Inteligencia Artificial

CursoIntroductorio

Fundamentos de Inteligencia Artificial: Conceptos, Tecnologías y Aplicaciones

Construye una base sólida sobre inteligencia artificial: qué es realmente, cómo aprenden los sistemas, qué puede y qué no puede hacer, y cómo se evalúa si una tarea de tu organización es candidata. Sin programación ni conocimientos técnicos previos.

Definición

Hoy casi toda organización tiene que decidir algo sobre inteligencia artificial, y la mayoría lo hace sin una base común: unos sobreestiman lo que la tecnología puede hacer y otros la descartan por razones equivocadas. Este curso construye esa base. Explica en lenguaje claro qué distingue a la inteligencia artificial de la automatización y de la analítica tradicional, cómo un modelo aprende a partir de datos, qué son realmente el aprendizaje profundo y los modelos de lenguaje, y por qué la IA generativa cambió la conversación. Igual de importante, trabaja los límites: por qué un modelo se equivoca con seguridad aparente, de dónde vienen los sesgos, qué riesgos de privacidad y seguridad introduce y qué exige la supervisión humana. Termina con lo que la mayoría necesita de verdad: cómo mirar los procesos propios y distinguir qué tarea es buena candidata para IA, cuál no lo es, y qué condiciones hay que tener antes de empezar. No es un curso para programar modelos: es para decidir bien sobre ellos.

Público objetivo

Profesionales de organizaciones públicas y privadas que necesitan entender de qué se está hablando cuando se habla de IA en su trabajo.
Directivos y jefaturas que deben decidir sobre iniciativas o inversiones en inteligencia artificial sin ser especialistas.
Equipos que están comenzando a explorar el uso de IA y necesitan un piso conceptual común antes de avanzar.
Profesionales de áreas de negocio —finanzas, personas, operaciones, marketing, legal— que quieren evaluar oportunidades en su propio dominio.
Personas que están considerando una formación más especializada en IA y necesitan la base antes de elegir el camino.
Para quién NO es: No es un curso técnico: no se programa, no se entrenan modelos y no se trabaja con matemáticas. Quien busque ese nivel debería considerar Machine Learning y Deep Learning o Ciencia de Datos para IA.

Objetivos

Comprender los conceptos, las tecnologías, las aplicaciones y los límites de la inteligencia artificial para participar con criterio en las decisiones de adopción de una organización.

Distinguir con precisión inteligencia artificial, automatización, analítica de datos, machine learning e IA generativa, que en la conversación cotidiana se usan como sinónimos y no lo son.
Explicar cómo un modelo aprende a partir de datos y por qué la calidad y la representatividad de esos datos determinan lo que el modelo puede y no puede hacer.
Comprender qué son las redes neuronales, el aprendizaje profundo y los modelos de lenguaje, sin necesidad de formación matemática.
Reconocer aplicaciones reales de IA en productividad, servicio, operaciones y análisis, y diferenciar los casos maduros de los que todavía son promesa.
Identificar los límites y riesgos concretos: errores, alucinaciones, sesgos, privacidad, seguridad y dependencia de proveedores.
Evaluar si una tarea concreta de la organización es buena candidata para inteligencia artificial, usando criterios explícitos en vez de intuición.
Definir qué condiciones de datos, supervisión y gobernanza deben existir antes de comprometerse con una iniciativa.

Resultados de aprendizaje

Explicar en lenguaje claro qué es la inteligencia artificial y en qué se diferencia de otras tecnologías con las que se confunde.
Evaluar si una tarea concreta es candidata para IA, y argumentar por qué sí o por qué no.
Reconocer cuándo la respuesta de un sistema de IA no es confiable y qué señales lo indican.
Identificar los riesgos de una iniciativa —datos, sesgos, privacidad, seguridad— antes de que se conviertan en problemas.
Participar en una decisión de adopción aportando criterios en vez de impresiones.
Formular las preguntas correctas a un proveedor de tecnología de IA.
Explicar a otras personas del equipo, sin tecnicismos, qué hace y qué no hace la herramienta que están usando.

