INTERMEDIO · 8 MÓDULOS · 64 LECCIONES
Arquitectura para sistemas AI-native
Diseña sistemas con un componente de IA sin que el modelo toque dinero ni datos críticos: presupuestos de latencia y costo, evaluaciones como compuerta, guardrails y respaldo cuando falla.
- Es para ti si
- Ya conectaste un LLM a tu sistema y ahora lidias con latencia, costo o alucinaciones.
- Al terminar
- Sabrás dónde ubicar la IA en tu arquitectura, cómo contenerla con reglas deterministas y qué hacer cuando el modelo cae.
- Necesitas
- Python básico y experiencia en sistemas backend. El modelo es simulado: no necesitas llaves de API.

Temario
01Qué cambia cuando un componente es no determinista
- Presentación del módulo: qué cambia cuando un componente es no determinista
- El contrato probabilístico
- El LLM es un componente, no el sistema
- No es "solo una llamada a una API"
- El núcleo probabilístico y la cáscara determinista
- ¿Cuánta no-determinación tolera una feature?
- La hoja de propiedades de un componente de IA
- Mini-proyecto: ubica una feature de IA en Mercado
02Latencia y costo como arquitectura
- Presentación del módulo: latencia y costo como arquitectura
- El LLM es lento y cuesta por llamada
- El presupuesto de latencia y de costo
- El model cascade: barato primero, escalar solo si hace falta
- Caché: muchas queries se repiten
- Async y streaming: cuando el usuario no puede esperar
- El camino de la petición consciente del costo
- Proyecto: diseña el presupuesto de una feature de IA de Mercado
03El eval como fitness function
- Presentación del módulo: el eval como fitness function
- Por qué no puedes hacer `assert` a un componente probabilístico
- El eval-set y el score
- El eval como compuerta de calidad (fitness function)
- Atrapar regresiones al cambiar el prompt o el modelo
- El eval en CI: una compuerta sobre el deploy
- Tipos de criterio de eval
- Proyecto: construye el eval gate de una feature de IA de Mercado
04Guardrails y la frontera de confianza
- Presentación del módulo: guardrails y la frontera de confianza
- La salida del modelo es no confiable
- Validación por schema en la frontera
- Guardrails de entrada: validar lo que entra
- Prompt injection y la frontera de confianza
- La moderación como compuerta
- El stack de guardrails
- Proyecto: construye la frontera de confianza de una feature de IA de Mercado
05Modos de fallo y resiliencia para IA
- Presentación del módulo: modos de fallo y resiliencia para IA
- Los nuevos modos de fallo de un componente de IA
- La alucinación como modo de fallo
- El modelo caído, lento o rate-limited
- Fallback y degradación elegante
- El circuit breaker sobre el modelo
- El drift: la degradación silenciosa
- Proyecto: haz resiliente una feature de IA de Mercado
06La cáscara determinista
- Presentación del módulo: la cáscara determinista
- El modelo propone, el sistema dispone
- La acción estructurada
- Capabilities acotadas
- Validar la propuesta contra las reglas de negocio
- Mantén el núcleo probabilístico pequeño
- El pipeline propuesta → ejecución
- Proyecto: construye la cáscara determinista del agente de Mercado
07El lazo de datos y de retroalimentación
- Presentación del módulo: el lazo de datos y de retroalimentación
- El flywheel: el uso se vuelve un mejor sistema
- Observabilidad para IA: más allá del log de servidor
- El lazo de retroalimentación como decisión de diseño
- Cerrar el lazo: el feedback se vuelve el eval-set
- Prompt vs RAG vs fine-tune como decisión arquitectónica
- Enrutar la señal de feedback a la palanca correcta
- Proyecto: construye el lazo de datos de una feature de Mercado
08Proyecto — arquitecta una feature de IA en Mercado
Reseñas
Lo que dicen los estudiantes
Estas reseñas son de estudiantes inscritos que completaron al menos el 50% del curso. Moderamos las reseñas solo por motivos de contenido (spam, lenguaje ofensivo, datos personales), nunca por ser críticas o negativas.
Aún no hay reseñas aprobadas.
¡Sé el primero en compartir tu experiencia!