IA Open Source Local para Implementar Modelos de IA en Entornos Propios

Objetivos

Objetivos de la formación en IA open source local

Al final de esta formación será capaz de:

• Definir los requisitos funcionales y no funcionales de su modelo, así como las pruebas
• Comparar los diferentes modelos open source del mercado según las principales métricas
• Explorar las diferentes alternativas para entrenar su modelo: from scratch, transfer learning, prompting, distillation, RLHF, mixture of experts, LoRA y PEFT
• Especificar y estimar las alternativas arquitectónicas locales capaces de alojar su modelo
• Implementar y monitorizar su modelo en producción, y optimizar las inferencias

Público objetivo de la formación en IA open source local

Data Scientists, Data Analysts, ingenieros Data, ingenieros MLOps, desarrolladores, arquitectos Data, cuadros directivos, managers, gestores de proyecto y gestores de productos de IA.

Requisitos previos de la formación en IA open source local

Haber realizado la formación IA-INTRO «Inteligencia Artificial (IA) para especialistas de IT – Técnicas, casos prácticos e innovaciones», o poseer competencias equivalentes. Estar familiarizado con el lenguaje Python.

Duración

Programa

Programa de la formación en IA open source local

Día 1 – Mañana

• Introducción
• Avances recientes en la producción de modelos de IA
• Planificación de aplicaciones de IA: las grandes etapas
• IA closed source vs IA open source: comparación de ventajas y desventajas
• Ingeniería de costes
• Modelos open source
• Requisitos de hardware (memoria, CPU/GPU, cluster, cloud privado, red)
• Ingeniería de Inteligencia Artificial: de los LLM a los modelos fundacionales
• Ingeniería de datasets
• Las tres capas del stack de IA

Ejemplos de ejercicios prácticos (a título indicativo)

• Estudio de caso: recogida de necesidades, viabilidad, presupuesto, implementación y pruebas

Día 1 – Tarde – Modelos fundacionales

• Polivalentes: Mistral, Mixtral, Llama, Falcon
• Ligeros: Phi-3, Gemma, TinyLlama
• Especializados: CodeLlama, Meditron
• Tratamiento, enriquecimiento y síntesis de datos
• Proceso de creación de modelos
• Arquitectura y tamaño del modelo

Alternativas de entrenamiento

• From scratch
• Transfer learning
• Prompting
• Distillation
• RLHF
• Mixture of experts
• LoRA
• PEFT
• Fine-tuning

Muestreo

• Estrategias
• Test time compute
• Salidas estructuradas

Infraestructuras para LLM

• Ollama
• LM Studio
• llama.cpp
• vLLM
• Unsloth
• Hugging Face
• Hub Space

Optimización de modelos

• Quantization
• LoRA
• Fully sharded data parallel

Despliegue y producción

• Desafíos y soluciones en producción
• Inferencia
• Monitorización

Ejemplos de ejercicios prácticos (a título indicativo)

• Reimplementación de Llama
• Optimización con quantization y LoRA
• Implementación e inferencia

Nota: El contenido puede adaptarse según necesidades.

Metodología

Metodología de la formación en IA open source local

Formación presencial o a distancia (blended learning, e-learning, clase virtual o presencial a distancia).

Métodos:

• Demostrativo
• Interrogativo
• Activo

Recursos

• Ordenadores Mac o PC
• Conexión a Internet
• Pizarra
• Videoproyector
• Entornos de formación
• Materiales

Evaluación de los aprendizajes

• Estudios de caso y ejercicios prácticos
• Cuestionario final

Bonificación Fundae

Esta formación es bonificable a través de FUNDAE para todas las empresas que cuenten con trabajadores en régimen general de la Seguridad Social y dispongan de crédito formativo. SKOLAE Formación gestiona todo el proceso administrativo necesario para que tu empresa pueda recuperar el importe invertido en la formación, siempre que se cumplan los requisitos legales y de comunicación establecidos por FUNDAE.

Formador

Profesional especializado en inteligencia artificial y despliegue de modelos open source, con experiencia en implementación de LLM en entornos locales y arquitecturas sin dependencia de cloud.

Cuenta con trayectoria en el uso de herramientas como Ollama, Hugging Face, llama.cpp o vLLM, así como en la optimización de modelos mediante técnicas como LoRA, fine-tuning, quantization o distillation.

Ha participado en proyectos de desarrollo e implementación de soluciones de IA en entornos empresariales, incluyendo selección de modelos, dimensionamiento de infraestructuras, optimización de inferencia y monitorización en producción.

Combina experiencia técnica con enfoque práctico, facilitando la comprensión mediante ejercicios aplicados, simulaciones y casos reales.

¿Te gustó esta formación? Suscríbete a nuestra Newsletter pinchando aquí. También te animamos a seguirnos en LinkedIn, Instagram y Facebook y así estarás al día de todas nuestras novedades.