Temario

1. Qué es realmente la inteligencia artificial

De la automatización a la IA: qué cambia cuando un sistema aprende del dato en vez de seguir reglas escritas por una persona.
Breve evolución del campo: por qué hubo entusiasmo y desilusión varias veces, y qué cambió en los últimos años para que esta vez sea distinto.
IA estrecha frente a IA general: qué existe hoy, qué no existe y por qué la distinción importa al leer titulares.
IA, machine learning, deep learning e IA generativa: qué contiene a qué, con las fronteras claras.

2. Cómo aprenden los sistemas: datos y modelos

Datos de entrenamiento: qué son, de dónde salen y por qué determinan el techo de lo que el modelo puede hacer.
Aprendizaje supervisado: aprender de ejemplos etiquetados, y por qué etiquetar es el trabajo caro que nadie muestra.
Aprendizaje no supervisado: encontrar estructura donde nadie la señaló, y para qué sirve.
Entrenamiento, validación y prueba: por qué un modelo que acierta con sus propios datos no demuestra nada.
Predicciones y probabilidades: por qué un modelo nunca 'sabe', sino que estima, y qué implica eso para quien usa el resultado.

3. Aprendizaje profundo y modelos de lenguaje

Redes neuronales: la intuición de cómo funcionan, sin matemáticas.
Por qué el aprendizaje profundo cambió lo que era posible, y qué papel jugaron los datos y la capacidad de cómputo.
Procesamiento de lenguaje: de la búsqueda por palabras clave a los modelos que trabajan con significado.
Visión por computador: reconocimiento de imágenes, sus usos actuales y sus fallas típicas.
Modelos de lenguaje grandes: qué hacen realmente, por qué generan texto plausible aunque sea falso, y qué significa eso al usarlos.

4. IA generativa en la práctica

Qué distingue a la IA generativa: crear contenido nuevo en vez de clasificar o predecir sobre lo existente.
Texto, imágenes, código y audio: qué está maduro hoy y qué sigue siendo experimental.
Prompts y contexto: por qué la forma de pedir cambia radicalmente el resultado, y las nociones básicas para pedir bien.
Alucinaciones: por qué un modelo inventa con seguridad, cómo detectarlo y por qué no se soluciona pidiéndole que no lo haga.
Límites del contexto y de la memoria: qué recuerda y qué olvida un modelo entre una conversación y otra.

5. Dónde genera valor en una organización

Productividad individual: redacción, síntesis, análisis y búsqueda, con lo que efectivamente ahorra tiempo y lo que no.
Atención y servicio: asistentes, clasificación de solicitudes y respuesta a consultas frecuentes.
Operaciones: detección de anomalías, priorización y apoyo a la decisión.
Análisis de información: extracción de datos desde documentos y síntesis de grandes volúmenes de texto.
Personas y gestión: dónde aporta y dónde el riesgo reputacional y legal desaconseja usarla.
Criterios para distinguir un caso de uso maduro de una promesa de proveedor.

6. Límites, riesgos y supervisión

Errores y alucinaciones: por qué ocurren, con qué frecuencia y qué controles los hacen manejables.
Sesgos: cómo se cuelan desde los datos, por qué no se eliminan solos y cómo se detectan.
Privacidad y datos personales: qué información no debe entrar a una herramienta de IA y qué exige la Ley 21.719 en Chile.
Seguridad: filtración de información en prompts, y riesgos de conectar modelos a sistemas internos.
Propiedad intelectual y autoría: qué está resuelto y qué sigue en discusión.
Supervisión humana: en qué decisiones es obligatoria y cómo se diseña para que sea real y no un trámite.

7. Cómo empezar: de la idea al primer paso

Mapa de oportunidades: cómo revisar los procesos propios y encontrar candidatos reales.
Criterios de viabilidad: volumen, repetición, tolerancia al error, disponibilidad de datos y costo de la verificación.
Qué se necesita antes de empezar: condiciones de datos, roles, controles y una forma de medir el resultado.
Prueba de concepto: cómo diseñar una que responda una pregunta en vez de demostrar entusiasmo.
Qué preguntarle a un proveedor: modelo, datos, dónde se procesan, costos reales y qué pasa si se quiere cambiar después.

