Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Duración 14 horas
Temario del curso
Fundamentos de la IA agéntica para el ámbito de la salud
- Aplicaciones de LLM agénticas vs. LLM solo con herramientas.
- Límites de autonomía, políticas y supervisión humana.
- Paisaje de datos de salud y restricciones (EHR, FHIR, PHI).
Diseño de flujos de trabajo de agentes
- Bucles de planificación, memoria, uso de herramientas y reflexión.
- Ingeniería de prompts, funciones/herramientas y selección de acciones.
- Gestión de estado y patrones de orquestación.
Agentes aumentados por recuperación (RAG)
- Ingesta y segmentación (chunking) de documentos médicos.
- Embeddings, almacenes vectoriales y evaluación de relevancia.
- Anclaje de respuestas y estrategias de citación.
Integraciones e interoperabilidad en salud
- Conceptos básicos de FHIR/SMART para la conectividad de agentes.
- Trabajo con datos clínicos estructurados y no estructurados.
- Eventos, APIs y registros de auditoría.
Seguridad, riesgo y gobernanza
- Salvaguardas, red-teaming y diseño de seguridad a prueba de fallos.
- Manejo de PHI, desidentificación y controles de acceso.
- Revisión con intervención humana y vías de escalado.
Evaluación y monitoreo
- Evaluaciones sin conexión (offline), conjuntos de oro (golden sets) y definición de KPI.
- Detección de alucinaciones y verificación de veracidad.
- Observabilidad, registro de logs y gestión de costos/latencia.
Patrones de despliegue y laboratorio práctico
- Elección entre modelos basados en API y on-prem.
- Construcción de un agente aumentado por recuperación con LangChain, FastAPI y ChromaDB.
- Respuesta simulada a incidentes y procedimientos de reversión (rollback).
Resumen y próximos pasos
Requerimientos
- Conocimientos de programación básica en Python.
- Experiencia en análisis de datos o flujos de trabajo de aprendizaje automático (ML).
- Familiaridad con conceptos de datos de salud (p. ej., EHR, FHIR).
Público objetivo
- Científicos de datos y ingenieros de ML del sector salud.
- Equipos de informática clínica y productos de salud digital.
- Líderes de TI y gerentes de innovación en el ámbito de la salud.