IA en Producción: IA Generativa y Agéntica a Gran Escala

☁️ Día 1 – Fundamentos de AWS para IA en Producción: Del Panel de Control a la Infraestructura ⚙️?

¿Quieres aprender a llevar tus aplicaciones de Inteligencia Artificial a la nube de AWS como un profesional? ?
Entonces esta clase es para ti ?

? En esta lección descubrirás:

• ? Cómo configurar la infraestructura de AWS desde la consola para aplicaciones de IA en producción.

• ? Qué son y cómo se usan los servicios esenciales de AWS como S3, Lambda y Amazon Bedrock.

• ? Cómo desplegar aplicaciones de IA generativa utilizando Amazon Bedrock y sus foundation models (como Claude 3).

• ? Qué arquitecturas en la nube son más eficientes para flujos de trabajo de IA escalables.

• ? Cómo gestionar los costes en AWS y limpiar los recursos tras el despliegue.

• ? Por qué dominar los fundamentos de AWS es clave antes de pasar a herramientas de infraestructura como Terraform.

? Qué aprenderás paso a paso:

En esta clase completa, te guiaremos desde el uso del panel de control de AWS hasta la creación de una infraestructura sólida para IA en producción.
Aprenderás a:

• Utilizar Amazon Bedrock para desplegar modelos generativos.

• Crear bases de conocimiento con Amazon Kendra.

• Configurar funciones AWS Lambda, almacenamiento con S3 y API Gateway para construir flujos de IA robustos.

Además, analizaremos:

• Las características clave de AWS Bedrock para aplicaciones de inteligencia artificial.

• Cómo diseñar diagramas de arquitectura escalables y profesionales.

• Los componentes críticos de la infraestructura AWS como CloudFront, Route 53 y IAM (Identity & Access Management).

? Enfoque práctico

Esta lección está centrada en la experiencia práctica. Antes de pasar a herramientas avanzadas como Terraform o GitHub Actions, trabajarás directamente con la consola de AWS, entendiendo cómo se construye una infraestructura real desde cero.

? Ideal para:

• ?‍? Emprendedores que buscan desplegar productos de IA a escala comercial.

• ? Profesionales de empresa que quieren dominar AWS para soluciones de IA en producción.

• ?‍? Desarrolladores que desean pasar de proyectos simples a una infraestructura profesional y escalable en la nube.

? Prepárate para dar el primer paso hacia el dominio de AWS y las aplicaciones de IA generativa en producción.
Este es el comienzo del viaje hacia una infraestructura sólida, escalable y lista para el mundo real. ?⚙️

☁️ Día 1 - Arquitecturas de Despliegue en la Nube para Aplicaciones de IA en Producción ?

¿Quieres aprender a desplegar tus aplicaciones de IA como un verdadero profesional del cloud? ?
Entonces este módulo es para ti ?

? En esta clase aprenderás:

• ? Cuáles son las cinco principales arquitecturas de despliegue en la nube para aplicaciones de IA en producción.
• ⚙️ Cómo se comparan las funciones serverless de AWS Lambda con los servidores tradicionales en la nube.
• ? La diferencia entre Platform as a Service (PaaS) y Container as a Service (CaaS), y cuándo usar cada una.
• ?️ Qué servicios de infraestructura de AWS deberías usar en función de tu caso de despliegue de IA.
• ?️ Cómo funciona la orquestación de contenedores para soluciones de IA a gran escala.
• ? Qué ventajas de coste y escalabilidad ofrece la arquitectura serverless en flujos de trabajo de IA.

? Descripción de la clase

En esta clase fundamental, exploraremos las cinco arquitecturas clave de despliegue en la nube que necesitas dominar para llevar tus aplicaciones de IA a entornos de producción. ?️

Dominarás los conceptos esenciales detrás de:

• ? Servidores tradicionales (IaaS) con AWS EC2,

• ⚙️ Plataformas como servicio (PaaS) con AWS Beanstalk,

• ? Contenedores (CaaS) usando AWS App Runner,

• ? Arquitecturas serverless con AWS Lambda,

• ? y la orquestación de contenedores con Amazon ECS y EKS.

También aprenderás cómo integrar servicios avanzados como Amazon Bedrock para incorporar capacidades de IA generativa, y cómo diseñar arquitecturas robustas que soporten desde simples endpoints de API hasta pipelines de machine learning completos.

Con ejemplos prácticos y orientación estratégica, descubrirás qué modelo de despliegue se adapta mejor a tu caso de uso de IA, equilibrando costes, rendimiento y escalabilidad.

? Al finalizar esta clase podrás:

• Comprender las diferencias entre IaaS, PaaS, CaaS, Serverless y orquestación de contenedores.

• Seleccionar el modelo adecuado de despliegue para tu aplicación de IA.

• Diseñar arquitecturas productivas y escalables con servicios nativos de AWS.

• Optimizar costes y rendimiento aprovechando la ejecución bajo demanda de AWS Lambda.

? Nivel: Intermedio – Avanzado
⚙️ Tecnologías: AWS EC2, Beanstalk, App Runner, Lambda, ECS, EKS, Bedrock
? Ideal para: Ingenieros de IA, DevOps, arquitectos de software y emprendedores tecnológicos

? ¡Domina la base de la computación en la nube y da el primer paso hacia el despliegue profesional de aplicaciones de IA a gran escala! ☁️✨

☁️ Día 1 - Componentes de AWS para IA en Producción: S3, Lambda y Bedrock ?

¿Quieres aprender cómo desplegar aplicaciones de IA generativa en entornos de producción utilizando la infraestructura de AWS? ?
Entonces esta clase es para ti ?

? En esta sesión aprenderás:

• ? Cómo usar Amazon Bedrock para desplegar soluciones de IA generativa en producción.
• ⚙️ Cuáles son los componentes esenciales de la infraestructura AWS para aplicaciones de IA.
• ⚡ Cómo funcionan las funciones AWS Lambda con modelos fundacionales (foundation models) y APIs.
• ?️ Cómo se estructura el diagrama de arquitectura que conecta S3, Lambda y Bedrock.
• ? Cómo comenzar con AWS Bedrock y configurar tu primer flujo de trabajo de IA.
• ? Cuáles son las características clave de AWS Bedrock para construir soluciones empresariales de IA.

? Descripción de la clase

En esta completa lección exploraremos los componentes fundamentales de AWS Cloud necesarios para desplegar aplicaciones de IA en producción, con especial enfoque en Amazon S3, AWS Lambda y Amazon Bedrock.

Aprenderás a utilizar Amazon Bedrock para crear y desplegar aplicaciones de IA generativa basadas en modelos fundacionales como Claude 3, comprendiendo al mismo tiempo la infraestructura central que hace posible construir soluciones de IA escalables y seguras.

La clase también muestra cómo las funciones AWS Lambda pueden integrarse directamente con los modelos de Amazon Bedrock para crear flujos de trabajo de IA eficientes, y cómo Amazon S3 actúa como el sistema de almacenamiento que conecta y alimenta esos servicios.

Además, verás un diagrama de arquitectura completo que explica cómo estos tres componentes trabajan juntos dentro de una solución de IA en la nube.

? Temas destacados

• ? Amazon S3: almacenamiento central para datos y resultados de inferencia.

• ⚙️ AWS Lambda: funciones serverless que ejecutan lógica de IA bajo demanda.

• ? Amazon Bedrock: acceso a modelos fundacionales como Claude 3 para IA generativa.

• ? Amazon Kendra y Bedrock Knowledge Bases: integración de fuentes de conocimiento empresariales.

• ? Amazon Bedrock Flows: orquestación de flujos complejos de IA.

• ? AWS CloudFront: distribución global de contenido y optimización de latencia.

• ? AWS API Gateway: gestión de las APIs externas y seguridad de los endpoints.

? Al finalizar esta clase podrás:

✅ Comprender la arquitectura completa que conecta S3, Lambda y Bedrock.
✅ Configurar tu primer flujo de trabajo de IA generativa en AWS.
✅ Integrar modelos fundacionales con funciones serverless y almacenamiento en la nube.
✅ Aplicar buenas prácticas de despliegue en entornos empresariales usando AWS Bedrock.

? Nivel: Intermedio – Avanzado
⚙️ Tecnologías: Amazon S3, AWS Lambda, Amazon Bedrock, API Gateway, CloudFront, Amazon Kendra
? Ideal para: Desarrolladores de IA, arquitectos cloud, ingenieros de machine learning y empresas que deseen implementar IA generativa en producción.

? Domina los pilares de la IA en la nube con Amazon Bedrock y lleva tus aplicaciones de inteligencia artificial al siguiente nivel con AWS. ☁️?✨

☁️ Día 1 – Fundamentos de AWS para IA en Producción: Del Panel de Control a la Infraestructura ⚙️?

¿Quieres aprender a llevar tus aplicaciones de Inteligencia Artificial a la nube de AWS como un profesional? ?
Entonces esta clase es para ti ?

? En esta lección descubrirás:

• ? Cómo configurar la infraestructura de AWS desde la consola para aplicaciones de IA en producción.

• ? Qué son y cómo se usan los servicios esenciales de AWS como S3, Lambda y Amazon Bedrock.

• ? Cómo desplegar aplicaciones de IA generativa utilizando Amazon Bedrock y sus foundation models (como Claude 3).

• ? Qué arquitecturas en la nube son más eficientes para flujos de trabajo de IA escalables.

• ? Cómo gestionar los costes en AWS y limpiar los recursos tras el despliegue.

• ? Por qué dominar los fundamentos de AWS es clave antes de pasar a herramientas de infraestructura como Terraform.

? Qué aprenderás paso a paso:

En esta clase completa, te guiaremos desde el uso del panel de control de AWS hasta la creación de una infraestructura sólida para IA en producción.
Aprenderás a:

• Utilizar Amazon Bedrock para desplegar modelos generativos.

• Crear bases de conocimiento con Amazon Kendra.

• Configurar funciones AWS Lambda, almacenamiento con S3 y API Gateway para construir flujos de IA robustos.

Además, analizaremos:

• Las características clave de AWS Bedrock para aplicaciones de inteligencia artificial.

• Cómo diseñar diagramas de arquitectura escalables y profesionales.

• Los componentes críticos de la infraestructura AWS como CloudFront, Route 53 y IAM (Identity & Access Management).

? Enfoque práctico

Esta lección está centrada en la experiencia práctica. Antes de pasar a herramientas avanzadas como Terraform o GitHub Actions, trabajarás directamente con la consola de AWS, entendiendo cómo se construye una infraestructura real desde cero.

? Ideal para:

• ?‍? Emprendedores que buscan desplegar productos de IA a escala comercial.

• ? Profesionales de empresa que quieren dominar AWS para soluciones de IA en producción.

• ?‍? Desarrolladores que desean pasar de proyectos simples a una infraestructura profesional y escalable en la nube.

? Prepárate para dar el primer paso hacia el dominio de AWS y las aplicaciones de IA generativa en producción.
Este es el comienzo del viaje hacia una infraestructura sólida, escalable y lista para el mundo real. ?⚙️

Día 1 – Construyendo tu Gemelo Digital con IA: Configuración de Producción con Next.js App Router ?

Si quieres aprender:

• Cómo configurar un gemelo digital con IA listo para producción utilizando Next.js App Router.
• Cuál es la diferencia entre el enrutador de páginas de Next.js y la arquitectura moderna de App Router.
• Cómo configurar servicios de AWS como Lambda y Bedrock para aplicaciones de IA sin servidor.
• Cómo implementar funcionalidad de memoria para mantener conversaciones con estado con modelos de lenguaje de gran tamaño (LLMs).
• Cómo estructurar los directorios backend y frontend para aplicaciones de IA escalables.
• Cómo configurar correctamente CORS Origins y las variables de entorno para proyectos de IA.

Entonces, ¡esta lección es para ti! ?

Esta clase completa te guiará paso a paso para construir un gemelo digital con IA desde cero utilizando Next.js App Router y la arquitectura serverless de AWS.
Aprenderás a configurar un entorno de producción con una estructura de proyecto adecuada, que incluye los directorios de backend y frontend, los sistemas de gestión de memoria, y la integración con AWS Bedrock para habilitar la funcionalidad de modelos de lenguaje de gran escala.

La sesión cubre la configuración esencial del entorno de desarrollo usando el gestor de paquetes UV, la configuración de entorno con claves de la API de OpenAI, y la configuración de CORS Origins para una comunicación segura entre el frontend y el backend.
Descubrirás las diferencias clave entre el pages router de Next.js y el app router moderno, comprendiendo cómo la estructura del directorio app permite construir aplicaciones sin servidor más robustas y escalables.

Al final de esta lección, tendrás un entorno de desarrollo completamente configurado, listo para crear sistemas de IA basados en eventos utilizando AWS Lambda, Amazon Bedrock y API Gateway.
El tutorial incluye una configuración práctica que abarca los archivos requirements.txt, la configuración del archivo .env, y una estructura de directorios correcta para una arquitectura de gemelo digital con IA escalable.

Este gemelo digital podrá representarte ante futuros empleadores a través de interfaces de IA conversacional, combinando una base técnica sólida con la potencia del aprendizaje automático y la nube de AWS. ?️✨

Día 1 – Construyendo tu Primera Aplicación de IA Full-Stack con FastAPI y React ??

Si quieres aprender:

• Cómo construir un chatbot de IA full-stack completo desde cero utilizando FastAPI y React.
• Cuál es el proceso paso a paso para crear un gemelo digital con IA con una interfaz de chat profesional.
• Cómo conectar un backend en Python con la API de OpenAI a un frontend moderno en React.
• Cómo configurar servidores FastAPI con una configuración adecuada de CORS para aplicaciones de IA.
• Cuáles son los componentes esenciales necesarios para una aplicación de IA conversacional lista para producción.
• Cómo estructurar y desplegar aplicaciones LLM full-stack con una organización correcta de archivos.

Entonces, ¡esta lección es para ti! ?

Esta clase práctica te guiará paso a paso en la construcción de tu primer chatbot de IA full-stack, utilizando la arquitectura FastAPI + React.
Crearás una aplicación completa de gemelo digital con IA, configurando un servidor backend en Python con FastAPIque se integra con la API de OpenAI, desarrollando un frontend responsivo en React con TypeScript, y conectando ambos componentes para lograr una comunicación fluida y sin interrupciones.

El tutorial cubre la creación de archivos de personalidad para tu chatbot de IA, la implementación de modelos de solicitud y respuesta de chat con Pydantic, la configuración correcta de CORS, y la construcción de una interfaz de usuario de chat profesional (UX).

Aprenderás a estructurar aplicaciones LLM de pila completa, separando los directorios de backend y frontend, utilizando herramientas modernas como UV para la gestión de paquetes de Python, y desplegando localmente con una configuración de puertos adecuada.

Al finalizar esta lección, tendrás una aplicación de IA conversacional completamente funcional ejecutándose en localhost, con FastAPI sirviendo el backend en el puerto 8000 y React ejecutando el frontend en el puerto 3000.

La clase también identifica la limitación de las conversaciones sin estado y establece la base para implementar memoria conversacional en futuras aplicaciones RAG de producción.

Día 1 – Construyendo Memoria Conversacional para Aplicaciones de Chat de IA en Producción ??

Si quieres aprender:

• Cómo implementar memoria conversacional en aplicaciones de chatbot de IA full-stack.
• Cuál es la mejor forma de construir interfaces de chat en FastAPI y React listas para producción.
• Cómo almacenar y recuperar el historial de chat para mantener conversaciones persistentes con IA.
• Qué técnicas funcionan mejor para integrar modelos GPT de OpenAI con sistemas de memoria.
• Cómo estructurar una aplicación de IA full-stack completa con una gestión de sesiones adecuada.
• Cuáles son los pasos esenciales para preparar tu chatbot de IA para su despliegue en AWS.

Entonces, ¡esta lección es para ti! ?

Esta lección integral demuestra cómo construir funcionalidad de memoria conversacional para aplicaciones de chat de IA en producción, utilizando una arquitectura con backend en FastAPI y frontend en React.

Aprenderás a implementar almacenamiento de conversaciones basado en sesiones, a integrar modelos GPT de OpenAI con memoria persistente, y a crear un chatbot de IA full-stack completo con una gestión profesional del historial de mensajes.

La lección cubre la implementación de las funciones load_conversation y save_conversation, la construcción de rutas de chat robustas con manejo de ID de sesión, y la estructuración de objetos de mensaje para la integración con la API de OpenAI.

Descubrirás cómo mantener el contexto de una conversación a lo largo de múltiples interacciones, cómo almacenar el historial del chat en archivos JSON localmente, y cómo preparar tu aplicación LLM de pila completa para el despliegue en la nube.

Las implementaciones técnicas clave incluyen:

• Configuración del servidor FastAPI,

• Integración del frontend de React con la configuración correcta de CORS,

• Integración de los modelos OpenAI GPT-4,

• Y sistemas de almacenamiento de memoria basados en archivos.

La lección proporciona experiencia práctica con patrones de interfaz de chat (UX) utilizados en producción, y demuestra técnicas esenciales para construir aplicaciones de chatbot de IA escalables, completamente listas para su despliegue en AWS. ?️

? Día 2 - Creación de Agentes de IA Listos para Producción con AWS Lambda y S3 ☁️?

¿Quieres aprender a llevar tu agente de IA del entorno local a una arquitectura serverless de producción en AWS?
Entonces esta clase es para ti. ?

? Lo que aprenderás

• Cómo migrar tu agente de IA local a una arquitectura sin servidor (serverless) lista para producción en AWS.
• En qué se diferencia la arquitectura de microservicios de la arquitectura serverless en aplicaciones con LLMs.
• Cómo configurar funciones AWS Lambda para manejar peticiones de inferencia de modelos de lenguaje a gran escala.
• Qué servicios de AWS funcionan mejor en conjunto para construir backends escalables para agentes de IA.
• Cómo estructurar el contexto y los recursos de tu agente para lograr un mejor rendimiento.
• Cuáles son los pasos esenciales para desplegar aplicaciones con LLMs usando AWS Lambda y S3.

? Descripción general de la clase

Esta clase completa y práctica te guía paso a paso en la construcción y despliegue de agentes de IA listos para producción utilizando la arquitectura serverless de AWS.
Aprenderás a migrar tu desarrollo local a un entorno en la nube con Lambda functions, que manejarán las peticiones de inferencia de modelos de lenguaje (LLM), y a usar S3 para almacenar la memoria de las conversaciones de tus agentes.

También configurarás API Gateway para exponer tus endpoints REST, permitiendo la comunicación fluida entre frontend y backend en tu aplicación de IA.

⚙️ Arquitectura Serverless para LLMs

La sesión cubre los principios fundamentales de la arquitectura serverless, comparando las aproximaciones tradicionales basadas en microservicios con el enfoque moderno de Lambda Functions para el despliegue de modelos de lenguaje a gran escala.

Entenderás cómo este modelo elimina la necesidad de servidores persistentes, escalando automáticamente tus funciones Lambda según la demanda y reduciendo costes operativos.

? Estructura y contexto de los agentes de IA

Aprenderás a estructurar el contexto de tus agentes de IA de forma eficiente mediante técnicas de context engineering, asegurando que cada interacción con el LLM conserve coherencia y relevancia.

Implementarás módulos de recursos que integran información de tu perfil, documentos y estilo de comunicación, utilizando herramientas como PyPDF para leer archivos PDF y combinarlos en prompts dinámicos.

Además, se cubrirán buenas prácticas de seguridad, incluyendo reglas para evitar jailbreaks y garantizar respuestas profesionales y seguras en tus modelos de IA. ?

☁️ Integración de Servicios AWS

Durante la clase, configurarás y trabajarás con varios servicios esenciales de AWS:

• AWS Lambda ? → para la lógica de negocio y la ejecución del agente de IA.

