Inteligencia Artificial¶
Desde la teoría (qué es la IA y cómo funcionan los modelos) hasta la práctica de ingeniería: construir aplicaciones con LLMs, diseñar agentes y trabajar a diario con harnesses de agentes de código.
El área que más rápido cambia
Modelos, precios y herramientas cambian cada pocos meses. Los datos de producto son de septiembre de 2026; los conceptos (tokens, contexto, RAG, agentes, evaluación, seguridad) son estables.
| Página | Qué cubre |
|---|---|
| Tipos de IA y aprendizaje automático | IA simbólica vs. estadística, paradigmas de aprendizaje, arquitecturas, generativa vs. discriminativa, world models y JEPA |
| Cómo funcionan los LLMs | Tokens, embeddings, transformers, entrenamiento, razonamiento, ventana de contexto, parámetros, costes |
| Construir aplicaciones con LLMs | Prompting y context engineering, salida estructurada, uso de herramientas, RAG, evaluación, coste y latencia |
| Agentes, MCP y Skills | Workflows vs. agentes, patrones, memoria, multiagente, Model Context Protocol, A2A, Agent Skills |
| Harnesses y agentes de código | Qué es un harness, Claude Code a fondo (CLAUDE.md, skills, hooks, subagentes, plugins, permisos), otras herramientas y buenas prácticas |
| Seguridad, riesgos y regulación | Prompt injection, OWASP LLM Top 10, AI Act, ISO 42001, NIST AI RMF |
| Jev y los modelos "System One" | El modelo de decisión tipada de TypeSafe AI (septiembre de 2026): cómo funciona y dónde encaja |
| MLOps, ajuste fino y servir modelos | Ciclo de vida, deriva, LoRA/QLoRA, cuantización, vLLM, KServe, LLMOps |
| IA en el edge | Modelos en el sitio, cascada edge → nube, runtimes, GitOps para modelos |
| Ecosistema | Proveedores y modelos, frameworks, bases vectoriales, ejecución local, observabilidad, hardware |
Línea temporal esencial¶
| Año | Hito |
|---|---|
| 1956 | Conferencia de Dartmouth: nace el término "inteligencia artificial" |
| 1980s | Sistemas expertos (IA simbólica basada en reglas) |
| 1997 | Deep Blue gana a Kasparov (búsqueda + heurísticas) |
| 2012 | AlexNet: el deep learning con GPUs revoluciona la visión artificial |
| 2016 | AlphaGo: aprendizaje por refuerzo + redes profundas |
| 2017 | Attention Is All You Need: la arquitectura Transformer |
| 2018-2020 | BERT, GPT-2, GPT-3: modelos preentrenados a gran escala |
| 2022 | ChatGPT: los LLMs llegan al gran público; modelos de difusión para imágenes |
| 2023-2024 | Modelos multimodales, ventanas de contexto enormes, open weights competitivos, MCP (nov. 2024) |
| 2025 | Modelos de razonamiento, agentes de código (Claude Code y otros), Agent Skills, MCP y AGENTS.md pasan a la Linux Foundation |
| 2026 | Agentes de larga duración, ventanas de 1 M de tokens como estándar en modelos frontera, agentes gestionados en la nube, modelos de decisión tipada (Jev) |
Relación con el resto de la web¶
- Arquitectura: los LLMs son un componente más, con latencia, coste por token y salidas no deterministas → trade-offs.
- Cloud: servicios gestionados de IA de cada proveedor → AWS · Azure · Google Cloud.
- Plataforma: servir modelos, GPUs en Kubernetes, observabilidad de agentes.