Introducción a la Inteligencia Artificial y Ciencia de Datos

Objetivos del curso:

  • Comprender los fundamentos conceptuales de la inteligencia artificial y sus aplicaciones.
  • Conocer las diferencias entre Inteligencia Artificial tradicional, Machine Learning, Generative AI y Ciencia de Datos.
  • Identificar los beneficios, riesgos y casos de uso de la IA y la Ciencia de Datos en organizaciones.
  • Proveer a líderes y profesionales de un marco estratégico para aprovechar la IA y los Datos en sus equipos y negocios.

Dirigido a:

  • Líderes de equipos y directivos que gestionan proy​ectos con IA.
  • Profesionales interesados en introducirse al mundo de la IA.
  • Emprendedores y gestores de innovación.

Requisitos mínimos:

  • Conocimientos básicos de tecnología e interés en inteligencia artificial.

Facilitador:

Ing. Gilberto Almonte Frías

Ingeniero Industrial con Maestría en Consultoría y Auditoría de Sistemas de Calidad y Excelencia (Universidad Camilo José Cela, España) y Maestría en Administración y Dirección de Empresas – MBA (Universidad Isabel I, España), además posee las certificaciones internacionales de Lean Six Sigma Black Belt, Capital Market and Securities Analyst, Data Scientist y Machine Learning Scientist. Especializado en mercado de capitales, análisis financiero, gestión de riesgos y mejora continua.

Contenido:

  • ¿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.
  • ¿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?
  • 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.
  • 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
  • ¿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
  • 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 ​