Ruta certificada · en vivo

Conviértete en un AI Engineer

Construyes

Domina Python, OpenAI, LangChain y LangGraph. Crea sistemas multiagente avanzados y despliega en GCP. Automatiza con n8n y Make para innovar con soluciones de IA conversacional de élite.

Construyes 4 proyectos reales: WhatsApp, investigación, ventas y MCP.

Orquestas agentes con LangChain, LangGraph, LlamaIndex y CrewAI.

RAG sobre Qdrant, Pinecone y Supabase con monitoreo en LangFuse.

Automatizas con n8n y despliegas en GCP, AWS y Azure.

Inscribirme ahora →Ver temario

+3256 alumnos activos4.9★ valoraciónPrograma · 9 módulos

agent://supportagent · spec.mdBUILDING

01 Spec

02 Vectores

03 Agente RAG

04 Multiagente

05 Monitoreo

06 Deploy

spec/supportagent.md

Canal WhatsApp definido

Base de conocimiento (RAG)

Herramientas externas (MCP)

Escalado human-in-the-loop

PythonRTensorFlowDockerSparkGCPAWSAzureGitSQLKubernetesPyTorchPythonRTensorFlowDockerSparkGCPAWSAzureGitSQLKubernetesPyTorch

El método agentic

De la idea al agente en producción

Cada sesión te lleva un paso más en el mismo flujo que ya viste construirse arriba. No memorizas teoría: ejecutas un pipeline real.

Spec

LangChain

Vectores

Qdrant

RAG

LlamaIndex

Agentes

CrewAI

Multiagente

LangGraph

Monitoreo

LangFuse

Deploy

n8n

Tu misión · plan de estudios

9 módulos · 7 proyectos reales

Un recorrido en 6 semanas: cada módulo suma una nueva capacidad a tus agentes, de los fundamentos de LLM's hasta el proyecto integrador end-to-end.

01Sesión 1 - Fundamentos de IA y Modelos de Lenguaje

02Introducción al AI Engineering y conceptos clave de Machine Learning & Deep Learning.

03Fundamentos de LLM's y la arquitectura Transformer: self-attention, embeddings y tokenización.

04Exploración de Modelos Fundacionales: GPT, Gemini, Claude, LLaMA, Mistral y DeepSeek.

05Análisis de casos de uso base para la aplicación de modelos de lenguaje

01Sesión 1 - Diseño de Arquitecturas para Soluciones con LLM's

02Gestión de Datos: Procesos de ingesta (Data Ingestion), almacenamiento (Data Storage) y bases de datos vectoriales (Qdrant, Pinecone, Supabase).

03Integración y Procesamiento: Conexión con LLM's de diferentes proveedores (GCP, Azure, AWS) y uso de frameworks como LangChain y Llama Index (Open Source solo para Conceptos).

04Monitoreo y Seguridad: Implementación de caché, logs, encriptación y estrategias contra vulnerabilidades en LLM's

05Taller Práctico: Definir desde cero la arquitectura de una solución basada en LLM's: Qdrant o Supabase en su modo gratuito, GCP para ADK.

06Sesión 2 - Introducción a LLMOps

07Definición y principios de LLMOps

08Fases del ciclo de vida: Preparación de datos (Data Preparation) y seguridad en prompts

09Automatización y Orquestación mediante el uso de Pipelines

10Implementación de integración y despliegue continuo (CI & CD)

01Sesión 1 - Fundamentos de LangChain (Agentes con LangChain) Y LangGraph (Sistema Multiagentes)

02Introducción a los conceptos de Retrieval Augmented Generation (RAG) y Grounding de LLM's

03Exploración del Framework LangChain y sus componentes principales

04Uso de plantillas de prompts (Prompt Templates) para estandarizar las interacciones

05Implementación de caché para respuestas de LLM's (Caching LLM Responses).

06Construcción de flujos de trabajo con Cadenas Simples (Simple Chains) y Secuenciales (Sequential Chains)

07Implementación de Agentes con el framework ReAct

08Carga y segmentación de documentos: Document Loaders y Chunking Techniques.

