AVANZADO · 8 MÓDULOS · 64 LECCIONES

IA generativa en producción en AWS

Opera una carga de IA generativa en AWS como cualquier sistema serio: infraestructura como código, guardrails, protección de datos personales y costo por token bajo control.

Es para ti si
Ya construyes con modelos de lenguaje y nunca has operado uno en producción sobre AWS.
Al terminar
Sabrás declarar Bedrock y sus guardrails en Terraform, limitar permisos, validar salidas y calcular el costo por token.
Necesitas
Las guías previas de AWS (o equivalente), Terraform, Python con pytest y saber construir con un LLM.
  1. 01Genai In Production Vs A Notebook8 LECCIONES
    1. Introducción a la guía: la octava pieza del ecosistema
    2. Un notebook y un sistema en producción no son el mismo problema
    3. La carga de IA de Andes Cargo: cuando el parser determinista no alcanza
    4. La frontera con AI Engineering, dicha en voz alta
    5. Manos a la obra: inventario de lo que ya existe
    6. Bedrock, panorama 2026: modelos, familias y por qué el camino barato sigue siendo el default
    7. Manos a la obra: el intento honesto contra Bedrock en LocalStack
    8. Proyecto: el mapa de la carga de IA de Andes Cargo
  2. 02The Bedrock Cost Model8 LECCIONES
    1. Introducción: precio por token, no por hora
    2. Cómo se cobra Bedrock: niveles on-demand, Batch y Provisioned Throughput
    3. Cuotas de Bedrock: el límite que ninguna factura muestra
    4. Manos a la obra: Infracost, heredado
    5. Manos a la obra: el intento honesto de `infracost scan` sobre `bedrock.tf`
    6. Por qué Infracost no puede resolver esto solo, y qué sí puede
    7. Manos a la obra: la calculadora de costo por token
    8. Proyecto: `GENAI-COST-PROFILE.md` de Andes Cargo
  3. 03Infrastructure As Code For An Ai Endpoint8 LECCIONES
    1. Introducción: lo que Terraform sabe declarar sin necesitar invocar nada
    2. Qué recursos de Terraform existen para Bedrock
    3. Manos a la obra: el módulo `modules/bedrock-guardrail/`
    4. Manos a la obra: `BedrockManifestExtractorRole`, mínimo privilegio
    5. Manos a la obra: `terraform plan` de la infraestructura de IA completa
    6. El límite exacto: por qué el `apply` del guardrail no corre contra LocalStack
    7. Manos a la obra: verificando lo que sí se puede aplicar de verdad
    8. Proyecto: la infraestructura de IA de Andes Cargo, declarada
  4. 04Bedrock Guardrails And Defense In Depth8 LECCIONES
    1. Introducción: la baranda gestionada y la propia
    2. Las seis políticas de Bedrock Guardrails, explicadas
    3. Manos a la obra: declarando el guardrail completo en HCL
    4. Por qué un guardrail gestionado no basta solo
    5. Manos a la obra: el scrubber de PII propio, determinista
    6. Manos a la obra: el validador del esquema de salida
    7. El límite exacto: por qué el bloqueo real de Bedrock Guardrails no se puede probar aquí
    8. Proyecto: la capa de guardrails de Andes Cargo
  5. 05Securing The Ai Workload8 LECCIONES
    1. Introducción: el gate ya existe, esta carga entra a él
    2. Mínimo privilegio para un modelo, no para un servicio
    3. Manos a la obra: `bedrock-least-privilege.rego`, agregada a `policy/`
    4. Bedrock tiene API keys: por qué esta carga sigue usando un rol IAM
    5. Manos a la obra: Trivy sobre el Terraform nuevo
    6. Manos a la obra: firmando el artefacto del extractor con `cosign`
    7. STRIDE, revisitado: las amenazas específicas de una carga de IA
    8. Proyecto: el security gate de Andes Cargo, extendido
  6. 06Finops For Tokens8 LECCIONES
    1. Introducción al módulo: el cost gate ya existe, los tokens son lo nuevo
    2. Por qué un token es el recurso *usage-based* más extremo del ecosistema
    3. Manos a la obra: `bedrock-budget.rego`, agregada a `cost-policy/`
    4. Manos a la obra: la calculadora de costo por token, integrada al gate
    5. Tagging de asignación de costo para la carga de IA
    6. Manos a la obra: un cambio de volumen que dispara el presupuesto
    7. On-demand vs. Provisioned Throughput: cuándo cada uno, con números reales
    8. Proyecto: el *cost gate* de Andes Cargo, extendido a tokens
  7. 07Observability Latency And Evals In Production8 LECCIONES
    1. Introducción al módulo: el mismo vocabulario, métricas nuevas
    2. SLI de una carga de IA: escalamiento, latencia, tasa de bloqueo del guardrail
    3. Manos a la obra: CloudWatch Logs y Metrics para el extractor
    4. Manos a la obra: la métrica de tasa de escalamiento
    5. Qué es un eval en producción, y por qué no es un test unitario
    6. Manos a la obra: el arnés de smoke test con manifiestos fijos
    7. El límite exacto: por qué la latencia y la calidad reales no se pueden medir aquí
    8. Proyecto: el panel de observabilidad de la carga de IA de Andes Cargo
  8. 08Capstone The Andes Cargo Genai Extractor8 LECCIONES
    1. Introducción al capstone: el extractor completo, cerrado
    2. Repaso de arquitectura: el sistema completo, dos caminos
    3. Recorrido end-to-end: el camino determinista, barato, ejecutado
    4. Recorrido end-to-end: el camino de escalamiento a IA, mixto y declarado
    5. Lo que esta guía dejó representativo
    6. La frontera con AI Engineering, cerrada
    7. Lo que Andes Cargo todavía necesita
    8. Proyecto final: el paquete GenAI de Andes Cargo como entregable
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!

SEC. 06 · EL ESTUDIO

Por qué existe este estudio

Durante décadas, construir software fue cosa de perfiles técnicos con años de formación, y llevar un producto digital a la vida real le tomaba a las empresas meses o años. El no-code y la inteligencia artificial han acortado esa brecha, pero el conocimiento sigue en manos de unos cuantos.

Tech Benders existe para abrir ese conocimiento, para que los equipos de negocio y los perfiles no técnicos puedan poner sus ideas en producción con las decisiones técnicas correctas detrás. La IA hace lo que le pides. Sin una base técnica, lo que construye puede no escalar con el ecosistema de tu empresa, y sus costos se disparan con el tiempo.

El equipo conoce los dolores de las organizaciones grandes y la velocidad a la que tienen que moverse. Trae arquitectura de soluciones, ingeniería de datos, producto construido de punta a punta, del backend al frontend, y trabajo diario con IA. Software que resuelve lo que necesitas en días, no en meses, con los costos de la IA bajo control.

Fundadores

El estudioConoce Tech Benders →

Escríbenoshi@techbenders.io

Hecho con Wislab