Módulo 01

Bootcamp de ingeniería para sistemas de IA

Fase del proceso:
Fundamentos
Nivel de competencia:
Fundamentos
Tiempo estimado:
8-10 horas
Requisitos previos:
Fundamentos del usuario avanzado de IA

Si no vienes del desarrollo de software, aquí aprendes la ingeniería justa para seguir el resto del programa; si ya programas, repasas la base común que usaremos después: API, esquemas, pruebas, control de versiones y notebooks reproducibles.

Al terminar este módulo sabrás

  • Usar notebooks de Python, variables de entorno y secretos, API HTTP, JSON, JSON Schema y validación tipada.
  • Explicar qué distingue a un componente determinista de uno probabilístico, y qué lugar ocupa cada uno en un sistema de IA en producción.
  • Escribir pruebas automáticas pequeñas y manejar los conceptos de Git y GitHub que necesitarás en los laboratorios siguientes.
  • Medir la latencia, el uso de tokens, el costo, los reintentos y la tasa de fallos de una llamada a un modelo.

Qué vas a producir: Contrato tipado de interfaz de IA y wrapper de Python probado: El contrato en JSON Schema, las reglas de negocio, el wrapper call_and_validate() con sus pruebas y el manifiesto del experimento. Se guarda en tu Cuaderno de Ingeniería como evidencia de lo que sabes hacer.

Lecciones

  1. 1.1 Python y notebooks: lo esencial

    Celdas, funciones, estructuras de datos, paquetes, excepciones, archivos y reproducibilidad, vistos en el contexto de los experimentos con IA.

    Punto de práctica: Ejecuta un notebook que carga un conjunto de datos JSON, llama a un validador escrito en Python puro y guarda los resultados en un dataframe.

  2. 1.2 API HTTP y llamadas a modelos

    Cómo se estructuran una solicitud y una respuesta, autenticación, tiempos de espera, reintentos, códigos de estado, idempotencia y manejo de errores.

    Punto de práctica: Llama primero a un endpoint de modelo simulado y, si quieres, después a un proveedor real con un secreto guardado en Colab.

  3. 1.3 Esquemas, tipos y validación

    JSON Schema, modelos tipados, errores de validación y la distancia que hay entre una salida sintácticamente válida y una salida correcta.

    Punto de práctica: Valida salidas del modelo mal formadas a propósito e implementa una regla determinista de validación posterior.

  4. 1.4 Git, pruebas y reproducibilidad

    Repositorios, pull requests, fixtures, aserciones, y por qué un experimento con IA necesita entradas y configuración versionadas.

    Punto de práctica: Modifica un validador pequeño, ejecuta las pruebas y crea en local un "manifiesto de experimento" que registre el modelo, la versión del prompt, la versión del conjunto de datos y las métricas.

Laboratorio: Construye una llamada tipada a un modelo

Ejecutas un wrapper de API que ya funciona, validas su salida con un esquema y examinas los fallos.

Se ejecuta en Google Colab: sin instalar nada y sin API key.

Ver el notebook en Colab (se abre en una pestaña nueva)

Reto de ingeniería

Implementa `call_and_validate()` con tiempo de espera, reintentos acotados, validación con esquema y comprobaciones deterministas de reglas de negocio. Se te dan las firmas de las funciones de partida; la implementación, no.

Artefacto: Contrato tipado de interfaz de IA y wrapper de Python probado

Control de competencia

Cuestionario >= 80%; todas las pruebas públicas PASAN; manifiesto del experimento exportado.

  • API-01 Una respuesta válida pasa
  • API-02 Un JSON mal formado falla de forma controlada
  • API-03 Si no se cumple el esquema, se devuelve un error tipado
  • API-04 El número de reintentos está acotado
  • API-05 Si se incumple una regla de negocio, se devuelve un error tipado
  • SEC-01 El secreto no se imprime ni queda guardado en la salida del notebook (crítico)
  • MAN-01 Se exporta el manifiesto del experimento

Referencias

    Bootcamp de ingeniería para sistemas de IA · FMSE Módulo 1 | AgenticAI