• Amazon S3 ? → para el almacenamiento de memoria conversacional y datos del agente.

• API Gateway ? → para exponer endpoints REST seguros.

• CloudWatch ? → para monitorizar logs y rendimiento.

• IAM (Identity and Access Management) ? → para gestionar permisos de acceso de forma segura.

Además, prepararás el entorno para futuras integraciones con Amazon SageMaker, expandiendo la capacidad de tu aplicación para entrenar o servir modelos personalizados.

? Lo que harás paso a paso

1. Crearás tu estructura de carpetas y archivos de datos (facts.json, summary.txt, style.txt, LinkedIn.pdf).

2. Implementarás los módulos resources.py y context.py para reunir información personal y definir el contexto del agente.

3. Configurarás tus funciones Lambda para manejar las solicitudes y conectar con tus modelos de lenguaje.

4. Almacenarás las conversaciones en S3 buckets, manteniendo la persistencia y el historial del chat.

5. Implementarás API Gateway para recibir llamadas desde el frontend.

6. Activarás CloudWatch e IAM para supervisar y proteger tu entorno en la nube.

? Al finalizar esta clase

Al terminar, tendrás un backend serverless completamente funcional, capaz de ejecutar agentes de IA en producción sobre AWS Lambda, con una gestión sólida de la memoria conversacional a través de S3.

Tu agente de IA estará preparado para:
✅ Escalar automáticamente según la carga de trabajo.
✅ Mantener conversaciones coherentes y seguras.
✅ Integrarse con futuras arquitecturas de despliegue en AWS (como SageMaker o Bedrock).

En definitiva, habrás dado un gran paso hacia la automatización inteligente y el despliegue profesional de agentes LLM en la nube. ☁️?

✨ Próximamente: en la siguiente clase, integrarás tu agente con Amazon Bedrock para aprovechar modelos de lenguaje de última generación dentro del ecosistema AWS.

☁️ Día 2 - Migrando tu App de Chat con IA de Almacenamiento Local a AWS S3 y Lambda ?

¿Quieres aprender cómo pasar tu aplicación de chat con IA del entorno local a la infraestructura en la nube de AWS?
Entonces esta clase es para ti. ?

? Lo que aprenderás

• Cómo migrar tu aplicación de chat con IA desde almacenamiento local a una arquitectura en la nube con AWS.
• Cuál es el proceso completo para configurar una arquitectura serverless usando AWS Lambda y S3 para aplicaciones con LLMs.
• Cómo configurar AWS API Gateway e IAM Permissions para agentes de IA en entornos de producción.
• Qué servicios de AWS funcionan mejor para almacenar la memoria de conversación y manejar peticiones de inferencia de modelos de lenguaje.
• Cómo utilizar las librerías boto3 y Mangum para desplegar aplicaciones FastAPI en AWS Lambda.
• Cuáles son los pasos esenciales para pasar de un entorno de desarrollo local a un sistema de chat de IA listo para producción.

? Descripción general

En esta clase práctica y completa aprenderás el proceso completo de migración de una aplicación de chat con IA desde almacenamiento local hacia una arquitectura serverless en AWS.

Configurarás funciones Lambda para manejar la inferencia de modelos de lenguaje (LLMs), implementarás buckets S3para almacenar la memoria de las conversaciones y configurarás API Gateway para desplegar tu aplicación de manera profesional.

El objetivo es que domines los fundamentos de la arquitectura sin servidores, eliminando dependencias locales y sustituyendo tu sistema de archivos por soluciones escalables en la nube.

⚙️ Lo que harás paso a paso

1. Actualizarás los requisitos de Python (requirements.txt) para incluir los paquetes necesarios, como boto3 y pypdf.

2. Modificarás tu código backend (server.py) para conectar tu aplicación con los buckets de S3 mediante el cliente AWS (boto3).

3. Crearás un lambda_handler.py usando la librería Mangum, que permite ejecutar tu aplicación FastAPI dentro del contexto de AWS Lambda.

4. Configurarás las variables de entorno necesarias, como AWS_ACCOUNT_ID, DEFAULT_AWS_REGION, OPENAI_API_KEY y PROJECT_NAME.

5. Gestionarás los permisos IAM para tu usuario y grupo, asignando políticas como s3-full-access, lambda-full-access, api-gateway-administrator y iam-read-only-access.

6. Probarás localmente tu aplicación para asegurarte de que sigue funcionando con normalidad antes del despliegue.

7. Prepararás el entorno AWS, configurando IAM, S3, Lambda y API Gateway paso a paso.

? Tecnologías y servicios de AWS que dominarás

Durante esta clase, trabajarás con los principales componentes de la infraestructura AWS:

• AWS Lambda ? → para ejecutar tu lógica de negocio sin servidores.

• Amazon S3 ? → para almacenar la memoria de conversación de manera escalable y persistente.

• AWS API Gateway ? → para exponer endpoints REST seguros y escalables.

• AWS IAM (Identity and Access Management) ? → para gestionar permisos y políticas de acceso.

• AWS CloudWatch ? → para monitorizar logs, métricas y rendimiento en la nube.

Cada servicio será configurado desde cero, comprendiendo su función dentro del ecosistema serverless y su interacción con FastAPI.

? Arquitectura del sistema

La aplicación final se estructura en una arquitectura serverless moderna:

• El frontend (interfaz de chat) se comunica con API Gateway, que redirige las peticiones al backend.

• El backend FastAPI se ejecuta como una función Lambda, procesando cada solicitud de inferencia al modelo LLM.

• Los datos de conversación se almacenan y recuperan dinámicamente desde S3 buckets, reemplazando el almacenamiento local por una solución cloud escalable.

• Todo el sistema se supervisa mediante CloudWatch, y los permisos se controlan con políticas IAM específicas.

? Seguridad y mejores prácticas

Además de la implementación técnica, aprenderás a:

• Aplicar buenas prácticas de seguridad en tus configuraciones IAM.

• Entender la diferencia entre permisos mínimos necesarios y acceso total (útil para entornos de aprendizaje).

• Evitar vulnerabilidades comunes en aplicaciones de chat con IA, especialmente en la gestión de memoria y control de contexto.

También se abordará la importancia de manejar las claves y regiones de AWS correctamente en el archivo .env y verificar las configuraciones antes del despliegue.

? Resultado final

Al finalizar esta clase tendrás:

✅ Un backend de chat con IA totalmente funcional desplegado en AWS Lambda.
✅ La memoria de conversación almacenada de forma persistente y segura en S3.
✅ Endpoints REST en API Gateway listos para producción.
✅ Una aplicación escalable, segura y sin servidores, conectada con tu modelo de lenguaje (LLM).

Tu app de chat estará preparada para crecer sin límites, optimizar costes y mantener conversaciones de forma inteligente y continua en la nube. ☁️?

✨ Próximamente

En la siguiente sesión, llevarás tu agente al siguiente nivel integrando Amazon Bedrock, la plataforma de modelos fundacionales de AWS para IA generativa.

? Día 2 - Desplegando tu Primera API de LLM en Producción con AWS Lambda ?☁️

¿Quieres aprender cómo llevar tu aplicación de modelos de lenguaje (LLM) desde tu entorno local hasta la nube con AWS Lambda, lista para producción?
Entonces esta clase es para ti. ?

? Lo que aprenderás

• Cómo desplegar tu aplicación local de LLM en AWS Lambda para entornos reales de producción.
• Cuál es la mejor forma de empaquetar y subir tu backend serverless a la nube.
• Cómo configurar funciones Lambda para ejecutar grandes modelos de lenguaje con las variables de entorno adecuadas.
• Qué comandos de Docker garantizan que tu despliegue funcione en todos los sistemas, incluyendo los Mac con Apple Silicon.
• Cómo configurar los ajustes de runtime y el handler correcto para tu API de LLM en Lambda.
• Cuáles son los pasos esenciales para pasar del desarrollo local a una arquitectura serverless lista para producción.

⚙️ Descripción general

En esta clase completa aprenderás paso a paso a desplegar tu primera API de LLM en producción utilizando AWS Lambda dentro de una arquitectura totalmente serverless.

Implementarás un sistema robusto de empaquetado mediante un script deploy.py, que agrupará tu código backend en un archivo ZIP listo para Lambda, utilizando contenedores Docker para asegurar compatibilidad total en cualquier plataforma (Windows, Linux o macOS, incluyendo Apple Silicon).

A lo largo de la sesión, te guiaré por el proceso completo de configuración de los principales servicios de AWS:

• AWS Lambda para la ejecución sin servidores ?

• AWS API Gateway para exponer tu API REST ?

• AWS IAM para la gestión de permisos y roles ?

• AWS S3 para almacenar la memoria de las conversaciones ?

? Qué vas a construir

Crearás una API funcional de LLM en producción, completamente desplegada en la nube.

1. Empaquetarás tu backend con un script deploy.py que creará un entorno limpio y reproducible para Lambda.

2. Ejecutarás Docker para construir los paquetes y dependencias necesarios, asegurando que el entorno sea 100% compatible con AWS, sin importar tu sistema operativo.

3. Configurarás tu función Lambda desde cero:

   • Seleccionando el runtime de Python 3.12 ?

   • Estableciendo la arquitectura adecuada (x86_64)

   • Subiendo tu ZIP empaquetado directamente a la consola de AWS

4. Editarás la configuración del handler (el punto de entrada de la función) para apuntar correctamente a lambda_handler.handler.

5. Definirás las variables de entorno clave para tu aplicación, incluyendo:

   • OPENAI_API_KEY ?

   • CORS_ORIGINS = * ?

   • USE_S3 = True

   • S3BUCKET = twin-memory

Con esto, tu aplicación podrá conectarse a OpenAI, comunicarse con S3 para manejar el almacenamiento de las conversaciones y responder peticiones REST desde API Gateway.

? Uso de Docker para despliegues universales

Una de las partes más importantes de esta lección es el uso de Docker para generar el paquete de despliegue.

Con un solo comando, Docker creará un entorno de compilación idéntico al que utiliza AWS, garantizando que tu aplicación funcione igual en la nube que en tu máquina local.

Esto es especialmente crucial si trabajas desde Mac con chip M1 o M2, donde las arquitecturas pueden diferir de las instancias EC2 o del entorno Lambda.

Aprenderás a ejecutar correctamente el comando:

uv run deploy.py

...y a observar cómo Docker crea automáticamente una carpeta Lambda Package y un archivo ZIP llamado lambda_deployment.zip, listo para subirlo a AWS.

? Configuración de AWS Lambda paso a paso

Una vez que tengas tu paquete ZIP, seguirás estos pasos dentro de la consola de AWS:

1. Crear una nueva función Lambda llamada twin-api.

2. Seleccionar “Author from scratch”.

3. Establecer el runtime en Python 3.12 y mantener la arquitectura por defecto (x86_64).

4. Subir tu archivo ZIP en la sección Code source → Upload from → .zip file.

5. Editar los Runtime settings para reemplazar el handler por lambda_handler.handler.

6. Añadir tus variables de entorno bajo Configuration → Environment variables.

Todo esto te permitirá ejecutar tu servidor FastAPI empaquetado directamente desde Lambda, sin necesidad de infraestructura física.

? Beneficios de esta arquitectura serverless

✅ Escalabilidad automática: Lambda ajusta la capacidad de cómputo según la carga de usuarios.
✅ Coste eficiente: Solo pagas por el tiempo de ejecución, no por servidores inactivos.
✅ Compatibilidad total: Docker garantiza que todo funcione igual en desarrollo y producción.
✅ Despliegue rápido y seguro: con IAM y API Gateway correctamente configurados.
✅ Monitorización avanzada: Con AWS CloudWatch podrás rastrear logs y métricas en tiempo real.

? Resultado final

Al finalizar esta clase, tendrás:

• Tu primera API REST de LLM desplegada y ejecutándose en AWS Lambda.

• Un backend serverless completamente operativo y conectado a los servicios esenciales de AWS.

• Configuración de variables de entorno seguras, control de acceso IAM y monitorización con CloudWatch.

• Un entorno de producción escalable y preparado para cargas reales de usuarios.

Tu modelo de lenguaje estará en la nube, listo para responder peticiones del mundo real, con una infraestructura sólida, optimizada y sin servidores. ☁️⚡

? Próximo paso

En la siguiente clase, conectarás tu función Lambda con API Gateway para exponer tu LLM como un endpoint público, completamente funcional y listo para integrarse en cualquier frontend o aplicación SaaS. ??

? Día 2 - Configurando AWS Lambda y S3 para el Almacenamiento de Memoria de LLM en Producción ☁️

¿Quieres aprender a desplegar un backend serverless de LLM totalmente funcional en AWS, capaz de almacenar la memoria de tus conversaciones en S3 y escalar automáticamente?
Entonces esta clase es para ti. ?

? Lo que aprenderás

• Cómo configurar los ajustes de tiempo de espera (timeout) en AWS Lambda para evitar fallos durante la inferencia de modelos de lenguaje.
• Cuáles son las variables de entorno esenciales para una aplicación serverless de LLM integrada con S3.
• Cómo crear y configurar buckets de S3 con nombres únicos y adecuados para entornos de producción.
• Por qué las funciones Lambda necesitan permisos IAM para acceder a S3 y cómo configurar correctamente los roles de ejecución.
• Cómo probar tu backend serverless de LLM mediante eventos de prueba de AWS Lambda y endpoints de salud de FastAPI.
• Cuáles son los errores más comunes al desplegar modelos de lenguaje en una arquitectura serverless de AWS.

⚙️ Descripción general

Esta clase práctica te guía a través de los pasos críticos de configuración necesarios para desplegar un backend de LLM en producción usando AWS Lambda y Amazon S3 como sistema de almacenamiento de memoria conversacional.

Aprenderás a definir correctamente tus variables de entorno, incluyendo la clave de API de OpenAI y la configuración del bucket de S3, además de extender el tiempo de espera de Lambda desde los 3 segundos por defecto hasta 30 segundos, asegurando así que las inferencias del modelo de lenguaje se ejecuten sin interrupciones.

También aprenderás a crear buckets de S3 con nombres globalmente únicos, utilizando tu Account ID como sufijo para evitar conflictos de nombres —un paso clave para desplegar proyectos a escala global. ?

? Configuración paso a paso

1. Definición de variables de entorno esenciales

   • OPENAI_API_KEY: tu clave privada de acceso a OpenAI ?

   • CORS_ORIGINS: configurado como * para permitir peticiones globales ?

   • USE_S3: establecido en True para activar el almacenamiento en la nube

   • S3_BUCKET: el nombre único de tu bucket, por ejemplo twin-memory-[tuAccountID]

   Estas variables permiten que tu backend se comunique con OpenAI y guarde la memoria de las conversaciones de forma segura en S3.

1. Ajuste del tiempo de espera de Lambda (Timeout)
   AWS Lambda tiene un timeout por defecto de 3 segundos, insuficiente para procesar peticiones de inferencia en LLMs.
   En esta clase, aumentarás ese límite a 30 segundos, evitando fallos silenciosos y errores difíciles de rastrear.

   ⚠️ Consejo: no hacerlo es una de las causas más comunes de errores “misteriosos” en entornos serverless con IA generativa.

1. Creación del bucket de S3 para la memoria del LLM
   Aprenderás a crear tu bucket desde la consola de AWS:

   • Accede a S3 → Create bucket

   • Usa el formato: twin-memory-[tuAccountID]

   • Asegúrate de que esté en la misma región que tu Lambda (por ejemplo, us-east-1).

   Esto garantiza un almacenamiento persistente y regionalmente optimizado para tu backend.

1. Actualización de variables en Lambda
   Una vez creado el bucket, volverás a Configuration → Environment variables en Lambda
   y actualizarás la variable S3_BUCKET con el nuevo nombre exacto del bucket creado.

   Esto vinculará tu función Lambda con el almacenamiento S3 correcto.

1. Configuración de permisos IAM
   Las funciones Lambda, al igual que los usuarios humanos, necesitan permisos para acceder a otros servicios de AWS.
   En este caso, deberás añadir la política AmazonS3FullAccess al Execution Role de tu función Lambda.

   ? Pasos:

   • Entra en Configuration → Permissions → Execution Role

   • Selecciona Add permissions → Attach policies

   • Busca y marca AmazonS3FullAccess

   • Guarda los cambios

   Con esto, tu Lambda podrá leer y escribir datos en S3 mientras se ejecuta.

1. Pruebas del backend con eventos Lambda
   Para verificar que todo está configurado correctamente, crearás un evento de prueba en la pestaña Test de Lambda.

   • Asigna un nombre al evento (por ejemplo, healthcheck)

   • Añade un payload JSON que invoque la ruta /health de tu servidor FastAPI.

   • Ejecuta la prueba y verifica que el estado devuelto sea “Healthy” ✅

   Este simple test confirma que tu backend puede inicializarse, responder correctamente y comunicarse con los servicios configurados.

? Resolviendo problemas comunes

Durante el proceso de despliegue, aprenderás también a detectar y corregir algunos de los errores más habituales:

❌ Timeouts por configuración incorrecta → Solucionado aumentando el tiempo a 30 segundos.
❌ Conflictos de nombres en buckets → Evitado usando sufijos únicos con tu Account ID.
❌ Fallas de permisos S3 → Resuelto mediante políticas IAM de ejecución adecuadas.

Cada uno de estos ajustes contribuye a que tu arquitectura serverless sea más robusta, estable y escalable.

? Resultado final

Al finalizar esta lección, tendrás un backend de LLM completamente funcional en AWS, con:

✅ Almacenamiento de memoria conversacional en S3.
✅ Lambda configurada con timeout extendido y variables de entorno seguras.
✅ Roles IAM actualizados para permisos de acceso correctos.
✅ Pruebas exitosas mediante eventos Lambda y FastAPI.

Todo ello formando la base sólida para desarrollar agentes LangChain y aplicaciones de IA generativa escalables sobre arquitectura serverless. ??

? Próximo paso

En la siguiente clase conectarás esta infraestructura con API Gateway, publicando tu endpoint REST en producción y completando el ciclo de despliegue de tu API de LLM serverless. ?⚡

☁️ Día 2 – Configuración de S3 y API Gateway para Aplicaciones de IA en Producción ?

¿Quieres aprender a configurar la infraestructura completa en AWS para desplegar tus aplicaciones de Inteligencia Artificial en producción usando arquitectura serverless?
Entonces esta clase es para ti. ?

? Lo que aprenderás

• Cómo configurar buckets de S3 tanto para la memoria de conversación como para el hosting estático del frontendde tus aplicaciones de IA.
• Cuál es la forma correcta de integrar API Gateway con funciones Lambda en backends serverless de LLMs.
• Cómo crear políticas de seguridad adecuadas y habilitar el alojamiento web estático para tu aplicación.
• Cuáles son los pasos esenciales para integrar los principales servicios de AWS en una arquitectura sin servidores.
• Cómo configurar CORS y enrutamiento en API Gateway para APIs REST en entornos de producción.
• Cómo probar tu API de LLM en AWS Lambda a través de endpoints reales en API Gateway.

? Descripción general

En esta clase práctica aprenderás a montar la infraestructura completa de AWS para desplegar aplicaciones de IA en producción utilizando una arquitectura serverless moderna.

Configurarás dos buckets esenciales en Amazon S3:

1. ? Uno para almacenar la memoria de las conversaciones generadas por tu agente de IA.

2. ? Otro para hospedar el sitio web estático del frontend, con las políticas de acceso público adecuadas.

También aprenderás a integrar tu backend con API Gateway, creando un punto de acceso HTTP robusto que conecta directamente con tu función Lambda y gestiona las solicitudes entrantes de tu aplicación.

? Configuración de S3 paso a paso

1️⃣ Creación del bucket de memoria

Comenzarás creando un bucket llamado twin-memory-[tuAccountID], que servirá como almacenamiento persistente para los historiales de conversación de tu modelo de lenguaje.

