Objetivo del taller
Al finalizar los 4 días, los participantes serán capaces de comprender, aplicar y crear soluciones prácticas de Inteligencia Artificial para optimizar procesos, mejorar la eficiencia operativa, generar contenido con IA, y utilizar modelos de Machine Learning y Deep Learning con enfoques aplicados a sus profesiones y empresas.
¿Qué lograrás en 4 días?
Día 1: Comprender los fundamentos de la IA y los LLMs
Meta del día: Dominar los conceptos esenciales de IA y aprender a comunicarse efectivamente con modelos como ChatGPT.
Contenidos
- Qué es IA, tipos de IA y aplicaciones modernas.
- IA en empresas: casos reales en sectores legal, contable, educativo, industrial y comercial.
- Principios del Prompt Engineering:
- Estructuras de prompts.
- Roles, estilos, formatos.
- Iteración y mejora.
- Cómo funcionan los LLMs (Modelos de Lenguaje).
- Limitaciones, riesgos y uso responsable de IA.
Casos prácticos orientados a empresa
- Profesor: Crear un plan de clase y rúbricas de evaluación con IA.
- Abogado: Redacción asistida de contratos y análisis de jurisprudencia.
- Ingeniero: Generación de procedimientos técnicos y análisis de fallas.
Día 2: Explorar herramientas de IA generativa (texto, imagen, audio y video)
Meta del día: Dominar herramientas generativas que aceleran procesos operativos y creativos.
Contenidos
- Generación de texto: ChatGPT, Claude, DeepSeek, Gemini.
- Generación de imágenes: DALL·E, Midjourney, Ideogram.
- Generación de audio: ElevenLabs, Neets AI.
- Generación de video: Runway, Pika, D-ID.
Casos prácticos orientados a empresa
- Marketing: Creación de campaña publicitaria completa (texto + imagen + video).
- Educación: Diseño de recursos educativos multimedia.
- Gerencia/empresa: Diseño de un Business Canvas.
Día 3: Conocer Machine Learning y Deep Learning y su aplicación empresarial
Meta del día: Comprender ML y usar modelos básicos para predecir, clasificar y optimizar procesos. Entender redes neuronales y aplicarlas en visión.
Contenidos
- ¿Qué es Machine Learning y cómo funciona?
- Tipos: supervisado, no supervisado, regresión, clasificación.
- Qué es Deep Learning y cómo se diferencia del ML tradicional.
- Redes neuronales: arquitectura básica.
- Introducción a visión por computadora.
Casos prácticos orientados a empresa
- Salud / educación: Modelo de predicción de rendimiento o riesgo académico.
- Comercial: Clasificación de clientes (segmentación).
- Visión computacional: Clasificador de productos o defectos en imágenes.