implementar ReAct desde cero
- Implementar Plan-and-Execute
- Comprender cómo un LLM usa herramientas externas
- Implementar memoria de corto, mediano y largo plazo
- Integrar RAG como herramienta del agente
- Diseñar arquitecturas multiagente con LLMs
- Implementar debate, jerarquías y equipos de agentes
- Comprender cuándo multiagente supera single-agent
- Comprender los métodos formales de planificación
- Implementar MCTS como motor de búsqueda
- Aplicar Tree-of-Thoughts y HTN a agentes LLM
- Comprender los métodos de aprendizaje multiagente
- Implementar MARL básico
- Aplicar RLHF y RLAIF a agentes LLM
- Definir métricas apropiadas para sistemas agénticos
- Implementar evaluación con benchmarks reales
- Detectar y mitigar riesgos de seguridad
- Diseñar y construir un sistema multiagente completo
- Aplicar todos los conceptos del curso
- Documentar con rigor académico
Diseñado para investigadores y profesionales avanzados
100% asincrónica, autogestionada. Notebooks ejecutables en Google Colab, asistente RAG 24/7 y entregables con rigor académico.
Tutor RAG 24/7
Un asistente RAG entrenado sobre el contenido del curso y papers relacionados responde tus dudas con fuentes citadas.
- Respuestas con fuentes citadas
- Disponible las 24 horas
- Contexto académico riguroso
Lecciones en texto
Contenido teórico estructurado y demostraciones matemáticas. Leé, consultá y avanzá a tu ritmo.
- Escritas y referenciadas
- Marco formal claro
- Ritmo personal
Notebooks en Google Colab
Notebooks ejecutables con código real y de frontera. No pseudocódigo: cada agente se implementa desde cero.
- Ejecución sin configuración
- Código paso a paso
- GPU disponible en Colab
Entregables verificados
Cada unidad tiene entregables con verificación automática: implementaciones correctas y evaluación con benchmarks reales.
- Corrección automática
- Benchmarks reales
- Rigor académico
De la teoría formal a la IA autónoma
Un ciclo claro que parte de los fundamentos matemáticos de agentes y llega a la implementación de sistemas multiagente completos.
Definir
POMDPs, racionalidad y teoría de juegos.
Implementar
ReAct, tool use y memoria con LLMs.
Coordinar
Multiagente, debate y planificación (MCTS).
Evaluar
Benchmarks, seguridad y papers de frontera.
Herramientas que usarás
Sin fricción de configuración. Todo se ejecuta en Google Colab con soporte de GPU.
Doble aval universitario, verificación digital
Al completar el curso recibís un certificado digital con doble aval: UTN Facultad Regional Reconquista e Instituto Data Science Argentina.
Qué incluye el certificado
- Doble firma: Decano UTN FRRQ + Director IDSA
- Resolución oficial: 920/2020 UTN Facultad Regional Reconquista
- Datos personalizados: nombre, DNI, curso, carga horaria y calificación
- Código QR de verificación digital
- Copia automática a la Facultad para registro oficial
- Emisión por curso: no esperás al final del trayecto
Se emite al aprobar los quizzes del curso y los trabajos prácticos con estado aprobado.
Resolvemos tus dudas
De la teoría formal a la IA autónoma
10 unidades, 40 horas, verificable y aplicable. Construí sistemas multiagente y reproducí papers de frontera.