Fase 5: Cloud + AI Integración (Semanas 21–28)
Objetivo: Integrar conocimientos de cloud y AI en soluciones empresariales completas. Construir sistemas RAG, aprender evaluación de modelos, y obtener certificación AI-900 (con opción avanzada de AI-103).
🎯 Resultados Esperados
Al completar esta fase:
- Azure AI Foundry dominado (modelos, evaluaciones, agentes)
- RAG (Retrieval-Augmented Generation) implementado
- Evaluación y monitoreo de AI en producción
- Certificación AI-900 obtenida
- Sistema RAG funcional en portfolio
Semanas 21-22: Azure AI Foundry
Objetivo
Dominar la plataforma de AI de Microsoft para construir y desplegar soluciones empresariales.
Recursos Principales
| Recurso | Idioma | Tipo | Duración |
|---|---|---|---|
| Azure AI Foundry Documentation | 🇪🇸 Español | Docs | 8 hrs |
| Microsoft Learn: Azure AI Foundry (¿Qué es?) | 🇪🇸 Español | Docs | 6 hrs |
| Azure AI Foundry Quickstarts | 🇪🇸 Español | Labs | 4 hrs |
| Azure OpenAI Service | 🇪🇸 Español | Docs | 4 hrs |
| DeepLearning.AI: Building with Azure AI | 🇬🇧 Inglés | Course | 3 hrs |
Plan Semana 21
| Día | Tema | Práctica |
|---|---|---|
| Lunes | Azure AI Foundry: overview, projects, hubs | Crear proyecto |
| Martes | Modelos disponibles: GPT-4, GPT-4o, Phi | Comparar modelos |
| Miércoles | Playground: prompt testing y refinement | Experimentar |
| Jueves | Deployments: quotas, rate limits, regions | Deploy modelo |
| Viernes | Content filters y safety settings | Configurar safety |
Plan Semana 22
| Día | Tema | Práctica |
|---|---|---|
| Lunes | Azure AI Agents: overview y tipos | Explorar Agent Service |
| Martes | Agents con tools: code interpreter, file search | Build agent |
| Miércoles | Evaluations: built-in y custom metrics | Evaluar respuestas |
| Jueves | Prompt flow: flujos de orquestación | Diseñar flow |
| Viernes | Monitoring y logging en producción | Dashboard de métricas |
Conceptos Clave
Azure AI Foundry:
├── Hub (organización)
│ └── Project (workspace)
│ ├── Models
│ │ ├── Azure OpenAI (GPT-4, GPT-4o)
│ │ ├── Open models (Phi, Llama, Mistral)
│ │ └── Custom fine-tuned
│ ├── Agents
│ │ ├── Code Interpreter
│ │ ├── File Search
│ │ └── Custom Tools
│ ├── Evaluations
│ │ ├── Groundedness
│ │ ├── Relevance
│ │ ├── Coherence
│ │ └── Custom metrics
│ └── Deployments
│ ├── Serverless
│ └── Provisioned
Semanas 23-24: RAG (Retrieval-Augmented Generation)
Objetivo
Construir un sistema que responde preguntas basándose en documentos internos, eliminando hallucinations.
Recursos Principales
| Recurso | Idioma | Tipo | Duración |
|---|---|---|---|
| Microsoft Learn: RAG with Azure AI | 🇪🇸 Español | Docs | 3 hrs |
| DeepLearning.AI: Building RAG Applications | 🇬🇧 Inglés | Course | 3 hrs |
| LangChain RAG Tutorial | 🇬🇧 Inglés | Tutorial | 4 hrs |
| Azure AI Search Documentation | 🇪🇸 Español | Docs | 4 hrs |
| Pinecone: RAG Guide | 🇬🇧 Inglés | Guide | 2 hrs |
Plan Semana 23
| Día | Tema | Práctica |
|---|---|---|
| Lunes | RAG concepts: why, how, architecture | Diagramar sistema |
| Martes | Embeddings: text → vectors | Generar embeddings |
| Miércoles | Vector stores: Azure AI Search, Pinecone | Setup vector store |
| Jueves | Chunking strategies: size, overlap | Procesar documentos |
| Viernes | Retrieval: similarity search, hybrid | Implementar búsqueda |
Plan Semana 24
| Día | Tema | Práctica |
|---|---|---|
| Lunes | Generation: prompt con contexto | System prompts para RAG |
| Martes | Evaluation: groundedness, relevance | Medir calidad |
| Miércoles | Advanced: reranking, metadata filters | Mejorar precisión |
| Jueves | Production: caching, monitoring | Optimizar |
| Viernes | Deploy proyecto completo | — |
🔨 Proyecto: Internal Policy Chatbot
Chatbot que responde preguntas sobre políticas internas de una organización:
Policy Chatbot Architecture:
├── Document Ingestion
│ ├── PDF/Word processing
│ ├── Chunking (500 tokens, 50 overlap)
│ └── Embedding generation
├── Vector Store
│ ├── Azure AI Search / ChromaDB
│ └── Metadata indexing
├── Retrieval
│ ├── Similarity search (top-k)
│ ├── Hybrid search (vector + keyword)
│ └── Reranking
├── Generation
│ ├── System prompt (compliance expert)
│ ├── Context injection
│ └── Source citations
└── Interface
├── Streamlit UI
└── API endpoint
Documentos de ejemplo:
- Política de seguridad de información
- Política de uso aceptable
- Plan de respuesta a incidentes
- Política de privacidad de datos
Entregable: Repositorio completo con código, documentación, y demo.
