27 octubre
Cursada
Martes de 19 a 21
6 cuotas sin interés
$135.417
Total $812.500
$1.250.000
-35%
Un pago por transferencia
$690.625
Ahorrás $121.875
Formate como AI Engineer con Python, LangChain, RAG y MCP, y llevá tus LLM a producción.
Pedí el programa completo
Te enviaremos el temario, las fechas y las formas de pago.
Un prototipo responde. Un sistema productivo además necesita recuperar información confiable, ejecutar herramientas, controlar costos, resistir errores y poder observarse. Esta formación te lleva de las APIs de modelos y RAG hasta agentes, MCP, fine-tuning, FastAPI, Docker, observabilidad y deploy.
Se recomienda una base previa de Python y bases de datos o haber realizado los cursos de ICARO.
Este curso certifica con la Universidad Nacional de Córdoba y la Facultad de Ciencias Exactas, Físicas y Naturales.
No son videos que mirás solo. Cada semana tenés clase en vivo, con cupo reducido. Una experiencia centrada en el estudiante.
Deslizá para ver los 5 pasos
El docente explica y resuelve casos delante tuyo, y preguntás en el momento. Cohortes de 25 personas en promedio: tu docente sabe tu nombre.
Se sube la grabación de cada clase junto al material teórico y práctico. Queda todo a disposición para que repases.
Presentás tareas, te corrigen y te dicen cómo mejorar. Los docentes son expertos de la industria.
Terminás el cursado con un trabajo que queda en tu portfolio y demuestra lo que aprendiste.
Al aprobar el integrador, la UNC y la FCEFyN firman tu diploma.
Cursada
Martes de 19 a 21
6 cuotas sin interés
$135.417
Total $812.500
$1.250.000
-35%
Un pago por transferencia
$690.625
Ahorrás $121.875
Cuotas sin interés con tarjeta de crédito.
+12.000 graduados.
Continué fortaleciendo conocimientos en SQL, Power BI y visualización de datos, aplicándolos en proyectos personales orientados a Compliance, Prevención de Lavado de Activos (AML), Governance y Riesgo Operacional, publicados en GitHub.
El mes pasado terminé el primero de tres módulos, Arquitectura y Estructuras, donde desarrollé la documentación técnica y municipal completa de una vivienda unifamiliar.
Fueron 250 horas de aprendizaje, desafíos y mucho esfuerzo que hoy se traducen en este logro. Este fue mi punto de partida para adentrarme en el mundo de la Ciencia de Datos, un camino que me apasiona y que seguiré explorando.
Tras dos años de experiencia en la oficina técnica de una obra, comprobé que hay muchos aspectos clave que no se enseñan en el ámbito académico. Por eso decidí cursar una Diplomatura en Revit y Metodología BIM.
Un certificado es importante pero todavía más importante es poder aplicar ese conocimiento para resolver problemas reales de negocio. Desarrollé proyectos aplicando Power BI junto con SQL y Python: segmentación de clientes, análisis financiero y modelos de predicción de churn.
Fueron más de 150 horas donde profundicé en análisis de datos, herramientas y toma de decisiones basada en información. Más allá del contenido técnico, me llevo una forma más estructurada de pensar y resolver problemas.
Durante estos meses de aprendizaje, logré dar el salto de los conceptos teóricos a la práctica. Este logro no es el final, sino el inicio de una nueva etapa: estoy lista para automatizar flujos complejos y seguir aportando valor a la calidad del software.
Profundicé en todo el flujo de trabajo analítico, desde la preparación y transformación de datos hasta la generación de insights accionables. Hoy me llevo herramientas que me permiten convertir datos en información estratégica, con foco en generar impacto real en el negocio.
Aprendimos a modelar tanto elementos de arquitectura como de estructura, a crear familias paramétricas y tablas de planificación, y a trabajar en simultáneo entre las distintas disciplinas.
Cada etapa fue sumando herramientas concretas que hoy integran mi perfil como Ingeniero Químico, dándome una mirada analítica para acompañar decisiones en contextos industriales y empresariales.
Pude profundizar en planificación, gestión de tiempos, alcance, riesgos, stakeholders y metodologías de trabajo, conocimientos que complementan mi formación como arquitecta y que podré aplicar directamente en la gestión integral de proyectos y ejecución de obra.
Este recorrido no solo implicó aprender a utilizar herramientas técnicas como Power BI y SQL, sino también comprender cómo transformar datos en información útil para generar conocimiento y aportar a la toma de decisiones.
Llego a este cierre con un trabajo final que significó mucho: un Estudio de Impacto Ambiental real, aplicado al crecimiento productivo sostenible, con normativa, matriz de impacto y un plan de gestión completo.
