INTELIGENCIA ARTIFICIAL PARA LA INDUSTRIA – UIA

• Introducción a los principios básicos de la Inteligencia Artificial (IA) y el Aprendizaje Automático (Machine Learning).
• Tipos de IA: predictiva, generativa, débil y general.
• Aplicaciones estratégicas de la IA en la industria.

• La importancia de los datos propios como ventaja estratégica
• Principios de gestión de datos (data management) para IA
• Procesos clave: entrenamiento de modelos e inferencia.

• Funcionamiento y capacidades de los LLMs: fortalezas y limitaciones.
• Evaluación crítica: riesgos, sesgos, alucinaciones y gobernanza.
• Prompt Engineering: técnicas para formular instrucciones efectivas.
• RAG (Retrieval-Augmented Generation): integración efectiva con conocimiento interno.
• Fine-tuning: personalización de modelos con datos específicos.
• Agentes autónomos y modelos razonadores: automatización de flujos de trabajo, uso de herramientas y memoria contextual.

• ● Conceptos esenciales del aprendizaje automático. Principales algoritmos, problemas y aplicaciones. ● Aplicación de la IA para mantenimiento predictivo en entornos industriales. ● Herramientas y algoritmos para detectar anomalías y anticipar fallas.

• ● Fundamentos de series temporales: comprensión de sus componentes esenciales —tendencia, estacionalidad, ciclos y ruido— y su relevancia para la toma de decisiones. ● Métodos de forecasting: introducción a los enfoques clásicos (ARIMA, SARIMA) y a técnicas modernas basadas en Machine Learning (árboles y redes neuronales). Diseño de pipeline completo de predicción, desde el preprocesamiento hasta la evaluación del modelo. ● Aplicaciones industriales: uso del forecasting para optimizar la planificación de producción, anticipar demanda y ventas, proyectar consumos energéticos y gestionar inventarios y abastecimiento de manera más eficiente.

• ● Introducción a la visión por computadora aplicada a la industria ● Detección de defectos y segmentación de imágenes: identificación automática de fallas en superficies, piezas, impresiones, soldaduras, envases o componentes. ● Detección de objetos: conteo, localización y validación de elementos específicos en entornos complejos. ● Sistemas de monitoreo continuo: integración con cámaras industriales para inspección en tiempo real y generación de alertas o decisiones automáticas.

• Cómo preparar a las organizaciones para adoptar IA: transformación cultural, desarrollo organizacional y estrategia de negocio.
• Transición del enfoque "+IA" (tecnología que complementa procesos humanos) hacia "IA+" (procesos liderados por IA con supervisión humana).
• Impacto de la IA en el empleo.
• Curva de generación de valor a partir de la IA.

Científico de datos con amplia experiencia en el desarrollo de soluciones basadas en inteligencia artificial y análisis de datos para la toma de decisiones.
Especializado en procesamiento de lenguaje natural, machine learning y deep learning, con un enfoque en la automatización del análisis de información y generación de conocimiento.
Trabajó en la industria, en el ámbito académico, en organismos internacionales y en la administración pública, liderando proyectos de modelado de datos, desarrollo de agentes inteligentes y diseño de estrategias basadas en evidencia.

Profesional con +10 años de experiencia en Analytics, liderando equipos y proyectos de Datos e IA en tech, seguros y consultoría. Especializado en diseñar productos analíticos y estrategias de IA, alineando soluciones de datos con los objetivos del negocio para impulsar la transformación.