09Almacenamiento e indexación en bases de datos vectoriales (Vector Stores and Indexing)

10Almacenamiento del historial de conversaciones con Firestore

11Sesión 2 - Introducción a Embeddings, Bases de Datos Vectoriales y RAG

12Conceptualización de Embeddings y su función en IA

13Gestión de modelos de almacenamiento: Colecciones y Puntos

14Técnicas de búsqueda por similitud vectorial (Vector Similarity Searches)

15Implementación de sistemas de recuperación (Retrieval) con Qdrant, Pinecone y FAISS

16Sesión 3 - Taller de Agentes Conversacionales multitool con LangChain

17Proyecto n°1: Agente Conversacional de Whatsapp utilizando LangChain, RAG, EvolutionAPI, Chatwoot y FastAPI.

18Implementación de EvolutionAPI por medio de Docker

19La LLM del Agente discierne si se trata del tópico elegido

20Si es el tópico elegido, entonces el agente hace un análisis del documento y lo lleva a Supabase

21El RAG se hará con Supabase

22Se conectará EvolutionAPI con el Agente (Backend) por medio de una API hecha con FastAPI

23Sesión 4 - Optimización y Carga Masiva de Vectores

24Creación de índices para optimización: Payload Indexes y Vector Indexes

25Optimización de consultas y escalabilidad mediante algoritmos de re-rank

26Taller Práctico: Realizar una carga masiva de datos y convertirlos a vectores en una base de datos

27Taller Práctico: Optimizar los resultados de Qdrant aplicando algoritmos de re-rank

28Sesión 5 - Taller de Agentes No Conversacionales con LangGraph

29Proyecto n°2 End-to-End: Sistema Multiagente: Asistente de Investigación con LangGraph

30Desarrollo de una interfaz utilizando Streamlit que me permita cargar PDF's

31La LLM del Agente discierne si se trata del tótpico elegido

32Si es el tópico elegido, entonces el agente hace un análisis del documento y lo lleva a Supabase

01Sesión 1 - Fundamentos y Agentes con Llama Index

02Exploración de los componentes de Llama Index Core

03Implementación de Agentes con el framework ReAct

04Uso de agentes con capacidad de llamar funciones (Function Calling Agent)

05Carga, segmentación (Chunking) y almacenamiento de documentos en Vector Stores

06Sesión 2 - Taller de Sistemas Multiagente con Llama Index

07Proyecto n°3 End-to-End: Agente de Ventas y Soporte de Website por PopOut conectado con Chatwoot.

08Creación de una Landing de Ventas (Website) con V0

09Agente hecho con LlamaIndex y RAG con LlamaCloud

10Integración con Firestore para almacenar el historial de chats

11Agente con manejo de Tools Externas

01Sesión 1 - Introducción a Framework de Agentes con CrewAI

02Fundamentos de los frameworks de agentes (Agentics frameworks)

03Mecanismos clave de los agentes: Tool calling, memory, planning y reflexión

04Introducción al framework CrewAI

05Análisis de casos de uso: copilotos de negocio, asistentes de datos y call centers digitales

06Sesión 2 - Frameworks Avanzados y Casos de Uso

07Estudio del MCP Framework

08Análisis del A2A Framework

09Aplicación práctica en escenarios de negocio

10Diseño de soluciones basadas en agentes para problemas específicos

11Sesión 3 - Taller Práctico de Sistemas Multiagente

12Preparación del entorno para el desarrollo con CrewAI

13Taller Práctico: Construir un sistema multiagente conversacional que integre RAG y herramientas externas

14Implementación de roles y tareas específicas para cada agente

15Taller Práctico: Desarrollar un sistema basado en el MCP Framework

16Proyecto n°4 End-to-End: Proyecto con MCP

01Sesión 1 - Construcción de Agentes RAG con n8n

02Fundamentos de n8n: Introducción a la automatización Low-Code y la creación de Agentes activados por Webhooks

03Implementación de la Memoria del agente y conexión a una Base vectorial para la recuperación de información

04Integración de Tools (herramientas externas) y uso de Parámetros dinámicos para flujos de trabajo flexibles

05Taller Práctico: Construcción de un Sistema Multiagente Conversacional RAG que interactúa con herramientas externas usando n8n

01Sesión 1. Conceptos de Seguridad en LLM's

02Identificación de vulnerabilidades en LLM's

03Técnicas de ataque: Prompt Injections

04Prevención de explotación de alucinaciones (Model Hallucination Exploits)

05Estrategias para mitigar ataques de Jailbreaking

06Sesión 2 - Taller de Observabilidad y Evaluación con LangFuse

07Observabilidad y Trazabilidad: Monitoreo de trazas y logs (LLM's Log traces) de los LLM's

08Gestión de Prompts: Control de versiones e implementación (Version control and deploy).

