Objetivos
Este curso ofrece una formación práctica y avanzada en el desarrollo de aplicaciones inteligentes con .NET y Java, integrando modelos de inteligencia artificial generativa en soluciones empresariales. A lo largo del programa se abordará la construcción de chatbots, sistemas RAG y agentes de IA, el uso de tool calling, bases de datos vectoriales y servidores MCP, así como el diseño de arquitecturas multiagente. Además, se trabajarán aspectos fundamentales de seguridad, observabilidad, evaluación y buenas prácticas para desarrollar soluciones de IA robustas, escalables y preparadas para entornos de producción.
Contenidos
- Arquitectura de aplicaciones con Inteligencia Artificial
- Inteligencia Artificial Generativa
- Large Language Models
- Tokens y ventanas de contexto
- Modelos de chat
- Modelos de embeddings
- Modelos multimodales
- Inferencia
- Temperatura y parámetros de generación
- Modelos locales y modelos Cloud
- Aplicaciones tradicionales frente a aplicaciones inteligentes
- Arquitectura básica de una aplicación basada en LLM
- Arquitectura general
- Usuario -> Aplicación -> Modelo -> Herramientas / Datos -> Respuesta
- Separación entre modelo y lógica de negocio
- Diseño independiente del proveedor de IA
- Integración de modelos de IA con .NET y Java
- NET
- Ecosistema de IA para .NET
- Microsoft.Extensions.AI
- IChatClient
- Abstracción de proveedores
- Configuración mediante Dependency Injection
- Streaming de respuestas
- Structured Outputs
- Integración con diferentes proveedores de modelos
- Java
- Ecosistema de IA para Java
- Spring AI
- ChatClient
- Model API
- Integración con Spring Boot
- Streaming
- Structured Outputs
- Introducción a LangChain4j
- Abstracción de proveedores
- Arquitectura común
- Application -> AI Abstraction -> Model Provider
- OpenAI
- Azure OpenAI
- Anthropic
- Gemini
- Ollama
- Otros proveedores
- Prompt Engineering para desarrolladores
- Anatomía de un prompt
- System Prompt
- User Prompt
- Context
- Instrucciones
- Restricciones
- Ejemplos
- Zero-shot prompting
- Few-shot prompting
- Chain of Thought y razonamiento
- Prompt Templates
- Respuestas estructuradas
- JSON Schema
- Conversión de respuestas de IA a objetos .NET y Java
- Prompt Injection
- Separación entre instrucciones y datos
- Gestión eficiente de tokens
- Context Engineering
- Construcción de Chatbots y asistentes inteligentes
- Arquitectura de un chatbot
- Chat multi-turn
- Historial de conversación
- Conversation ID
- Sessions
- Memoria de corto plazo
- Memoria persistente
- Gestión del contexto
- Reducción y compactación del historial
- Streaming de respuestas
- Cancelación de peticiones
- Persistencia de conversaciones
- Integración con APIs REST
- Integración con aplicaciones Web
- Gestión de usuarios
- Diseño de chatbots empresariales
- Flujo: Usuario -> Chatbot -> Contexto + Historial -> LLM -> Respuesta
- Embeddings, búsqueda semántica y bases de datos vectoriales
- Qué son los embeddings
- Representación vectorial de información
- Distancia y similitud
- Cosine Similarity
- Búsqueda semántica
- Embeddings frente a búsqueda tradicional
- Vector Stores
- Almacenamiento de documentos
- Metadata
- Filtros
- Indexación
- Bases de datos vectoriales
- PostgreSQL + pgvector
- Qdrant
- Pinecone
- Weaviate
- Azure AI Search
- Otras alternativas
- NET
- Microsoft.Extensions.VectorData
- Abstracción de Vector Stores
- Java
- Spring AI Vector Store API
- Integraciones con bases de datos vectoriales
- Retrieval-Augmented Generation — RAG
- Qué es RAG
- Problemas que resuelve
- RAG frente a Fine-Tuning
- Arquitectura de una solución RAG
- Pipeline de ingestión
- Pipeline de consulta
- Document loaders
- Chunking
- Chunk size
- Chunk overlap
- Metadata
- Retrieval
- Context augmentation
- Generación de respuestas
- Referencias y fuentes
- RAG avanzado y calidad de las respuestas
- Estrategias de Chunking
- Semantic Chunking
- Metadata Filtering
