2.1. Aprendizaje Supervisado vs No Supervisado

Supervisado: Entrenamiento con datos etiquetados (p. ej., clasificación de imágenes).

No supervisado: Descubrimiento de patrones sin etiquetas (p. ej., clustering).

Reforzamiento: Agente que aprende a través de recompensas (p. ej., juegos, robots).

2.2. Arquitecturas de Modelos Modernos

• 🔹 Transformers: Base de los LLM (BERT, GPT‑4, LLaMA).
• 🔹 Convolutional Neural Networks (CNN): Visión por computadora.
• 🔹 Graph Neural Networks (GNN): Datos estructurados en grafos.
• 🔹 Diffusion Models: Generación de imágenes de alta fidelidad (Stable Diffusion).

2.3. Conceptos de Optimización

4.1. Generación de Texto con OpenAI GPT‑4o

Ejemplo de llamada a la API usando curl y Python para crear un asistente de soporte técnico.

# curl
curl https://api.openai.com/v1/chat/completions \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
        "model": "gpt-4o-mini",
        "messages": [{"role": "system", "content": "Actúa como agente de soporte técnico."},
                     {"role": "user", "content": "¿Cómo configuro una replicación en SQL Server?"}]
      }'
# Python (openai>=1.0)
import os, openai
client = openai.OpenAI(api_key=os.getenv("OPENAI_API_KEY"))
response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[
        {"role": "system", "content": "Actúa como agente de soporte técnico."},
        {"role": "user", "content": "¿Cómo configuro una replicación en SQL Server?"}
    ]
)
print(response.choices[0].message.content)

4.2. Visión por Computadora en Edge con TensorRT

Despliegue de un modelo YOLOv8 optimizado para inferencia en un dispositivo Jetson Nano.

# Paso 1: Exportar a ONNX
python export.py --weights yolov8n.pt --format onnx
# Paso 2: Convertir a TensorRT (Docker)
docker run --gpus all --rm -v $PWD:/workspace nvcr.io/nvidia/tensorrt:23.09-py3 \
    trtexec --onnx=/workspace/yolov8n.onnx --saveEngine=/workspace/yolov8n.trt
# Paso 3: Inferencia en Python
import tensorrt as trt
import cv2, numpy as np
# Cargar engine
TRT_LOGGER = trt.Logger(trt.Logger.WARNING)
with open("yolov8n.trt", "rb") as f, trt.Runtime(TRT_LOGGER) as runtime:
    engine = runtime.deserialize_cuda_engine(f.read())
# ... (código de inferencia simplificado) ...

4.3. MLOps con GitHub Actions + Docker + Kubernetes

Pipeline CI/CD que entrena un modelo, lo empaqueta en Docker y lo despliega en un clúster EKS.

# .github/workflows/mlops.yml
name: CI/CD para IA
on:
  push:
    branches: [ main ]
jobs:
  build-train:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v3
      - name: Set up Python
        uses: actions/setup-python@v5
        with:
          python-version: '3.11'
      - name: Install dependencies
        run: |
          pip install -r requirements.txt
          pip install torch torchvision
      - name: Entrenamiento
        run: |
          python train.py --epochs 3 --output model.pt
      - name: Build Docker image
        run: |
          docker build -t ghcr.io/${{ github.repository }}/ml-model:latest .
      - name: Push image
        uses: docker/login-action@v2
        with:
          registry: ghcr.io
          username: ${{ github.actor }}
          password: ${{ secrets.GITHUB_TOKEN }}
      - name: Push
        run: |
          docker push ghcr.io/${{ github.repository }}/ml-model:latest
  deploy:
    needs: build-train
    runs-on: ubuntu-latest
    steps:
      - name: Deploy to EKS
        uses: aws-actions/eks-kubectl@v2
        with:
          cluster-name: prod-eks
          args: set image deployment/ml-model ml-model=ghcr.io/${{ github.repository }}/ml-model:latest

6.1. Riesgos Comunes

• 🔐 Data Leakage: Información sensible expuesta en los datos de entrenamiento.
• ⚔️ Model Inversion / Extraction: Ataques que reconstruyen datos o clonan el modelo.
• 🤖 Bias & Fairness: Sesgos introducidos por conjuntos de datos no representativos.
• 🛡️ Adversarial Examples: Entradas manipuladas que hacen fallar la inferencia.

6.2. Buenas Prácticas de Seguridad

1. Data Governance: Encriptación en reposo y en tránsito (AES‑256, TLS 1.3).
2. Auditoría de Accesos: IAM con roles mínimos y uso de secretos gestionados (AWS Secrets Manager, HashiCorp Vault).
3. Evaluación de Robustez: Test de adversarial attacks con cleverhans o foolbox.
4. Control de Versiones de Modelos: Registro en MLflow o DVC para trazabilidad.
5. Legal & Compliance: GDPR, CCPA, y normas locales de datos de salud (HIPAA).

6.3. Herramientas de Evaluación Ética

• IBM AI Fairness 360 – Métricas de sesgo y mitigación.
• Google Model Cards Toolkit – Documentación estructurada de riesgos.
• Microsoft Responsible AI Dashboard – Monitoriza fairness, interpretabilidad y robustez.

8.1. Modelos de Fundación (Foundation Models)

Los LLMs y multimodales (texto‑imagen‑audio) están convergiendo en modelos de fundación que pueden ser afinados con pocos datos (PEFT: LoRA, AdapterHub). La estrategia emergente es Model-as-a-Service con capas de personalización a demanda.

8.2. IA Generativa en la Nube Híbrida

La combinación de cloud‑native (AWS, Azure, GCP) con edge computing permite que la generación de contenido (imágenes, código, video) ocurra donde más se necesite, reduciendo latencia y costos de ancho de banda.

8.3. Regulación y Gobernanza

Se anticipa la adopción de marcos regulatorios como la EU AI Act y normas de AI Ethics de IEEE, obligando a las organizaciones a documentar modelos, pruebas de sesgo y planes de mitigación antes del despliegue.