Conviértete en AI Engineer
en 6 semanas.
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. ¡Lidera la revolución de la inteligencia artificial!
Antes de inscribirte
¿Esta ruta es para ti?
Queremos que decidas con información real, no con marketing. Así te va a ir según tu situación:
- Ya programas (Python básico) y quieres integrar IA en productos reales, no solo usar ChatGPT.
- Quieres construir agentes y sistemas multiagente que funcionen en producción, con monitoreo y seguridad.
- Buscas un proyecto end-to-end para tu portafolio, no solo certificados de asistencia.
- Puedes dedicar 6-8h semanales de forma consistente durante todo el programa.
- Buscas solo aprender a usar prompts o herramientas no-code sin programar nada.
- Nunca has escrito código y no quieres empezar por fundamentos de Python.
- Esperas resultados "mágicos" sin dedicar horas de práctica fuera de clase.
- Buscas teoría académica profunda de deep learning — aquí el foco es aplicado.
Por qué ahora
La demanda de AI Engineers ya se refleja en el salario.
Empresas como Accenture, BBVA, Rappi y Santander ya contratan estos perfiles en LATAM. Estos son rangos referenciales para roles relacionados con esta ruta.
*Rangos mensuales en USD, referenciales para roles senior/semi-senior en empresas LATAM con presencia regional. Varía por país y experiencia previa.
Curriculum
9 módulos, de fundamentos a producción
6 semanas · ritmo sugerido 3 sesiones/semana. Cada módulo cierra con un entregable, no solo teoría.
- Sesión 1 - Fundamentos de IA y Modelos de Lenguaje
- Introducción al AI Engineering y conceptos clave de Machine Learning & Deep Learning.
- Fundamentos de LLM's y la arquitectura Transformer: self-attention, embeddings y tokenización.
- Exploración de Modelos Fundacionales: GPT, Gemini, Claude, LLaMA, Mistral y DeepSeek.
- Análisis de casos de uso base para la aplicación de modelos de lenguaje
- Sesión 1 - Diseño de Arquitecturas para Soluciones con LLM's
- Gestión de Datos: Procesos de ingesta (Data Ingestion), almacenamiento (Data Storage) y bases de datos vectoriales (Qdrant, Pinecone, Supabase).
- Integración 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).
- Monitoreo y Seguridad: Implementación de caché, logs, encriptación y estrategias contra vulnerabilidades en LLM's
- Taller Práctico: Definir desde cero la arquitectura de una solución basada en LLM's: Qdrant o Supabase en su modo gratuito, GCP para ADK.
- Sesión 2 - Introducción a LLMOps
- Definición y principios de LLMOps
- Fases del ciclo de vida: Preparación de datos (Data Preparation) y seguridad en prompts
- Automatización y Orquestación mediante el uso de Pipelines
- Implementación de integración y despliegue continuo (CI & CD)
- Sesión 1 - Fundamentos de LangChain (Agentes con LangChain) Y LangGraph (Sistema Multiagentes)
- Introducción a los conceptos de Retrieval Augmented Generation (RAG) y Grounding de LLM's
- Exploración del Framework LangChain y sus componentes principales
- Uso de plantillas de prompts (Prompt Templates) para estandarizar las interacciones
- Implementación de caché para respuestas de LLM's (Caching LLM Responses).
- Construcción de flujos de trabajo con Cadenas Simples (Simple Chains) y Secuenciales (Sequential Chains)
- Implementación de Agentes con el framework ReAct
- Carga y segmentación de documentos: Document Loaders y Chunking Techniques.
- Almacenamiento e indexación en bases de datos vectoriales (Vector Stores and Indexing)
- Almacenamiento del historial de conversaciones con Firestore
- Sesión 2 - Introducción a Embeddings, Bases de Datos Vectoriales y RAG
- Conceptualización de Embeddings y su función en IA
- Gestión de modelos de almacenamiento: Colecciones y Puntos
- Técnicas de búsqueda por similitud vectorial (Vector Similarity Searches)
- Implementación de sistemas de recuperación (Retrieval) con Qdrant, Pinecone y FAISS
- Sesión 3 - Taller de Agentes Conversacionales multitool con LangChain
- Proyecto n°1: Agente Conversacional de Whatsapp utilizando LangChain, RAG, EvolutionAPI, Chatwoot y FastAPI.
- Implementación de EvolutionAPI por medio de Docker
- La LLM del Agente discierne si se trata del tópico elegido
- Si es el tópico elegido, entonces el agente hace un análisis del documento y lo lleva a Supabase
- El RAG se hará con Supabase
- Se conectará EvolutionAPI con el Agente (Backend) por medio de una API hecha con FastAPI
- Sesión 4 - Optimización y Carga Masiva de Vectores
- Creación de índices para optimización: Payload Indexes y Vector Indexes
- Optimización de consultas y escalabilidad mediante algoritmos de re-rank
- Taller Práctico: Realizar una carga masiva de datos y convertirlos a vectores en una base de datos
- Taller Práctico: Optimizar los resultados de Qdrant aplicando algoritmos de re-rank
- Sesión 5 - Taller de Agentes No Conversacionales con LangGraph
- Proyecto n°2 End-to-End: Sistema Multiagente: Asistente de Investigación con LangGraph
- Desarrollo de una interfaz utilizando Streamlit que me permita cargar PDF's
- La LLM del Agente discierne si se trata del tótpico elegido
- Si es el tópico elegido, entonces el agente hace un análisis del documento y lo lleva a Supabase
- Sesión 1 - Fundamentos y Agentes con Llama Index
- Exploración de los componentes de Llama Index Core
- Implementación de Agentes con el framework ReAct
- Uso de agentes con capacidad de llamar funciones (Function Calling Agent)
- Carga, segmentación (Chunking) y almacenamiento de documentos en Vector Stores
- Sesión 2 - Taller de Sistemas Multiagente con Llama Index
- Proyecto n°3 End-to-End: Agente de Ventas y Soporte de Website por PopOut conectado con Chatwoot.