- Query Transformation
- Query Rewriting
- Multi-query retrieval
- Hybrid Search
- Keyword Search + Vector Search
- Reranking
- Top-K
- Score Threshold
- Context Window Management
- Citación de fuentes
- Reducción de alucinaciones
- Evaluación de sistemas RAG
- Precision y Recall del retrieval
- Groundedness
- Faithfulness
- Diseño de RAG empresarial
- Tool Calling y aplicaciones inteligentes
- Qué es Tool Calling / Function Calling
- Diferencia entre generación de texto y ejecución de acciones
- Exposición de funciones al modelo
- Parámetros de herramientas
- Structured Inputs
- Structured Outputs
- Selección automática de herramientas
- Ejecución de APIs
- Acceso a bases de datos
- Integración con servicios empresariales
- Herramientas síncronas y asíncronas
- Control de errores
- Timeouts
- Reintentos
- Seguridad
- NET
- Tools con Microsoft Agent Framework
- Funciones .NET como herramientas
- Java
- Spring AI Tool Calling
- Tool
- Funciones Java como herramientas
- Agentes de Inteligencia Artificial
- Qué es un agente
- Chatbot frente a agente
- RAG frente a agente
- Tools frente a agentes
- Componentes de un agente
- Modelo
- Instructions
- Tools
- Context
- Memory
- State
- Planning
- Agent Loop
- Selección dinámica de herramientas
- Agentes especializados
- Agentes con RAG
- Agentes conectados a APIs
- Human-in-the-Loop
- Control de autonomía
- Cuándo utilizar un agente y cuándo utilizar un workflow tradicional
- NET
- Microsoft Agent Framework
- Agents
- Sessions
- Tools
- Memory
- Middleware
- Java
- Agentes con Spring AI
- Patrones agentic
- Introducción a LangChain4j Agents
- Multiagentes y Agentic Workflows
- Sistemas multiagente
- Especialización de agentes
- Orquestación
- Delegación
- Agente coordinador
- Agentes como herramientas
- Compartición de contexto
- Comunicación entre agentes
- Patrones
- Sequential
- Concurrent
- Routing
- HandoU
- Supervisor
- Manager / Worker
- Planner / Executor
- Reviewer
- Human-in-the-Loop
- Cuándo utilizar agentes
- Cuándo utilizar workflows deterministas
- Arquitecturas híbridas
- Model Context Protocol — MCP
- Qué es Model Context Protocol
- Problema que resuelve MCP
- Arquitectura MCP
- Hosts
- Clients
- Servers
- Tools
- Resources
- Prompts
- Capabilities
- Discovery
- Lifecycle
- Seguridad
- Transportes
- STDIO
- Streamable HTTP
- Arquitectura
- AI Application -> MCP Client -> MCP Server -> API / Database / Files / Enterprise System
- MCP con .NET
- SDK oficial de MCP para C
- Creación de un MCP Server
- Exposición de Tools
- Exposición de Resources
- Creación de clientes MCP
- Integración MCP con agentes
- MCP con Java
- MCP Java SDK
- Spring AI MCP
- Creación de MCP Servers
- Creación de MCP Clients
- Anotaciones MCP
- Integración con Spring Boot
- Integración con agentes
- Arquitectura de Aplicaciones Inteligentes
- Diseño de una aplicación empresarial basada en IA
- Separación por capas
- Domain Logic frente a AI Logic
- Integración del LLM como infraestructura
- Abstracción del proveedor de IA
- Gestión de prompts
- Gestión de conversaciones
- RAG
- Agents
- Tools
- MCP
- APIs
- Bases de datos
- Vector Stores
- Arquitectura de referencia
- Aplicación de Clean Architecture, Hexagonal Architecture o arquitecturas
- equivalentes
- Testabilidad
- Sustitución de proveedores
- Evolución de la arquitectura
- Seguridad, observabilidad y evaluación de aplicaciones de IA
- Prompt Injection
- Jailbreaking
- Protección de System Prompts
- Protección de datos sensibles
- Autorización de Tools
- Principio de mínimo privilegio
- Seguridad de servidores MCP
- Validación de parámetros
- Human approval para operaciones críticas
- Guardrails
- Gestión de secretos
- Logging
- Distributed Tracing
- Métricas
- Token Usage
- Costes
- Latencia
- Evaluación de respuestas
- Evaluación de RAG
- Testing de prompts
- Testing de agentes
- Evaluaciones automáticas
- Monitorización en producción
Duración
Leave A Reply