Curso de IA de Microsoft

Lección 1 • Qué es la IA y Cómo Funciona

Cubre las definiciones centrales de IA, la diferencia entre IA, ML y aprendizaje profundo, y analogías del mundo real. Establece el vocabulario compartido utilizado a lo largo del curso.

Lección 2 • Historia y Evolución de la IA

Traza la IA desde los primeros sistemas simbólicos hasta las redes neuronales modernas. Proporciona contexto sobre por qué existen las herramientas actuales de Microsoft y cómo evolucionaron.

Lección 3 • Conceptos y Terminología Clave de IA

Define datos de entrenamiento, modelos, inferencia, tokens y embeddings. Estos términos se repiten en cada capítulo posterior y deben internalizarse temprano.

Lección 4 • Principios de IA Responsable

Presenta los seis principios de IA responsable de Microsoft y sus implicaciones prácticas. Establece la base ética aplicada en todos los capítulos aplicados posteriores.

Lección 1 • Servicios de Lenguaje y Texto de Azure

Explora el análisis de sentimiento, el reconocimiento de entidades, la extracción de frases clave y la traducción. Conecta las capacidades de IA de texto con escenarios de procesamiento de documentos y comentarios de clientes.

Lección 2 • Servicios de Visión por Computadora de Azure

Cubre el análisis de imágenes, OCR, detección de rostros y modelos de visión personalizados. Los estudiantes integran APIs de visión en flujos de trabajo de muestra para extraer datos estructurados de imágenes.

Lección 3 • Búsqueda de Azure AI y Minería de Conocimiento

Introduce la búsqueda cognitiva, los conjuntos de habilidades y los almacenes de conocimiento para extraer información valiosa de datos no estructurados. Une la ingesta de datos en bruto con la recuperación inteligente.

Lección 4 • Servicios de Voz de Azure

Cubre las APIs de voz a texto, texto a voz y reconocimiento del hablante. Los estudiantes construyen una interacción básica habilitada por voz usando el SDK de Voz de Azure.

Lección 1 • Monitoreo y Reentrenamiento de Modelos

Introduce la detección de deriva de datos, el monitoreo del rendimiento del modelo y los desencadenadores de reentrenamiento automático. Asegura que los modelos desplegados se mantengan precisos con el tiempo.

Lección 2 • Preparación y Gestión de Datos

Enseña la ingesta, el perfilado, la limpieza y el versionado de conjuntos de datos dentro de Azure ML. Los datos limpios y versionados son el requisito previo para un entrenamiento de modelos reproducible.

Lección 3 • Configuración del Espacio de Trabajo de Azure Machine Learning

Cubre la creación del espacio de trabajo, los objetivos de cómputo, los almacenes de datos y la interfaz de Studio. Establece el entorno utilizado para todos los experimentos de ML en este capítulo.

Lección 4 • Evaluación y Despliegue de Modelos

Cubre las métricas de evaluación, el registro de modelos y el despliegue de endpoints en tiempo real o por lotes. Los estudiantes publican un endpoint REST funcional y lo prueban con datos de muestra.

Lección 5 • Entrenamiento de Modelos con ML Automatizado

Utiliza AutoML para ejecutar experimentos de clasificación, regresión y pronóstico automáticamente. Los estudiantes interpretan los resultados de AutoML y seleccionan el modelo de mejor rendimiento.

Lección 1 • Acceso a Azure OpenAI Service

Cubre el aprovisionamiento, el despliegue de modelos y la autenticación de API en Azure OpenAI. Los estudiantes realizan su primera llamada a la API e inspeccionan las estructuras de solicitud y respuesta.

Lección 2 • Ajuste Fino y Personalización

Cubre los flujos de trabajo de ajuste fino, la preparación de archivos de entrenamiento y la evaluación de modelos ajustados. Los estudiantes entienden cuándo el ajuste fino supera a la ingeniería de prompts por sí sola.

Lección 3 • Introducción a los Modelos de Lenguaje de Gran Tamaño

Explica la arquitectura transformer, la tokenización y cómo los LLMs generan texto. Proporciona la base conceptual necesaria para utilizar Azure OpenAI de manera efectiva.

Lección 4 • Técnicas de Ingeniería de Prompts

Enseña estrategias de prompting zero-shot, few-shot, cadena de pensamiento y de sistema. Un prompting efectivo determina directamente la calidad de la salida para todas las aplicaciones posteriores.

