Temario — 5 secciones, 31 temas

Fundamentos de IA y ML

1.1 Jerarquía: IA, ML, Deep Learning e IA Agéntica

1.2 Entrenamiento e Inferencia: Tipos y Analogías

1.3 Paradigmas de Aprendizaje y Tipos de Datos

1.4 Ciclo de Vida de MLOps, Roles de Datos y Métricas Clásicas

1.5 Redes Neuronales y Funciones de Activación

1.6 Servicios de IA Administrados de AWS (Cognitive Services)

Fundamentos de IA Generativa

2.1 Qué es la IA Generativa y los Modelos Fundacionales

2.2 Tokens, Ventana de Contexto y Costos de Inferencia

2.3 Embeddings y Búsqueda Semántica

2.4 La Arquitectura Transformer

2.5 Modelos de Difusión (Generación de Imágenes)

2.6 IA Agéntica y Model Context Protocol (MCP)

Aplicaciones y Personalización de Modelos Fundacionales

3.1 Amazon Bedrock: Fundamentos y Catálogo de Modelos

3.2 Selección de Modelos y Parámetros de Inferencia

3.3 RAG y Bases de Conocimiento de Amazon Bedrock

3.4 Bases de Datos Vectoriales en AWS

3.5 Ingeniería de Peticiones (Prompt Engineering)

3.6 Métodos de Personalización: Fine-Tuning y Alternativas

3.7 Agentes de Amazon Bedrock y Guardrails

3.8 Evaluación de Modelos Fundacionales

3.9 Amazon SageMaker: Plataforma Completa de ML

3.10 Amazon Q y Herramientas de Desarrollo con IA

3.11 Consulta y Preparación de Datos: Amazon Athena y AWS Glue

3.12 Búsqueda Vectorial y Gobernanza de Datos: OpenSearch y Lake Formation

Directrices de IA Responsable

4.1 Pilares de la IA Responsable y Riesgos de GenAI

4.2 Explicabilidad y Transparencia

4.3 Monitoreo en Producción: Model Monitor y Amazon A2I

Seguridad, Cumplimiento y Gobernanza para Soluciones de IA

5.1 Modelo de Responsabilidad Compartida para IA (Security Scoping Matrix)

5.2 Privacidad de Datos y Aislamiento de Red en Bedrock

5.3 Gobernanza de Accesos: IAM, Cifrado con KMS y Descubrimiento con Macie

5.4 Auditoría, Cumplimiento y Gobernanza Regulatoria