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 solo de herramientas
- Limites de autonomía, políticas y supervisión humana
- Panorama de los datos de salud y restricciones (EHR, FHIR, PHI)
Diseño de Flujos de Trabajo de Agentes
- Bucles de planificación, memoria, uso de herramientas y reflexión
- Ingeniería de prompts, funciones/herramientas y selección de acciones
- Gestión de estado y patrones de orquestación
Agentes Aumentados con Recuperación (RAG)
- Ingesta y segmentación de documentos médicos
- Embargues (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
- Manejo de datos clínicos estructurados y no estructurados
- Eventos, API y rastros de auditoría
Seguridad, Riesgo y Gobernanza
- Barreras de seguridad (guardrails), pruebas de penetración (red-teaming) y diseño a prueba de fallos
- Manejo de PHI, desidentificación y controles de acceso
- Revisión con supervisión humana (human-in-the-loop) y rutas de escalado
Evaluación y Monitoreo
- Evaluaciones fuera de línea, conjuntos de referencia (golden sets) y definición de KPI
- Detección de alucinaciones y verificaciones de veracidad
- Observabilidad, registro de eventos (logging) y gestión de costos/latencia
Patrones de Despliegue y Laboratorio Práctico
- Elección entre modelos basados en API y modelos en las instalaciones (on-prem)
- Construcción de un agente aumentado con recuperación utilizando LangChain, FastAPI y ChromaDB
- Respuesta simulada a incidentes y procedimientos de reversión (rollback)
Resumen y Próximos Pasos
Requerimientos
- Conocimiento de programación básica en Python
- Experiencia en análisis de datos o flujos de trabajo de ML (aprendizaje automático)
- Familiaridad con conceptos de datos de salud (p. ej., 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