Una formación que me dio herramientas concretas —DAX, Power Query, SQL, modelado, visualización— y que aporta muchísimo a mi formación. La salud y los datos son dos mundos que cada vez se cruzan más, y quiero estar preparado para ese cruce.
AI Engineering es la disciplina orientada a diseñar, construir e implementar aplicaciones y sistemas de software que integran modelos de Inteligencia Artificial.
Un AI Engineer trabaja con APIs de modelos, RAG, agentes, herramientas, backend, evaluación, seguridad, observabilidad e infraestructura para transformar un prototipo de IA en un sistema utilizable en producción.
A developers, perfiles Data y profesionales técnicos que ya tienen una base de programación y quieren especializarse en el desarrollo de aplicaciones basadas en IA.
Sí, a nivel básico: se recomienda manejo de Python y de bases de datos.
No hace falta experiencia previa en IA. Durante el curso usás Python para construir integraciones, MCP servers, APIs y el backend del proyecto.
Data Science se concentra en analizar datos y desarrollar modelos para explicar o predecir comportamientos.
Machine Learning Engineering pone el foco en implementar, desplegar y mantener modelos de Machine Learning.
AI Engineering construye productos y sistemas basados en IA, especialmente alrededor de LLMs: RAG, agentes, APIs, MCP, backend, evaluación, observabilidad e infraestructura.
IA Aplicada y Automatización integra IA en procesos de trabajo con herramientas no-code como n8n, ChatGPT y Make, y no requiere saber programar.
AI Engineering es el recorrido técnico: programás e integrás APIs, sistemas RAG, agentes, MCP servers, backend, infraestructura, observabilidad y deploy.
RAG — Retrieval-Augmented Generation recupera información relevante desde una fuente externa y se la entrega al modelo antes de generar una respuesta.
Así una aplicación puede responder sobre documentación, bases de conocimiento o información propia de una organización.
El curso trabaja embeddings, vectorstores, MMR, hybrid search, reranking, transformación de queries y evaluación de sistemas RAG.
RAG agrega información externa al contexto del modelo en el momento de generar una respuesta.
Fine-tuning modifica el comportamiento del modelo mediante entrenamiento adicional sobre determinados ejemplos.
Resuelven problemas distintos, y una parte importante de AI Engineering es decidir cuándo conviene recuperar conocimiento, cuándo ajustar un modelo y cuándo combinar ambos. El curso incluye LoRA y QLoRA, cuantización e infraestructura para ejecutar modelos.
LangChain proporciona componentes para construir aplicaciones con modelos de lenguaje: prompts, chains, herramientas, memoria y retrieval.
LangGraph permite modelar workflows y agentes como grafos con estado, rutas condicionales, persistencia y human-in-the-loop.
En el curso se usan las dos: LangChain para las integraciones y LangGraph para agentes con estado y control del flujo.
MCP — Model Context Protocol es un protocolo para conectar aplicaciones basadas en modelos de IA con herramientas, recursos y fuentes externas mediante una interfaz estandarizada.
En el curso desarrollás MCP servers en Python que exponen herramientas y recursos a Claude, ChatGPT y otros clientes compatibles.
Un chatbot recibe una consulta y devuelve una respuesta. Un agente de IA además puede decidir qué herramientas utilizar, ejecutar acciones, conservar estado y seguir diferentes caminos según el resultado.
En el curso se construyen agentes con herramientas, memoria, estado, flujos condicionales y human-in-the-loop.
Sí. El cuarto módulo está dedicado a eso: FastAPI, Docker, tests, CI/CD, logs estructurados, métricas, alertas, control de costos, seguridad y observabilidad.
Vas a saber qué necesita una aplicación para pasar de un notebook a un servicio que se ejecuta, se monitorea y se mantiene.
Sí. El curso termina con un proyecto integrador end-to-end listo para mostrar en entrevistas y en GitHub.
El proyecto integra RAG, agentes, MCP y observabilidad aplicados sobre un caso concreto.
Con documentación y tutoriales aprendés herramientas sueltas. El curso conecta las capas de un sistema de IA —modelos, RAG, agentes, MCP, infraestructura, evaluación, observabilidad y deploy— con clases en vivo, acompañamiento docente, un proyecto integrador y certificación universitaria oficial.
Es 100% online en vivo + campus, con 20 clases en vivo de 2 horas y una dedicación total de 194 horas entre clases, laboratorios, práctica y proyecto final.
Las clases quedan grabadas y se habilitan 24 hs después.
Sí, se puede cursar trabajando. Por el nivel técnico, reservá tiempo extra para prácticas, laboratorios y proyecto.
Sí. Al aprobar obtenés una certificación universitaria oficial avalada por la Universidad Nacional de Córdoba y la FCEFyN, con 194 horas totales y 7,7 créditos académicos universitarios (CRE).
Confían en nosotrosempresas ya capacitaron a sus equipos con ICARO