✅ Consejo pro: los nombres de los buckets de S3 son globales, así que añade tu ID de cuenta o un sufijo único para evitar conflictos.

2️⃣ Creación del bucket del frontend

Luego crearás un segundo bucket llamado twin-front-end-[tuAccountID] destinado a alojar tu aplicación web estática.

Durante la configuración:

• Desactiva la opción Block all public access ?

• Activa la opción Static website hosting

• Define index.html como documento principal y 404.html como documento de error

Así, tu aplicación podrá cargarse públicamente desde la nube, optimizada y lista para distribución global. ?

? Políticas y permisos

Para que el frontend esté disponible públicamente, deberás editar la Bucket Policy y añadir un documento JSON que permita el acceso de lectura público.

Aunque este paso puede parecer técnico y algo “raro”, es fundamental para que tu sitio funcione correctamente.
Más adelante, cuando automatices este proceso con Terraform, todo se gestionará automáticamente en código.

Mientras tanto, esta experiencia manual te ayudará a comprender la lógica interna de los permisos de AWS, algo que te será esencial como ingeniero de IA o DevOps. ?

? Configuración de API Gateway

1️⃣ Creación del API

Aprenderás a crear un HTTP API llamado twin-api-gateway desde la consola de AWS.
Seleccionarás la integración con Lambda, conectándola directamente a tu función twin-api (creada previamente).

Esto permitirá que todas las solicitudes REST entrantes pasen por API Gateway antes de llegar a tu Lambda, una práctica estándar en arquitecturas empresariales.

2️⃣ Rutas y métodos REST

Configurarás las siguientes rutas y métodos dentro de API Gateway:

• ANY / → Redirige cualquier solicitud a tu Lambda.

• GET / → Endpoint raíz para comprobaciones generales.

• GET /health → Endpoint de salud del sistema.

• POST /chat → Endpoint principal para las conversaciones con el LLM.

• OPTIONS / → Soporte necesario para las políticas CORS.

Cada una de estas rutas conectará directamente con tu backend alojado en AWS Lambda.

3️⃣ Configuración de CORS

Para permitir el acceso desde navegadores web y clientes externos, configurarás las reglas de CORS (Cross-Origin Resource Sharing) correctamente:

• Allowed origins: *

• Allowed headers: *

• Allowed methods: *

• Max age: 300 segundos

⚠️ Truco importante: No olvides pulsar el botón Add después de escribir los valores. Si no lo haces, la configuración no se guardará, y pasarás horas intentando entender por qué la API no responde correctamente.

? Pruebas en API Gateway

Una vez completada la configuración, realizarás la prueba final:

1. Copia la URL del endpoint generado por API Gateway.

2. Abre un navegador y añade /health al final de la dirección.

3. Si todo está correctamente configurado, deberías ver una respuesta como:

{

  "status": "Healthy",

  "use_s3": true

}

? ¡Eso significa que tu arquitectura serverless está funcionando perfectamente!

? Qué ocurre detrás de escena

Cuando llamas al endpoint /health:

• La solicitud entra por API Gateway.

• API Gateway la redirige a AWS Lambda.

• Lambda ejecuta el código de tu servidor FastAPI, que procesa la ruta y responde.

• La respuesta viaja de vuelta al cliente a través del Gateway.

Así, toda la comunicación está automatizada, escalable y completamente en la nube. ☁️

? Resultado final

Al finalizar esta clase tendrás:

✅ Dos buckets de S3 configurados (memoria + frontend).
✅ Una función Lambda activa conectada con API Gateway.
✅ Rutas REST funcionales para tu backend de LLM.
✅ Permisos IAM y políticas S3 seguras.
✅ CORS correctamente configurado para clientes externos.

Tu infraestructura AWS estará lista para ejecutar aplicaciones de IA de producción, con escalado automático, almacenamiento en la nube y endpoints públicos optimizados para grandes modelos de lenguaje. ??

? Próximos pasos

En la siguiente lección conectarás tu arquitectura con Amazon Bedrock para ejecutar modelos de lenguaje fundacionales directamente desde AWS, integrando IA generativa dentro de tu propio ecosistema serverless.

Día 2 - Implementación del Frontend de IA a través de CloudFront para Distribución Global

Si quieres aprender:

• ¿Cómo aprovisionar y configurar una CDN global para aplicaciones de IA utilizando AWS CloudFront?

• ¿Qué pasos se necesitan para reforzar la implementación de tu frontend y asegurar los endpoints de la API?

• ¿Cómo construir y desplegar exportaciones estáticas desde aplicaciones Next.js hacia buckets de S3?

• ¿Cómo configurar los ajustes de CORS y los recursos de cómputo para la distribución en vivo de agentes LLM?

• ¿Cuál es el proceso completo para configurar la entrega global del frontend mediante una implementación de CloudFront CDN?

• ¿Cómo probar y monitorear los endpoints del panel de control de tu solución de IA a través de diferentes configuraciones de red?

¡Entonces esta clase es para ti!

Esta clase completa demuestra el proceso completo de implementación de una aplicación frontend de IA a través de la CDN CloudFront para una distribución global. Aprenderás a aprovisionar y configurar AWS CloudFront como una red de entrega de contenido, transformando tu solución de IA local en una aplicación accesible globalmente. La sesión cubre la actualización del código del frontend para conectarse con endpoints de API en vivo, la configuración de Next.js para exportaciones estáticas y la construcción de implementaciones listas para producción.

Descubrirás cómo reforzar la configuración de seguridad de tu red, incluyendo la configuración de CORS y los ajustes de origen solo HTTP para el alojamiento de sitios web estáticos en S3. La clase proporciona experiencia práctica con comandos de AWS CLI para sincronizar las salidas de compilación con los buckets de S3, crear distribuciones de CloudFront con una adecuada asignación de recursos de cómputo y configurar ajustes de origen personalizados.

También aprenderás técnicas esenciales de resolución de problemas para la conectividad de endpoints de API, monitoreo del panel de control y análisis de registros. Al final, habrás implementado una aplicación de IA completamente funcional con distribución global a través de CDN, con un endurecimiento adecuado de la seguridad y capacidades de prueba de extremo a extremo para agentes LLM en vivo.

Día 2 - Prueba de tu Agente de IA en Vivo y Configuración de CORS para Producción

Si quieres aprender:

• ¿Cómo aprovisionar y configurar los ajustes de CORS para aplicaciones de IA en producción?

• ¿Qué pasos se necesitan para reforzar los endpoints de tu API contra accesos no autorizados?

• ¿Cómo probar tu agente LLM en vivo a través de una red CDN de CloudFront?

• ¿Cómo configurar los servicios de AWS para registrar y monitorear el rendimiento de tu solución de IA?

• ¿Qué implica realizar pruebas de extremo a extremo de aplicaciones de IA en producción desde el panel de control?

• ¿Cómo verificar que tus recursos de cómputo estén correctamente conectados a tu endpoint de API?

¡Entonces esta clase es para ti!

Esta clase completa te guía a través de la fase final de implementación de tu solución de IA, centrándose en la configuración y las pruebas listas para producción. Aprenderás a aprovisionar ajustes seguros de CORS reemplazando los orígenes comodín por URL específicas de tu distribución de CloudFront, reforzando así tu endpoint de API frente a accesos no autorizados. La sesión cubre la configuración práctica de las variables de entorno de AWS Lambda desde el panel de control, garantizando que tus recursos de cómputo autentiquen correctamente las solicitudes entrantes desde tu red CDN.

Descubrirás cómo realizar pruebas exhaustivas de extremo a extremo de tu agente LLM en vivo, validando todo el flujo de solicitud desde CloudFront hasta API Gateway y Lambda. La clase demuestra pruebas de interacción en tiempo real con tu solución de IA desplegada, incluyendo la verificación de persistencia de la memoria de conversación mediante los registros de almacenamiento en S3.

Explorarás la arquitectura de producción donde tu red CDN global ofrece respuestas instantáneas en todo el mundo, mientras tu endpoint de API en el backend procesa las solicitudes a través de una infraestructura empresarial de AWS.

Al final de esta sesión, habrás configurado, reforzado y probado con éxito una aplicación de IA lista para producción, con seguridad CORS adecuada, entrega global de contenido y funcionalidad verificada en todos los servicios integrados de AWS.

Día 3 - Configuración de Amazon Bedrock para el Despliegue en Producción de LLM en AWS

Si quieres aprender:

• ¿Cómo migrar de OpenAI a Amazon Bedrock para el despliegue en producción de modelos LLM?

• ¿Cuáles son los permisos esenciales de IAM necesarios para la integración de Bedrock y CloudWatch?

• ¿Cómo configurar el acceso a los modelos de IA Nova de Amazon (micro, lite y pro)?

• ¿Cuál es la diferencia entre AWS Bedrock y otras plataformas de IA para despliegues empresariales?

• ¿Cómo configurar el monitoreo de CloudWatch para tus aplicaciones en Bedrock?

• ¿Cuáles son las estrategias de optimización de costos al desplegar IA generativa en AWS?

¡Entonces esta clase es para ti!

Esta clase completa te guía paso a paso en la configuración de Amazon Bedrock para el despliegue en producción de IA generativa en AWS. Aprenderás el proceso completo para configurar los permisos de IAM tanto para Amazon Bedrock como para el monitoreo de CloudWatch, incluyendo la asignación de las políticas AmazonBedrockFullAccess y CloudWatchFullAccess.

La sesión cubre cómo solicitar acceso a los modelos de IA Nova de Amazon (micro, lite y pro) a través de la consola de Bedrock, con comparaciones detalladas de costos que muestran cómo Nova Pro ofrece precios competitivos frente a Claude Haiku.

Descubrirás cómo integrar Bedrock con tus funciones Lambda y tu configuración de API Gateway existente, reemplazando las llamadas a OpenAI por las API nativas de LLM de AWS. La clase también demuestra la implementación práctica de CloudWatch para la observabilidad, permitiéndote monitorear el uso de tokens, las métricas de invocación de Bedrock y las etiquetas de asignación de costos a través de AWS Cost Explorer.

Además, explorarás el ecosistema más amplio de Amazon Bedrock, que incluye los agentes Bedrock y los perfiles de inferencia de aplicaciones, mientras aprendes las mejores prácticas de despliegue para aplicaciones de Bedrock en entornos de nube empresarial de AWS.

Día 3 – Migrando de OpenAI a AWS Bedrock para un despliegue de LLM rentable en costes

Si quieres aprender:

• Cómo migrar de OpenAI a Amazon Bedrock para un despliegue de LLM más rentable en costes.

• Cuáles son las diferencias de precios entre OpenAI y los modelos de AWS Bedrock como Nova Micro, Lite y Pro.

• Cómo implementar llamadas a la API de Bedrock en tus aplicaciones Python existentes usando boto3.

• Qué cambios específicos de código son necesarios para sustituir la librería cliente de OpenAI por el runtime de Bedrock.

• Cómo configurar funciones Lambda con los permisos IAM adecuados para acceder a Bedrock.

• Cuáles son las diferencias clave en el formato de mensajes entre las APIs de OpenAI y Bedrock.

¡Entonces esta clase es para ti!

Esta clase exhaustiva demuestra el proceso completo de migración de OpenAI a Amazon Bedrock para un despliegue de LLM rentable en entornos de producción. Aprenderás la implementación práctica de modelos de Bedrock utilizando funciones AWS Lambda, incluyendo un análisis detallado de costes de los modelos Nova Micro, Lite y Pro con su estructura de precios basada en tokens. El tutorial cubre las modificaciones esenciales de código en backend_server.py, sustituyendo la librería cliente de OpenAI por el runtime de Bedrock con boto3, y el formato correcto de los mensajes para las llamadas a la API de Bedrock. Dominarás la configuración de la API de LLM en Lambda, incluyendo la definición de variables de entorno para los identificadores de modelos de Bedrock y la gestión de permisos IAM para un acceso seguro a Bedrock. La clase proporciona una configuración práctica de monitorización con CloudWatch para la observabilidad y el seguimiento de costes de tus aplicaciones en Bedrock. Al finalizar, tendrás un despliegue de un agente de IA completamente funcional en la infraestructura cloud de AWS, con costes optimizados y una monitorización adecuada mediante Amazon CloudWatch para aplicaciones de IA generativa listas para producción.

Día 3 – Desplegando LLMs de Bedrock en AWS Lambda y probando APIs de producción

Si quieres aprender:

• Cómo desplegar modelos LLM de Amazon Bedrock en AWS Lambda para su uso en producción.

• Cuál es el proceso para construir y subir paquetes de Lambda con integración de Bedrock.

• Cómo probar APIs de Bedrock a través de endpoints de CloudFront y API Gateway.

• Por qué AWS Bedrock no requiere claves de API cuando se despliega en el entorno cloud de AWS.

• Cómo monitorizar costes y uso de aplicaciones Bedrock en producción.

• Cuáles son los pasos para migrar de OpenAI a Amazon Bedrock para aplicaciones de IA.

¡Entonces esta clase es para ti!

Esta clase práctica demuestra el proceso completo de despliegue de modelos LLM de Amazon Bedrock en AWS Lambda en entornos de producción. Aprenderás a construir paquetes de despliegue de Lambda utilizando contenedores Docker para un despliegue fiable de aplicaciones Bedrock, a subir archivos ZIP que contienen dependencias de Python y configuraciones de modelos de Bedrock, y a probar tu agente de IA a través de múltiples endpoints, incluyendo una distribución de CloudFront y API Gateway.

La clase cubre pruebas prácticas de invocación de Bedrock utilizando modelos Amazon Nova Lite, explorando cómo la autenticación en la nube de AWS elimina la necesidad de claves de API independientes en aplicaciones Bedrock. Descubrirás estrategias de monitorización de costes mediante AWS Cost Explorer y comprenderás cómo los modelos de Bedrock que usan funciones Lambda se integran con Amazon CloudWatch para la observabilidad y el seguimiento del rendimiento.

Los temas clave incluyen la creación de paquetes de Lambda con scripts de despliegue UV, la prueba de APIs de producción con comprobaciones de estado (health checks) y la comprensión de los patrones de uso de tokens para la optimización de costes. La sesión también cubre buenas prácticas de despliegue para conexiones lentas mediante subidas a S3 y demuestra interacciones en tiempo real con agentes de IA a través de interfaces web impulsadas por IA generativa y la infraestructura de Amazon Bedrock.

Día 3 – Monitorizando IA en producción con CloudWatch y métricas de Bedrock

Si quieres aprender:

• Cómo monitorizar tus aplicaciones de IA de Amazon Bedrock en producción utilizando CloudWatch.

• Qué métricas y herramientas de observabilidad están disponibles para el seguimiento del rendimiento y los costes de los LLM.

• Cómo verificar que tu agente de IA está llamando realmente a los modelos correctos de Bedrock.

• Cómo configurar paneles de CloudWatch para monitorizar el uso de tokens y la latencia de las APIs.

• Cuáles son las mejores prácticas de observabilidad en aplicaciones Bedrock.

• Cómo acceder y analizar los logs de CloudWatch para tus APIs de LLM en Lambda.

¡Entonces esta clase es para ti!

Esta clase práctica demuestra cómo implementar una monitorización completa para tus aplicaciones de IA generativa de Amazon Bedrock utilizando Amazon CloudWatch. Aprenderás a seguir métricas esenciales de los modelos de Bedrock, incluyendo invocaciones, tokens de entrada, tokens de salida y latencia para modelos Nova Lite y otros modelos de Bedrock, utilizando las capacidades de monitorización de CloudWatch. La clase cubre la configuración de la observabilidad para APIs de LLM en Lambda, la creación de paneles personalizados de CloudWatch para visualizar el rendimiento de los agentes de IA y el uso de herramientas de monitorización de costes para seguir el consumo de tokens y los costes de despliegue. Descubrirás cómo acceder a los logs de CloudWatch para depurar problemas de invocación de Bedrock, verificar que tus aplicaciones de inteligencia artificial están llamando a los endpoints correctos de los agentes de Bedrock e implementar las mejores prácticas de observabilidad para Amazon Bedrock. Al finalizar, tendrás experiencia práctica con las herramientas de monitorización en la nube de AWS, comprenderás cómo utilizar CloudWatch para las etiquetas de asignación de costes en aplicaciones Bedrock y serás capaz de configurar una observabilidad completa para la infraestructura de tus aplicaciones de Amazon Bedrock en entornos de producción.

Día 4 – Infraestructura como Código para IA: Desplegando aplicaciones LLM con Terraform

Si quieres aprender:

• Cómo usar Terraform para automatizar despliegues de infraestructura en AWS para aplicaciones de IA.

• Qué es Infrastructure as Code y por qué es esencial para gestionar múltiples entornos.

• Cómo configurar providers de Terraform y definir pipelines de despliegue automatizados.

• Cómo gestionar entornos de desarrollo, test y producción utilizando workspaces de Terraform.

• Cuáles son los conceptos clave de Terraform como recursos, variables, estado y outputs.

• Cómo desplegar y aprovisionar servicios de AWS como Lambda, S3 y API Gateway mediante scripts de Terraform.

¡Entonces esta clase es para ti!

Esta clase exhaustiva demuestra cómo utilizar Terraform como herramienta de Infrastructure as Code para desplegar aplicaciones LLM en AWS. Aprenderás a configurar providers de Terraform para la automatización de infraestructura en AWS, a definir múltiples entornos mediante workspaces de Terraform para despliegues en dev, test y prod, y a comprender conceptos esenciales como recursos, variables, gestión del estado y outputs.

La sesión cubre flujos de trabajo prácticos de DevOps en AWS, desde el aprovisionamiento de instancias EC2 hasta el despliegue de funciones Lambda y buckets de S3 utilizando scripts de Terraform totalmente automatizados. Descubrirás cómo establecer bucles de feedback para pruebas continuas en AWS, cómo implementar una estructura de repositorio adecuada para proyectos de Infrastructure as Code y cómo ejecutar pruebas de Terraform para lograr despliegues fiables.

Al finalizar, dominarás los comandos terraform init y terraform apply, comprenderás la gestión de workspaces para el aislamiento de entornos y estarás preparado para sustituir operaciones manuales en la consola de AWS por despliegues de infraestructura automatizados, repetibles y fiables utilizando las potentes capacidades de automatización de Terraform.

Día 4 – Infrastructure as Code: Automatizando despliegues de IA con Terraform

Si quieres aprender:

• Cómo usar Terraform para automatizar despliegues de infraestructura en AWS en lugar de hacer clics manuales en la consola.

• Cuáles son los conceptos esenciales de Terraform como recursos, archivos de estado y providers para la automatización en la nube.

• Cómo configurar Terraform para múltiples entornos con un control de versiones adecuado y configuraciones correctas de .gitignore.

• Cómo aprovisionar servicios de AWS como Lambda, S3, roles IAM y CloudFront utilizando Infrastructure as Code.

• Cuáles son las mejores prácticas para organizar scripts de Terraform y gestionar archivos tfstate.

• Cómo implementar pipelines de automatización DevOps que eliminen la gestión manual de la consola de AWS.

¡Entonces esta clase es para ti!

Esta clase exhaustiva demuestra cómo utilizar Terraform para automatizar despliegues de infraestructura en AWS mediante prácticas de Infrastructure as Code. Aprenderás a configurar Terraform con un control de versiones adecuado, a crear archivos de configuración esenciales como versions.tf, variables.tf y main.tf, y a aprovisionar automáticamente recursos de AWS como instancias EC2, buckets de S3, funciones Lambda y distribuciones de CloudFront.

La sesión cubre la configuración de providers de Terraform, la gestión del estado, la configuración de workspaces para múltiples entornos (dev, test y prod) y las mejores prácticas de DevOps para la automatización de infraestructura en AWS. Descubrirás cómo sustituir operaciones manuales en la consola de AWS por scripts de Terraform repetibles, cómo implementar configuraciones correctas de .gitignore para proyectos de Terraform y cómo establecer pipelines de despliegue automatizados.

