Fundamentos de AI EngineeringVista previa gratuita
Ver planesEntrar

Fundamentos de AI Engineering

Curso práctico de 9 módulos sobre los bloques fundamentales de la ingeniería de IA moderna. Todos los módulos comparten un mismo problema y un mismo dataset para que cada técnica se compare sobre la misma base y al final se integren en un sistema completo.

Curso 1 · Arquitectura completa del pipeline TalentAI: extracción validada, Qdrant, Hybrid RAG, LangGraph y observabilidad
Curso 1 · Arquitectura completa del pipeline TalentAI: extracción validada, Qdrant, Hybrid RAG, LangGraph y observabilidad


El caso conductor

Construimos el asistente técnico de un taller de talento de ingeniería: dado un repositorio de 30 perfiles de candidatos (con habilidades, experiencia, proyectos, ubicación, senioridad y notas de entrevistas) y 8 vacantes abiertas, el sistema debe ayudar a un líder técnico a encontrar, comparar y justificar qué candidatos encajan mejor con cada vacante — con trazabilidad, memoria de las preferencias del líder y límites claros sobre qué puede y qué no puede afirmar.


Mapa del curso

# Módulo Qué construimos sobre el caso
1 Datos estructurados Esquemas Pydantic de Candidato, Vacante y EvaluacionCandidato; extracción desde CVs en texto libre con instructor y Function Calling
2 Embeddings y búsqueda semántica Vectorización de los 30 perfiles y las 8 vacantes; similitud coseno desde cero; visualización 2D del espacio de talento
3 Chunking, metadata e introducción a RAG Partición de CVs en chunks con metadatos filtrables en Qdrant y primer pipeline RAG con citas verificadas
4 BM25, búsqueda híbrida y RRF Búsqueda léxica exacta para tecnologías específicas ("K8s", "HIPAA", "COBOL") fusionada con la semántica mediante Reciprocal Rank Fusion
5 Workflows de agentes Chaining, routing, paralelización y evaluador-optimizador aplicados al análisis y comparación de candidatos
6 Orquestación con LangGraph Grafo con estado tipado, reintentos cuando la búsqueda no alcanza umbral, y punto de aprobación humana antes de enviar el informe
7 Observabilidad y evaluación Trazas de cada paso (latencia, tokens, costo), dataset dorado de 15 consultas con candidatos esperados, Recall@k, MRR y LLM-as-a-judge
8 Memoria y guardrails Memoria de sesión y de preferencias del reclutador; guardrails contra PII, prompt injection en CVs y criterios protegidos (edad, género, origen)
9 Proyecto integrador Asistente de Selección de Talento de punta a punta: ingesta → indexación híbrida → agente en LangGraph con memoria y guardrails → suite de evaluación y trazas

Estructura de cada módulo

modulo-XX-nombre/
├── README.md        # Manual completo: conceptos, diagramas y explicación del código
├── ejercicios.md    # Ejercicios guiados y retos sobre el mismo caso
└── code/            # Scripts numerados listos para ejecutar en orden

El dataset compartido de candidatos y vacantes vive en modulo-09-proyecto-integrador/code/00_datos_cvs.py y los scripts autocontenidos de cada módulo en modulo-XX-.../code/.


Cómo ejecutar los laboratorios

  1. Instala las dependencias en un entorno virtual con Python 3.10+:

    pip install -r curso-ai-engineering/requirements.txt
    
  2. Define tu clave de OpenAI como variable de entorno. Los scripts la leen del entorno; no cargan el archivo .env por sí solos. En la terminal donde vas a ejecutarlos:

    # macOS / Linux
    export OPENAI_API_KEY=sk-...
    # Windows (PowerShell)
    $env:OPENAI_API_KEY = "sk-..."
    

    Si prefieres guardarla en un archivo .env en la raíz del proyecto (OPENAI_API_KEY=sk-...), ejecuta los scripts desde esa carpeta con dotenv run -- python ... (viene con python-dotenv, que ya está en las dependencias).

    El modelo se elige con la variable MODELO. Con otro proveedor compatible con la API de OpenAI, define además OPENAI_BASE_URL; el código pide salida estructurada con JSON Schema, así que el proveedor tiene que soportarla.

    Los módulos 2, 3 y 4 corren 100 % en local sin clave de API. Los módulos 1, 5, 6, 7, 8 y 9 llaman al modelo.

  3. Ejecuta cualquier script desde su carpeta o desde la raíz:

    python curso-ai-engineering/modulo-01-datos-estructurados/code/01_pydantic_basico.py
    
Presentación del curso · Fundamentos de AI Engineering · IA en Producción