Lección 1 • Copilot en Aplicaciones de Microsoft 365

Demuestra las funciones de Copilot en Word, Excel, PowerPoint, Outlook y Teams. Los estudiantes practican prompts que automatizan tareas de redacción, resumen y análisis de datos.

Lección 2 • Extensión de Copilot con Plugins

Cubre el desarrollo de plugins, la integración de conectores y la configuración de acciones de API en Copilot Studio. Los plugins permiten a Copilot recuperar datos en vivo y ejecutar acciones externas.

Lección 3 • Arquitectura de Microsoft Copilot

Explica cómo Copilot conecta Microsoft Graph, los LLMs y el contexto de la aplicación para generar respuestas. Comprender la arquitectura ayuda a los usuarios a crear mejores prompts y establecer expectativas.

Lección 4 • Fundamentos de Microsoft Copilot Studio

Presenta el entorno de bajo código para construir agentes y temas de Copilot personalizados. Los estudiantes crean un agente funcional que maneja una pregunta de negocio definida.

Lección 1 • Panorama General y Modelos de AI Builder

Examina los modelos preconstruidos y personalizados de AI Builder, incluyendo el procesamiento de formularios, la predicción y la detección de objetos. Los estudiantes identifican qué tipo de modelo se ajusta a un escenario de automatización dado.

Lección 2 • Modelos de Predicción en Power Apps

Construye un modelo de predicción binaria y muestra los resultados dentro de una aplicación canvas de Power Apps. Los estudiantes conectan la salida del modelo a la lógica de la aplicación para el soporte de decisiones basado en datos.

Lección 3 • Copilot en Power Platform

Demuestra la creación de aplicaciones y flujos en lenguaje natural usando Copilot dentro de Power Apps y Power Automate. Los estudiantes construyen una aplicación funcional describiendo los requisitos en lenguaje sencillo.

Lección 4 • Procesamiento de Formularios e IA Documental

Entrena un modelo de procesamiento de formularios para extraer campos de facturas o contratos. Se conecta directamente a Power Automate para el enrutamiento automatizado de documentos y la entrada de datos.

Lección 1 • Entorno de Azure AI Studio

Presenta el modelo de hub, proyecto y recurso en Azure AI Studio. Los estudiantes configuran un proyecto conectado a recursos de Azure OpenAI, AI Search y almacenamiento.

Lección 2 • Despliegue y Monitoreo de Aplicaciones de IA

Despliega una solución de Prompt Flow como un endpoint en línea administrado y configura el monitoreo. Conecta las prácticas de despliegue de capítulos anteriores a un flujo de trabajo listo para producción.

Lección 3 • Desarrollo de Prompt Flow

Construye flujos de orquestación usando nodos de Prompt Flow para llamadas a LLM, herramientas de Python y búsqueda. Los estudiantes crean un flujo de varios pasos que procesa la entrada del usuario de extremo a extremo.

Lección 4 • Catálogo y Selección de Modelos

Explora el catálogo de modelos que incluye modelos de OpenAI, Meta, Mistral y Hugging Face. Los estudiantes aplican criterios de selección basados en el tipo de tarea, el costo y los requisitos de latencia.

Lección 1 • Estrategia de Datos para IA a Escala

Aborda la gobernanza de datos, los conceptos de data mesh y el diseño de plataformas de datos empresariales para IA. Una estrategia de datos sólida es el requisito previo para sistemas de IA escalables y confiables.

Lección 2 • Construcción de un Centro de Excelencia de IA

Define los roles, el modelo operativo y la estructura de gobernanza de un Centro de Excelencia de IA. Los estudiantes redactan un estatuto de CoE alineado con el nivel de madurez de IA de su organización.

Lección 3 • Marcos de Gobernanza de IA

Cubre la gestión de riesgos del modelo, los registros de auditoría, los requisitos de explicabilidad y las estructuras de políticas. Los marcos de gobernanza protegen a las organizaciones del riesgo regulatorio y reputacional.

Lección 4 • Gestión del Cambio y Adopción de IA

Cubre el compromiso de las partes interesadas, la mejora de habilidades de la fuerza laboral y la gestión de la resistencia para los despliegues de IA. La adopción organizacional determina si una IA técnicamente sólida ofrece valor empresarial.