Diplomatura IDSA 2026 · Nueva edición

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.

287h
Duración total
9
Cursos incluidos
17h
Trabajo final aplicado
IDSA+UTN
Certificación

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.

▸ Estructura del programa

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.

1
Etapa 1 · Fundamentos
Base técnica
50 horas · 2 cursos · Obligatorio

Nivelación matemática y fundamentos de Python. Las competencias mínimas para construir sistemas de inteligencia artificial.

Nivelación Matemática (35h) Python para Data Science (15h)
2
Etapa 2 · Core IA
Deep learning y ciclo de vida del modelo
60 horas · 2 cursos · Obligatorio

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.

Fundamentos de Deep Learning y Optimización (30h) MLOps y Regresión (30h)
3
Etapa 3 · IA generativa
RAG, recuperación avanzada y fine-tuning
90 horas · 3 cursos · Obligatorio

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.

RAG Fundamentos (30h) RAG Avanzado (30h) Fine-tuning de LLMs y Prompt Engineering (30h)
4
Etapa 4 · Frontera aplicada
Refuerzo y agentes
70 horas · 2 cursos · Obligatorio

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.

Fundamentos de Aprendizaje por Refuerzo (30h) Sistemas Multiagente e IA Agéntica (40h)
5
Etapa 5 · Trabajo Final
Sistema generativo real
17 horas · 1 proyecto · Obligatorio

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.

Proyecto aplicado + Defensa
▸ Los 9 cursos del programa

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.

Introductorio

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.

Sin prerrequisitos
35h JupyterLite
Álgebra linealCálculoProbabilidadEstadística$100.000 pesos argentinos · Pagá por transferencia bancaria, Mercado Pago o PayPal
Ver curso
Introductorio

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.

Sin prerrequisitos
15h Google Colab
PandasNumPyMatplotlibDash$100.000 pesos argentinos · Pagá por transferencia bancaria, Mercado Pago o PayPal
Ver curso
Avanzado

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.

Prereq: Python y Nivelación Matemática (recomendados)
30h Google Colab
BackpropagationPyTorchAdamLSTM$100.000 pesos argentinos · Pagá por transferencia bancaria, Mercado Pago o PayPal
Ver curso
Intermedio

MLOps y Regresión

Del notebook al pipeline productivo. scikit-learn, FastAPI, Docker, monitoreo de drift y reentrenamiento automático. Proyecto integrador acumulativo.

Prereq: Python y matemática básica (recomendados)
30h Google Colab
MLflowFastAPIDockerDVC$100.000 pesos argentinos · Pagá por transferencia bancaria, Mercado Pago o PayPal
Ver curso
Intermedio

RAG Fundamentos

Retrieval-Augmented Generation. Búsqueda vectorial desde cero, evaluación con métricas objetivas, mitigación de alucinaciones y despliegue en producción.

Prereq: Python básico (recomendado)
30h Google Colab
ChromaFAISSLangChainBM25$100.000 pesos argentinos · Pagá por transferencia bancaria, Mercado Pago o PayPal
Ver curso
Avanzado

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.

Prereq: Fundamentos de Deep Learning y Python intermedio-avanzado (recomendados)
30h Google Colab
Recuperación híbridaHyDEMMRHNSW$100.000 pesos argentinos · Pagá por transferencia bancaria, Mercado Pago o PayPal
Ver curso
Avanzado

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.

Prereq: RAG Avanzado (recomendado)
30h JupyterLite / Google Colab (GPU)
LoRAPEFTLLM-as-judgeFunction calling$100.000 pesos argentinos · Pagá por transferencia bancaria, Mercado Pago o PayPal
Ver curso
Avanzado

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.

Prereq: Fundamentos de Deep Learning (PyTorch) y machine learning intermedio
30h Google Colab (GPU)
Q-learningDQNPPOGymnasium$100.000 pesos argentinos · Pagá por transferencia bancaria, Mercado Pago o PayPal
Ver curso
Frontier

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.

Prereq: Fundamentos de Aprendizaje por Refuerzo y machine learning intermedio
40h Google Colab (GPU)
ReActAutoGenMCTSAgentBench$100.000 pesos argentinos · Pagá por transferencia bancaria, Mercado Pago o PayPal
Ver curso
▸ Perfiles de salida

Tres orientaciones en IA generativa

La orientación se define por el trabajo final y el énfasis en cada componente del stack.

Generativa

AI Engineer

Construcción de sistemas generativos de punta a punta: RAG, fine-tuning, evaluación y despliegue en producción.

RAG de producción con evaluación objetiva
Fine-tuning con LoRA y PEFT
Evaluación y mitigación de alucinaciones
Despliegue, costos y monitoreo de LLMs
Agentes

Agentic Systems Engineer

Diseño de sistemas multiagente autónomos: planificación, coordinación, protocolos y evaluación formal.

Arquitecturas multiagente con AutoGen y LangChain
Protocolos de comunicación entre agentes
Planificación y razonamiento de agentes
Evaluación de sistemas agénticos
Producción

AI Platform Engineer

Lleva sistemas de IA generativa a producción: serving, versionado, monitoreo y control de costos y latencia.

Serving de modelos con FastAPI y Docker
Control de latencia y costos de LLMs
Monitoreo de drift y reentrenamiento
Versionado con MLflow y DVC

Los perfiles son orientativos. El alumno construye su especialización con el trabajo final y los proyectos del Laboratorio de Datos.

▸ Trabajo Final

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
▸ Certificación

Doble aval universitario

Certificación IDSA + UTN con resolución oficial y verificación digital de cada curso aprobado.

Certificado IDSA + UTN

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.

▸ Comparativa

¿Diplomatura o cursos sueltos?

AspectoCurso sueltoDiplomatura completa
Duración por unidad15-40h por curso287h totales
CertificaciónIDSA + UTN por cursoIDSA + UTN por curso + diploma final
Trabajo final aplicado—✓ Obligatorio
Publicación en Laboratorio—✓ Elegible
Stack completo generativoParcial✓ DL + RAG + FT + Agentes
Del modelo a un sistema desplegadoParcial✓ MLOps + RAG + FT
▸ Preguntas frecuentes

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.

Item added to cart.
0 items - $0,00