Maestría en Ingeniería de IA

Para quién es

• Ingenieros que vienen de otro stack y están moviéndose a IA generativa con responsabilidad de entrega.
• Ingenieros backend con un proyecto LLM en producción que no escala en costo, latencia o calidad.
• Candidatos a frontier labs preparando rondas de diseño de sistemas con foco en IA.
• Tech leads que necesitan vocabulario operacional para revisar el trabajo de un equipo de IA.

Lo que vas a hacer

• Construyes un RAG completo con marco de evaluación, no solo el pipeline feliz.
• Pones prompt engineering bajo control de versiones, con pruebas que corren en CI.
• Mides LLMs en producción: tokens, latencia, calibración, tasa de regresión por release.
• Modelas ingeniería de costos por carga de trabajo y defiendes el presupuesto frente a finanzas.
• Diseñas y entregas un proyecto final: un sistema de IA en producción contra requisitos reales con presupuesto de costo, latencia y calidad.

Resultados al terminar

• Portafolio con un sistema de IA en producción documentado, con evaluaciones reproducibles.
• Capacidad de defender decisiones de arquitectura LLM frente a un panel técnico.
• Disciplina de evaluación que reduce regresiones silenciosas al pasar de modelo o de versión.
• Credencial verificable de DecipherU emitida al aprobar el proyecto final.

Plan de estudio

1. Módulo 1. Panorama 2026 de la ingeniería de IA y elección de proveedor de modelos.
2. Módulo 2. Prompt engineering a escala de producción: prompts estructurados, salidas JSON, herramientas.
3. Módulo 3. Embeddings y bases de datos vectoriales: selección, búsqueda híbrida y reranking.
4. Módulo 4. Patrones de RAG: chunking, recuperación, contexto, atribución de fuentes.
5. Módulo 5. Marcos de evaluación: golden sets, jueces LLM, métricas que de verdad correlacionan.
6. Módulo 6. Arquitecturas multi-agente: orquestación, herramientas, límites de autonomía.
7. Módulo 7. Fine-tuning y selección de modelos: cuándo sí, cuándo no, costo total.
8. Módulo 8. Aplicaciones multi-modales: imagen, voz, video, documentos.
9. Módulo 9. Patrones de despliegue en producción: serving, autoscaling, fallback.
10. Módulo 10. Ingeniería de costos e inferencia: caché de prompt, batching, ruteo por costo.
11. Módulo 11. Seguridad de IA y despliegue responsable: prompt injection, abuso de modelo, OWASP LLM Top 10.
12. Módulo 12. Observabilidad de LLMs: trazas, evaluación continua, calibración por release.
13. Módulo 13. Manejo de datos sensibles en pipelines LLM y conformidad con NIST AI RMF.
14. Módulo 14. Diseño de sistemas para entrevistas en frontier labs.
15. Módulo 15. Operación de evaluaciones humanas y barreras de evaluación antes de promover modelo.
16. Módulo 16. Estudio de casos reales: post-mortems de incidentes públicos de LLM.
17. Módulo 17. Preparación del proyecto final: requisitos, presupuestos, modelo de amenaza.
18. Módulo 18. Proyecto final: sistema de IA en producción con set de evaluación documentado.

Preguntas frecuentes

Fuentes primarias

Marco de evaluación de Hamel Husain, publicaciones de Eugene Yan sobre evaluación de LLM, Designing Machine Learning Systems (Chip Huyen, 2022), Patterns for Building LLM-based Systems (Anyscale, Anthropic), MITRE ATLAS, OWASP LLM Top 10 (2025), NIST AI RMF 100-1 y AI 600-1.