Gestión de Inteligencia Artificial Módulo 03

El curso ofrece una formación avanzada que consiste en capacitar a los participantes en el uso responsable, ético y estratégico de la inteligencia artificial en entornos organizacionales. Incluye gobernanza de IA, gestión del ciclo de vida de los datos, riesgos y cumplimiento, uso de modelos empresariales como Copilot, técnicas de fine-tuning y evaluación de modelos, así como el desarrollo de un mini-proyecto con enfoque ético.

El programa incorpora prácticas en clase y ejercicios individuales entre sesiones.

• Mayor de 16 años.
• Acceso a computadora con conexión a Internet y posibilidad de uso e instalación de programas.
• Para ingresar no se requiere el bachillerato ni el examen de admisión de la UCR.

Precio

• Costo final: ₡86.700.

• 6 semanas. 24 horas en total divididas en 6 lecciones de 4 horas cada una. Una lección por semana.

Contenidos

1. Ética aplicada a la Inteligencia Artificial

• • Evolución de la ética en IA: de principios a prácticas.
  • Sesgos algorítmicos: cómo detectarlos y mitigarlos.
  • Explicabilidad (XAI) y transparencia.
  • Marco ético europeo, UNESCO y OCDE.
  • Impactos en decisiones automatizadas.

2. Gobernanza y Administración efectiva de datos

• • Rol de los datos en los modelos de IA.
  • Ciclo de vida del dato (DAMA-DMBOK básico aplicado a IA).
  • Calidad de datos (completitud, consistencia, precisión).
  • Trazabilidad, linaje de datos (Data Lineage).
  • Data Stewardship para IA.
  • Clasificación de datos y privacidad.

3. Modelos empresariales: Copilot y ecosistema productivo

• • ¿Qué es un modelo empresarial? Diferencias con modelos abiertos.
  • Copilot, Gemini Enterprise, ChatGPT Enterprise.
  • Gobernanza, privacidad y controles empresariales.
  • Uso de IA en productividad: automatización, resumen, análisis.
  • Aplicaciones en el sector público/privado.

4. Entrenamiento guiado y Fine-Tuning de modelos

• • ¿Qué significa entrenar un modelo ya consolidado?
  • Diferencia entre fine-tuning, supervised tuning, RLHF, lora fine-tuning.
  • Elección del modelo según la tarea.
  • Requisitos de datasets.
  • Riesgos y buenas prácticas.

5. Evaluación, validación y auditoría técnica de modelos

• • Métricas de desempeño: Accuracy, F1-score, BLEU, ROUGE.Validación cruzada.
  • Evaluación de sesgos y tendencias no deseadas.
  • Auditorías técnicas y detección de riesgos.
  • Interpretabilidad en modelos generativos.