Módulo 1:
Fundamentos y panorama de la Inteligencia Artificial
• ¿Qué es la Inteligencia Artificial? Evolución y contexto histórico.
• Diferencias entre IA, automatización y analítica avanzada.
• Tipos de IA.
• Casos de uso en sectores clave (finanzas, salud, educación, retail, servicios, belleza).
• Tendencias globales: impacto de la IA en el trabajo y la economía.
Módulo 2:
Machine Learning y su aplicación estratégica
• ¿Qué es el Machine Learning (ML)? Principios y lógica básica.
• Tipos de aprendizaje automático: Supervisado, No supervisado, Aprendizaje por refuerzo
• Ejemplos prácticos de ML en empresas: Predicción de abandono de clientes (churn), Modelos de recomendación (Next Best Action), Análisis de riesgo crediticio
• Rol de un líder: ¿qué se necesita para implementar proyectos de ML exitosos?
Módulo 3:
Generative AI y nuevas tendencias
• Introducción a Generative AI (GenAI): qué es y cómo funciona en términos conceptuales.
• Modelos de lenguaje (LLMs) y generación de contenido: ChatGPT, Gemini, Claude, LLaMA.
• Generación de imágenes, audio y video con IA (MidJourney, DALL·E, Sora, ElevenLabs).
• Aplicaciones empresariales de GenAI: Automatización de procesos, Asistentes virtuales inteligentes, Creación de contenido y marketing, Innovación en productos y servicios
• Riesgos y retos éticos de la GenAI: sesgos, alucinaciones, privacidad y copyright.
Módulo 4:
Estrategia, gobernanza y futuro de la IA
• Factores críticos para la adopción de IA en las organizaciones.
• Marco de referencia: Gobierno de Datos e IA responsable.
• Regulaciones y políticas emergentes (ejemplo: UE AI Act, marcos éticos).
• Futuro de la IA: Inteligencia artificial explicable, IA multimodal, IA colaborativa con humanos (Human-in-the-loop)
• ¿Qué sigue después de implementar IA?: Dashboards inteligentes, Modelos predictivos avanzados, Ecosistemas de innovación con IA
Módulo 5:
Fundamentos de Ciencia de Datos y el Ciclo Analítico
• ¿Qué es la Ciencia de Datos? Definición, evolución y su relación con IA y ML.
• El rol del Data Scientist: Habilidades, herramientas y perfil profesional.
• El ciclo de vida de un proyecto de datos
• Tipos de análisis de datos
• Fuentes de datos en las organizaciones
• Casos de uso empresariales de Ciencia de Datos
Módulo 6:
Infraestructura de Datos y Toma de Decisiones Basada en Datos
• Arquitectura moderna de datos:
• Visualización de datos y storytelling
• Cultura data-driven en las organizaciones
• Calidad de datos y gobernanza:
• Integración de Ciencia de Datos con IA
• Medición del valor y ROI de proyectos de datos
