Diplomatura en AI Engineer
La trayectoria más completa en IA generativa: RAG desde cero hasta producción, sistemas multiagente, difusión y fine-tuning de LLMs. 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), agentes autónomos, modelos de difusión y fine-tuning de LLMs. Es la trayectoria más completa del ecosistema IDSA en 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 RAG, agentes, difusión y fine-tuning.
Es uno de los roles con mayor crecimiento del mercado. La IA generativa está transformando industrias enteras, y la oferta de profesionales capaces de construir sistemas con LLMs es todavía escasa en LATAM.
Se apoya en el tutor RAG 24/7 y en notebooks ejecutables con GPU. No requiere experiencia previa en IA generativa, pero sí bases sólidas de Python y ML.
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 cualquier sistema de IA generativa.
Ciclo de vida de un modelo de ML en producción y el pipeline RAG completo desde cero: búsqueda vectorial, embeddings, generación con LLMs y evaluación objetiva.
Optimización de recuperación con re-ranking y self-RAG, más fine-tuning eficiente de LLMs con LoRA, QLoRA y PEFT. Los dos pilares de los sistemas generativos modernos.
Sistemas multiagente con planificación y orquestación, más los fundamentos matemáticos de la difusión (DDPM) para generación de imágenes. 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 de generación multimodal.
Qué vas a aprender, curso por curso
Cada curso se cursa y certifica de forma individual. Al aprobar los ocho 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.
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)
Más allá del RAG básico: re-ranking, query transformation, self-RAG, corrective RAG y evaluación end-to-end de pipelines de recuperación.
Fine-tuning de LLMs y Prompt Engineering
Prompt engineering avanzado, LoRA/QLoRA, instruction tuning, evaluación de LLMs con LLM-as-judge, guardrails y function calling.
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.
Fundamentos Matemáticos de la Difusión (DDPM)
Derivá e implementá DDPM desde sus fundamentos: cadena forward, ELBO, denoising score matching, schedules y algoritmos DDPM/DDIM.
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
Operación de plataformas de IA generativa: serving, escalabilidad, costos y confiabilidad de sistemas con LLMs.
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, un pipeline multiagente o un sistema multimodal de generación.
- 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 | 250h totales |
| Certificación | IDSA + UTN por curso | IDSA + UTN por curso + diploma final |
| Trabajo final aplicado | — | ✓ Obligatorio |
| Publicación en Laboratorio | — | ✓ Elegible |
| Stack completo generativo | Parcial | ✓ RAG + FT + Agentes + DDPM |
| Sistemas generativos en producción | Parcial | ✓ Toda la trayectoria |
Dudas sobre la Diplomatura
¿Necesito experiencia previa en IA generativa?
No. La trayectoria arranca desde la nivelación matemática y los fundamentos de Python. Solo se requiere matemática de secundaria, ganas de aprender y bases de programación una vez superado el Puente.
¿Qué herramientas voy a usar?
Python, PyTorch, Hugging Face, Chroma, FAISS, LangChain, AutoGen, PEFT, Diffusers, MLflow, Docker y Google Colab. Todo desde entornos accesibles desde el navegador.
¿Necesito GPU propia?
No. Los notebooks se ejecutan en Google Colab con GPU gratuita. Para proyectos que requieran más cómputo, hay alternativas como Kaggle o Paperspace.
¿Cuánto tiempo lleva completarla?
A 10 horas semanales: aproximadamente 25 semanas (6 meses). A 6 horas semanales: 9-10 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 8 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: RAG, agentes, fine-tuning y difusión. ML Engineer se enfoca en llevarlos a producción a escala: MLOps, Kubernetes, feature stores y serving. Comparten varios cursos, pero el foco es distinto: uno construye, el otro opera.
¿Por qué hay un curso de difusión en una diplomatura de AI Engineer?
Porque los sistemas generativos modernos combinan LLMs con modelos de difusión (imagen, audio, video). Entender los fundamentos matemáticos de DDPM te permite trabajar con modelos multimodales y diseñar pipelines generativos más allá del texto.
¿Qué puedo cursar después?
La Diplomatura en ML Engineer (con acreditación directa de MLOps-Reg, RAG y fine-tuning) o los otros cursos del Frontier Program, con acceso directo y sin examen de admisión.
Construí la próxima generación de IA
250 horas con foco en RAG, agentes, difusión y fine-tuning de LLMs. Trabajo final de sistema generativo real y doble certificación IDSA + UTN.