Ingeniería informática y de sistemas

Universidad de Alcalá

Director

Miguel Ángel Sicilia Urbán                            msicilia@uah.es

Coordinador

Alberto Ballesteros Rodríguez

Miguel Ángel Sicilia Urbán

  Dpcho O245 Escuela Politécnica

  Tel: +918856640

  E-mail: master.blockchain@uah.es

  Web: https://www.masterethereum.com

  Director

  Miguel Ángel Sicilia Urbán                 msicilia@uah.es

• Comprender el funcionamiento interno de los modelos de lenguaje de gran tamaño (LLMs): arquitecturas transformer, paradigmas de entrenamiento, embeddings y generación, adquiriendo la base técnica necesaria para utilizarlos con criterio y adaptarlos a necesidades concretas.
• Diseñar y construir sistemas ulti-agente y pipelines de orquestación, incluyendo gestión de memoria, ingeniería de contexto, uso de herramientas externas y protocolos de comunicación entre agentes.
• Utilizar agentes de código y flujos de desarrollo asistido por IA para mejorar la productividad en ingeniería del software: generación, revisión, refactorización y testing automatizado de código, así como la producción autónoma de otros artefactos técnicos.
• Evaluar de forma rigurosa modelos generativos y sistemas agénticos mediante benchmarks, métricas cuantitativas, detección de alucinaciones y análisis de robustez y seguridad, aplicando criterios técnicos sólidos para la toma de decisiones.
• Adaptar modelos fundacionales a dominios y tareas específicas mediante técnicas de fine-tuning eficiente (LoRA, QLoRA, PEFT), aprendizaje por refuerzo con feedback humano (RLHF) y optimización de preferencias directas (DPO), incluyendo la construcción y curación de datasets de entrenamiento.
• Desplegar y operar sistemas que integran IA generativa en producción, aplicando prácticas MLOps: contenerización, orquestación, optimización de inferencia, gestión de costes, observabilidad y monitorización continua.
• Integrar consideraciones de fiabilidad, seguridad, privacidad y cumplimiento normativo (EU AI Act, GDPR) en el ciclo de vida completo de desarrollo y despliegue de sistemas basados en IA generativa.
• Desarrollar la capacidad de tomar decisiones técnicas fundamentadas sobre qué modelos usar, cómo evaluarlos, cuándo y cómo adaptarlos, y cómo integrarlos de forma robusta en arquitecturas de software reales.

• Comprender la arquitectura interna de los modelos de lenguaje de gran tamaño (mecanismos de atención, representaciones, tokenización y generación), así como los principales paradigmas de entrenamiento (preentrenamiento, instrucción y alineación) a un nivel que permita razonar sobre su comportamiento.
• Diseñar instrucciones y estructurar contextos aplicando técnicas de prompting avanzadas (few-shot, chain-of-thought, descomposición de tareas, control de formato) para obtener resultados precisos y reproducibles en tareas de distinta naturaleza.
• Analizar las capacidades y limitaciones de razonamiento de los modelos generativos, identificando patrones de fallo típicos (alucinaciones, sesgos de razonamiento, sensibilidad al prompt) y aplicando estrategias para mitigarlos en tiempo de inferencia.
• Diseñar e implementar pipelines de Retrieval-Augmented Generation y GraphRAG, seleccionando estrategias de chunking, embeddings, indexación y reranking adecuadas al dominio y al tipo de consulta.
• Construir sistemas multi-agente con mecanismos de memoria (corto y largo plazo) y uso de herramientas externas, aplicando los protocolos y frameworks de orquestación vigentes en cada momento.
• Integrar componentes de recuperación, memoria y herramientas en arquitecturas agénticas coherentes, definiendo flujos de control, gestión de estado y estrategias de coordinación entre agentes.
• Utilizar agentes de código para aumentar la productividad en el desarrollo de software, abarcando generación, refactorización y producción autónoma de artefactos técnicos de diversa índole.
• Aplicar técnicas de especificación, revisión asistida y testing automatizado mediante agentes, garantizando la calidad y mantenibilidad del código producido.
• Integrar flujos de trabajo asistidos por agentes en procesos reales de desarrollo (control de versiones, CI/CD, revisión por pares), evaluando el impacto sobre la productividad y la calidad del producto.
• Evaluar el rendimiento de modelos generativos y sistemas agénticos aplicando métricas cuantitativas y benchmarks adecuados al tipo de tarea (generación, recuperación, razonamiento, agencia).
• Detectar fallos, alucinaciones y degradaciones de calidad en sistemas generativos mediante técnicas sistemáticas de evaluación, incluyendo evaluación humana, LLM-as-judge y pruebas adversariales.
• Analizar la fiabilidad y la seguridad de sistemas generativos identificando vulnerabilidades (prompt injection, fugas de datos, jailbreaks) y proponiendo mecanismos de mitigación.
• Seleccionar y aplicar técnicas de adaptación eficiente de modelos fundacionales (SFT, LoRA/QLoRA y otros métodos PEFT) en función de los recursos disponibles y los objetivos del dominio.
• Aplicar métodos de optimización de preferencias (RLHF, DPO y variantes) para alinear el comportamiento del modelo con criterios de calidad, estilo o seguridad definidos.
• Construir y curar los datasets necesarios para fine-tuning y alineación, y evaluar el resultado de la adaptación frente a los objetivos del dominio mediante protocolos de evaluación apropiados.
• Desplegar sistemas que integran IA generativa en producción aplicando criterios de fiabilidad, escalabilidad y optimización de costes (selección de modelos, caching, batching, cuantización).
• Implementar observabilidad end-to-end de sistemas generativos y agénticos (trazas, métricas de calidad en producción, monitorización de coste y latencia, detección de drift).
• Operar sistemas generativos cumpliendo los marcos regulatorios y éticos aplicables (protección de datos, AI Act, gestión de riesgos), incorporando controles de seguridad y gobernanza del ciclo de vida.

• Desarrolladores y programadores de cualquier stack o lenguaje que quieran incorporar la IA generativa a su trabajo diario y comprender en profundidad cómo funcionan estos sistemas.
•  Ingenieros de software, DevOps, SREs y arquitectos de sistemas que necesiten integrar componentes de IA generativa en aplicaciones y servicios reales, con criterios técnicos sólidos sobre fiabilidad, coste y operación.
•   Cualquier profesional técnico —independientemente de su nivel de experiencia o del sector en el que trabaje— que desarrolle o mantenga código o sistemas y quiera estar al día en el impacto que la IA generativa tiene sobre su disciplina.

Virtual

Fechas Previstas Inicio-Fin:  Febrero 2027 - Febrero 2028

Online

Online

Consultar con el contacto

  Fundación General de la Universidad de Alcalá

  Departamento de formación

  C/ Mayor, 50 28801 Alcalá de Henares

  Teléfono: 91.879.74.30

  Fax: 91.879.74.55

  e-mail: cursos@fgua.es

50

Consultar con el contacto

Precio del estudio: 4.500 €

Este importe no incluye precios por servicios administrativos y seguro de accidentes.

Precio del crédito: 75 €

Importe de preinscripción: 900 €

Fraccionado

La convocatoria y adjudicación de las becas correrá a cargo de la dirección académica del estudio. El 10% de los ingresos de este estudio serán destinados a becas.

https://masterblockchain.online/