Machine Learning II

Descripción general del curso: Machine Learning II es un curso aplicado cuyo objetivo central es integrar inteligencia artificial —en particular IA generativa— en procesos reales del sector público. El foco está en aprender a:

Identificar cuellos de botella, ineficiencias o decisiones repetitivas en procesos públicos.
Formular soluciones basadas en ML e IA generativa con un nivel de madurez tecnológica (TRL) ≥ 4.
Diseñar sistemas socio-técnicos donde humanos, datos y modelos interactúan de forma responsable.
Usar LLMs como herramientas para análisis, documentación, prototipado y evaluación.
Producir proyectos presentables a desafíos públicos (p. ej. Laboratorio de Gobierno).

El curso combina tres dimensiones:

Fundamentos: historia, límites y supuestos de la IA generativa.
Herramientas: APIs de LLMs, embeddings, prompting estructurado y evaluación.
Aplicación: proyectos que integran IA en procesos concretos del Estado.

IA, procesos y sector público: marco del curso (06-03-2026)

Introducción al curso y a su lógica central: pasar de “modelos” a sistemas de decisión y gestión. Revisamos qué significa integrar IA en procesos públicos, qué es TRL, y por qué muchos proyectos de IA fracasan antes de llegar a implementación.

Presentación del curso y método de evaluación
Presentación: IA en proceso pedagógico: link
Presentación: proyectos de ML en el sector público: link
Actividad: mapeo preliminar de problemas públicos candidatos a proyecto. Cada grupo deberá transformar un “tema” amplio en una decisión concreta dentro de un proceso institucional real, especificando: (i) proceso, (ii) actor que decide, (iii) unidad de decisión, (iv) resultado esperado.
Referencia guía: revisar la sección “Ficha de Actividades Clave” (Herramienta IV), en particular las preguntas orientadas a describir cómo se realiza actualmente una actividad dentro del proceso.
Lecturas:

Algorithms and Decision-Making in the Public Sector: link
Technology Readiness Levels for Machine Learning Systems: link
Guía de referencia para proyectos de innovación pública: Laboratorio de Gobierno – Proyectos de Innovación
Guía (opcional, lectura focalizada): Herramienta IV – Ficha de Actividades Clave (cómo describir una actividad actual antes de rediseñarla).

LLMs vía API: del texto al sistema (13-03-2026)

Uso práctico de APIs de LLMs (OpenAI, Gemini) para tareas estructuradas: clasificación, extracción, resumen, scoring y generación controlada.

Embeddings como representación semántica
Diseño de inputs y outputs estructurados
Ejemplo aplicado: posicionamiento de actores políticos
Actividad aplicada al proyecto: completar la Ficha de Actividades Clave para el proceso seleccionado. El objetivo es identificar con precisión: (i) cómo se realiza hoy la actividad, (ii) qué información se utiliza, (iii) qué parte podría ser automatizable o asistida por IA.
Se contrastará la actividad descrita con un pipeline simple basado en LLM.
Referencia guía: Herramienta IV – Ficha de Actividades Clave.
Ejercicio técnico: construir un pipeline simple basado en LLM alineado con la actividad identificada.
Lecturas:

Enhancing Function-Calling Capabilities in LLMs: link

RAG y variantes (20-03-2026)

Cómo aumentar el contexto con documentos locales.

RAG clásico
Actividad aplicada al proyecto: realizar un diagnóstico preliminar de la disponibilidad y calidad de los datos asociados a la actividad seleccionada. Se deberá identificar: (i) fuentes de datos existentes, (ii) formato (estructurado / no estructurado), (iii) accesibilidad, (iv) posibles restricciones normativas.
Referencia guía: Herramienta V – Matriz de Madurez de Datos.
Discusión: ¿la solución propuesta depende de datos que realmente existen?
Lecturas:

Survey de técnicas en RAG: link
Hamel Husain – RAG (visión crítica / “RAG no es suficiente”)

Técnicas de prompting y DSPy (27-03-2026)

Pasamos del “prompt artesanal” a prompting evaluable y reproducible. Introducción a DSPy como framework para diseñar, optimizar y testear prompts.

Prompts como programas
Evaluación automática de outputs
Iteración y mejora sistemática
Tarea: diseñar un módulo LLM evaluable para un problema público
Lecturas:

Paquete de Python: link
Tutorial: link
DSPy: Compiling Declarative Language Model Calls into Self-Improving Pipelines: link

Feriado (03-04-2026)

no hay clases

Presentaciones de avance + creación de reportes con IA (10-04-2026)

En esta clase, haremos las presentaciones parciales de los proyectos. En adición, usaremos uno de los bloques para discutir técnicas para generar reportes con IA. La idea central: un reporte con IA no es “preguntarle cosas a un LLM”, sino diseñar una arquitectura de búsqueda → reducción → síntesis que sea trazable y escalable.

Lecturas:

Crear un chatbot con IA (17-04-2026)

En esta clase, combinaremos las técnicas utilizadas en clases anteriores para crear un chatbot.

Lecturas:

Engineering Retrieval Augmented Generation-based Virtual Assistants in Practice: link

Presentaciones finales de proyectos (24-04-2026)

Presentación final de proyectos como propuestas de innovación pública: problema, solución, arquitectura, evaluación y escalabilidad.

Machine Learning II: IA Generativa y Procesos Públicos