Curso de Gestión de Proyectos con IA

Lección 1 • Roles Clave en un Equipo de Gestión de Proyectos de IA

Mapea a científicos de datos, ingenieros de ML, ingenieros de datos y especialistas en ética de IA con las necesidades de coordinación de la gestión de proyectos. Aclara los límites de la rendición de cuentas en todo el equipo.

Lección 2 • Madurez de IA y Preparación Organizacional

Presenta modelos de madurez para evaluar la preparación de datos, talento e infraestructura de una organización. Orienta a los GP para delimitar iniciativas de IA realistas.

Lección 3 • Qué Hace Únicos a los Proyectos de IA

Contrasta los proyectos de IA con los proyectos de software tradicionales en cuanto a incertidumbre, dependencia de datos y entrega iterativa. Establece la base conceptual para todo el curso.

Lección 4 • Conceptos Básicos de IA para Gerentes de Proyecto

Cubre aprendizaje automático, aprendizaje profundo, NLP y visión por computadora a nivel conceptual. Prepara a los GP para comunicarse con precisión con equipos técnicos.

Lección 1 • Descripción General del Ciclo de Vida del Proyecto de IA

Recorre las etapas desde el planteamiento del problema hasta el despliegue y monitoreo del modelo. Proporciona la columna vertebral estructural para todas las actividades de planeación posteriores.

Lección 2 • CRISP-DM y Marcos de Ciencia de Datos

Explica las fases de CRISP-DM y sus implicaciones para la GP en cuanto a programación y transferencias. Conecta los flujos de trabajo de ciencia de datos con los puntos de control de gobierno corporativo del proyecto.

Lección 3 • Agile y Scrum Adaptados para IA

Adapta la planeación de sprints, la gestión del backlog y las retrospectivas a la naturaleza experimental de la IA. Aborda cómo definir "terminado" cuando el entregable es el desempeño del modelo.

Lección 4 • Selección del Marco Adecuado

Proporciona una matriz de decisión para emparejar marcos de entrega con el tipo de proyecto, riesgo y madurez del equipo. Refuerza la selección del marco como una decisión de alcance.

Lección 1 • Definición de Métricas de Éxito de IA

Distingue las métricas de desempeño del modelo de las métricas de resultados de negocio y las vincula. Asegura que los GP puedan negociar criterios de aceptación significativos con equipos técnicos.

Lección 2 • Evaluación de Viabilidad para Proyectos de IA

Evalúa la viabilidad técnica, de datos y de negocio antes de comprometer recursos. Presenta la decisión de construir vs. comprar vs. asociarse para capacidades de IA.

Lección 3 • Delimitación y Requisitos de Datos

Define los requisitos de datos como un artefacto de proyecto de primera clase junto con los requisitos funcionales. Cubre la obtención, el etiquetado y la estimación del volumen de datos.

Lección 4 • Planteamiento del Problema e Identificación de Oportunidades

Estructura técnicas para convertir necesidades de negocio vagas en planteamientos de problemas de IA precisos. Previene la corrupción del alcance al anclar el proyecto a una hipótesis comprobable.

Lección 1 • Planeación de Recursos para Equipos de IA

Mapea roles especializados de IA a las fases del proyecto e identifica cuellos de botella de recursos. Cubre la planeación de recursos de cómputo junto con la de recursos humanos.

Lección 2 • Programación de Experimentos e Iteraciones de IA

Aplica el time-boxing y la planeación de iteraciones para gestionar la experimentación abierta. Presenta puertas de decisión para detener o pivotar experimentos a tiempo.

Lección 3 • Estimación de Costos de Proyectos de IA

Desglosa los generadores de costos de IA: datos, cómputo, talento y herramientas. Elabora un modelo de costos que tiene en cuenta el retrabajo iterativo y la infraestructura en la nube.

Lección 4 • Estructura de Desglose del Trabajo para IA

Adapta la EDT para capturar paquetes de trabajo de datos, modelado, evaluación y despliegue. Asegura que todas las tareas específicas de IA sean visibles en el plan del proyecto.

Lección 1 • Gestión de Calidad de Datos

Aplica principios de gestión de calidad a la completitud, exactitud y consistencia de los datos. Presenta la perfilación y remediación de datos como actividades bajo seguimiento del GP.