La clase incluye ejemplos prácticos de aprovisionamiento de arquitecturas complejas en AWS, incluyendo la creación de roles IAM, configuraciones de API Gateway y dependencias entre servicios utilizando la sintaxis declarativa de Terraform. Es ideal para desarrolladores que buscan implementar flujos de trabajo robustos de Infrastructure as Code y eliminar la gestión manual de recursos cloud mediante la automatización.

Día 4 – Automatizando despliegues de IA con Terraform y scripts de shell

Si quieres aprender:

• Cómo usar Terraform para automatizar despliegues de infraestructura en AWS para aplicaciones de IA.

• Cuáles son las mejores prácticas para configurar Terraform con múltiples entornos como dev, test y prod.

• Cómo crear una orquestación mediante scripts de shell que integre despliegues de frontend y backend.

• Cómo configurar pruebas y pipelines de validación de Terraform para flujos de trabajo DevOps fiables en AWS.

• Cuál es la forma correcta de configurar providers de Terraform y gestionar instancias EC2 mediante Infrastructure as Code.

• Cómo construir bucles de feedback automatizados entre tu repositorio, GitHub y la infraestructura en AWS.

¡Entonces esta clase es para ti!

Esta clase exhaustiva demuestra cómo usar Terraform para automatizar despliegues de infraestructura en AWS con orquestación mediante scripts de shell a través de múltiples entornos. Aprenderás a configurar archivos de Terraform, incluyendo terraform.tfvars para la gestión de variables por defecto, y a crear scripts de despliegue que funcionan tanto en entornos Mac como PowerShell.

La sesión cubre prácticas esenciales de DevOps, incluyendo pruebas con Terraform, gestión de workspaces para entornos dev, test y prod, y el aprovisionamiento de instancias EC2 siguiendo principios de Infrastructure as Code.

Los temas clave incluyen la configuración del provider de Terraform para AWS, la implementación de pipelines de despliegue automatizados que integran aplicaciones frontend en Next.js con funciones Lambda en el backend, y el establecimiento de bucles de feedback adecuados entre tu repositorio de GitHub y la infraestructura en AWS. Descubrirás cómo orquestar despliegues complejos mediante scripts de shell que ejecutan los comandos terraform init y terraform apply, gestionan configuraciones de API Gateway y controlan distribuciones de CloudFront para el despliegue de sitios estáticos.

La clase ofrece experiencia práctica en automatización DevOps sobre AWS, enseñándote a crear procesos de despliegue repetibles que eliminan el trabajo manual en la consola y garantizan un aprovisionamiento de infraestructura consistente en todos los entornos.

Día 4 – Automatizando el despliegue full-stack de IA con Terraform y AWS

Si quieres aprender:

• Cómo usar Terraform para automatizar el despliegue de aplicaciones de IA full-stack en AWS.

• Cuáles son los pasos esenciales para configurar Terraform con una configuración correcta de outputs.

• Cómo ejecutar pruebas con Terraform y desplegar en múltiples entornos como dev, test y prod.

• Cómo orquestar el aprovisionamiento de infraestructuras complejas en AWS mediante scripts de shell.

• Cuál es la mejor forma de implementar Infrastructure as Code para aplicaciones LLM.

• Cómo verificar que tus despliegues automatizados en AWS están funcionando correctamente.

¡Entonces esta clase es para ti!

Esta clase práctica demuestra cómo utilizar Terraform para automatizar despliegues en AWS de aplicaciones de IA full-stack. Aprenderás a configurar los outputs de Terraform, a ejecutar pruebas con Terraform y a desplegar en múltiples entornos utilizando un único script de shell. La sesión cubre prácticas esenciales de DevOps, incluyendo la implementación de Infrastructure as Code (IaC), la configuración del provider de Terraform y el aprovisionamiento de infraestructura en AWS para instancias EC2, buckets de S3 y distribuciones de CloudFront.

Descubrirás cómo automatizar todo el pipeline de despliegue desde tu repositorio de GitHub, cómo implementar scripts de Terraform adecuados para pruebas en AWS y cómo establecer bucles de feedback eficientes para flujos de trabajo DevOps en AWS. La clase incluye demostraciones prácticas del despliegue de funciones Lambda, la configuración de variables de entorno y la verificación de despliegues en entornos de desarrollo, test y producción utilizando la automatización de Terraform.

Día 4 – Despliegues de IA multi-entorno: configuración de desarrollo, test y producción

Si quieres aprender:

• Cómo usar Terraform para desplegar múltiples entornos con un solo comando.

• Cuál es la mejor forma de configurar despliegues automatizados en AWS para dev, test y producción.

• Cómo crear entornos de infraestructura aislados que se ejecuten de forma independiente.

• Cómo configurar dominios personalizados para despliegues en producción utilizando Route 53.

• Cuáles son los pasos esenciales para realizar pruebas en AWS mediante Infrastructure as Code.

• Cómo orquestar despliegues complejos multi-entorno utilizando scripts de shell.

¡Entonces esta clase es para ti!

Esta clase exhaustiva demuestra cómo utilizar Terraform para despliegues automatizados en AWS a través de múltiples entornos. Aprenderás a desplegar configuraciones de infraestructura idénticas para entornos de desarrollo, test y producción utilizando un único script de despliegue con distintos parámetros. La sesión cubre la configuración de workspaces de Terraform y la provisión de infraestructura en AWS, incluyendo funciones Lambda, distribuciones de CloudFront y buckets de S3 para cada entorno.

Descubrirás cómo usar scripts de Terraform para aprovisionar instancias EC2 y otros recursos de AWS manteniendo un aislamiento completo entre entornos mediante convenciones de nomenclatura. La clase incluye demostraciones prácticas de pruebas con Terraform, configuración del repositorio y flujos de automatización con GitHub.

Los temas avanzados cubren el despliegue en producción con configuración de dominios personalizados usando Route 53, gestión de certificados SSL y automatización de registros DNS. Verás ejemplos reales de prácticas DevOps en AWS, incluyendo bucles de feedback para despliegue continuo y pipelines de limpieza de recursos. Al finalizar, tendrás experiencia práctica con los principios de Infrastructure as Code (IaC), la configuración de providers de Terraform y la orquestación mediante scripts de shell para una gestión fluida de múltiples entornos en AWS.

Día 4 – Probando despliegues de IA en producción y flujos de limpieza con Terraform

Si quieres aprender:

• Cómo usar Terraform para desplegar aplicaciones de IA en múltiples entornos con pruebas automatizadas.

• Cuáles son las mejores prácticas para configurar scripts de Terraform que puedan aprovisionar infraestructura en AWS para entornos dev, test y prod de forma simultánea.

• Cómo crear flujos de limpieza efectivos y scripts de destrucción (destroy) para tu pipeline DevOps en AWS.

• Cuál es el proceso completo para realizar pruebas en AWS utilizando automatización mediante Infrastructure as Code.

• Cómo implementar bucles de feedback y una correcta gestión del repositorio para despliegues con Terraform.

• Cuáles son los pasos esenciales para el aprovisionamiento de infraestructura en AWS utilizando configuraciones del provider de Terraform.

¡Entonces esta clase es para ti!

Esta clase exhaustiva demuestra pruebas en vivo de despliegues de IA en producción utilizando Terraform a través de múltiples entornos. Verás el despliegue en tiempo real de una pila completa de infraestructura en AWS, incluyendo distribuciones de CloudFront, funciones Lambda, buckets de S3 y API Gateways en entornos de desarrollo, test y producción.

La sesión cubre prácticas esenciales de DevOps, incluyendo la configuración de workspaces de Terraform, la creación de scripts de despliegue automatizados y la implementación de flujos de limpieza robustos. Aprenderás a utilizar pruebas de Terraform de forma efectiva, a gestionar instancias EC2 y a establecer pipelines de automatización sólidos basados en Infrastructure as Code.

La clase incluye demostraciones prácticas de orquestación mediante scripts de shell tanto para los procesos de despliegue como de destrucción, gestión del repositorio en GitHub y mejores prácticas de DevOps en AWS. Al finalizar, comprenderás cómo aprovisionar y gestionar infraestructuras completas en AWS utilizando scripts de Terraform, cómo implementar bucles de feedback eficaces y cómo crear flujos de limpieza fiables capaces de destruir entornos completos preservando recursos esenciales como los dominios registrados.

? Día 5 – Automatizando Despliegues de Infraestructura de IA con GitHub Actions (CI/CD)

¿Quieres aprender a automatizar por completo el despliegue de infraestructura de IA en producción usando GitHub Actions?
Entonces, esta lección es para ti ?

? ¿Qué aprenderás en esta clase?

En esta sesión descubrirás, paso a paso:

• ? Cómo configurar despliegues automáticos de infraestructura de IA con GitHub Actions

• ⚙️ Cuáles son los componentes clave de un flujo CI/CD usando GitHub Actions y AWS

• ? Cómo crear archivos de workflow que despliegan automáticamente al hacer un git push

• ? Cómo integrar Terraform (Infrastructure as Code) dentro de workflows de GitHub Actions

• ? La diferencia entre workflows, jobs y runners en GitHub Actions

• ?️ Cómo diseñar una guía completa de GitHub Actions orientada a aplicaciones de IA en producción

? ¿Qué cubre esta lección en detalle?

Este tutorial completo de GitHub Actions te enseña cómo automatizar despliegues de infraestructura de IA utilizando pipelines CI/CD reales, como los que se usan en entornos profesionales.

A lo largo de la clase aprenderás a:

• ? Crear workflows de GitHub Actions que se activan automáticamente cuando subes código al repositorio

• ❌ Eliminar por completo los despliegues manuales

• ☁️ Integrar GitHub Actions con AWS

• ? Construir y desplegar imágenes Docker automáticamente en servicios como Amazon ECS

• ?️ Combinar Terraform + GitHub Actions para desplegar infraestructura de forma reproducible

• ? Gestionar despliegues en entornos de desarrollo, test y producción

• ?️ Configurar correctamente:

  • Archivos de workflow (.yml)

  • Estructura del repositorio

  • Pipelines de build y deploy automatizados

? ¿Qué te llevarás al final?

Al terminar esta lección:

• ✅ Entenderás cómo implementar CI/CD completo con GitHub Actions

• ✅ Sabrás desplegar automáticamente infraestructura de IA en AWS

• ✅ Tendrás un pipeline robusto que:

  • Se ejecuta con cada git push

  • Construye Docker

  • Aplica Terraform

  • Despliega tu aplicación de IA en producción

? En resumen: un sistema de despliegue moderno, automático y profesional, listo para IA en producción.

Si estás construyendo aplicaciones de IA reales y quieres llevarlas a producción como lo hacen los equipos profesionales, este día es clave ?

? Día 5 – Configurando Git y GitHub Actions para Despliegues de IA en Producción

Si quieres aprender a preparar correctamente un proyecto de IA para producción desde cero, usando Git y GitHub Actions, esta lección es exactamente lo que necesitas ?

? ¿Qué aprenderás en esta clase?

En esta sesión descubrirás:

• ?️ Cómo crear un repositorio Git desde cero pensado para despliegues de IA en producción

• ⚙️ Cuál es la forma correcta de configurar GitHub Actions con integración en AWS

• ? Cómo preparar tu entorno de desarrollo para pipelines CI/CD automatizados

• ? Qué archivos deben incluirse en el .gitignore en proyectos de IA e infraestructura

• ✅ Cuáles son los pasos esenciales previos antes de implementar GitHub Actions en producción

• ? Cómo pasar del desarrollo local a un ciclo DevOps completo usando Git

?️ ¿Qué cubre esta lección en profundidad?

Esta guía práctica y completa sobre GitHub Actions se centra en los primeros pasos fundamentales para preparar un proyecto de IA en producción con flujos CI/CD automatizados.

Aprenderás a:

• ? Inicializar correctamente un repositorio Git profesional

• ? Limpiar y preparar tu entorno de desarrollo antes del despliegue

• ? Gestionar variables de entorno de forma segura

• ? Configurar correctamente archivos .gitignore específicos para:

  • Proyectos de IA

  • Infraestructura

  • Docker

  • Terraform

• ? Sentar las bases para la integración de GitHub Actions con AWS

? Arquitectura y buenas prácticas DevOps

A lo largo de la clase también verás:

• ? Cómo estructurar el proyecto para:

  • Construcción automática de imágenes Docker

  • Integración con Amazon Elastic Container Service (ECS)

• ?️ Preparación del repositorio para Infrastructure as Code

• ? Buenas prácticas para:

  • Gestión de contenedores

  • Automatización de despliegues

  • Repositorios listos para producción

Además, se introducen los cimientos de los workflows de GitHub Actions, dejando el proyecto preparado para:

• Despliegue automático de modelos

• Infraestructura de agentes

• Testing automatizado

• Pipelines CI/CD reales en AWS

? ¿Qué tendrás al finalizar la lección?

Al terminar esta sesión:

• ✅ Tendrás un repositorio Git correctamente configurado

• ✅ Estará listo para workflows avanzados de GitHub Actions

• ✅ Seguirá estándares profesionales de la industria

• ✅ Será apto para IA en producción y automatización cloud

En resumen:
? Una base sólida y profesional para construir todo tu pipeline DevOps de IA sin dolores de cabeza.

Si quieres que el despliegue en producción deje de ser improvisado y empiece a ser robusto, reproducible y automático, este paso es imprescindible ?

? Día 5 – Configurando GitHub Actions para el Despliegue Automatizado de Modelos de IA

Si quieres aprender a automatizar el despliegue de modelos de IA en producción usando GitHub Actions y AWS, esta lección es para ti ?

? ¿Qué aprenderás en esta clase?

En esta sesión descubrirás:

• ? Cómo configurar un repositorio de GitHub para el despliegue automatizado de modelos de IA

• ⚙️ Cuál es la guía completa de GitHub Actions para flujos de trabajo de IA en producción

• ☁️ Cómo integrar GitHub Actions con AWS de forma correcta y segura

• ?️ Cómo crear buckets S3 y tablas DynamoDB para la gestión del estado de Terraform

• ? Cuáles son los pasos esenciales para montar pipelines CI/CD con GitHub Actions

• ? Cómo preparar tu repositorio para la construcción y despliegue automático de imágenes Docker

?️ ¿Qué cubre esta lección en detalle?

Esta guía completa y práctica sobre GitHub Actions muestra todo el flujo necesario para configurar un despliegue automatizado de modelos de IA utilizando GitHub Actions junto con AWS.

A lo largo de la lección aprenderás, paso a paso, a:

• ? Crear un repositorio nuevo en GitHub desde cero

• ? Configurar correctamente las conexiones remotas usando comandos de git

• ?️ Preparar la infraestructura base necesaria para CI/CD

? Infraestructura esencial para CI/CD con Terraform

La lección cubre en profundidad la configuración de la infraestructura necesaria para soportar flujos CI/CD automatizados, incluyendo:

• ? Creación de buckets S3 para almacenar el estado de Terraform

• ? Configuración de tablas DynamoDB para el bloqueo del estado (state locking)

• ? Organización correcta del repositorio con:

  • Código backend

  • Assets de frontend

  • Archivos de Infrastructure as Code (IaC) con Terraform

También verás cómo crear recursos temporales en AWS que sirven exclusivamente para soportar los despliegues automáticos ejecutados por GitHub Actions.

? Preparando el repositorio para automatización total

Durante el tutorial aprenderás a:

• ? Preparar el backend para flujos CI/CD con GitHub Actions

• ? Dejar el proyecto listo para:

  • Construcción automática de imágenes Docker

  • Despliegue en Amazon Elastic Container Service (ECS)

• ? Gestionar todo el pipeline de despliegue de modelos de IA desde:

  • Commits

  • Pushes

  • Workflows automatizados

? ¿Qué tendrás al finalizar esta lección?

Al terminar esta clase:

• ✅ Tendrás un repositorio completamente preparado para GitHub Actions

• ✅ Podrás construir y desplegar modelos de IA automáticamente

• ✅ Gestionarás el estado de Terraform de forma profesional

• ✅ Controlarás todo el pipeline CI/CD desde workflows automatizados

• ✅ Estarás listo para producción real en AWS, no solo demos locales

En resumen:
? Una base sólida, profesional y escalable para gestionar el despliegue completo de tus modelos de IA mediante GitHub Actions + AWS.

Si tu objetivo es que cada git push pueda desplegar IA en producción sin fricción, este paso es absolutamente clave ?

? Día 5 – Configuración de GitHub Actions para el Despliegue Automatizado de Infraestructura de IA

Si quieres aprender:

• ? Cómo configurar un workflow de GitHub Actions con AWS para despliegues automatizados

• ? Cuáles son los pasos esenciales en una guía completa de configuración de GitHub Actions

• ? Cómo establecer conexiones seguras entre GitHub Actions y AWS usando roles de IAM

• ?️ Cómo actualizar scripts de Terraform para la gestión de estado compartido en pipelines CI/CD

• ? Qué permisos y políticas son necesarios para que GitHub Actions despliegue infraestructura en AWS

• ? Cómo implementar autenticación OIDC para una integración fluida entre GitHub y AWS

Entonces, esta lección es para ti.

?️ ¿Qué cubre esta lección?

Esta lección completa y práctica demuestra la implementación real de workflows CI/CD con GitHub Actions para el despliegue automatizado de infraestructura en AWS.

Aprenderás a configurar la gestión del estado de Terraform actualizando los scripts de despliegue (deploy.sh y deploy.ps1) para que funcionen con:

• ? Buckets S3 compartidos para los archivos de estado de Terraform

• ? Tablas DynamoDB para la gestión de bloqueos (lock management)

? Integración segura GitHub Actions ↔ AWS

La sesión cubre en detalle:

• ?‍? Creación de roles y políticas IAM que permiten a GitHub Actions interactuar de forma segura con tu cuenta de AWS

• ? Uso de autenticación OIDC para evitar credenciales estáticas y lograr una integración moderna, segura y escalable

• ⚙️ Configuración de permisos mínimos necesarios para desplegar infraestructura desde pipelines automatizados

? Trabajo práctico paso a paso

Durante la lección trabajarás de forma práctica con:

• ? Comandos de Terraform para inicializar, importar y aplicar configuraciones

• ☁️ Operaciones con AWS CLI para validar recursos y permisos

• ? Configuración del repositorio en GitHub para activar y validar los workflows

También aprenderás a:

• ? Importar recursos existentes de AWS en Terraform

• ?️ Aplicar configuraciones de infraestructura de forma controlada

• ✅ Validar que los workflows de GitHub Actions funcionan correctamente

? Resultado final

Al finalizar esta lección tendrás:

• ✅ Un pipeline CI/CD completamente funcional

• ✅ Despliegues automáticos activados mediante git push

• ✅ Infraestructura gestionada con Terraform

• ✅ Autenticación segura GitHub ↔ AWS sin secretos sensibles

• ✅ Capacidad para desplegar imágenes Docker en Amazon Elastic Container Service (ECS)

• ✅ Control total de tu infraestructura de IA mediante workflows automatizados

En resumen:
? Un sistema profesional, seguro y automatizado para gestionar toda tu infraestructura de IA en AWS usando GitHub Actions y Terraform.

Si quieres, en el siguiente mensaje puedo:

• Ajustarlo aún más a SEO para Udemy / web

• Adaptarlo a guion de vídeo

• O unificar todos los “Day 5” en una landing coherente para el curso

? Día 5 – Configuración de GitHub Actions para Despliegues Automatizados de Agentes de IA

Si quieres aprender:

• ? Cómo configurar el backend de Terraform con S3 para workflows de GitHub Actions

• ? Qué secretos es necesario añadir al repositorio de GitHub para la integración con AWS

• ? Cómo crear workflows de despliegue automatizado con GitHub Actions y AWS

• ? Qué pasos están involucrados en la construcción de imágenes Docker mediante GitHub Actions

• ? Cómo configurar workflows del repositorio tanto para despliegue como para destrucción

• ? Cómo conectar tu repositorio de GitHub con Amazon Elastic Container Service para CI/CD

Entonces, esta lección es para ti.