09Evaluación: Medición de la calidad de las respuestas (Measure output quality) y testeo de cambios

10Taller Práctico: Implementar observabilidad y trazabilidad con LangFuse sobre agentes RAG y multiagentes

01Sesión 1. Construcción de Agentes de Voz en Tiempo Real

02Introducción a los agentes de IA de voz

03Exploración de frameworks como Livekit y Deepgram

04Diseño de un pipeline en tiempo real para procesar audio

05Taller Práctico: Desarrollar un prototipo de agente de voz

01Sesión 1. Desarrollo de un Proyecto End-to-End

02Fase 1 - Arquitectura: Definición y despliegue de la arquitectura LLM's

03Fase 2 - Datos y RAG: Carga de datos en una base de datos vectorial Qdrant y construcción de un sistema RAG con LangChain

04Fase 3 - Orquestación: Automatización y orquestación del flujo de trabajo

05Fase 4 - Monitoreo y Despliegue: Implementación de monitoreo con LangFuse y configuración de un pipeline CI/CD

+0alumnos activos

0semanas de programa

+0módulos core

0.0★valoración promedio

Cercano, no críptico

Pregúntale al agente

Antes de inscribirte, resuelve tus dudas. Mismo espíritu del agente RAG que aprenderás a construir: pregunta natural, respuesta al instante.

Quiero mi lugar →

Asistente DataPath● en línea

¡Hola! 👋 Soy el asistente de DataPath. Pregúntame lo que quieras sobre el programa AI Engineer.

Historias reales

Trayectorias que despegaron

Gonzalo Raúl Gutierrez Lozano

IT Project Development Assistant

★★★★★

¡Buenas tardes, estimada red! 🚀 ¡Meta cumplida! Acabo de culminar con éxito mi proyecto final: "Pipeline de Datos de Ventas: Arquitectura Event-Driven con Google Cloud Platform y Apache Airflow". Recientemente finalicé el programa AI Data Engineer en Datapath y, como parte del proyecto final, diseñé e implementé un pipeline de datos de ventas "End-to-End" bajo una arquitectura orientada a eventos (Event-Driven). Este proyecto representa un hito que no solo me planteó importantes desafíos técnicos, sino que también me brindó la oportunidad de implementar soluciones escalables y resilientes en la nube. 🏗️ La Arquitectura: El flujo comienza con un Producer desarrollado en FastAPI que simula transacciones en tiempo real. Estas son enviadas a Google Cloud Pub/Sub, que actúa como el corazón de la mensajería asíncrona, para luego ser procesadas y orquestadas por Apache Airflow. Finalmente, los datos se almacenan en un Data Lake en Cloud Storage y se consolidan en BigQuery para su análisis. 🛠️ Stack Tecnológico: - Lenguajes: Python (FastAPI, Pandas). - Cloud (GCP): Pub/Sub, Cloud Storage, BigQuery, IAM. - Orquestación: Apache Airflow (Dockerizado). - Infraestructura: Docker & Docker Compose. 💡 Aptitudes y Aprendizajes clave: - Desacoplamiento de sistemas: Uso de capas de mensajería para evitar la pérdida de datos. - Orquestación Avanzada: Gestión de dependencias y comunicación mediante XComs en Airflow. - Seguridad Cloud: Implementación de Service Accounts y manejo estricto de roles IAM. - Contenedorización: Despliegue de entornos reproducibles con Docker. Un agradecimiento especial a mis profesores de datapath por su guía y enseñanza durante todo el programa. ¡Seguimos avanzando en este mundo de los datos! 🚀📈 ¿Quieres ver el código o los detalles técnicos? Te invito a leer mi artículo en Medium y revisar mi repositorio en GitHub (links en los comentarios 👇).

