El puente entre saber usar un LLM y saber operarlo en una institución financiera. Transformers por dentro, RAG evaluado con métricas, agentes con herramientas, fine-tuning ligero con LoRA, y la disciplina de MLOps que mantiene el sistema vivo: versionado, monitoreo de drift, evals en integración continua y gobierno de modelo bajo el marco SR 11-7. El alumno entrega un servicio desplegado, no un notebook.
Cualquiera arma un chatbot en una tarde; casi nadie construye un sistema de IA que sobreviva a una auditoría. Ese es el hueco que llena este programa. Se empieza por la mecánica del transformer —atención, embeddings, tokenización— para entender técnicamente por qué el modelo alucina y por qué el contexto cuesta dinero. Sobre esa base, el alumno construye un sistema RAG de grado producción: fragmentación consciente de estructura documental, recuperación híbrida, reranking, y evaluación cuantitativa con un golden set propio y métricas de fidelidad y relevancia. Luego incorpora agentes con uso de herramientas, con control explícito de pasos, presupuesto de tokens, reintentos y fallos. El módulo de fine-tuning ligero con LoRA responde a la pregunta que se hace todo equipo — ¿prompt, RAG o entrenamiento? — con criterios de costo y desempeño, no con moda. La segunda mitad es ingeniería seria: contenerización con Docker, servicio con FastAPI, seguimiento de experimentos con MLflow, evals automatizadas en GitHub Actions, y monitoreo de deriva de datos y de comportamiento del modelo en producción. El programa cierra en gobierno: validación independiente de modelos bajo lineamientos tipo SR 11-7, trazabilidad, manejo de información personal, y la conversación que ningún curso técnico da — qué decisiones financieras no deben automatizarse, y por qué.
LLM Engineering para Finanzas: RAG, agentes y MLOps — te enviamos el brochure y un asesor te contacta.