?️ ¿Qué aprenderás en esta lección?

Esta guía completa sobre GitHub Actions demuestra cómo configurar workflows CI/CD automatizados para el despliegue de agentes de IA en AWS.

Aprenderás a:

• Configurar el backend de Terraform usando S3

• Añadir los secretos esenciales de AWS a tu repositorio de GitHub

• Crear archivos de workflow para despliegues automatizados

? Docker, ECS y permisos en AWS

La lección cubre en detalle:

• ? Construcción de imágenes Docker dentro de GitHub Actions

• ☁️ Configuración de la integración con Amazon Elastic Container Service (ECS)

• ? Establecimiento de los permisos correctos de roles en AWS para que GitHub Actions pueda operar de forma segura

? Workflows de despliegue y destrucción

También descubrirás cómo:

• Crear workflows separados de despliegue y destrucción

• Configurar secretos del repositorio, incluyendo:

  • AWS Account ID

  • ARN del rol de AWS

• Implementar prácticas de Infrastructure as Code (IaC) usando Terraform

✅ Resultado final

Al finalizar esta lección, tendrás:

• ⚙️ Workflows funcionales de GitHub Actions

• ? Despliegues automáticos activados al hacer git push

• ? Agentes de IA desplegados automáticamente en AWS

• ? Infraestructura gestionada mediante Terraform

• ? Workflows capaces de crear y destruir infraestructura

• ?️ Manejo adecuado de errores y gestión de entornos

En resumen, habrás construido un pipeline CI/CD completo y automatizado que despliega tus agentes de IA en AWSdirectamente desde tu repositorio de GitHub utilizando GitHub Actions, Docker, Terraform y ECS.

Si quieres, en el siguiente mensaje puedo:

• Unificar todos los Day 5 en una descripción única y coherente

• Adaptarlo a copy comercial para Udemy

• Convertir este texto en guion literal de vídeo

• O hacer una versión SEO-optimizada para web o landing del curso

? Día 5 – Despliegue en Vivo de un Pipeline CI/CD: Desde Git Push hasta un Agente de IA en Producción

Si quieres aprender:

• ? Cómo construir un pipeline CI/CD completo que despliegue automáticamente aplicaciones de IA desde un git push hasta producción

• ⚙️ Qué pasos son necesarios para configurar workflows DevOps automatizados para aplicaciones basadas en LLM usando GitHub Actions

• ? Cómo desplegar modelos de machine learning y agentes de IA generativa a través de múltiples entornos (desarrollo, test y producción)

• ?️ Qué herramientas y configuraciones se requieren para el despliegue automatizado de infraestructura en AWS usando Terraform

• ? Cómo implementar estrategias adecuadas de control de versiones y despliegue para aplicaciones basadas en modelos de lenguaje grande

• ? Cómo es un pipeline MLOps real en el mundo real cuando se despliegan agentes de IA a producción

Entonces, esta lección es para ti.

?️ ¿Qué verás en esta lección?

Esta lección práctica y completamente hands-on demuestra un despliegue en vivo completo de un agente de IA a través de un pipeline CI/CD totalmente automatizado utilizando GitHub Actions, AWS y Terraform.

Serás testigo de todo el flujo DevOps, desde el momento en que se hace un git push hasta que el agente de IA está desplegado en producción, incluyendo:

• Aprovisionamiento de infraestructura

• Despliegue de funciones Lambda

• Configuración de distribuciones CloudFront

? Infraestructura, versionado y despliegues multi-entorno

La lección cubre:

• La construcción de pipelines de despliegue robustos para aplicaciones basadas en LLM

• La implementación de estrategias correctas de control de versiones

• La gestión de infraestructura cloud mediante código

Verás despliegues en tiempo real a través de tres entornos distintos:

• ? Desarrollo (dev)

• ? Test

• ? Producción

Todo ello con aprovisionamiento automático de recursos, incluyendo:

• Buckets S3

• API Gateway

• Distribuciones CloudFront

? Tecnologías clave utilizadas

Durante la sesión se demuestran, de forma práctica:

• ? GitHub Actions para automatización CI/CD

• ?️ Terraform para Infrastructure as Code

• ⚡ AWS Lambda para despliegues serverless

• ? Buenas prácticas de MLOps aplicadas a aplicaciones de IA generativa

También se muestra implementación DevOps real, incluyendo:

• Tests automatizados

• Scripts de despliegue

• Gestión de infraestructura preparada para producción

✅ Qué te llevarás al finalizar

Al terminar esta lección, entenderás:

• ? Cómo crear pipelines de despliegue de nivel empresarial para aplicaciones de IA

• ? Cómo implementar buenas prácticas CI/CD en flujos de trabajo de machine learning

• ? Cómo desplegar agentes impulsados por LLM en producción con seguridad y confianza

En definitiva, habrás visto cómo funciona un pipeline CI/CD real y completo, desde el git push hasta producción, aplicado a agentes de IA modernos, combinando DevOps, MLOps, AWS, Terraform y GitHub Actions.

Si quieres, en el siguiente mensaje puedo:

• Unificar todo el Día 5 en una sola descripción maestra

• Adaptarlo como copy comercial para Udemy

• Ajustarlo aún más para narración profesional de vídeo

• Optimizarlo para SEO en la landing del curso

? Día 5 – Pipelines CI/CD Automatizados para Apps de IA en Producción con Git Deploy

Si quieres aprender:

• ? Cómo configurar pipelines CI/CD automatizados que despliegan aplicaciones de IA con solo hacer un git push

• ⚙️ Cuál es el flujo completo desde los cambios en el código hasta agentes de IA en producción en AWS

• ? Cómo implementar control de versiones y despliegue continuo para aplicaciones basadas en LLM

• ?️ Qué herramientas y prácticas DevOps funcionan mejor para proyectos de machine learning e IA generativa

• ? Cómo gestionar todo el pipeline MLOps, desde el desarrollo hasta el despliegue en producción

• ? Cuáles son los pasos esenciales para automatizar el flujo de despliegue de tu aplicación de IA

Entonces, esta lección es para ti.

? ¿Qué verás en esta lección?

Esta lección práctica y totalmente hands-on demuestra la construcción de un pipeline CI/CD completamente automatizado para aplicaciones de IA utilizando workflows de Git Deploy.

Aprenderás a implementar integración continua y despliegue continuo para aplicaciones basadas en LLM, cubriendo todo el pipeline DevOps, desde el desarrollo local hasta agentes de IA en producción en AWS.

? Versionado, despliegue y MLOps en acción

Durante la sesión se recorren de forma práctica:

• ? Estrategias reales de control de versiones para proyectos de machine learning

• ⚙️ Workflows de despliegue automatizado usando GitHub Actions

• ? Buenas prácticas de MLOps aplicadas a aplicaciones de IA generativa

Verás demostraciones en tiempo real de:

• Despliegues activados por git push

• Configuración de distribuciones CloudFront

• Gestión de aplicaciones de IA listas para producción

?️ Pipelines DevOps para equipos de Data Science

La lección cubre pipelines DevOps esenciales para equipos de ciencia de datos, incluyendo:

• ✅ Tests automatizados

• ?️ Orquestación de despliegues

• ?️ Gestión de infraestructura para aplicaciones basadas en modelos de lenguaje grande

? ¿Para quién es esta lección?

Es perfecta para desarrolladores que trabajan con:

• APIs de OpenAI

• Sistemas de evaluación de LLM

• Flujos de trabajo de IA en producción

y que desean:

• ? Simplificar su proceso de despliegue

• ?‍? Implementar prácticas CI/CD de nivel profesional

• ? Gestionar proyectos de IA con estándares reales de producción

Si quieres, en el siguiente mensaje puedo:

• Unificar todas las descripciones del Día 5 en una sola pieza maestra

• Ajustar el texto para copy comercial de Udemy

• Optimizarlo para narración profesional de vídeo

• Adaptarlo a SEO para landing page del curso

? Día 5 – Gestión de Recursos y Control de Costes para Sistemas de IA en Producción

Si quieres aprender:

• ? Cómo monitorizar y rastrear costes de sistemas de IA en producción usando AWS CloudWatch y las herramientas de gestión de facturación

• ? Qué herramientas te permiten obtener una visión completa de todos tus recursos desplegados en AWS a través de múltiples entornos

• ♻️ Cómo implementar workflows automatizados de destrucción para entornos de desarrollo, test y producción usando GitHub Actions

• ? Cuáles son las mejores prácticas de control de costes y gestión de recursos en pipelines de MLOps

• ? Cómo limpiar infraestructura de IA preservando componentes esenciales como el estado de Terraform y la configuración de CI/CD

• ? Qué pasos seguir para garantizar una gestión saludable del presupuesto en aplicaciones basadas en LLMs en producción

Entonces, esta lección es para ti.

? ¿Qué cubre esta lección?

Esta lección exhaustiva demuestra técnicas avanzadas de gestión de recursos y control de costes para sistemas de IA en producción.

Aprenderás a:

• ? Utilizar AWS CloudWatch para monitorizar invocaciones de LLM a través de Amazon Bedrock

• ? Rastrear logs de AWS Lambda en múltiples entornos

• ?️ Usar AWS Resource Explorer para auditar todos los recursos desplegados

⚙️ Automatización, limpieza y control total

La sesión cubre:

• ? Implementación de workflows de destrucción automatizada mediante GitHub Actions y pipelines CI/CD

• ? Limpieza con un solo clic de entornos dev, test y production

• ? Análisis de costes usando herramientas de AWS Billing Management

Aprenderás también:

• ? Qué recursos deben conservarse (como buckets de estado de Terraform y roles IAM)

• ? Cómo establecer prácticas continuas de monitorización de presupuestos

? Destrucción controlada de arquitecturas serverless

La lección incluye demostraciones prácticas de la destrucción de arquitecturas serverless completas, incluyendo:

• ⚡ Funciones Lambda

• ?️ Buckets S3

• ? Distribuciones CloudFront

• ? API Gateways

Todo ello manteniendo intacta la infraestructura DevOps esencial.

? ¿Para quién es esta lección?

Esta sesión es ideal para equipos que gestionan:

• Aplicaciones basadas en modelos de lenguaje grande (LLMs)

• Sistemas de IA en producción con múltiples entornos

Y que desean:

• ? Optimizar costes en la nube

• ? Implementar una gestión correcta del ciclo de vida de los recursos

• ? Establecer prácticas FinOps sostenibles para cargas de trabajo de IA en producción

Si quieres, en el siguiente mensaje puedo:

• Unificar todo el Día 5 en una descripción final premium

• Adaptar el texto a copy de Udemy o landing page

• Ajustarlo para narración profesional

• Optimizarlo para SEO en cursos de IA y MLOps

? Día 1 – Despliegue Multi-Cloud de IA: Azure, GCP y Configuración de un Agente de Ciberseguridad ??

Si quieres aprender:

• ☁️ Cómo desplegar agentes de IA en múltiples plataformas cloud como Azure y Google Cloud Platform (GCP)

• ? Qué es el Model Context Protocol (MCP) y cómo construir servidores MCP para aplicaciones de IA

• ? Cómo usar Azure Container Apps y Google Cloud Run para despliegues de IA basados en contenedores

• ?️ Cómo construir una aplicación de analista de ciberseguridad usando IA agentiva y sistemas multi-agente

• ⚖️ Cuáles son las diferencias clave entre AWS, Azure y GCP para el despliegue de aplicaciones de IA

• ? Cómo usar Terraform Workspaces para desplegar el mismo proyecto de IA en distintos proveedores cloud

Entonces, esta clase es para ti.

? ¿Qué vas a construir en esta lección?

En esta lección completa y práctica, aprenderás a desplegar agentes de IA en múltiples nubes utilizando Azure Container Apps y Google Cloud Run, apoyándote en el Model Context Protocol (MCP).

Construirás un analista de ciberseguridad basado en IA, capaz de analizar código y detectar vulnerabilidades utilizando IA agentiva y sistemas multi-agente.

? Arquitectura del proyecto

El proyecto combina:

• ?️ Frontend en Next.js

• ⚙️ Backend en FastAPI

• ? Contenerización con Docker

• ? Despliegue multi-cloud con Terraform Workspaces

Todo ello empaquetado para poder desplegar exactamente la misma aplicación tanto en Azure como en GCP de forma eficiente y reproducible.

? IA agentiva y MCP en acción

Durante la lección:

• Explorarás el OpenAI Agents SDK

• Aprenderás a crear servidores MCP que dotan a los agentes de capacidades especializadas en ciberseguridad

• Verás cómo los agentes pueden integrarse con herramientas externas y APIs para análisis avanzado

☁️ Comparativa real entre clouds

La clase también cubre:

• ? Comparación práctica entre los servicios de contenedores de AWS, Azure y GCP

• ? Ventajas e inconvenientes de cada proveedor para despliegues de IA

• ? Estrategias reales para IA en producción multi-cloud

?️ Tecnologías clave que utilizarás

• Azure Container Apps (ACA)

• Google Cloud Run

• Terraform y Terraform Workspaces

• Docker

• OpenAI Agents SDK

• Model Context Protocol (MCP)

• Agent Development Kit (ADK)

? Resultado final

Al terminar esta lección:

• Sabrás desplegar agentes de IA en múltiples plataformas cloud

• Entenderás cómo diseñar aplicaciones agentivas listas para producción

• Tendrás experiencia real con workflows multi-cloud de IA

• Serás capaz de gestionar agentes que interactúan con distintas nubes y APIs

?️ Día 1 – Construyendo Agentes de Seguridad con IA usando MCP y Semgrep ??

Si quieres aprender:

• ? Cómo construir agentes de seguridad con IA capaces de analizar código y detectar vulnerabilidades usando servidores MCP

• ? Qué es el Model Context Protocol (MCP) y cómo los servidores MCP se integran con agentes de IA

• ? Cómo configurar y desplegar agentes de IA con integración de Semgrep para análisis automático de seguridad

• ? Por qué el despliegue en contenedores es ideal para sistemas multi-agente que lanzan procesos MCP independientes

• ? Cómo crear aplicaciones de IA agentiva que consumen APIs externas para tareas avanzadas de ciberseguridad

• ☁️ Cuáles son las mejores prácticas para desplegar agentes de IA en producción usando Azure y Google Cloud

Entonces, esta clase es para ti.

? ¿Qué vas a construir en esta lección?

En esta lección completa y práctica, aprenderás a diseñar, construir y desplegar agentes de seguridad con IAutilizando servidores MCP (Model Context Protocol) integrados con Semgrep para el análisis automático de vulnerabilidades en código.

Construirás una aplicación web de ciberseguridad impulsada por IA, capaz de analizar archivos de código y generar informes de seguridad estructurados y listos para producción.

? Arquitectura de la aplicación

El proyecto se basa en una arquitectura moderna y profesional:

• ⚙️ Backend en FastAPI

• ? OpenAI Agents SDK para la lógica agentiva

• ? Servidor MCP que conecta el agente con Semgrep

• ? Docker para empaquetado y despliegue

• ☁️ Azure Container Apps y Google Cloud Run para ejecución en la nube

? Análisis de seguridad con Semgrep

Durante la lección aprenderás a:

• Integrar Semgrep como herramienta de análisis estático de código

• Conectar Semgrep a tus agentes mediante MCP servers

• Automatizar análisis de seguridad sobre código Python

• Generar informes estructurados que incluyen:

  • ? Puntuación CVSS

  • ⚠️ Nivel de severidad (Critical, High, Medium, Low)

  • ?️ Recomendaciones de mitigación

? IA agentiva en producción

Este proyecto te enseña patrones reales de IA agentiva:

• Uso del Agent Development Kit (ADK)

• Agentes que delegan tareas a herramientas externas

• Control fino de herramientas disponibles mediante MCP

• Workflows de análisis automatizados y reproducibles

? ¿Por qué contenedores y no serverless?

Uno de los puntos clave de la lección es entender que:

• ❌ Funciones serverless (Lambda, Functions) no están diseñadas para lanzar procesos externos persistentes

• ✅ Contenedores permiten:

  • Ejecutar servidores MCP

  • Gestionar procesos independientes

  • Escalar agentes complejos en producción

Por eso, Azure Container Apps y Google Cloud Run son la opción ideal para este tipo de aplicaciones agentivas.

?️ Tecnologías clave que utilizarás

• Model Context Protocol (MCP)

• Semgrep

• OpenAI Agents SDK

• FastAPI

• Docker

• Azure Container Apps

• Google Cloud Run

• Agent Development Kit (ADK)

? Resultado final

Al finalizar esta lección:

• Sabrás construir agentes de seguridad con IA listos para producción

• Entenderás cómo usar MCP para conectar agentes con herramientas externas

• Tendrás experiencia real desplegando IA agentiva multi-proceso

• Podrás crear sistemas automatizados de análisis de vulnerabilidades

Día 1 – Contenerización de agentes de IA con Docker para el despliegue en la nube

Si quieres aprender:

• Cómo contenerizar agentes de IA utilizando Docker para un despliegue fluido
• Qué pasos son necesarios para empaquetar sistemas multiagente con servidores MCP dentro de contenedores Docker
• Cómo pasar del desarrollo local de agentes de IA a aplicaciones contenerizadas listas para la nube
• Qué configuraciones específicas de Docker funcionan mejor para aplicaciones de IA con componentes de front-end y back-end
• Cómo preparar tus agentes de IA para su despliegue en plataformas cloud como Azure y Google Cloud
• Cuáles son las diferencias prácticas entre ejecutar agentes de IA localmente frente a hacerlo en contenedores Docker

Entonces, esta clase es para ti.

Esta clase exhaustiva muestra cómo contenerizar agentes de IA con Docker para su despliegue en la nube, centrándose en la implementación práctica de sistemas multiagente utilizando el Model Context Protocol (MCP). Aprenderás a construir y desplegar agentes de IA creando contenedores Docker que empaquetan tanto aplicaciones de front-end en Next.js como servidores de back-end en Python que ejecutan servidores MCP. La clase cubre el flujo de trabajo completo desde el desarrollo local hasta la contenerización, incluyendo la configuración de archivos Docker para aplicaciones de IA, la gestión de la comunicación cliente-servidor MCP dentro de los contenedores y la preparación de sistemas de IA agéntica para su despliegue en plataformas cloud como Azure Container Apps, Google Cloud Run y Vertex AI. A través de una demostración práctica con un agente analista de ciberseguridad, dominarás el proceso de transición desde servidores de front-end y back-end separados a contenedores Docker unificados, comprenderás la integración de herramientas y APIs de IA dentro de entornos contenerizados y obtendrás experiencia práctica en la automatización del despliegue de sistemas multiagente listos para entornos cloud de producción.

Día 1 – Configuración de la infraestructura de Azure para el despliegue en producción de contenedores de IA

Si quieres aprender:

• Cómo crear una cuenta de Azure y configurar la gestión de costes para el despliegue de contenedores de IA
• Cuáles son los componentes esenciales de la infraestructura de Azure, como suscripciones, grupos de recursos y recursos
• Cómo crear y organizar grupos de recursos de Azure para aplicaciones de IA en producción
• Cómo instalar y configurar Azure CLI para un despliegue fluido de aplicaciones en contenedores
• Cuáles son los pasos fundamentales antes de desplegar agentes de IA utilizando Azure Container Apps
• Cómo establecer una presupuestación y monitorización adecuadas para una infraestructura de IA escalable en Azure

Entonces, esta clase es para ti.