Lección 2 • Supervisión de Privacidad de Datos y Cumplimiento

Cubre los principios de privacidad desde el diseño y la gestión del consentimiento como responsabilidades de gobierno corporativo del GP. Asegura que los GP puedan identificar riesgos de cumplimiento antes de que se conviertan en bloqueos del proyecto.

Lección 3 • Marcos de Gobierno Corporativo de Datos

Presenta las estructuras de gobierno corporativo de datos empresariales y su intersección con la entrega de proyectos de IA. Ayuda a los GP a navegar las aprobaciones de acceso a datos y la aplicación de políticas.

Lección 4 • Los Datos como Activo del Proyecto

Reformula los datos como un entregable gestionado con atributos de calidad, linaje y propiedad. Establece la rendición de cuentas del GP para los hitos de preparación de datos.

Lección 1 • Estrategias de Mitigación de Riesgos para IA

Aplica estrategias de evitación, mitigación, transferencia y aceptación a riesgos específicos de IA. Presenta tarjetas de modelo y hojas de datos como herramientas de comunicación de riesgos.

Lección 2 • Categorías de Riesgo Específicas de IA

Cataloga riesgos técnicos, de datos, éticos y operativos propios de los proyectos de IA. Extiende el registro de riesgos estándar para capturar modos de falla de IA.

Lección 3 • Riesgo Regulatorio y de Cumplimiento

Mapea marcos regulatorios de IA por dominio e identifica puntos de control de cumplimiento en el ciclo de vida del proyecto. Prepara a los GP para involucrar proactivamente a las partes interesadas legales y de cumplimiento.

Lección 4 • Sesgo, Equidad y Riesgo Ético

Define las fuentes de sesgo algorítmico y las métricas de equidad que los GP deben rastrear como criterios de aceptación. Conecta el riesgo ético con las consecuencias reputacionales y regulatorias del proyecto.

Lección 1 • Comunicación de Conceptos de IA a Ejecutivos

Traduce el desempeño, la incertidumbre y el riesgo del modelo al lenguaje de negocio de nivel ejecutivo. Cubre el diseño de tableros y el encuadre narrativo para patrocinadores no técnicos.

Lección 2 • Panorama de Partes Interesadas de IA

Mapea los tipos de partes interesadas únicos de los proyectos de IA, incluyendo reguladores, propietarios de datos y usuarios del modelo. Identifica las dinámicas de influencia e interés que moldean las decisiones del proyecto.

Lección 3 • Reportes de Proyectos de IA y Actualizaciones de Estado

Diseña plantillas de reportes de estado que capturan el progreso del experimento, la salud del modelo y el estado del riesgo. Asegura que la cadencia de reportes coincida con los niveles de incertidumbre del proyecto de IA.

Lección 4 • Gestión de Dinámicas de Equipos Técnicos

Aborda la fricción de colaboración entre científicos de datos, ingenieros y analistas de negocio. Capacita a los GP para facilitar la alineación multifuncional sin microgestionar a los expertos.

Lección 1 • Monitoreo y Observabilidad del Modelo

Define métricas de monitoreo para la deriva de datos, la deriva del modelo y el desempeño del sistema en producción. Establece umbrales de alerta y rutas de escalamiento como artefactos de gobierno corporativo del GP.

Lección 2 • Mejora Continua en Proyectos de IA

Aplica prácticas de retrospectiva y kaizen a equipos de entrega de IA para ganancias continuas de desempeño. Vincula los ciclos de mejora con el seguimiento de la realización del valor de negocio.

Lección 3 • Gestión de Incidentes para Sistemas de IA

Adapta la gestión de incidentes de TI a fallas específicas de IA, como resultados sesgados y errores de predicción. Define niveles de severidad y protocolos de respuesta para incidentes del modelo.

Lección 4 • Reentrenamiento y Gobierno Corporativo del Ciclo de Vida del Modelo

Establece disparadores, flujos de trabajo de aprobación y control de versiones para los ciclos de reentrenamiento del modelo. Asegura que los GP gobiernen las actualizaciones del modelo con el mismo rigor que los despliegues iniciales.