Semanas 25-26: AI Monitoring y Safety
Objetivo
Aprender a monitorear sistemas AI en producción y detectar problemas antes que impacten usuarios.
Recursos Principales
| Recurso | Idioma | Tipo | Duración |
|---|---|---|---|
| Microsoft: AI Content Safety | 🇪🇸 Español | Docs | 3 hrs |
| Azure AI Evaluation SDK | 🇪🇸 Español | Tutorial | 4 hrs |
| Giskard: AI Testing | 🇬🇧 Inglés | Tool | 3 hrs |
| OWASP Top 10 for LLMs | 🇬🇧 Inglés | Framework | 4 hrs |
| Microsoft: Red Teaming AI | 🇪🇸 Español | Guide | 2 hrs |
Plan Semana 25
| Día | Tema | Práctica |
|---|---|---|
| Lunes | Hallucinations: causas y detección | Evaluar modelos |
| Martes | Content safety: filtros y moderación | Implementar filtros |
| Miércoles | Prompt injection: ataques y defensas | Red team ejercicio |
| Jueves | Data leakage: prevención | PII detection |
| Viernes | OWASP Top 10 for LLMs | Assessment |
Plan Semana 26
| Día | Tema | Práctica |
|---|---|---|
| Lunes | Evaluation metrics: groundedness, coherence | SDK de evaluación |
| Martes | A/B testing de prompts y modelos | Framework de testing |
| Miércoles | Monitoring dashboards | Azure Monitor + AI |
| Jueves | Alerting y incident response para AI | Playbooks |
| Viernes | AI Red Team exercise completo | Documentar findings |
🔨 Proyecto: AI Safety Testing Framework
Crear un framework de testing que incluya:
- Test cases para prompt injection
- Evaluation de groundedness (hallucinaciones)
- PII detection checks
- Content safety validation
- Performance benchmarks
- Reporting template
Semanas 27-28: Certificación AI-900 (+ Opcional AI-103)
Objetivo
Consolidar conocimiento y obtener certificación AI-900.
Recursos para AI-900
| Recurso | Idioma | Tipo | Duración |
|---|---|---|---|
| Microsoft Learn: AI-900 | 🇪🇸 Español | Learning Path | 8 hrs |
| AI-900 Study Guide | 🇪🇸 Español | Guía oficial | Referencia |
| John Savill's Technical Training (YouTube) | 🇬🇧 Inglés | Video (study cram) | 2 hrs |
| Practice Assessment oficial de AI-900 (gratis) | 🇪🇸 Español | Práctica oficial gratis | 2 hrs |
Plan Semana 27
| Día | Módulo | Tema |
|---|---|---|
| Lunes | Módulo 1 | AI workloads y consideraciones |
| Martes | Módulo 2 | Machine Learning fundamentals |
| Miércoles | Módulo 3 | Computer Vision |
| Jueves | Módulo 4 | NLP y Document Intelligence |
| Viernes | Módulo 5 | Generative AI |
Plan Semana 28
| Día | Actividad |
|---|---|
| Lunes | Repaso general + gaps |
| Martes | Practice exams |
| Miércoles | Repaso áreas débiles |
| Jueves | Practice exam final |
| Viernes | Examen AI-900 |
| Sábado | Si pasó: planear siguiente credencial (AI-103 o vendor-neutral) |
Certificación: AI-900
- Costo: $99 USD
- Idioma: Disponible en español
- Formato: 40-60 preguntas, 45 minutos
- Puntuación para pasar: 700/1000
- Dominios:
- AI workloads and considerations (15-20%)
- Machine Learning on Azure (20-25%)
- Computer Vision workloads (15-20%)
- NLP workloads (15-20%)
- Generative AI workloads (15-20%)
Opcional: AI-103 (si hay tiempo y motivación)
Para candidatos avanzados con objetivo de desarrollo, AI-103 agrega valor:
- Nivel Associate (más peso que Fundamentals)
- Sucesor de AI-102 (retirado 30-jun-2026); cubre apps de IA generativa y soluciones multi-agente con Microsoft Foundry (Python)
- Verifica precio, estado (beta/GA) y temario en la página oficial de AI-103
- Requiere 4-6 semanas adicionales de preparación
Si tu objetivo es AI Program Manager / AI Governance / TPM (no escribir código de producción), una credencial vendor-neutral como IAPP AIGP o PMI-CPMAI (examen en español) suele rendir más que AI-103. Ver la escalera completa en Plan Overview.
Los patrones de esta fase (RAG, evaluación, agentes, safety) no dependen de un proveedor. Todo lo que construyes en Azure AI Foundry se replica con LangChain / LlamaIndex, modelos abiertos (Llama, Mistral, Phi) y vector stores abiertos (ChromaDB, pgvector, FAISS). Usa Azure como un ejemplo, pero documenta tu proyecto de forma agnóstica para que aplique a empleadores que usan AWS, GCP o stacks open-source.
📋 Checklist de Fase 5
- Azure AI Foundry: modelos, agents, evaluations
- RAG: sistema completo implementado
- Policy Chatbot: funcional y documentado
- AI Safety: OWASP LLM Top 10 entendido
- Red teaming: ejercicio completado
- AI Safety Testing Framework: creado
- AI-900 Learning Path: completado
- Certificación AI-900: obtenida
- Portfolio: 10+ proyectos en GitHub
🔗 Valor para el CV
Después de esta fase:
"Implementé sistemas RAG empresariales con Azure AI Foundry, incluyendo document ingestion, vector search y generation con source citations. Diseñé frameworks de AI safety testing que evalúan hallucinations, prompt injection y data leakage. Certificaciones: AZ-900, SC-900, AI-900."