Esta clase exhaustiva te guía a través de la configuración de una infraestructura de Azure lista para producción para el despliegue de contenedores de IA utilizando Azure Container Apps. Aprenderás a crear una cuenta de Azure, configurar la gestión de costes mediante alertas de presupuesto y establecer la infraestructura base necesaria para desplegar servidores MCP y agentes de IA. La sesión cubre la creación de grupos de recursos, la instalación de Azure CLI y la conexión de tu entorno de desarrollo con los servicios de Azure. Descubrirás cómo organizar de forma efectiva los recursos de Azure utilizando suscripciones y grupos de recursos, preparando específicamente el entorno para el despliegue de Semantic Kernel y servidores basados en el Model Context Protocol. Al finalizar esta clase, tendrás un entorno de Azure completamente configurado y listo para desplegar aplicaciones de IA contenerizadas, con una monitorización y control de costes adecuados. Esta configuración fundamental permite un despliegue fluido de soluciones de IA escalables y serverless utilizando Azure Container Apps y Azure OpenAI Services.

Día 1 – Despliegue de aplicaciones de IA en Azure con Terraform como Infraestructura como Código

Si quieres aprender:

• Cómo desplegar aplicaciones de IA en Azure utilizando Terraform como infraestructura como código
• Cuáles son los pasos para configurar Azure Container Apps para alojar servidores MCP
• Cómo usar Terraform para automatizar la construcción de imágenes Docker y la provisión de recursos en Azure
• Qué variables de entorno y configuraciones de Azure CLI son necesarias para un despliegue fluido
• Cómo registrar proveedores de recursos de Azure y gestionar workspaces de Terraform de forma eficaz
• Cuál es la diferencia entre terraform plan y terraform apply en despliegues sobre Azure

Entonces, esta clase es para ti.

Esta clase exhaustiva muestra cómo desplegar aplicaciones de IA en Azure utilizando Terraform como infraestructura como código. Aprenderás a configurar Azure Container Apps para alojar servidores MCP, preparar Azure CLI y gestionar variables de entorno para un despliegue sin fricciones. El tutorial cubre los comandos esenciales de Terraform, incluyendo terraform init, terraform plan y terraform apply, mientras se trabaja con Azure Container Registry y la automatización de imágenes Docker. Descubrirás cómo registrar proveedores de recursos de Azure, gestionar workspaces de Terraform y configurar Log Analytics para el despliegue escalable de agentes de IA. La clase ofrece experiencia práctica con la integración de Azure OpenAI, la implementación del framework Semantic Kernel y el despliegue de contenedores serverless utilizando Azure Container Apps. Al finalizar, comprenderás el flujo completo para desplegar aplicaciones de IA contenerizadas con capacidades de escalado integradas y una gestión adecuada de recursos mediante el enfoque de infraestructura como código de Terraform.

Día 1 – Despliegue de agentes de IA con servidores MCP en Azure Container Apps

Si quieres aprender:

• Cómo desplegar agentes de IA con servidores MCP en Azure Container Apps utilizando Terraform
• Qué es el Model Context Protocol y cómo funcionan los servidores MCP junto con agentes de IA
• Cómo contenerizar y escalar aplicaciones de IA en Azure utilizando una arquitectura serverless
• Cómo monitorizar y observar agentes de IA desplegados en Azure mediante herramientas de logging integradas
• Cómo integrar Semantic Kernel con Azure OpenAI para despliegues de IA escalables
• Cómo gestionar costes y recursos al desplegar soluciones de IA contenerizadas en Azure

Entonces, esta clase es para ti.

Esta clase exhaustiva demuestra el proceso completo de despliegue de agentes de IA con servidores MCP en Azure Container Apps utilizando Terraform como infraestructura como código. Aprenderás a contenerizar aplicaciones de IA que utilizan el Model Context Protocol para integrarse de forma fluida con herramientas externas como Semgrep para análisis de ciberseguridad. La clase cubre el despliegue de soluciones de IA escalables y serverless en Azure Container Apps, la configuración de variables de entorno y claves de API, y la implementación de una monitorización adecuada mediante el framework de logging integrado de Azure. Explorarás cómo los servidores MCP se lanzan dentro de contenedores Docker para conectar agentes de IA con servicios externos, habilitando flujos de trabajo agenticos avanzados. La sesión incluye experiencia práctica con Terraform para el despliegue y destrucción de infraestructura, navegación por el portal de Azure para la gestión de recursos, monitorización de costes y configuración de presupuestos, y observabilidad mediante el framework Traces de OpenAI. Al finalizar, habrás desplegado con éxito un agente de IA analista de ciberseguridad completamente funcional que ejecuta servidores MCP en Azure Container Apps, con capacidades de monitorización en tiempo real y control de costes.

Día 2 – Configuración de infraestructura en GCP para el despliegue en producción de agentes de IA

Si quieres aprender:

• Cómo configurar la infraestructura de Google Cloud Platform para desplegar agentes de IA en producción
• Cuáles son los servicios clave de GCP como Cloud Run, GKE y Google Compute Engine para distintos escenarios de despliegue
• Cómo crear y configurar proyectos de GCP, cuentas de facturación y alertas de presupuesto para el control de costes
• Qué servicios de Google Cloud funcionan mejor para aplicaciones de IA contenedorizadas y servidores MCP
• Cómo estructurar la jerarquía de tu cuenta de GCP con proyectos, facturación y organización de recursos
• Cuál es la diferencia entre las opciones de despliegue con contenedores en GCP y cuándo utilizar cada una

Entonces, esta clase es para ti.

Esta clase exhaustiva te guía a través de la configuración de la infraestructura de Google Cloud Platform específicamente orientada al despliegue en producción de agentes de IA. Aprenderás a navegar por la jerarquía de servicios de GCP, incluyendo Google Compute Engine, Cloud Run, Google Kubernetes Engine (GKE) y Cloud Functions. La sesión cubre la creación y configuración de proyectos en GCP, la configuración de cuentas de facturación con la prueba gratuita de 300 dólares, y la implementación de alertas de presupuesto para la gestión de costes. Descubrirás cómo aplicar principios de Infraestructura como Código (IaC) utilizando Terraform para flujos de despliegue automatizados. La clase se centra en estrategias de despliegue contenedorizado utilizando Cloud Run, que resulta ideal para aplicaciones de IA con servidores MCP e integraciones con modelos de lenguaje. También aprenderás la estructura jerárquica de cinco niveles de GCP, desde las cuentas de Google hasta los recursos individuales, garantizando una organización adecuada para despliegues escalables de agentes de IA. Al finalizar, tendrás un entorno de GCP completamente configurado y listo para desplegar aplicaciones de IA preparadas para producción, con la monitorización y los controles de costes adecuados ya implementados.

Día 2 – Configuración de Google Cloud CLI para el despliegue en producción de contenedores de IA

Si quieres aprender:

• Cómo instalar y configurar Google Cloud CLI en tu entorno de desarrollo
• Cuáles son los comandos esenciales de gcloud para gestionar proyectos y servicios en GCP
• Cómo autenticar e inicializar tu cuenta de Google Cloud Platform desde la línea de comandos
• Qué APIs de Google Cloud deben habilitarse para flujos de despliegue con contenedores
• Cuáles son los procesos paso a paso para configurar Cloud Run y el acceso al Container Registry
• Cómo preparar tu infraestructura en GCP para despliegues en producción de IA y aplicaciones basadas en LLM

Entonces, esta clase es para ti.

Esta clase práctica demuestra el proceso completo de configuración de Google Cloud CLI, centrándose en flujos de despliegue de contenedores listos para producción. Aprenderás a instalar la interfaz de línea de comandos gcloud en distintos sistemas operativos, autenticarte con tu cuenta de Google Cloud Platform y configurar los ajustes esenciales del proyecto. La clase cubre comandos clave de gcloud para la gestión de proyectos, incluyendo la lista de proyectos disponibles, la comprobación de configuraciones activas y la verificación de conectividad con las APIs. Descubrirás cómo habilitar servicios fundamentales de Google Cloud como Cloud Run para la orquestación de contenedores, Container Registry para el almacenamiento de imágenes y Cloud Build para la construcción automatizada de contenedores. El tutorial proporciona experiencia práctica en la preparación de infraestructura como código (IaC), estableciendo las bases para desplegar aplicaciones de IA, modelos de lenguaje y agentes LLM en Google Cloud Platform. Al finalizar, tendrás un entorno de desarrollo completamente configurado, listo para despliegues con Kubernetes, integración con Terraform y gestión escalable de infraestructura cloud.

Día 2 – Despliegue de agentes de IA en GCP Cloud Run con infraestructura Terraform

Si quieres aprender:

• Cómo desplegar agentes de IA en Google Cloud Platform utilizando Cloud Run
• Cuál es el proceso paso a paso para usar Terraform para provisionar infraestructura en GCP
• Cómo autenticar y configurar Google Cloud para despliegues de Infrastructure as Code
• Cuáles son los requisitos de recursos y configuraciones necesarias para ejecutar aplicaciones LLM en Cloud Run
• Cómo utilizar contenedores Docker con Terraform para despliegues automatizados en GCP
• Cuál es el flujo completo para desplegar agentes de modelos de lenguaje en infraestructura de Google Cloud

Entonces, esta clase es para ti.

Esta clase práctica demuestra el proceso completo de despliegue de agentes de IA en Google Cloud Platform utilizando Terraform como infraestructura como código. Aprenderás a configurar la autenticación en GCP, establecer Application Default Credentials y utilizar la gestión de workspaces de Terraform para despliegues en la nube. La clase cubre la configuración esencial de Cloud Run, incluyendo los requisitos de CPU y memoria para aplicaciones basadas en LLM, abordando específicamente las necesidades de recursos de los servidores MCP de Semgrep. Dominarás el flujo de trabajo de terraform init, terraform plan y terraform apply mientras construyes y despliegas contenedores Docker en Google Cloud. La sesión incluye pasos prácticos de autenticación usando GCloud CLI, configuración de proyectos y asociación de facturación para la gestión de cuotas. Al final, comprenderás cómo automatizar el aprovisionamiento de infraestructura en la nube, configurar ajustes de escalado para aplicaciones de IA y desplegar con éxito agentes de modelos de lenguaje utilizando prácticas modernas de DevOps con Terraform y Google Cloud Platform.

Día 2 – Despliegue de agentes de IA en GCP y Azure con servicios de contenedores

Si quieres aprender:

• Cómo desplegar agentes de IA utilizando contenedores Docker en múltiples plataformas cloud
• Cuáles son las diferencias clave entre Azure Container Apps y Google Cloud Run
• Cómo utilizar servicios de contenedores para el despliegue multi-cloud de aplicaciones de IA
• Qué plataforma de contenedores es mejor para desplegar microservicios: serverless frente a orquestación de contenedores
• Cómo configurar pipelines de despliegue multi-cloud utilizando aplicaciones contenerizadas
• Cuál es la forma más eficiente de escalar agentes de IA en infraestructuras de GCP y Azure

Entonces, esta clase es para ti.

Esta clase completa demuestra de forma práctica el despliegue de agentes de IA en Google Cloud Platform y Microsoft Azure utilizando servicios de contenedores. Verás un despliegue en vivo de una aplicación de analista de ciberseguridad utilizando tanto GCP Cloud Run como Azure Container Apps, comparando su rendimiento y arquitectura. La sesión cubre estrategias de contenerización con Docker, flujos de despliegue multi-cloud y técnicas prácticas de orquestación de contenedores. Aprenderás a configurar registros de contenedores, gestionar pipelines de despliegue e implementar soluciones de contenedores serverless para aplicaciones de IA. La clase incluye ejemplos reales de escalado de agentes de IA contenerizados, gestión de costes entre plataformas cloud y criterios para elegir entre enfoques de platform-as-a-service y container-as-a-service. También explorarás el continuo de despliegue, desde aplicaciones de contenedores simples hasta arquitecturas complejas de microservicios, con ideas prácticas sobre cuándo utilizar cada enfoque para lograr un rendimiento óptimo de agentes de IA en entornos cloud.

Día 3 – Construyendo ALEX: Sistema de IA Financiera Multiagente sobre Infraestructura AWS

Si quieres aprender:

• Cómo construir un sistema de IA multiagente utilizando servicios de AWS y Amazon Bedrock
• Cuáles son las mejores prácticas para desplegar aplicaciones de IA generativa escalables sobre infraestructura AWS
• Cómo estructurar y organizar proyectos de IA open source a gran escala con una observabilidad adecuada
• Qué frameworks y patrones de arquitectura funcionan mejor para sistemas de IA financiera basados en modelos de lenguaje de gran tamaño
• Cómo configurar servicios de AWS, permisos y despliegues con Terraform para flujos de trabajo de IA en producción
• Cuáles son los bloques fundamentales para crear aplicaciones SaaS comerciales con capacidades de machine learning

¡Entonces esta lección es para ti!

Esta lección presenta ALEX (Agentic Learning Equities eXplainer), un sistema integral de IA financiera multiagente construido sobre infraestructura AWS utilizando Amazon Bedrock y frameworks open source. Explorarás la arquitectura completa de una aplicación de IA generativa lista para producción, diseñada para funcionar como un asesor financiero inteligente y planificador de jubilación.

La sesión cubre la configuración fundamental de un sistema de IA escalable, incluyendo el análisis de la estructura del repositorio, la configuración de servicios de AWS y las estrategias de despliegue con Terraform. Examinarás las mejores prácticas para organizar aplicaciones basadas en modelos de lenguaje con una observabilidad adecuada, consideraciones de privacidad de datos y protocolos de acceso seguro. La lección demuestra cómo aprovechar los modelos fundacionales totalmente gestionados de Amazon Bedrock junto con modelos personalizados para flujos de trabajo de retrieval augmented generation (RAG).

Los componentes técnicos clave incluyen una arquitectura de microservicios de backend, funciones Lambda, despliegues con App Runner y la integración de bases de datos vectoriales para mejorar el rendimiento. Aprenderás sobre estrategias de balanceo de carga, patrones de diseño de APIs y orquestación de pipelines de datos para gestionar las peticiones de los usuarios y las respuestas del sistema de IA. La sesión también aborda la eficiencia operativa mediante flujos de despliegue automatizados, la gestión de costes en AWS y estrategias de monitorización para herramientas de IA en producción.

Este enfoque práctico proporciona experiencia real con servicios de IA de AWS, despliegue de modelos de machine learning y los requisitos de infraestructura necesarios para construir aplicaciones de IA de nivel comercial que aceleren los procesos de negocio manteniendo altos estándares de calidad de datos y seguridad.

Día 3 – Configuración de Permisos en AWS y SageMaker para Agentes de IA en Producción

Si quieres aprender:

• Cómo configurar permisos en AWS para agentes de IA en producción utilizando SageMaker
• Cuál es la diferencia entre Amazon Bedrock y Amazon SageMaker en proyectos de IA
• Cómo configurar políticas de IAM y grupos de usuarios para el desarrollo con SageMaker AI
• Cuáles son los servicios esenciales de AWS para construir aplicaciones de IA generativa
• Cómo estructurar correctamente los permisos para sistemas de retrieval augmented generation (RAG)
• Cuáles son los pasos clave para preparar tu entorno AWS para el despliegue de modelos de lenguaje de gran tamaño

¡Entonces esta lección es para ti!

Esta lección exhaustiva te guía paso a paso en la configuración de permisos en AWS y de la infraestructura de SageMaker para agentes de IA en producción. Aprenderás a configurar políticas esenciales de IAM, incluyendo accesos personalizados a S3 Vectors para aplicaciones modernas de IA, a crear grupos de usuarios con los permisos adecuados para SageMaker y Amazon Bedrock, y a sentar las bases necesarias para el despliegue de modelos de lenguaje de gran tamaño.

La sesión cubre la configuración práctica de servicios de AWS, muestra los procedimientos de configuración de SageMaker AI y explica las consideraciones arquitectónicas clave para sistemas de IA generativa. Descubrirás cómo estructurar permisos para casos de uso de retrieval augmented generation (RAG), comprenderás las diferencias entre Amazon Bedrock y Amazon SageMaker según el tipo de aplicación de IA, y aprenderás las mejores prácticas para gestionar credenciales de AWS en entornos de desarrollo de IA.

Al finalizar, tendrás un entorno AWS completamente configurado y listo para construir agentes de IA sofisticados utilizando SageMaker y modelos fundacionales.

Día 3 – SageMaker vs Bedrock: Despliegue de Modelos de IA Personalizados en Producción

Si quieres aprender:

• Cuáles son las diferencias clave entre Amazon Bedrock y Amazon SageMaker para el despliegue de modelos de IA
• Cuándo deberías usar SageMaker frente a Bedrock en tus proyectos de IA generativa
• Cómo Amazon SageMaker da soporte a MLOps y al despliegue de modelos personalizados frente a los endpoints gestionados de Bedrock
• Cuáles son los casos de uso prácticos para desplegar modelos open source con SageMaker AI
• Cómo funcionan de manera diferente los modelos fundacionales en Amazon Bedrock y en Amazon SageMaker
• Qué es MLOps y cómo SageMaker facilita las operaciones de machine learning en entornos de producción

¡Entonces esta lección es para ti!

Esta lección exhaustiva ofrece una comparación detallada entre Amazon SageMaker y Amazon Bedrock para el despliegue de modelos de IA en entornos de producción. Descubrirás cómo Amazon SageMaker actúa como la plataforma central de AWS para el despliegue de modelos de machine learning de extremo a extremo, desde el entrenamiento hasta el hosting listo para producción, mientras que Amazon Bedrock se centra en proporcionar acceso vía API a modelos fundacionales de proveedores como Anthropic y AWS Nova.

Aprenderás las diferencias fundamentales entre estos servicios de AWS: Bedrock ofrece endpoints gestionados para modelos frontera con una configuración sencilla, mientras que SageMaker AI permite el despliegue de modelos personalizados con control total sobre modelos open source e integraciones con Hugging Face. La lección cubre casos de uso prácticos, incluyendo cuándo utilizar SageMaker para soluciones de IA personalizadas y cuándo optar por Bedrock para inferencia a gran escala con modelos de lenguaje de gran tamaño.

Explorarás los conceptos de MLOps y cómo Amazon SageMaker da soporte a las operaciones de machine learning mediante el seguimiento de experimentos, el versionado de modelos, el reentrenamiento automatizado y la monitorización en producción. También comprenderás el model drift, las implementaciones de retrieval augmented generation (RAG) y la integración entre SageMaker JumpStart y los flujos de trabajo de IA generativa.

Obtendrás una visión práctica del despliegue de modelos open source utilizando endpoints de SageMaker, incluyendo ejemplos reales de conversión de texto a vectores y almacenamiento vectorial en AWS. Esta lección conecta la simplicidad de Amazon Bedrock con la flexibilidad de Amazon SageMaker para despliegues de IA a nivel empresarial.

Día 3 – Desplegando Modelos de Embeddings en SageMaker para Sistemas RAG en Producción

Si quieres aprender:

• Cómo desplegar modelos de embeddings en SageMaker para sistemas RAG en producción
• Cuáles son las diferencias entre Amazon Bedrock y Amazon SageMaker para aplicaciones de IA
• Cómo configurar endpoints serverless de SageMaker utilizando infraestructura con Terraform
• Cómo implementar embeddings vectoriales para bases de conocimiento de retrieval augmented generation (RAG)
• Cuál es la mejor forma de utilizar AWS SageMaker AI para despliegues de modelos de lenguaje de gran tamaño
• Cómo integrar modelos de Hugging Face con Amazon SageMaker JumpStart para casos de uso de IA generativa

¡Entonces esta lección es para ti!

Esta lección práctica demuestra cómo desplegar modelos de embeddings en SageMaker listos para producción, orientados a sistemas de retrieval augmented generation, utilizando infraestructura serverless. Aprenderás a configurar endpoints de Amazon SageMaker AI mediante Terraform, implementando el modelo fundacional all-mini-llm-l6-v2 de Hugging Face para la generación de vectores.

