Este curso ofrece una introducción práctica y orientada a la ingeniería a la Inteligencia Artificial Generativa, con énfasis en técnicas modernas y relevantes a nivel industrial en lugar de modelos generativos clásicos. El estudiantado aprende cómo funcionan los grandes modelos de lenguaje, los modelos de difusión y los sistemas multimodales, así como a desplegarlos localmente en GPU para construir aplicaciones reales de generación de texto, imagen, audio y código. Mediante laboratorios prácticos, el curso cubre ingeniería de prompts, agentes, sistemas de generación aumentada con recuperación (RAG), afinamiento ligero y optimización del rendimiento, incorporando también consideraciones clave sobre seguridad, sesgos y regulación. Al final del curso, el estudiantado será capaz de diseñar, implementar y defender una aplicación completa de GenAI siguiendo buenas prácticas profesionales.
Profesores Docentes
No hay requisitos previos.
Al finalizar este curso, los estudiantes serán capaces de:
- Comprender los principios de funcionamiento de los principales sistemas modernos de Inteligencia Artificial Generativa, incluidos los grandes modelos de lenguaje (LLMs), modelos de difusión y sistemas multimodales.
- Entender el papel de las arquitecturas transformer, los espacios latentes y los modelos fundacionales en la evolución reciente de la GenAI.
- Desplegar y ejecutar modelos generativos de manera local sobre GPU, gestionando de forma eficiente recursos como VRAM, cuantización y rendimiento de inferencia.
- Diseñar e implementar pipelines completos de generación de texto, imagen, audio, voz y código.
- Construir sistemas basados en agentes, uso de herramientas y generación aumentada con recuperación (RAG) mediante vector stores.
- Aplicar técnicas de afinamiento ligero de modelos para adaptar los modelos a tareas específicas.
- Integrar modelos de GenAI en aplicaciones funcionales como servicios web, herramientas de línea de comandos o asistentes inteligentes, siguiendo buenas prácticas de ingeniería de software.
- Desarrollar criterio técnico para tomar y justificar decisiones sobre arquitectura, rendimiento y despliegue.
- Identificar y analizar las limitaciones de los sistemas generativos, como alucinaciones, sesgos, vulnerabilidades de seguridad y riesgos de uso indebido.
- Conocer el marco ético y regulador aplicable a la GenAI, con especial atención al Reglamento Europeo de Inteligencia Artificial (EU AI Act).
- Fomentar el trabajo en equipo, la comunicación técnica, la documentación adecuada y la defensa pública de soluciones de ingeniería.
1.Introducción a la Inteligencia Artificial Generativa (Visión Moderna)
2.Fundamentos Básicos: Espacios Latentes y Conceptos Generativos Clásicos
3.Transformers y Modelos de Secuencia
4.Arquitectura GPT, leyes de escalado y alineamiento
5.Construcción de Aplicaciones con LLMs
6.Modelos de Difusión y Generación de Imágenes
7.Modelos Multimodales
8.Generación de Audio, Voz y Música
9.Modelos de Generación de Código
10.Seguridad, Sesgos y Regulación en GenAI
Dos sesiones por semana donde se mostrarán los conceptos básicos y su aplicación en situaciones prácticas. Se resolverán ejercicios en clase y también se propondrán problemas para que los estudiantes puedan aplicar los conceptos aprendidos. Algunos de estos ejercicios se analizarán en la siguiente sesión.
Cada tema tendrá los siguientes elementos:
| Elementos | Método |
| Revisión de conceptos | Clase Magistral |
| Ejemplos | Revisión en clase |
| Case Study | Resolución de problemas |
La nota de la asignatura se calculará de la siguiente forma:
Calificación:
- Entregas individuales: 20%
- Entregas en grupo: 20%
- Proyectos finales en grupo: 50%
- Presentación (grupo): 20%
- Documento (grupo): 20%
- Preguntas orales / Q&A (individual): 10%
- Asistencia, participación y compromiso en clase: 10%
Los criterios de evaluación se aplican a todos los alumnos, los repetidores deben asistir a clase y entregar todos los entregables solicitados. Cualquier situación excepcional deberá ser comunicada previamente a los profesores y validada por el tutor.
La asignatura estará aprobada si el cómputo global de la nota es superior a 5.
RETAKE POLICY
El Retake consistirá en un examen que incluye todo el contenido de la asignatura.
Antes del día del examen se deberán entregar todas los casos prácticos. En caso contrario no se podrá realizar el examen de recuperación.
Uso de la inteligencia artificial generativa
La asignatura adopta la escala AIAS para regular el uso de la inteligencia artificial generativa en las
actividades de evaluación:
Nivel 4: Se permite utilizar IA en partes concretas de la tarea, siempre que el estudiante analice críticamente el resultado obtenido e indique adecuadamente su uso.
La nota de la asignatura se calculará de la siguiente forma:
Calificación:
- Entregas individuales: 20%
- Entregas en grupo: 20%
- Proyectos finales en grupo: 50%
- Presentación (grupo): 20%
- Documento (grupo): 20%
- Preguntas orales / Q&A (individual): 10%
- Asistencia, participación y compromiso en clase: 10%
Los criterios de evaluación se aplican a todos los alumnos, los repetidores deben asistir a clase y entregar todos los entregables solicitados. Cualquier situación excepcional deberá ser comunicada previamente a los profesores y validada por el tutor.
La asignatura estará aprobada si el cómputo global de la nota es superior a 5.
RETAKE POLICY
El Retake consistirá en un examen que incluye todo el contenido de la asignatura.
Antes del día del examen se deberán entregar todas los casos prácticos. En caso contrario no se podrá realizar el examen de recuperación.
Uso de la inteligencia artificial generativa
La asignatura adopta la escala AIAS para regular el uso de la inteligencia artificial generativa en las
actividades de evaluación:
Nivel 4: Se permite utilizar IA en partes concretas de la tarea, siempre que el estudiante analice críticamente el resultado obtenido e indique adecuadamente su uso.
La bibliografía y los recursos docentes se revisarán y actualizarán a lo largo del curso para adaptarse a la evolución de la disciplina y a los contenidos impartidos.
La bibliografía y los recursos docentes se revisarán y actualizarán a lo largo del curso para adaptarse a la evolución de la disciplina y a los contenidos impartidos.