Módulo 1 · Fundamentos de IA generativa y LLM¶
Etapa 1 · 24 h (12 h de teoría y 12 h de práctica) · 16 lecciones
Objetivo¶
Construir un modelo mental correcto de qué es y cómo funciona un LLM, para explicar sus capacidades, limitaciones y comportamientos.
Qué vas a aprender¶
Diferencias entre IA, ML, deep learning e IA generativa; tokens y tokenización (texto e imágenes); embeddings (intro); arquitectura transformer y atención a nivel conceptual; entrenamiento (preentrenamiento, ajuste por instrucciones, RLHF); inferencia y parámetros de muestreo; modelos de razonamiento; ventana de contexto; alucinaciones; multimodalidad; panorama de modelos; costos y latencia.
Antes de empezar¶
- Prerrequisitos: Módulo 0 (indispensable).
- Herramientas: Ollama, tokenizadores (por ejemplo
tiktokeny el conteo de tokens de las API), playgrounds de proveedores, Python con notebooks.
Lecciones¶
Las lecciones con material tienen enlace. Las marcadas como Próximamente ya forman parte del programa y se están escribiendo. Las de la ruta esencial son el núcleo del módulo; las marcadas para profundizar amplían el tema y se pueden hacer después.
1.1 · Del aprendizaje automático a la IA generativa¶
| ID | Lección | Tipo | Ruta | Material |
|---|---|---|---|---|
| L1.1.1 | IA, ML, deep learning e IA generativa Definiciones precisas y qué problema resuelve cada uno. |
Conceptual | Esencial | Próximamente |
| L1.1.2 | Redes neuronales en 90 minutos Parámetros, entrenamiento y generalización (lo justo para entender LLM, sin matemática innecesaria). |
Conceptual | Profundizar | Próximamente |
| L1.1.3 | Qué es un modelo de lenguaje Predecir el próximo token. Por qué algo tan simple produce comportamientos complejos. |
Conceptual | Esencial | Próximamente |
1.2 · Cómo "ve" la información un modelo¶
| ID | Lección | Tipo | Ruta | Material |
|---|---|---|---|---|
| L1.2.1 | Tokens y tokenización BPE, por qué el español "cuesta" más tokens, cómo se tokenizan imágenes y otros formatos, impacto en costo y límites. |
Mixta | Esencial | Próximamente |
| L1.2.2 | Embeddings El contenido como vectores, similitud semántica (intro práctica; se profundiza en M8). |
Mixta | Esencial | Próximamente |
| L1.2.3 | Transformers y atención Intuición del mecanismo, por qué permite contexto largo y qué significa "ventana de contexto". |
Conceptual | Esencial | Próximamente |
1.3 · Cómo se construye un LLM¶
| ID | Lección | Tipo | Ruta | Material |
|---|---|---|---|---|
| L1.3.1 | Preentrenamiento Datos, escala y fecha de corte de conocimiento. |
Conceptual | Profundizar | Próximamente |
| L1.3.2 | Post-entrenamiento Ajuste por instrucciones, RLHF y técnicas afines, system prompts. Por qué un modelo "asistente" se comporta distinto que un modelo base. |
Conceptual | Esencial | Próximamente |
| L1.3.3 | Modelos de razonamiento Modelos de razonamiento (thinking): qué cambia, cuándo convienen y su costo. |
Conceptual | Esencial | Próximamente |
1.4 · Inferencia: qué pasa cuando le pedís algo¶
| ID | Lección | Tipo | Ruta | Material |
|---|---|---|---|---|
| L1.4.1 | Generación token a token y muestreo Temperatura, top-p, top-k, stop sequences y máximo de tokens. Determinismo y por qué no está garantizado. |
Mixta | Esencial | Próximamente |
| L1.4.2 | Ventana de contexto en la práctica Entrada, salida, efecto "perdido en el medio" y degradación con contextos largos. |
Mixta | Esencial | Próximamente |
| L1.4.3 | Latencia, throughput y costos Latencia, throughput y costos: tokens de entrada, salida y razonamiento; streaming. |
Mixta | Esencial | Próximamente |
1.5 · Capacidades, limitaciones y panorama¶
| ID | Lección | Tipo | Ruta | Material |
|---|---|---|---|---|
| L1.5.1 | Alucinaciones Por qué ocurren (no es un bug, es la naturaleza del modelo) y estrategias de mitigación. |
Mixta | Esencial | Próximamente |
| L1.5.2 | Multimodalidad Visión, audio, generación de imágenes. Qué es nativo y qué es un sistema combinado. |
Conceptual | Profundizar | Próximamente |
| L1.5.3 | Panorama de modelos Cerrados (Claude, GPT, Gemini) y abiertos (Llama, Qwen, Mistral, DeepSeek, Gemma); niveles de tamaño; cómo leer (y desconfiar de) los benchmarks. Versiones vigentes verificadas al preparar la lección. |
Conceptual | Esencial | Próximamente |
| L1.5.4 | Modelo, producto y harness Modelo vs. producto vs. harness: la diferencia entre un modelo, la app que lo envuelve y el agente que lo usa. Clave para todo el curso. |
Conceptual | Esencial | Próximamente |
Práctica del módulo¶
- Guiado: contar tokens del mismo texto en español e inglés con distintos tokenizadores y calcular el costo.
- Guiado: correr un modelo local con Ollama variando temperatura y top-p, y documentar el efecto.
- Independiente: provocar y analizar alucinaciones en tres modelos distintos; proponer mitigaciones.
- Desafío: medir la degradación de recuperación en un contexto largo (prueba de "aguja en un pajar") con un modelo local.
Proyecto o entregable¶
Entregable (no es proyecto numerado). mini-informe técnico "Cómo funciona un LLM, explicado a un colega backend".
Cómo se aprueba¶
Evaluación de módulo ≥ 80%; teach-back aprobado de token, ventana de contexto, temperatura y alucinación; entregable revisado.
Las reglas generales están en Evaluación y estados.
Hilos transversales¶
🔒 qué pasa con los datos que enviás (retención y entrenamiento según el proveedor y el plan) · 💰 cálculo de costo por token · 🧭 modelo grande vs. chico vs. local.