La sesión cubre la integración de servicios esenciales de AWS, incluyendo la configuración de SageMaker JumpStart, la creación de roles de IAM y el despliegue de endpoints serverless para aplicaciones basadas en modelos de lenguaje de gran tamaño. Descubrirás la implementación práctica de vectores de embeddings para bases de conocimiento RAG, comprenderás las consideraciones del modelo de precios y explorarás casos de uso reales de Amazon SageMaker frente a Amazon Bedrock.

Al finalizar, habrás desplegado un endpoint de SageMaker completamente funcional, capaz de convertir texto en vectores de 384 dimensiones, incluyendo procedimientos de prueba y una arquitectura serverless eficiente en costes para aplicaciones de IA generativa.

Día 3 – Explorando la Plataforma Completa de SageMaker AI para Flujos de Trabajo de ML en Producción

Si quieres aprender:

• Qué es Amazon SageMaker AI y en qué se diferencia del branding original de SageMaker
• Cómo navegar por la plataforma completa de SageMaker AI y comprender su conjunto integral de herramientas para científicos de datos
• Qué son las Applications & IDEs de SageMaker, incluyendo Studio, Notebooks y los modelos fundacionales de JumpStart
• Cómo funcionan los Inference Endpoints de SageMaker y qué papel juegan dentro de la arquitectura global de la plataforma
• Qué capacidades ofrece Amazon SageMaker AI para flujos de trabajo de machine learning en producción más allá de la inferencia
• Cómo utilizar herramientas de SageMaker AI como Ground Truth para la gestión de datasets y TensorBoard para la depuración de modelos

¡Entonces esta lección es para ti!

Esta lección ofrece un recorrido completo por el ecosistema de la plataforma Amazon SageMaker AI orientado a flujos de trabajo de machine learning en producción. Explorarás la nueva interfaz de SageMaker AI, recientemente renombrada, y descubrirás toda su gama de capacidades diseñadas para científicos de datos profesionales.

La sesión cubre las principales Applications & IDEs, incluyendo SageMaker Studio para el entrenamiento y la depuración de modelos, los Notebooks en la nube como alternativa a Google Colab, y los modelos fundacionales de JumpStart para acceder a modelos de IA open source. Aprenderás a navegar por la estructura organizativa de SageMaker AI, desde las herramientas de alto nivel hasta funcionalidades específicas como los Inference Endpoints para el despliegue de modelos.

La lección también muestra el uso práctico de Ground Truth para la gestión de conjuntos de datos y explica cómo los endpoints de inferencia se integran dentro del ecosistema más amplio de servicios de AWS. Al finalizar, comprenderás cómo Amazon SageMaker AI actúa como una plataforma integral que da soporte a todo el ciclo de vida del machine learning, desde la preparación de datos hasta el despliegue y la monitorización de modelos en producción.

Día 4 – Construyendo Vector Data Pipelines con SageMaker y S3 para la Memoria de IA

? ¿Qué vas a aprender en esta clase?

Si quieres dominar la construcción de sistemas de memoria para IA generativa en producción, esta sesión es clave. En ella aprenderás:

• ? Cómo construir vector data pipelines usando AWS SageMaker y Amazon S3 para aplicaciones de IA.

• ? Diferencias clave entre Amazon Bedrock y SageMaker dentro de flujos de trabajo de machine learning.

• ⚡ Cómo desplegar modelos de embeddings en endpoints de SageMaker para inferencia en tiempo real.

• ? Cómo crear funciones AWS Lambda que automaticen el almacenamiento de vectores en S3 para casos de uso RAG.

• ☁️ Cómo integrar endpoints de inferencia de SageMaker con infraestructura serverless en AWS.

• ? Buenas prácticas para construir sistemas de memoria de IA escalables, eficientes y preparados para producción.

? Si te interesa la IA generativa aplicada a producción real, esta clase es para ti.

? ¿Qué construimos exactamente?

En esta lección aprenderás a crear pipelines de datos vectoriales listos para producción, orientados a sistemas de AI Memory y Retrieval Augmented Generation (RAG).

Trabajaremos un flujo completo que incluye:

• ? Entrada de texto

• ? Generación de embeddings

• ?️ Almacenamiento vectorial optimizado

• ? Automatización del proceso de ingestión

Todo ello utilizando servicios nativos de AWS, con foco en escalabilidad, coste y mantenibilidad.

?️ Contenido técnico de la clase

Durante la sesión implementarás paso a paso:

• ? Despliegue de una función Lambda de ingestión, conectada a un endpoint de SageMaker.

• ? Ejecución de un modelo de sentence transformers (de Hugging Face) para generar embeddings.

• ? Almacenamiento de vectores en S3 Vectors, la alternativa más eficiente y económica a OpenSearch para embeddings.

• ? Automatización del flujo de ingestión, invocando SageMaker desde Lambda en tiempo real.

• ? Optimización del almacenamiento para casos de uso RAG y recuperación semántica.

• ?️ Despliegue completo con Terraform, aplicando Infrastructure as Code.

• ? Configuración de permisos IAM y comunicación segura entre servicios.

• ? Integración de múltiples servicios AWS: SageMaker, Lambda y S3, trabajando de forma coordinada.

? ¿Para quién es esta clase?

Esta lección es ideal para:

• ?‍? Desarrolladores construyendo aplicaciones de IA generativa en producción

• ⚙️ Ingenieros interesados en MLOps y pipelines escalables

• ? Equipos que necesitan sistemas de memoria vectorial eficientes

• ? Proyectos que requieren RAG, búsqueda semántica y recuperación de contexto

✅ Resultado final

Al terminar esta clase, serás capaz de:

✔️ Diseñar y desplegar pipelines vectoriales completos en AWS
✔️ Construir sistemas de AI Memory listos para producción
✔️ Integrar IA generativa, serverless y MLOps de forma profesional

Una sesión 100% práctica, enfocada en arquitectura real y casos de uso avanzados de IA generativa.

Día 4 – Almacenamiento Vectorial Cost-Effective con S3 y Pipelines de Ingesta con Lambda

? ¿Qué vas a aprender en esta clase?

Si quieres construir sistemas de almacenamiento vectorial eficientes y escalables para IA generativa, reduciendo costes de forma drástica, esta sesión es para ti. En concreto, aprenderás:

• ? Cómo construir un sistema de almacenamiento vectorial con AWS S3 hasta un 90 % más barato que OpenSearch.

• ? Cómo crear y desplegar funciones AWS Lambda para la ingestión de documentos en pipelines de machine learning.

• ? Cómo configurar API Gateway con autenticación, asegurando despliegues serverless en producción.

• ? Cómo integrar endpoints de embeddings en SageMaker con almacenamiento vectorial en S3.

• ? Cómo empaquetar y desplegar módulos Python como funciones Lambda, listos para inferencia en tiempo real.

• ? Cómo configurar buckets vectoriales en S3, definiendo correctamente dimensiones y métricas de distancia para aplicaciones de IA.

? Si buscas rendimiento, escalabilidad y ahorro de costes en producción, esta clase es imprescindible.

? ¿Qué construimos exactamente?

En esta lección práctica desplegarás una solución completa de almacenamiento vectorial en producción, pensada para aplicaciones de IA generativa y RAG (Retrieval Augmented Generation).

El objetivo es sustituir soluciones costosas por una arquitectura serverless, modular y altamente optimizada, manteniendo capacidad de inferencia en tiempo real.

?️ Contenido técnico de la clase

Durante la sesión implementarás paso a paso:

• ?️ Creación de buckets vectoriales en S3 con:

  • ? 384 dimensiones para el almacenamiento de embeddings.

  • ? Métrica de similitud coseno, ideal para RAG y búsqueda semántica.

• ? Construcción de un pipeline de ingestión serverless usando AWS Lambda.

• ? Integración directa con endpoints de embeddings en Amazon SageMaker.

• ? Configuración de API Gateway con autenticación, asegurando el acceso a la infraestructura.

• ? Empaquetado de módulos Python para su despliegue como funciones Lambda.

• ⚙️ Automatización del despliegue, incluyendo handlers de Lambda y workflows de infraestructura.

• ☁️ Trabajo con infraestructura real de AWS, utilizando buenas prácticas de MLOps.

? ¿Para quién es esta clase?

Esta lección está pensada para:

• ?‍? Desarrolladores que construyen aplicaciones de IA generativa en producción.

• ⚙️ Ingenieros interesados en MLOps, RAG y sistemas vectoriales.

• ? Equipos que trabajan con embeddings de LLMs a gran escala.

• ? Proyectos que necesitan optimizar costes sin sacrificar rendimiento.

✅ Resultado final

Al finalizar esta clase, serás capaz de:

✔️ Diseñar un sistema de almacenamiento vectorial escalable y económico
✔️ Integrar S3, Lambda, API Gateway y SageMaker en un pipeline real
✔️ Soportar inferencia en tiempo real y casos de uso RAG
✔️ Aplicar buenas prácticas de MLOps en AWS

Una clase 100 % práctica, enfocada en arquitectura real, ahorro de costes y despliegues profesionales de IA generativa.

Día 4 – Configurando Pipelines de Ingesta de IA Seguros con Terraform y AWS

? ¿Qué vas a aprender en esta clase?

Si tu objetivo es desplegar pipelines de IA generativa seguros y listos para producción, esta clase es fundamental. A lo largo de la sesión aprenderás:

• ⚙️ Cómo configurar variables de Terraform para el despliegue de infraestructura en AWS.

• ? Qué pasos son necesarios para crear API Gateways seguros, incluyendo autenticación.

• ? Cómo desplegar funciones AWS Lambda con Terraform para automatizar pipelines de IA.

• ☁️ Qué servicios de AWS trabajan conjuntamente para construir flujos de machine learning escalables.

• ?️ Cómo implementar roles y permisos IAM correctos para aplicaciones de IA serverless.

• ✅ Buenas prácticas para securizar endpoints de IA generativa en producción.

? Si quieres pasar de prototipos inseguros a infraestructura profesional, esta clase es para ti.

? ¿Qué construimos exactamente?

En esta lección práctica desplegarás un pipeline completo de ingestión de IA, totalmente serverless, automatizado y seguro, utilizando Terraform como Infrastructure as Code.

El foco está en garantizar que cada componente esté correctamente configurado desde el punto de vista de seguridad, escalabilidad y mantenibilidad.

?️ Contenido técnico de la clase

Durante la sesión implementarás paso a paso:

• ⚙️ Configuración de variables en Terraform, incluyendo:

  • ? Región de AWS.

  • ? Nombres de endpoints de Amazon SageMaker.

• ?️ Despliegue de buckets S3 para almacenamiento vectorial.

• ? Creación de funciones AWS Lambda para el procesamiento e ingestión de datos.

• ? Configuración de API Gateway como punto de entrada seguro al sistema.

• ?️ Definición de roles y políticas IAM, asegurando permisos mínimos necesarios entre servicios.

• ? Habilitación de cifrado del lado del servidor (SSE) en buckets S3.

• ? Configuración de API Keys con control de throttling para entornos de producción.

• ? Integración completa entre S3, Lambda, API Gateway y SageMaker.

? Despliegue automatizado con Terraform

Trabajarás directamente con comandos reales de infraestructura:

• ▶️ terraform init para inicializar el proyecto.

• ▶️ terraform apply para desplegar automáticamente toda la arquitectura.

Al finalizar, tendrás un pipeline de IA completamente funcional, con ingestión en tiempo real y autenticación segura.

? ¿Para quién es esta clase?

Esta lección está diseñada para:

• ?‍? Desarrolladores que despliegan IA generativa en producción.

• ⚙️ Ingenieros interesados en MLOps, seguridad e infraestructura como código.

• ? Equipos que necesitan pipelines de ingestión robustos y auditables.

• ? Proyectos donde la seguridad es un requisito crítico, no opcional.

✅ Resultado final

Al terminar esta clase, serás capaz de:

✔️ Desplegar pipelines de ingestión de IA seguros y automatizados
✔️ Gestionar infraestructura compleja con Terraform
✔️ Aplicar buenas prácticas de seguridad en AWS
✔️ Construir aplicaciones serverless de IA generativa listas para producción

Una clase 100 % práctica, orientada a infraestructura real, seguridad y despliegues profesionales de IA.

Día 4 – Testeo End-to-End de tu Pipeline de Ingesta Vectorial con AWS Lambda

? ¿Qué vas a aprender en esta clase?

Una vez construida la infraestructura, llega el momento clave: validar que todo funciona de principio a fin. En esta sesión aprenderás:

• ? Cómo testear tu pipeline de ingestión vectorial con AWS Lambda de forma completa (end-to-end).

• ✅ Qué pasos seguir para verificar que tu workflow serverless de machine learning funciona correctamente.

• ? Cómo usar scripts de test para validar la ingestión de datos y la búsqueda vectorial.

• ? Cómo desplegar y probar un pipeline RAG completo usando Lambda, SageMaker y S3.

• ?️ Cómo es la arquitectura end-to-end de un sistema de almacenamiento vectorial listo para producción.

• ?️ Cómo detectar errores, depurar y validar el despliegue de aplicaciones de IA generativa.

? Si quieres asegurarte de que tu sistema no solo “despliega”, sino que realmente funciona en producción, esta clase es imprescindible.

? ¿Qué validamos exactamente?

En esta lección realizarás el test completo de un pipeline real de IA generativa, desde la ingestión de texto hasta la recuperación vectorial, validando cada componente del sistema.

Trabajarás con una arquitectura serverless que integra:

• AWS Lambda para la ingestión.

• Amazon SageMaker para la generación de embeddings.

• Amazon S3 como base de datos vectorial.

?️ Contenido técnico de la clase

Durante la sesión pondrás a prueba todo el sistema utilizando técnicas reales de validación:

• ▶️ Ejecución del script test-ingest-s3-vectors

  • Verificación de la ingestión de documentos.

  • Generación automática de embeddings.

• ▶️ Ejecución del script test-search-s3-vectors

  • Validación de búsquedas vectoriales.

  • Comprobación de resultados en un pipeline RAG.

• ? Uso del modelo all-mini-llm-l6-v2

  • Generación de vectores de 384 dimensiones.

  • Almacenamiento correcto en buckets vectoriales S3.

• ? Validación de API Gateway

  • Uso de API Keys.

  • Comprobación de acceso seguro.

• ?️ Revisión del despliegue con Terraform

  • Infraestructura consistente.

  • Arquitectura correctamente interconectada.

? Arquitectura End-to-End validada

Al finalizar la sesión habrás comprobado que:

• ? Los documentos de texto se ingieren correctamente.

• ? Se transforman en embeddings mediante endpoints de SageMaker.

• ?️ Los vectores se almacenan en S3.

• ? Pueden recuperarse en tiempo real para casos de uso RAG.

• ⚙️ Todo el flujo funciona de forma automatizada, segura y escalable.

? ¿Para quién es esta clase?

Esta lección está pensada para:

• ?‍? Desarrolladores que quieren validar IA generativa en producción.

• ⚙️ Ingenieros de MLOps y arquitectos cloud.

• ? Equipos que trabajan con RAG, embeddings y búsqueda semántica.

• ? Proyectos que requieren confianza total en su pipeline de IA.

✅ Resultado final

Al terminar esta clase, serás capaz de:

✔️ Testear un pipeline vectorial completo end-to-end
✔️ Validar arquitecturas reales de IA generativa en AWS
✔️ Detectar y solucionar problemas antes de producción
✔️ Garantizar que tu sistema RAG funciona en tiempo real

Una clase 100 % práctica, centrada en validación real, pruebas profesionales y confianza en despliegues de IA generativa.

Día 5 – Construyendo Agentes de Investigación con IA usando MCP Servers y Data Pipelines

? ¿Qué vas a aprender en esta clase?

En esta sesión damos el salto a agentes de IA avanzados, combinando research, automatización y data engineering a escala. Aprenderás:

• ? Cómo construir agentes de investigación con IA usando el Model Context Protocol (MCP) y el OpenAI Agent SDK.

• ? Qué son los MCP Servers y cómo se integran con Amazon Bedrock y otros servicios de AWS.

• ? Cómo crear pipelines de datos escalables para IA usando AWS Lambda y SageMaker.

• ? Cómo desplegar agentes de IA con contenedores Docker y AWS App Runner para flujos de investigación automatizados.

• ? Fundamentos de Data Engineering y cómo funciona un proceso ETL (Extract, Transform, Load) en sistemas de IA.

• ??? Cómo implementar la arquitectura Medallion (bronze, silver y gold) para aplicaciones empresariales.

? Si quieres construir agentes de IA autónomos, conectados a datos reales y listos para producción, esta clase es clave.

? ¿Qué construimos exactamente?

En esta lección desarrollarás un agente de investigación llamado “Researcher”, diseñado para:

• Buscar información automáticamente en la web.

• Procesar y vectorizar contenido.

• Almacenar, transformar y enriquecer datos.

• Operar de forma escalable, reproducible y automatizada.

Todo ello mediante una arquitectura moderna de agentes, conectando modelos de IA con herramientas externas y pipelines de datos robustos.

?️ Contenido técnico de la clase

A lo largo de la sesión implementarás:

• ? Un agente de investigación con OpenAI Agent SDK, orquestado mediante MCP Servers.

• ? Un MCP Server integrado con Playwright, para navegación y extracción de información web.

• ? Endpoints de SageMaker para:

  • Vectorización de texto.

  • Enriquecimiento semántico de los datos.

• ? Funciones AWS Lambda para ingestión y procesamiento de datos.

• ?️ Almacenamiento en S3, estructurado por capas de datos.

• ? Contenerización con Docker y despliegue automático en AWS App Runner.

• ⏱️ Ejecución programada y automatizada de los flujos de investigación.

• ? Integración con agentes de Amazon Bedrock para flujos de IA escalables.

? Data Engineering aplicado a IA

Esta clase introduce conceptos clave de ingeniería de datos aplicada a sistemas de IA:

• ? Procesos ETL completos:

  • ? Extract: captura de datos desde la web y APIs.

  • ? Transform: limpieza, vectorización y enriquecimiento.

  • ? Load: almacenamiento optimizado para consumo por agentes.

• ??? Arquitectura Medallion:

  • Bronze: datos crudos.

  • Silver: datos procesados y limpios.

  • Gold: datos listos para análisis y consumo por modelos.

• ? Pipelines “a prueba de fallos”, pensados para entornos empresariales.

?️ Despliegue e infraestructura

Además, trabajarás con:

• ?️ Terraform para el despliegue completo de la infraestructura.

• ☁️ Servicios AWS como:

  • Lambda

  • S3

  • ECS

  • App Runner

• ? MCP como capa de integración, permitiendo que los modelos de IA interactúen con herramientas externas de forma estandarizada.

? ¿Para quién es esta clase?

Esta lección está diseñada para:

• ?‍? Desarrolladores que construyen agentes de IA en producción.

• ⚙️ Ingenieros interesados en AI Agents, MCP y Data Engineering.

• ? Equipos que necesitan automatizar investigación y análisis de datos.

• ? Proyectos empresariales que requieren pipelines robustos y escalables.

✅ Resultado final

Al finalizar esta clase, serás capaz de:

✔️ Construir agentes de investigación autónomos con IA
✔️ Diseñar pipelines de datos empresariales para IA generativa
✔️ Integrar modelos, herramientas y datos mediante MCP
✔️ Desplegar sistemas de IA escalables y listos para producción

Una clase avanzada y estratégica, donde convergen IA generativa, agentes, data engineering y arquitectura cloud moderna.

Día 5 – Construyendo Agentes de Investigación con IA usando Amazon Bedrock y OpenAI SDK en AWS

? ¿Qué vas a aprender en esta clase?

