Descripción
CURSO DE ESPECIALIZACIÓN
Asistentes de IA personalizados: automatización en la nube y en local
Objetivos
Al finalizar el curso podrás…
- Comprender los fundamentos de los asistentes de IA personalizados y sus diferencias respecto a los LLMs de propósito general.
- Crear GPTs personalizados adaptados a necesidades profesionales y casos de uso específicos.
- Ampliar las capacidades de los asistentes mediante conocimiento extendido basado en documentos y fuentes de información propias.
- Utilizar herramientas avanzadas como análisis de datos, intérprete de código y acciones personalizadas dentro de los asistentes.
- Integrar asistentes de IA con APIs y servicios externos para automatizar procesos y acceder a información en tiempo real.
- Desarrollar chatbots y asistentes inteligentes para atención al cliente, soporte y otras aplicaciones empresariales.
- Implementar modelos de lenguaje open source en local utilizando Ollama, LM Studio y otras herramientas especializadas.
- Crear asistentes privados en entornos locales con AnythingLLM, memoria, bases de datos vectoriales y conocimiento propio.
Contenidos
1 – Introducción a los Asistentes de IA personalizados
Introducción a los Asistentes de IA personalizados
¿Qué son los Asistentes de IA personalizados y en qué se diferencian de la IA general?
Plataformas para creación de asistentes de IA
Creación del primer asistente de IA personalizado
Cómo proteger tu asistente personalizado
Control de Acceso y Autenticación
Monitoreo y Auditoría de Actividades
Consideraciones de Privacidad
Resumen
2 – Funcionalidades avanzadas de los asistentes personalizados: Conocimiento expandido, intérprete de código y privacidad
Funcionalidades avanzadas de los asistentes personalizados: Conocimiento expandido, intérprete de código y privacidad
Crear Política de Privacidad para nuestros asistentes personalizados
Relevancia de una política de privacidad adecuada
Generación de política de privacidad con asistencia IA
Publicación de la política de privacidad en línea
Alternativas con herramientas accesibles
Uso de conocimiento expandido en los asistentes de IA personalizados
Caso de uso: Creación de un asistente personalizado para traducir todos tus documentos
Resumen
3 – Funcionalidades avanzadas de los Asistentes de IA personalizados – Casos de uso con Gemas, Proyectos y Skills
Funcionalidades avanzadas de los Asistentes de IA personalizados – Casos de uso con Gemas, Proyectos y Skills
Caso de uso: Creación de Google Gem “Experto analista de datos”
Creación de asistentes de IA a partir de proyectos de IA
Uso de formato markdown para tus fuentes de datos en asistentes
Principios de diseño: pensar en recuperación, no en maquetación
Conversión desde PDF o Word: recomendaciones para reducir ruido
Elementos típicos a eliminar o reescribir
Tablas: cuándo mantenerlas y cuándo transformarlas
Fragmentación de documentos extensos: por qué dividir y cómo hacerlo
Criterios prácticos para dividir en varios archivos
Evitar fragmentación excesiva
Convenciones de nombres y organización en carpetas
Creación de skills como asistentes personalizados con tus datos
Caso de uso: Creación de asistente “Experto Servicio al Cliente y Mantenimiento”
Resumen
4 – Funcionalidades avanzadas de los asistentes personalizados: Acciones de IA y conexión con APIs
Funcionalidades avanzadas de los asistentes personalizados: Acciones de IA y conexión con APIs
¿Qué son las acciones y conexión mediante APIs?
