Contenidos

1. Fundamentos y conceptos clave

1.1. Tokens, embeddings, chunking y ventanas de contexto y su impacto en la inferencia

1.2. Bases vectoriales open source

1.2.1. Arquitectura

1.2.2. Indexado

1.2.3. Consultas Semánticas

1.3. Cuantización de modelos y balance rendimiento vs precisión

1.4. Arquitecturas avanzadas:

1.4.1. RAG, agentes, pipelines

1.4.2. Protocolos de comunicación (MCP, ACP, A2A)

2. Modelos LLM open source y criterios de selección

2.1. Comparativa técnica:

2.1.1. Mistral

2.1.2. LLaMA

2.1.3. DeepSeek

2.1.4. Qwen

2.2. Parámetros, licencias, requisitos de hardware y capacidades multilingües/multimodales

2.3. Modelos especializados por dominio: ventajas, limitaciones y casos de uso

3. Despliegue y optimización on-premises

3.1. Entornos de ejecución

3.2. Configuración avanzada

3.2.1. GPU vs CPU, cuantización, rutas de acceso, logs y monitorización

3.2.2. Benchmark y pruebas de rendimiento para garantizar eficiencia

4. Integración mediante API y ejemplos prácticos

4.1. Exposición de modelos vía REST o WebSocket

4.2. Integración con aplicaciones reales:

4.2.1. Respuestas automáticas de correo

4.2.2. Asistente de escritura y productividad

4.2.3. Generación de contenidos y resúmenes

5. Seguridad, gobernanza y mejores prácticas

5.1. Validación y sanitización de entradas

5.2. Filtrado de respuestas

5.3. Autenticación, autorización y control de acceso en endpoint

5.4. Logging, trazabilidad, auditoría y cumplimiento del AI Act

6. Plataformas y frameworks de integración open-source

6.1. LangChain, n8n, Flowise, LlamaIndex: funcionalidades, limitaciones y

estrategias híbridas

6.2. Casos de uso técnico: orquestación, pipelines y coordinación multi-modelo