- Creación de una Landing de Ventas (Website) con V0
- Agente hecho con LlamaIndex y RAG con LlamaCloud
- Integración con Firestore para almacenar el historial de chats
- Agente con manejo de Tools Externas
- Sesión 1 - Introducción a Framework de Agentes con CrewAI
- Fundamentos de los frameworks de agentes (Agentics frameworks)
- Mecanismos clave de los agentes: Tool calling, memory, planning y reflexión
- Introducción al framework CrewAI
- Análisis de casos de uso: copilotos de negocio, asistentes de datos y call centers digitales
- Sesión 2 - Frameworks Avanzados y Casos de Uso
- Estudio del MCP Framework
- Análisis del A2A Framework
- Aplicación práctica en escenarios de negocio
- Diseño de soluciones basadas en agentes para problemas específicos
- Sesión 3 - Taller Práctico de Sistemas Multiagente
- Preparación del entorno para el desarrollo con CrewAI
- Taller Práctico: Construir un sistema multiagente conversacional que integre RAG y herramientas externas
- Implementación de roles y tareas específicas para cada agente
- Taller Práctico: Desarrollar un sistema basado en el MCP Framework
- Proyecto n°4 End-to-End: Proyecto con MCP
- Sesión 1 - Construcción de Agentes RAG con n8n
- Fundamentos de n8n: Introducción a la automatización Low-Code y la creación de Agentes activados por Webhooks
- Implementación de la Memoria del agente y conexión a una Base vectorial para la recuperación de información
- Integración de Tools (herramientas externas) y uso de Parámetros dinámicos para flujos de trabajo flexibles
- Taller Práctico: Construcción de un Sistema Multiagente Conversacional RAG que interactúa con herramientas externas usando n8n
- Sesión 1. Conceptos de Seguridad en LLM's
- Identificación de vulnerabilidades en LLM's
- Técnicas de ataque: Prompt Injections
- Prevención de explotación de alucinaciones (Model Hallucination Exploits)
- Estrategias para mitigar ataques de Jailbreaking
- Sesión 2 - Taller de Observabilidad y Evaluación con LangFuse
- Observabilidad y Trazabilidad: Monitoreo de trazas y logs (LLM's Log traces) de los LLM's
- Gestión de Prompts: Control de versiones e implementación (Version control and deploy).
- Evaluación: Medición de la calidad de las respuestas (Measure output quality) y testeo de cambios
- Taller Práctico: Implementar observabilidad y trazabilidad con LangFuse sobre agentes RAG y multiagentes
- Sesión 1. Construcción de Agentes de Voz en Tiempo Real
- Introducción a los agentes de IA de voz
- Exploración de frameworks como Livekit y Deepgram
- Diseño de un pipeline en tiempo real para procesar audio
- Taller Práctico: Desarrollar un prototipo de agente de voz
- Sesión 1. Desarrollo de un Proyecto End-to-End
- Fase 1 - Arquitectura: Definición y despliegue de la arquitectura LLM's
- Fase 2 - Datos y RAG: Carga de datos en una base de datos vectorial Qdrant y construcción de un sistema RAG con LangChain
- Fase 3 - Orquestación: Automatización y orquestación del flujo de trabajo
- Fase 4 - Monitoreo y Despliegue: Implementación de monitoreo con LangFuse y configuración de un pipeline CI/CD
Docentes
Aprende con quienes lo hacen todos los días
No enseñan teoría desde afuera — resuelven estos problemas en sus empresas y traen esa experiencia al salón.
Testimonios
Lo que dicen quienes ya la tomaron
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 👇).
10 mar 2026
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 💯 🤓 🦾 👌
14 mar 2026
Ver publicación
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
7 mar 2026
Ver publicación
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.
14 mar 2026
Ver publicaciónEladio 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.
18 jun 2025
Ver video
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
10 feb 2026
Ver publicaciónPablo Quispe Ruiz
Azure AI Engineer
Muy buenos docentes, buenas plantillas. Aprendí mucho de arquitecturas en Azure y me ayudó mucho en mi trabajo.
14 mar 2026
Ver videoYeredith Mora Martínez
Data Engineer
Proyectos muy prácticos, aprendí mucho del programa. Me permitió contar con un ascenso.
Inversión
Elige tu nivel de acceso
Ambos planes incluyen certificado y clases en vivo. Full agrega las especializaciones on-demand y soporte prioritario.
- Clases en vivo
- Acceso comunidad IA
- Acceso a recursos y materiales
- Certificado de Finalización
- Bono por rendimiento académico
- Soporte
- +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
Preguntas frecuentes
Antes de que preguntes
¿Listo para convertirte en AI Engineer?
Accede a 9 módulos core, 11+ electivos y proyecto final en una sola inversión.