Metodología y materiales

Metodología

Exposición con ejemplos reales y reconocibles, evitando la formulación matemática.
Demostraciones en vivo de herramientas de IA generativa, incluidas sus fallas: ver un modelo equivocarse enseña más que verlo acertar.
Ejercicios de identificación de casos de uso sobre los procesos reales de los participantes.
Discusión estructurada de riesgos, con casos públicos de iniciativas que salieron mal y por qué.
Ejercicio final de evaluación de una oportunidad concreta, con criterios de viabilidad.

Materiales incluidos

Guía de conceptos con las distinciones clave del campo, para consulta posterior.
Matriz de evaluación de casos de uso con los criterios de viabilidad trabajados en el curso.
Checklist de riesgos —datos, sesgos, privacidad, seguridad y supervisión— para revisar antes de iniciar una iniciativa.
Pauta de preguntas para evaluar a un proveedor de tecnología de inteligencia artificial.

Evaluación y certificación

Evaluación del curso

Actividad de aplicación y evaluación formativa.

Certificados

Certificado de participación Passus

Condiciones de inscripción

Se dicta online en vivo o presencial. En cursos abiertos las clases siguen el calendario publicado por Passus; en cursos cerrados, la modalidad, el horario y la fecha se acuerdan con la institución o empresa.

Requisitos

No requiere conocimientos técnicos, matemáticos ni de programación.
Basta con usar habitualmente herramientas digitales de trabajo.

Preguntas frecuentes

¿Necesito saber programar o tener base matemática?

No. El curso está diseñado para personas sin formación técnica. Los conceptos se explican con ejemplos y sin formulación matemática. Si usas herramientas digitales de trabajo, tienes lo necesario.

¿Voy a aprender a construir modelos de IA?

No. Este curso construye criterio para decidir sobre inteligencia artificial, no para desarrollarla. Si buscas el lado técnico, el camino son los cursos de Machine Learning y Deep Learning o Ciencia de Datos para Inteligencia Artificial.

¿Qué diferencia hay con el curso de IA Generativa y Prompt Engineering?

Este cubre el panorama completo —qué es la IA, cómo aprende, dónde sirve, qué riesgos tiene— y dedica un módulo a la IA generativa. El de IA Generativa y Prompt Engineering se concentra en usar bien esas herramientas específicas y profundiza en la técnica de los prompts. Muchos toman este primero para tener el marco y después el especializado.

¿Sirve si mi organización todavía no usa inteligencia artificial?

Especialmente ahí. El módulo final trabaja cómo revisar los procesos propios, distinguir qué tarea es buena candidata y qué condiciones se necesitan antes de comprometerse. Es más útil antes de la primera decisión que después.

¿Se ven herramientas concretas o solo teoría?

Se hacen demostraciones en vivo con herramientas de IA generativa, incluidas sus fallas. Ver a un modelo equivocarse con seguridad aparente enseña más sobre sus límites que cualquier explicación.

¿Cubre los riesgos legales y de privacidad?

Sí, un módulo completo: qué información no debe entrar a una herramienta de IA, qué exige la Ley 21.719 en Chile, riesgos de seguridad al conectar modelos a sistemas internos, y qué está resuelto y qué no en propiedad intelectual. Para el tratamiento en profundidad del gobierno de la IA está el curso de Gobernanza, Ética y Riesgos de IA.

¿Entrega certificación oficial?

No incluye examen de certificación externo. Passus entrega certificado de participación al finalizar.

¿Se puede dictar para toda mi organización?

Sí, en modalidad cerrada. Es uno de sus usos más frecuentes: dejar un piso conceptual común en un equipo o en toda un área antes de iniciar un proyecto. Los ejercicios de casos de uso se trabajan sobre los procesos reales de la organización.

¿Sirve para el sector público?

Sí. Y si tu interés es específicamente la aplicación en el Estado —atención ciudadana, gestión documental, apoyo a decisiones con criterios de transparencia y valor público— existe el curso de IA en Gestión Pública y Servicios Ciudadanos, que asume esta base.

¿El contenido queda obsoleto rápido, con lo rápido que avanza la IA?

Las herramientas cambian; los fundamentos no. Cómo aprende un modelo, por qué alucina, de dónde vienen los sesgos y qué criterios hacen viable un caso de uso siguen siendo válidos aunque cambie el modelo de moda. El curso está construido sobre eso, y los ejemplos se actualizan en cada edición.