Este documento complementa el plan de estudios principal proporcionando mayor profundidad en conceptos críticos, explicaciones funcionales accesibles, y detalles sobre cómo los temas se conectan entre sí.
Audiencia: Ingeniero de software con 15 años de experiencia, background en sistemas aeroespaciales y ciberseguridad, actualmente en especialización de gestión de tecnología.
Enfoque: Comprensión funcional, no matemática teórica profunda. Énfasis en aplicabilidad y arquitectura de sistemas.
La IA moderna es el nombre que damos a sistemas que pueden:
- Aprender patrones desde datos
- Generalizar esos patrones a nuevas situaciones
- Tomar decisiones basadas en lo aprendido
- Mejorar sus decisiones con más datos y experiencia
No es:
- Un sistema que entiende el mundo como los humanos
- Un algoritmo determinístico tradicional (si X entonces Y)
- Una búsqueda exhaustiva de soluciones
Sí es:
- Un modelo estadístico que aprendió patrones complejos
- Un sistema de probabilidades refinado
- Una aproximación, no una solución exacta
Era 1 (1956-1990s): IA Simbólica ("Good Old-Fashioned AI")
- Expertos escribían reglas manualmente
- Sistemas basados en lógica y árboles de decisión
- Problema: No escalaba con complejidad real
Era 2 (1990s-2010s): Machine Learning Clásico
- Ingenieros diseñaban "features" (características)
- Algoritmos como SVM, Random Forest, Naive Bayes
- Mejora: Menos reglas manuales, aprendizaje automático
- Limitación: Todavía requería feature engineering manual
Era 3 (2010s-presente): Deep Learning y Transformers
- Redes neuronales aprenden features automáticamente
- Transformers permiten procesamiento en paralelo
- Con suficientes datos y cómputo, rendimiento superior
- 2022: ChatGPT demuestra capacidades generales sin fine-tuning
Álgebra Lineal: Cómo representar información
Una imagen = Una matriz de números (píxeles)
Una palabra = Un vector (lista de números que representa significado)
Una red neuronal = Multiplicaciones y sumas de matrices enormes
¿Por qué importa? Las operaciones matriciales son:
- Muy rápidas en GPUs
- Paralelizables
- Permiten procesar miles de datos simultáneamente
Cálculo: Cómo mejora un modelo
Error = Diferencia entre predicción y realidad
Gradiente = Dirección hacia menor error
Descenso de gradiente = Paso pequeño en esa dirección
Mil millones de pasos = Modelo entrenado
¿Por qué importa? Es cómo los modelos literalmente "aprenden" - ajustando pesos (números internos) para reducir errores.
Probabilidad: Cómo manejar incertidumbre
El modelo no "elige" la siguiente palabra
El modelo calcula: P(palabra A) = 45%, P(palabra B) = 30%, P(palabra C) = 25%
Luego "dibuja" una palabra según estas probabilidades
¿Por qué importa? Los LLMs no son determinísticos - generan probabilidades. Por eso a veces dan respuestas inesperadas.
Antes de ChatGPT (Noviembre 2022):
- Modelos de lenguaje existían desde 2018 (BERT, GPT-2)
- Eran "caja negra" - expertos entrenados
- Acceso limitado, interfaz técnica
- Limitaciones claras y conocidas
El Momento ChatGPT:
- Interfaz web simple (como Google)
- 1 millón de usuarios en 2 meses (récord histórico)
- Parecía "inteligente" sin especialización evidente
- Planteó preguntas fundamentales sobre IA
Evolución 2023-2025:
| Fecha | Hito | Impacto |
|---|---|---|
| Nov 2022 | ChatGPT lanzado | Atención pública masiva |
| Mar 2023 | GPT-4 lanzado | Mejor reasoning, multimodal |
| Sep 2024 | GPT-o1 lanzado | Razonamiento "tipo matemático" |
| Jun 2025 | o3-pro disponible | Capacidades reasoning avanzadas |
| Ago 2025 | 700M usuarios activos | Herramienta "normal" como Google |
Lo importante: No fue que GPT-4 fuera revolucionariamente mejor que GPT-3.5. Fue que finalmente alguien hizo una interfaz que los humanos normales podían usar, y descubrimos qué era posible.
Antes de Transformers (RNNs y LSTMs):
- Procesaban texto palabra por palabra, secuencialmente
- Imposible paralelizar
- Perdían contexto con textos largos
El Breakthrough (2017: "Attention Is All You Need"):
- Procesar todas las palabras simultáneamente
- Cada palabra "atiende" a todas las otras
- ¿Cuál es la probabilidad de que "banco" se refiera a "dinero" vs "río"?