PythonDockerGCP

Jorge Alberto Pinilla Estupiñan

Arquitecto TI (Solutions | Software | Integration | Cloud)

★★★★★

🤖 La Inteligencia Artificial está redefiniendo la forma en que diseñamos soluciones, y los Large Language Models (LLMs) son el corazón de esta transformación. Acabo de culminar el curso “AI Engineer & LLM Developer”, donde profundicé en: 🔹 Fundamentos de Machine Learning y Deep Learning 🔹 Diseño y entrenamiento de Large Language Models (LLMs) 🔹 Integración de IA en aplicaciones empresariales con APIs y frameworks modernos 🔹 Buenas prácticas de ética, seguridad y despliegue responsable de modelos Este aprendizaje me permite llevar la arquitectura cloud y la ingeniería de datos a un nuevo nivel, integrando IA generativa y agentes inteligentes en soluciones que combinan innovación con gobernanza. 🚀 La gran lección: no se trata solo de entrenar modelos, sino de diseñar experiencias inteligentes que generen confianza y valor real. 💡 ¿Qué aplicaciones de IA generativa están explorando ustedes en sus proyectos actuales? hashtag#AI hashtag#LLM hashtag#MachineLearning hashtag#GenerativeAI hashtag#Innovation hashtag#ContinuousLearning datapath hashtag#datapath Gracias profesor: Kevin Inofuente Colque 💯 🤓 🦾 👌

LLMsLLMAPIs

Diego Morales Barrera

Generative AI | Data Science | Machine Learning

★★★★★

Just completed the AI Data Engineer bootcamp from datapath (105 hours) 🎉 This training complements my generative AI expertise by deepening my understanding of the data infrastructure that powers AI systems, from ETL pipelines and real-time processing to DataOps and AI engineering fundamentals. Key areas covered: → Data architecture & SQL for data engineering → ETL processes with Python → Big data processing (Hadoop, Spark, Kafka) → Real-time data pipelines → AI engineering foundations Building AI solutions requires more than understanding models, it requires understanding how data flows, transforms, and scales. This program filled gaps in my data engineering knowledge that directly strengthen my AI delivery capabilities. hashtag#AIEngineering hashtag#DataEngineering hashtag#GenerativeAI hashtag#ContinuousLearning hashtag#AIImplementation

PythonSQLKafka

Edgar Chávez

Digital Marketing Specialist / Consultancy / AI

★★★★★

Completé un curso intensivo en hashtag#automatización con n8n en datapath. Diseñar procesos automatizados con IA bien aplicados y correctamente gobernados permite mejorar la eficiencia operativa en negocios de hospitalidad. Cuando se implementan con criterio, estas herramientas no sustituyen la experiencia humana; la potencian, al liberar tiempo que puede destinarse a un mejor trato, mayor personalización y una operación más consciente. Sigo desarrollando estas capacidades como parte de una visión estratégica de largo plazo, donde tecnología y experiencia colaboran.

n8nAutomatización

Eladio Yovera

Technical Lead - Data & AI | Azure | Databricks | MS Fabric

★★★★★

Con datapath pude obtener el certificado de Data Engineer en Azure, me aportó mucho en mi crecimiento profesional.

Azure

Adrian Nieto Castillo

Líder de Proyectos de Datos en DataIQ

★★★★★

¡Me alegra contarles que he obtenido un nuevo certificado: ESPECIALIZACIÓN IA GENERATIVA CON AZURE de datapath! Arrancamos el 2026 con nuevos logros, a seguir creciendo siempre! hashtag#Datos hashtag#IA hashtag#Azure hashtag#DataIQ

AzureIA Generativa

Tu equipo docente

Aprende con expertos de la industria

Kevin Inofuente

Pesquisador en Algoritmos Generativos de Gestos

Ernesto Laura Mamani

Generative AI Lead – Interseguro conpañía de Seguros

Jesus Mendez

Gerente de Inteligencia Artificial at Intercorp

Eladio Yovera

Technical Data Leader - iDATA Global

Daniel Melgarejo

Senior Data Governance & Strategy Consultant

🎉 ☀️ Promoción Fiestas Patrias: 2x1

Elige tu tipo de acceso

Inversión única, en 2 o 3 cuotas con tarjeta de crédito o débito.

Individual

Basic

$800$600

o en 2 o 3 cuotas

☀️ Promoción Fiestas Patrias: 2x1

Clases en vivo

Acceso comunidad IA

Acceso a recursos y materiales

Certificado de Finalización

Bono por rendimiento académico

Soporte

Inscríbete a Basic

Individual

Full

$950$712.5

o en 2 o 3 cuotas

☀️ Promoción Fiestas Patrias: 2x1

+7 Cursos Especializados IA

+9 Cursos Ondemand

Clases en vivo

Acceso comunidad IA

Acceso a recursos y materiales

Certificado de Finalización

Talleres exclusivos

Soporte

Acceso plataforma Intranet

Bono por rendimiento académico

Inscríbete a Full

Próximas cohortes