Proyecto: Crear asistente personalizado con acciones IA y APIs
Actividad Práctica asistentes con acciones
Caso de uso: Creación de un Chatbot con IA y asistentes personalizados para tu sitio web
Resumen
5 – Implementación de IA en local: LLMs con Ollama y LM Studio
Implementación de IA en local: LLMs con Ollama y LM Studio
Privacidad de datos modelos de IA nube vs local
Qué cambia cuando se usa un modelo en la nube frente a un modelo en local
Riesgos y ventajas típicas de la nube
Riesgos y ventajas típicas de un despliegue local
Cómo decidir: criterios para escoger nube o local según el caso
1) Sensibilidad del dato y nivel de riesgo aceptable
2) Requisitos normativos, contractuales y de auditoría
3) Dependencia de conectividad, continuidad operativa y resiliencia
4) Rendimiento, latencia y experiencia de uso
5) Coste total de propiedad: más allá del precio por uso
6) Velocidad de implementación y facilidad de mantenimiento
7) Personalización, control y reproducibilidad del comportamiento
8) Integración con herramientas del negocio y automatización
9) Escalabilidad y concurrencia: de uso individual a uso organizativo
10) Enfoque híbrido: decisión por capas y por tipo de tarea
11) Método práctico de decisión: matriz de criterios
Instalación de Ollama y LM-Studio en local y requisitos técnicos
Requisitos técnicos recomendados para ejecutar LLM en local
Sistema operativo y arquitectura
CPU, RAM y almacenamiento
GPU (opcional, pero muy recomendable)
Conectividad de red y entorno corporativo
Instalación de Ollama en local
Descarga e instalación
Consideraciones prácticas para entornos de trabajo
Instalación de LM Studio en local
Descarga e instalación
Resolución de problemas frecuentes (instalación y arranque)
Buenas prácticas de mantenimiento
Cuantización y descarga de modelos open-source
Descarga de modelos en Ollama (terminal y comprobaciones básicas)
Descarga de modelos en LM Studio (búsqueda, filtros y selección)
Configuración de parámetros en los modelos open source
Parámetros principales y cómo se relacionan
temperature: control de aleatoriedad
top_p: muestreo por núcleo (diversidad controlada)
repetition_penalty: control de repetición y bucles
context length: memoria disponible (ventana de contexto)
max tokens: límite de salida (tamaño de respuesta)
seed: reproducibilidad
system prompt: comportamiento y límites del asistente
Ajustes recomendados por escenario de uso
Atención al cliente, operaciones y respuestas de soporte
Marketing, redacción y variaciones de copy
Análisis y extracción estructurada
Relación de parámetros con rendimiento en local: latencia, memoria y estabilidad
Errores frecuentes al ajustar parámetros (y cómo evitarlos)
Casos de uso con modelos en local
Caso de uso 1: Analítica de recursos humanos con datasets internos
Objetivo
¿Qué puede hacer el asistente en local?
¿Por qué es mejor en local?
Caso de uso 2: Revisión y extracción en contratos, licitaciones y documentación legal
Objetivo
Aplicaciones típicas
Por qué es mejor en local
Caso de uso 3: Atención interna de TI y soporte con logs y datos de incidencias
Objetivo
Aplicaciones típicas
Por qué es mejor en local
Caso de uso 4: Asistente de finanzas para análisis de contabilidad y tesorería
Objetivo
Aplicaciones típicas
¿Por qué es mejor en local?
Caso de uso 5: Gestión del conocimiento con propiedad intelectual y documentación interna
Objetivo
Aplicaciones típicas
Por qué es mejor en local
Caso de uso 6: Marketing y ventas con datos de clientela y segmentación sensible
Objetivo
Aplicaciones típicas
¿Por qué es mejor en local?
Caso de uso 7: Salud, bienestar y prevención de riesgos con datos especialmente protegidos
Objetivo
Aplicaciones típicas
Por qué es mejor en local
Caso de uso 8: Traducción y tratamiento masivo de documentos internos confidenciales
Objetivo
Aplicaciones típicas
Por qué es mejor en local
Caso de uso 9: Investigación y desarrollo con documentación técnica, patentes y prototipos
Objetivo
Aplicaciones típicas
¿Por qué es mejor en local?
Caso de uso 10: Educación corporativa y evaluación de evidencias con datos internos
Objetivo
Aplicaciones típicas
Por qué es mejor en local
Resumen
6 – Implementación de IA en local: Creación de asistentes personalizados con AnythingLLM
Implementación de IA en local: Creación de asistentes personalizados con AnythingLLM
Instalación de AnythingLLM
Requisitos previos y consideraciones antes de instalar
Descarga e instalación de AnythingLLM Desktop
Paso 1. Descargar el instalador
Paso 2. Instalar según el sistema operativo
Paso 3. Primera ejecución
Configuración inicial tras la instalación
Integración AnythingLLM con LM Studio
Personalización de asistentes en AnythingLLM
Conexión a base de datos vectorial local con tus propios datos
Caso de uso: Creación de asistente en local “Experto Servicio al Cliente y Mantenimiento”
Resumen
Tal vez te interese este curso: n8n desde cero: automatización de flujos y agentes IA sin código
O quizá este otro: CHATGPT E INTELIGENCIA ARTIFICIAL
Síguenos en: Instagram
