Unidad 1 · GPU y CUDA
4 lecciones · ≈ 13 h de estudio
- Arquitectura de la GPU
- El modelo de programación CUDA
- Roofline y optimización de kernels
- Jerarquía de memoria a fondo — cachés, orden de bucles y forma del tile
Curso 5
Nivel avanzado (opcional): especializaciones
GPU, rendimiento, escala, MLOps, investigación y frontera
- ≈ 360 h
- Nivel: avanzado
- 8 unidades
- 43 lecciones
Opcional, para ir más allá de la ruta «de cero a AI engineer» (cursos 1–4): GPU y CUDA, rendimiento de LLMs, entrenamiento distribuido, MLOps, research engineering, IA multimodal, la frontera del campo y un proyecto final de sistemas de IA. Cada unidad es una especialización independiente con su propio certificado: elige las que encajen con tu ruta, no hace falta hacerlas todas. Los proyectos de GPU, entrenamiento distribuido y reproducción de un paper están marcados como «Próximamente».
Lo que sabrás hacer
- Un servidor de inferencia con batching, KV cache y cuantización
- Una plataforma de IA completa, de los datos al despliegue y la monitorización, evaluada con una rúbrica
- Próximamente: proyectos guiados de inferencia en GPU, entrenamiento distribuido y reproducción de un paper
Requisitos previos
Conviene haber hecho antes (o dominar lo que enseña):
Es opcional: elige las especializaciones que encajen con tu ruta; cada una indica su unidad previa.
Unidades del curso
Unidad 2 · Rendimiento de LLMs
5 lecciones · ≈ 16 h de estudio
- Memoria de entrenamiento e inferencia
- Cuantización, pruning y destilación
- Batching, throughput y latencia
- Paralelismo tensorial y de pipeline
- Fusión de kernels y FlashAttention — la softmax online
Unidad 3 · IA distribuida
7 lecciones · ≈ 21 h de estudio
- Paralelismo de datos y all-reduce
- Sharding de modelo y optimizador (ZeRO y FSDP)
- Tolerancia a fallos, checkpoints y reanudación
- Paralelismo tensorial a fondo — el bloque Transformer completo
- Planificaciones de pipeline — GPipe, 1F1B e intercalada
- Precisión mixta, escalado de la pérdida y solapar la comunicación
- Inferencia distribuida — servir un modelo que no cabe en una GPU
Unidad 4 · MLOps e infraestructura
7 lecciones · ≈ 22 h de estudio
- Servir modelos en producción
- Observabilidad, percentiles y drift
- Reproducibilidad, tracking y CI/CD para modelos
- Coste, caché, secretos y privacidad
- KV cache paginada — memoria virtual para servir LLMs
- Cuantizar para servir — qué se acelera, qué cabe y qué se rompe
- Despliegue progresivo — shadow, canario y vuelta atrás
Unidad 5 · Research Engineering
5 lecciones · ≈ 15 h de estudio
- Leer papers como un investigador
- Diseño experimental, semillas e incertidumbre
- Ablations, higiene de benchmarks y reproducción
- Escritura técnica, figuras honestas e incertidumbre
- Reproducir un paper — del PDF a un número que puedas defender
Unidad 6 · IA multimodal
5 lecciones · ≈ 18 h de estudio
- Aprendizaje contrastivo y CLIP — imágenes y textos en el mismo mapa
- Audio y voz — del micrófono al espectrograma mel
- Modelos visión-lenguaje y agentes multimodales
- Modelos generativos — autoencoders, VAEs y GANs
- Generación de imágenes — modelos de difusión
Unidad 7 · Frontera de la IA
Área viva que evoluciona con el campo. Razonamiento y cómputo en inferencia, contexto largo, Mixture of Experts, datos sintéticos y alineamiento con preferencias. La compresión de modelos, los agentes y la multimodalidad tienen sus propias unidades («Rendimiento de LLMs», «Agentes de IA» e «IA multimodal»).
8 lecciones · ≈ 26 h de estudio
- Razonamiento y cómputo en inferencia
- Contexto largo y atención eficiente
- Mixture of Experts
- Alineamiento y datos sintéticos
- El modelo de recompensa — de rankings humanos a un número
- RLHF con PPO — recompensa con KL, ventajas y recorte
- DPO — la derivación completa y por qué funciona
- Evaluar el alineamiento — reward hacking, sobreoptimización y jueces sesgados
Unidad 8 · Proyecto final — Ingeniería de sistemas de IA
Un sistema de IA completo, de la interfaz al despliegue, defendido técnicamente.
2 lecciones · ≈ 8 h de estudio
- Diseñar un sistema de IA de extremo a extremo
- Defensa técnica — justificar cada decisión con números
Ver la unidad: Proyecto final — Ingeniería de sistemas de IA
Proyectos del curso
- Servidor de inferencia ≈ 60 h
Un servidor que sirve un modelo con batching, streaming, métricas y límites de carga. - Plataforma de IA completa ≈ 150 h
Una plataforma de IA en producción que integra datos, recuperación, agentes, serving, observabilidad, evaluación y despliegue, evaluada con una rúbrica pública, tu autoevaluación y la revisión del tutor IA de tu defensa técnica.
Las explicaciones completas, los ejercicios con corrección automática, los exámenes y los proyectos están dentro de la academia. Horas estimadas para alguien que empieza de cero: lecciones con práctica y repaso, retos, exámenes y los proyectos recomendados. Es la misma estimación que verás dentro de la academia.
Por el camino ganas yang, la moneda de la academia: 10 por cada lección, 50 por cada examen de unidad aprobado y 150 por cada proyecto verificado; además, 15 por el reto de hoy y 100 por el de la semana. Se gastan en la tienda en mascotas y colores; con dinero no se pueden comprar.
¿Empezamos?
Crea tu cuenta y activa tu suscripción: tendrás todo el temario desde el primer día.