Prácticas en IA y BI

Recorridos formativos específicos a medida en CIENCIA DE DATOS, AWS, GCP, AZURE, IBM, PYTHON, PYSPARK y SAS.

Para Máster Ciencia de Datos: Conocer el funcionamiento de un entono de trabajo real en el que se aborda la solución de proyectos relacionados con la Inteligencia de Negocio.
Tener la visión global de cuáles son los términos y conceptos habituales que se utilizan en el contexto de la Inteligencia de Negocio.
Participar en el desarrollo de soluciones en cualquiera de los componentes (online, batch y/o capa analítica). Colaborar en un Equipo de Trabajo multidisciplinar, con métodos y herramientas enfocados a este tipo de proyectos. Contribuir con el conocimiento específico de cada alumno, en la aplicación de algoritmos y técnicas relacionadas a casos de uso relacionados con el Machine Learning.

Buscamos personas cursando el Máster en IA, con un alto nivel de inglés (C1), motivadas por desarrollarse en un entorno tecnológico y dinámico.

• Comprender y experimentar con las posibilidades actuales de la Inteligencia Artificial Generativa en tareas de texto, imagen, audio o código.
• Participar en la evaluación crítica del impacto ético y de negocio de las soluciones basadas en GenAI.
• Aprender buenas prácticas para la integración responsable, segura y eficiente de modelos generativos en productos reales.

• Evaluación y uso de modelos fundacionales (como GPT, Claude, Gemini, LLaMA o Mistral) para tareas específicas (generación de texto, resúmenes, clasificación, extracción de información, generación de imágenes o código).
• Fine-tuning, prompt engineering o uso de técnicas de in-context learning para adaptar modelos generativos a casos de uso específicos.
• Comparativa de capacidades y rendimiento entre diferentes modelos abiertos y propietarios (HuggingFace, OpenAI, Google Vertex AI, etc).

• Diseño de pipelines de generación e inferencia usando GenAI (por ejemplo, bots, asistentes inteligentes, generadores de documentos, etc).
• Uso de herramientas como LangChain, LlamaIndex, Semantic Kernel u otros orquestadores para construir aplicaciones GenAI.
• Desarrollo de soluciones basadas en retrieval-augmented generation (RAG) con integración de fuentes externas (bases de datos, APIs, documentos).
• Integración de APIs GenAI (OpenAI, Cohere, Anthropic, etc.) en flujos backend (Python) o frontales (por ejemplo, interfaces en Streamlit, Gradio o apps web).

• Diseño y ejecución de tests de calidad de generación (prompt testing, hallucination rate, factual consistency).
• Revisión de aspectos éticos: sesgos, alucinaciones, privacidad de datos y gobernanza responsable de modelos generativos.
• Documentación de experimentos, resultados y aprendizajes de forma clara para el equipo.