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 frente a las de solo uso de herramientas
- Límites de autonomía, políticas y supervisión humana
- Paisaje de datos en 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 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
- Fundamentos de FHIR/SMART para la conectividad de agentes
- Trabajo con datos clínicos estructurados y no estructurados
- Eventos, API y trazas de auditoría
Seguridad, riesgos y gobernanza
- Salvaguardas (guardrails), pruebas de penetración (red-teaming) y diseño a prueba de fallos
- Manejo de PHI, desidentificación y controles de acceso
- Revisión con supervisión humana y rutas de escalamiento
Evaluación y monitoreo
- Evaluaciones offline, conjuntos de oro (golden sets) y definición de KPI
- Detección de alucinaciones y verificación de hechos
- Observabilidad, registro de eventos (logging) y gestión de costos/latencia
Patrones de implementación y laboratorio práctico
- Selección de modelos basados en API frente a los locales (on-premise)
- Construcción de un agente aumentado por recuperación con LangChain, FastAPI y ChromaDB
- Simulación de respuesta ante incidentes y procedimientos de reversión (rollback)
Resumen y próximos pasos
Requerimientos
- Conocimiento básico de programación en Python
- Experiencia en análisis de datos o flujos de trabajo de ML (aprendizaje automático)
- Familiaridad con conceptos de datos en salud (por ejemplo, EHR, FHIR)
Público objetivo
- Científicos de datos e 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