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 Sector Salud
- Aplicaciones de LLM agénticas vs. solo herramientas.
- Límites de autonomía, políticas y supervisión humana.
- Panorama de datos de salud y restricciones (EHR, FHIR, PHI).
Diseño de Flujos de Trabajo de Agentes
- Planificación, memoria, uso de herramientas y bucles de reflexión.
- Ingeniería de prompts, funciones/herramientas y selección de acciones.
- Gestión de estado y patrones de orquestación.
Agentes Potenciados por Recuperación (RAG)
- Ingesta y segmentación (chunking) de documentos médicos.
- Embeddings, almacenes vectoriales y evaluación de relevancia.
- Saneamiento (grounding) de respuestas y estrategias de citación.
Integraciones e Interoperabilidad en Salud
- Fundamentos de FHIR/SMART para la conectividad de agentes.
- Trabajo con datos clínicos estructurados y no estructurados.
- Eventos (eventing), APIs y registros de auditoría.
Seguridad, Riesgo y Gobernanza
- Salvaguardas (guardrails), red-teaming y diseño de respaldo (fail-safe).
- Manejo de PHI, desidentificación y controles de acceso.
- Revisión humana (human-in-the-loop) y vías de escalado.
Evaluación y Monitoreo
- Evaluaciones sin conexión, conjuntos de datos de referencia (golden sets) y definición de KPI.
- Detección de alucinaciones y verificaciones de factualidad.
- Observabilidad, registro de eventos (logging) y gestión de costos/latencia.
Patrones de Despliegue y Laboratorio Práctico
- Elección de modelos: basados en API vs. locales (on-prem).
- Construcción de un agente potenciado por recuperación (RAG) con LangChain, FastAPI y ChromaDB.
- Respuesta simulada a incidentes y procedimientos de revocación (rollback).
Resumen y Próximos Pasos
Requerimientos
- Conocimiento de la programación básica en Python.
- Experiencia en análisis de datos o flujos de trabajo de Machine Learning.
- Familiaridad con conceptos de datos de salud (por ejemplo, EHR, FHIR).
Público Objetivo
- Científicos de datos y ingenieros de ML en el sector salud.
- Equipos de informática clínica y productos de salud digital.
- Líderes de TI y gerentes de innovación en el sector salud.
