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 la Salud
- Aplicaciones de LLM agénticas frente a aplicaciones que solo usan herramientas
- Límites de autonomía, políticas y supervisión humana
- Panorama de datos de salud y limitaciones (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
- Ingesta y segmentación (chunking) de documentos médicos
- Embeddings, almacenes vectoriales y evaluación de relevancia
- Respuestas fundamentadas 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, APIs y bitácoras de auditoría
Seguridad, Riesgo y Gobernanza
- Barreras de seguridad (guardrails), red-teaming y diseño a prueba de fallos (fail-safe)
- Manejo de PHI, desidentificación y controles de acceso
- Revisión con intervención humana (human-in-the-loop) y vías de escalado
Evaluación y Monitoreo
- Evaluaciones fuera de línea, conjuntos dorados (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 entre modelos basados en API y locales (on-prem)
- Construcción de un agente aumentado por recuperación con LangChain, FastAPI y ChromaDB
- Simulación de respuesta a incidentes y procedimientos de reversión (rollback)
Resumen y Próximos Pasos
Requerimientos
- Conocimientos básicos de programación 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).
Audiencia
- Científicos de datos e ingenieros de ML en el sector de la salud.
- Equipos de Informática clínica y salud digital.
- Líderes de TI y gerentes de innovación en atención de la salud.