En esta sesión aprenderás a diseñar y desplegar agentes de investigación con IA de nivel producción, combinando servicios gestionados de AWS con herramientas abiertas. Concretamente, verás:

• ? Cómo construir agentes de investigación con IA usando Amazon Bedrock y el OpenAI SDK en AWS.

• ? Qué es el Model Context Protocol (MCP) y cómo desplegar MCP Servers junto a agentes de Amazon Bedrock.

• ⚙️ Cómo aprovechar MCP Servers para el desarrollo, orquestación y despliegue de agentes de IA.

• ? Cómo escalar MCP Servers con Docker y Amazon ECS para cargas de trabajo en producción.

• ☁️ Cómo integrar modelos de IA con servicios AWS para aplicaciones agentic AI.

• ? Cómo combinar agentes de Amazon Bedrock con herramientas open source en flujos de machine learning.

? Si quieres construir agentes de IA autónomos, interoperables y escalables sobre AWS, esta clase es clave.

? ¿Qué construimos exactamente?

En esta lección desarrollarás un agente de investigación avanzado, capaz de:

• Realizar investigación web autónoma.

• Ingerir y procesar información de forma automática.

• Vectorizar contenido y almacenarlo para su posterior recuperación.

• Operar de manera escalable, segura y lista para producción.

El sistema se apoya en Amazon Bedrock para la ejecución de modelos y en el OpenAI Agents SDK para la orquestación de agentes mediante MCP.

?️ Contenido técnico de la clase

A lo largo de la sesión implementarás:

• ? Despliegue de MCP Servers integrados con agentes de Amazon Bedrock.

• ? Aplicación en AWS App Runner que utiliza el OpenAI Agents SDK para orquestar agentes vía Bedrock.

• ? Servidor MCP con Playwright para:

  • Investigación en internet.

  • Extracción automatizada de información.

• ? Conversión de resultados a vectores y almacenamiento en S3 mediante un servicio de ingestión personalizado.

• ? Configuración de acceso a modelos en Amazon Bedrock, incluyendo:

  • Modelos OSS-120.

  • Modelos Nova.

• ? Conectividad cross-region entre servicios AWS.

• ? Integración completa del Model Context Protocol, mejorando la interoperabilidad entre modelos y herramientas.

?️ Despliegue y escalabilidad

La clase incluye un enfoque práctico de infraestructura y operaciones:

• ? Contenerización con Docker para MCP Servers.

• ⚙️ Escalado de agentes con Amazon ECS para workloads de producción.

• ?️ Despliegue de infraestructura con Terraform.

• ? Configuración de IAM, permisos y roles entre servicios.

• ? Uso de AWS Lambda para tareas auxiliares de procesamiento.

• ? Gestión correcta de APIs para aplicaciones de IA en producción.

? ¿Para quién es esta clase?

Esta lección está diseñada para:

• ?‍? Desarrolladores que quieren construir agentes de IA en producción.

• ⚙️ Ingenieros interesados en Agentic AI, MCP y arquitecturas cloud.

• ? Equipos que necesitan automatizar investigación y procesamiento de información.

• ? Proyectos que requieren escala, seguridad e interoperabilidad en sistemas de IA generativa.

✅ Resultado final

Al finalizar esta clase, serás capaz de:

✔️ Construir un agente de investigación autónomo con IA
✔️ Desplegar y escalar MCP Servers en AWS
✔️ Integrar Amazon Bedrock, OpenAI SDK y servicios AWS
✔️ Operar agentes de IA seguros, escalables y listos para producción

Una clase avanzada y muy práctica, donde confluyen IA generativa, agentes inteligentes, MCP y arquitectura cloud profesional.

Día 5 – Despliegue de Agentes de Investigación con IA usando Docker, ECR y App Runner

? ¿Qué vas a aprender en esta clase?

En esta sesión te centrarás en el despliegue profesional de agentes de investigación con IA, utilizando contenedores y servicios gestionados de AWS. Aprenderás:

• ? Cómo desplegar agentes de investigación con IA usando contenedores Docker y servicios de AWS.

• ? Qué es el Model Context Protocol (MCP) y cómo integrar MCP Servers con Amazon Bedrock.

• ?️ Cómo configurar repositorios en Amazon ECR y gestionar el flujo completo de despliegue de aplicaciones contenerizadas.

• ? Cómo construir agentes de IA capaces de navegar por la web y realizar tareas de investigación usando Playwright MCP Servers.

• ?️ Cómo gestionar infraestructura en AWS con Terraform, paso a paso, para despliegues de IA.

• ⚙️ Cómo desplegar y escalar agentes de Amazon Bedrock usando AWS App Runner.

? Si quieres pasar de código local a agentes de IA desplegados, escalables y observables en AWS, esta clase es esencial.

? ¿Qué construimos exactamente?

En esta lección implementarás el workflow completo de despliegue de un agente de investigación con IA, desde el código hasta su ejecución en producción.

El agente será capaz de:

• Orquestar modelos de IA mediante MCP.

• Realizar investigación web automatizada.

• Integrarse con servicios AWS de forma segura.

• Escalar automáticamente según la carga.

?️ Contenido técnico de la clase

A lo largo de la sesión trabajarás con:

• ? Contenerización de agentes de IA con Docker.

• ?️ Creación y gestión de repositorios en Amazon ECR.

• ⚙️ Construcción y push de imágenes Docker para despliegue en la nube.

• ? Configuración de servicios en AWS App Runner para ejecutar agentes contenerizados.

• ? Implementación de MCP Servers integrados con Amazon Bedrock.

• ? Uso de Playwright MCP para navegación web headless y tareas de investigación.

• ? Desarrollo de agentes en Python usando el Strands Agents SDK.

• ? Configuración correcta de roles y permisos IAM.

• ? Resolución del problema “chicken-and-egg” en despliegues con contenedores y dependencias cloud.

?️ Infraestructura, escalado y observabilidad

Además del despliegue, esta clase cubre aspectos clave de producción:

• ?️ Despliegue de infraestructura con Terraform.

• ? Observabilidad y tracing en agentes de IA.

• ⚙️ Integración con servicios adicionales de AWS, como:

  • Amazon ECS

  • AWS Lambda

• ? Escalado automático de agentes para flujos de investigación intensivos.

? ¿Para quién es esta clase?

Esta lección está pensada para:

• ?‍? Desarrolladores que quieren desplegar agentes de IA en producción.

• ⚙️ Ingenieros interesados en Agentic AI, MCP y contenedores.

• ? Equipos que necesitan automatizar investigación y análisis web.

• ? Proyectos que requieren escalabilidad, observabilidad y buenas prácticas cloud.

✅ Resultado final

Al finalizar esta clase, serás capaz de:

✔️ Contenerizar y desplegar agentes de investigación con IA
✔️ Integrar MCP Servers con Amazon Bedrock
✔️ Gestionar ECR, App Runner y Terraform de forma profesional
✔️ Escalar agentes de IA listos para producción en AWS

Una clase muy práctica y orientada a despliegue real, donde se conectan IA generativa, agentes, MCP, Docker y arquitectura cloud moderna.

Día 5 – Testeo End-to-End de Workflows de Agentes de IA: de la Investigación al Almacenamiento Vectorial

? ¿Qué vas a aprender en esta clase?

En esta sesión cerrarás el ciclo completo de los agentes de IA en producción, validando que todo el sistema funciona de forma autónoma, escalable y observable. Aprenderás:

• ? Cómo desplegar y testear workflows end-to-end de agentes de IA usando servicios de AWS.

• ? Cuál es el proceso completo, desde la automatización de la investigación hasta el almacenamiento vectorial.

• ☁️ Cómo integrar agentes de IA con arquitecturas serverless usando Amazon Bedrock y Amazon EventBridge.

• ? Cómo orquestar workflows de IA multi-paso, capaces de recolectar y almacenar datos de forma autónoma.

• ?️ Cómo construir sistemas reales de IA que investigan temas y rellenan bases de conocimiento automáticamente.

• ? Cómo depurar y monitorizar agentes de IA, utilizando traces de OpenAI y herramientas nativas de AWS.

? Si quieres validar que tus agentes no solo existen, sino que funcionan de verdad en producción, esta clase es imprescindible.

? ¿Qué validamos exactamente?

En esta lección ejecutarás y probarás un workflow completo de agentes de IA, capaz de:

• Detectar temas de interés.

• Realizar investigación web de forma autónoma.

• Procesar y estructurar la información.

• Almacenar el conocimiento en bases de datos vectoriales.

• Operar de forma event-driven, con control de errores y observabilidad.

Todo el flujo se prueba en tiempo real, de principio a fin.

?️ Contenido técnico de la clase

Durante la sesión trabajarás con un pipeline real que incluye:

• ? Despliegue de agentes contenerizados usando:

  • Docker

  • Amazon ECR

  • Terraform

• ? Orquestación serverless mediante:

  • AWS Step Functions

  • Amazon EventBridge

• ? Uso de Amazon Bedrock para:

  • Procesamiento de lenguaje natural.

  • Capacidades de scraping e investigación.

• ? Herramientas MCP (Model Context Protocol) para:

  • Navegación web automatizada.

  • Recolección estructurada de información.

• ?️ Ingesta automática en almacenamiento vectorial usando:

  • Amazon OpenSearch

• ? Testing de operaciones vectoriales:

  • Inserción de datos.

  • Validación de búsquedas semánticas.

? Observabilidad, testing y resolución de problemas

Uno de los focos clave de esta clase es la operación en producción:

• ? Monitorización del rendimiento de agentes mediante tracing de OpenAI.

• ?️ Técnicas prácticas de troubleshooting en workflows de IA.

• ? Mecanismos de retry y tolerancia a fallos en pipelines event-driven.

• ⏱️ Validación en tiempo real de cada paso del flujo.

? ¿Para quién es esta clase?

Esta lección está pensada para:

• ?‍? Desarrolladores que quieren validar agentes de IA en producción.

• ⚙️ Ingenieros de MLOps y arquitectos cloud.

• ? Equipos que construyen sistemas autónomos de investigación y conocimiento.

• ? Proyectos que requieren orquestación, escalabilidad y observabilidad real.

✅ Resultado final

Al finalizar esta clase, serás capaz de:

✔️ Testear workflows de agentes de IA end-to-end
✔️ Orquestar sistemas de IA event-driven y autónomos
✔️ Integrar Bedrock, MCP, OpenSearch y servicios AWS
✔️ Monitorizar y depurar agentes de IA en producción

Una clase clave de cierre, centrada en validación real, operación en producción y confianza total en sistemas de agentes de IA.

Día 5 – Automatizando Workflows de Agentes de IA con AWS EventBridge y Scheduling

⏱️ ¿Qué vas a aprender en esta clase?

En esta sesión aprenderás a automatizar por completo agentes de IA en producción, pasando de ejecuciones manuales a workflows autónomos, programados y observables. En concreto, verás:

• ? Cómo automatizar workflows de agentes de IA usando Amazon EventBridge y schedulers.

• ?️ Cuál es la arquitectura completa para construir pipelines de datos de IA listos para producción.

• ? Cómo orquestar workflows de IA multi-paso con servicios serverless de AWS.

• ? Cómo integrar Amazon Bedrock, SageMaker y Lambda para sistemas de IA autónomos.

• ? Cómo monitorizar y depurar agentes de IA ejecutándose en entornos productivos.

• ⚙️ Cómo construir orquestación end-to-end para aplicaciones de IA en tiempo real.

? Si quieres que tus agentes de IA trabajen solos, de forma fiable y continua, esta clase es clave.

? ¿Qué construimos exactamente?

En esta lección desplegarás workflows automáticos de agentes de IA, capaces de:

• Ejecutarse de forma programada (por ejemplo, cada 2 horas).

• Investigar información de manera autónoma.

• Procesar y vectorizar datos usando modelos fundacionales.

• Almacenar resultados en sistemas de búsqueda y recuperación.

• Escalar automáticamente y recuperarse de errores.

Todo ello sobre una arquitectura event-driven preparada para producción.

?️ Contenido técnico de la clase

Durante la sesión implementarás:

• ⏱️ Schedulers en Amazon EventBridge

  • Ejecución periódica de agentes (ej. cada 2 horas).

  • Disparo automático de workflows de IA.

• ? Orquestación con AWS Step Functions

  • Coordinación de flujos multi-paso.

  • Gestión de estados, retries y errores.

• ? Integración de modelos de IA mediante:

  • Amazon Bedrock

  • Amazon SageMaker

• ⚙️ Uso de AWS Lambda para:

  • Ingestión de datos.

  • Procesamiento intermedio.

• ? Ejecución de agentes en AWS App Runner

  • Integración mediante APIs REST.

  • Escalado automático de agentes.

? Arquitectura production-grade

La clase cubre patrones reales de arquitectura para IA en producción:

• ?️ Amazon S3 para almacenamiento intermedio y persistente.

• ? API Gateway como punto de entrada seguro.

• ? Amazon OpenSearch para búsqueda y recuperación vectorial.

• ? Pipelines event-driven que escalan automáticamente.

• ♻️ Lógica de retry y tolerancia a fallos integrada en el workflow.

? Observabilidad y operación en producción

Un foco clave de esta sesión es la operación real de sistemas de IA:

• ? Monitorización con CloudWatch Logs y métricas.

• ? Tracing de agentes con OpenAI Traces.

• ?️ Troubleshooting práctico de workflows automáticos.

• ⏱️ Seguimiento en tiempo real de ejecuciones programadas.

? ¿Para quién es esta clase?

Esta lección está pensada para:

• ?‍? Desarrolladores que quieren automatizar agentes de IA en producción.

• ⚙️ Ingenieros de MLOps y arquitectos cloud.

• ? Equipos que construyen sistemas autónomos y event-driven.

• ? Proyectos que requieren robustez, escalabilidad y operación continua.

✅ Resultado final

Al finalizar esta clase, serás capaz de:

✔️ Automatizar workflows completos de agentes de IA
✔️ Orquestar sistemas de IA programados y event-driven
✔️ Integrar Bedrock, SageMaker, Lambda y EventBridge
✔️ Monitorizar y operar agentes de IA en producción real

Una clase clave de cierre, centrada en automatización, fiabilidad y arquitectura profesional de agentes de IA.

Día 5 – Cierre de la Semana 3: Opciones de Proyecto y Próximos Pasos hacia IA en Producción

? ¿Qué vas a aprender en esta clase?

Esta sesión sirve como cierre estratégico de la Semana 3 y como puente hacia la construcción de plataformas de IA agéntica en producción. Aquí obtendrás una visión clara de cómo continuar, qué opciones de proyecto elegir y cómo escalar tu solución de forma profesional.

En concreto, aprenderás:

• ? Cómo mejorar tu agente de IA usando Amazon Bedrock y MCP Servers para despliegue en producción.

• ⚙️ Buenas prácticas para workflows de IA agéntica con servicios AWS como Amazon ECS y AWS Lambda.

• ? Cómo construir pipelines de ingestión de datos enterprise-grade usando el Model Context Protocol (MCP).

• ? Estrategias de despliegue para escalar MCP Servers junto a agentes de Amazon Bedrock.

• ? Integración de contenedores Docker con infraestructura AWS para aplicaciones de IA robustas.

• ? Consideraciones clave de gestión de costes al llevar agentes de IA a producción.

? Si quieres convertir lo aprendido en una solución real y escalable, esta clase te da el mapa completo.

? Opciones de proyecto para la Semana 3

En esta clase se presentan tres caminos claros para completar los assignments de la semana, según el perfil y objetivos técnicos del alumno:

? Opción 1 – Profundizar en Agentic AI

• Integrar nuevos MCP Servers con agentes de Amazon Bedrock.

• Mejorar capacidades de razonamiento y orquestación.

• Aplicar context engineering avanzado para agentes.

⚙️ Opción 2 – Platform Engineering en AWS

• Refuerzo de la arquitectura con servicios como Amazon SQS.

• Diseño de sistemas resilientes y desacoplados.

• Patrones de despliegue tolerantes a fallos.

? Opción 3 – Data Engineering para IA

• Integración con bases de datos externas.

• Uso de funciones serverless para ingestión y transformación.

• Construcción de pipelines de datos empresariales.

?️ Contenido técnico de la clase

Durante la sesión se abordan aspectos clave para producción:

• ? Implementación práctica de MCP con agentes de Amazon Bedrock.

• ? Estrategias de contenerización con Docker.

• ⚙️ Buenas prácticas de despliegue en ECS.

• ?️ Gestión de infraestructura con Terraform.

• ? Configuración de API Gateway para acceso seguro.

• ? Optimización de costes en AWS para agentes de IA.

• ? Flujos de contribución en GitHub, orientados a trabajo colaborativo.

? Preparación para la Semana 4

La clase concluye preparando el terreno para la Semana 4, donde:

• Construirás una plataforma completa de IA agéntica.

• Aplicarás patrones de escalado avanzados.

• Integrarás Amazon SageMaker, Lambda y el ecosistema completo de IA en AWS.

• Pasarás de agentes individuales a sistemas de IA de nivel plataforma.

✅ Resultado final

Al finalizar esta clase, tendrás:

✔️ Claridad total sobre cómo continuar tu proyecto
✔️ Opciones técnicas alineadas con objetivos reales de producción
✔️ Criterios para diseñar IA agéntica escalable y sostenible
✔️ Una transición natural hacia arquitecturas avanzadas de IA

Una clase de cierre estratégico, diseñada para ayudarte a tomar decisiones técnicas correctas y avanzar con confianza hacia IA en producción de nivel profesional.

Día 1 – Arquitecturas Single-Agent vs Multi-Agent para Sistemas de IA en Producción

? ¿Qué vas a aprender en esta clase?

Esta clase marca el punto de partida conceptual del curso y aborda una de las decisiones más importantes al diseñar sistemas de IA generativa y agéntica en producción:
? ¿usar un solo agente o múltiples agentes especializados?

A lo largo de la sesión aprenderás:

• ? Cómo elegir entre arquitecturas single-agent y multi-agent para tus aplicaciones de IA.

• ? Diferencias clave entre orquestación de workflows (flujos codificados) y toma de decisiones autónoma por agentes.

• ? Cuándo utilizar un único agente con bucles agénticos frente a múltiples agentes especializados.

• ?️ Cómo diseñar arquitecturas de agentes escalables, pensadas para entornos empresariales.

• ? Buenas prácticas para construir y testear sistemas de IA multi-agente.

• ? Cómo empezar con arquitecturas simples y evolucionar progresivamente hacia frameworks agénticos complejos.

? Si quieres tomar buenas decisiones arquitectónicas desde el principio, esta clase es fundamental.

?️ ¿Qué se analiza exactamente?

En esta lección se exploran patrones reales de arquitectura de IA en producción, comparando dos enfoques principales:

? Arquitecturas Single-Agent

• Un único agente autónomo.

• Uso de bucles agénticos iterativos.

• Gestión de tareas mediante prompts con contexto amplio.

• Menor complejidad inicial y costes más controlados.

? Arquitecturas Multi-Agent

• Varios agentes especializados (research, planificación, ejecución, validación…).

• Coordinados por un agente orquestador.

• Mayor modularidad, escalabilidad y control.

• Ideal para sistemas complejos y empresariales.

⚙️ Contenido técnico de la clase

Durante la sesión aprenderás a:

• ? Diferenciar entre:

  • Workflows orquestados (decisiones codificadas).

  • Sistemas agénticos autónomos, donde el LLM decide.

• ? Diseñar arquitecturas multi-agente con agentes especializados.

• ? Implementar loops agénticos en arquitecturas single-agent.

• ? Evaluar casos de uso reales para elegir la arquitectura adecuada.

• ☁️ Aplicar estos patrones usando servicios de AWS como Amazon Bedrock.

• ? Diseñar sistemas preparados para requisitos enterprise: escalabilidad, mantenibilidad y control.