- Depende de las palabras alrededor
- Self-attention lo calcula automáticamente
¿Cómo funciona Self-Attention?
Frase: "El banco del río tiene dinero"
Para la palabra "banco":
1. Calcular similitud con todas las palabras
2. "dinero" es muy relevante → peso alto
3. "río" es muy relevante → peso alto
4. "del" es menos relevante → peso bajo
5. Crear representación de "banco" que incorpora contexto
6. La palabra siguiente puede ser mejor predicha
Tokenización:
Texto: "ChatGPT is amazing"
Tokens: [2409, 12, 316] (números internos)
- No es siempre palabra por palabra
- Pueden ser subcadenas o caracteres
- Importa porque el modelo procesa tokens, no caracteres
Embeddings:
Token 2409 ("ChatGPT") → [0.23, -0.45, 0.67, ...] (1000s números)
- Cada número representa un aspecto del significado
- "2409" y "5432" (ChatBot) tienen embeddings similares
- El espacio de embeddings preserva relaciones semánticas
Capas de Transformer:
Entrada: "What is artificial" → embeddings
Capa 1: Self-attention (¿cuáles palabras se relacionan?)
Capa 2: Feed-forward (refina cada representación)
Capa 3: Self-attention (relaciones más complejas)
...
Capa N: (representaciones muy abstractas)
Salida: Predicción probabilística de siguiente token
Generación:
Entrada: "What is artificial"
Modelo predice: P(intelligence) = 0.8, P(stupid) = 0.1, ...
Elige: "intelligence" (probabilísticamente)
Repite con: "What is artificial intelligence"
Continúa hasta "Done" o límite
Pre-training (Lo que hace OpenAI/Google):
- Datos: Gigabytes de internet
- Objetivo: Predecir siguiente palabra
- Tiempo: Semanas en miles de GPUs
- Costo: Millones de dólares
- Resultado: Modelo genérico capaz
Fine-tuning (Lo que puedes hacer tú):
- Datos: Tu dataset especializado (menos datos)
- Objetivo: Enseñar tarea específica
- Tiempo: Horas en una GPU
- Costo: Decenas a cientos de dólares
- Resultado: Modelo especializado
RLHF (Reinforcement Learning from Human Feedback):
- El paso que hace ChatGPT útil
- Humanos califica respuestas: "Buena" o "Mala"
- Modelo aprende a generar respuestas que humanos califican bien
- Por eso sigue instrucciones mejor que GPT-3
El Problema:
Usuario: "¿Cuál fue el precio de Bitcoin el 15 de Diciembre de 2025?"
ChatGPT (training data: April 2024): "No sé, mis datos terminan en 2024"
- LLMs tienen ventana de conocimiento fija
- No pueden acceder a información en tiempo real
- Alucinan (inventan) cuando no saben
La Solución RAG:
1. Usuario pregunta
2. Sistema convierte pregunta a búsqueda
3. Busca en base de datos vectorial:
"Precio Bitcoin 15 Dic 2025" → [0.8, 0.2, ...]
4. Recupera documentos relevantes
5. Inserta en contexto de ChatGPT:
"Documentos relevantes: {doc1, doc2, ...}
Basándote en esto, ¿cuál fue el precio de Bitcoin?"
6. ChatGPT responde basado en documentos recuperados
¿Por qué funciona? Los LLMs son excelentes resumiendo y analizando texto que le das, malo es buscar en su conocimiento interno.
Prompting Basic:
Prompt: "¿Qué es IA?"
Respuesta: Genérica, probablemente mala para tu caso
Prompting Avanzado:
"Eres un ingeniero de sistemas aeroespaciales.
Explicame IA en contexto de sistemas de satélites.
Quiero entender cómo podría aplicarse a monitoreo de órbitas.
Usa analogías con dinámica orbital que conozco.
Sé conciso pero técnico."
Técnicas Efectivas:
- Chain of Thought: Pedirle que "piense paso a paso"
- Few-shot Learning: Darle ejemplos de lo que esperas
- Role Playing: "Actúa como X"
- Constraints: "Responde en máximo 2 párrafos"
- Iteración: Refinar basado en respuestas
Valor de negocio: Prompt engineer fue la profesión más nueva del 2023. Ahora evoluciona hacia "agentic design."
Para Aerospace/Satelital (Tu especialidad):
- Análisis de telemería de satélites
- Predicción de anomalías basada en datos históricos
- Optimización de trayectorias
- Automatización de reportes de estado de misión
Para Ciberseguridad:
- Análisis de logs de seguridad
- Clasificación de amenazas
- Generación automática de reportes de incidentes
- Simulación de ataques
Patrón general:
- Usar LLM para entender datos (análisis)
- Usar LLM para generar reportes
- Usar LLM para automatizar flujos
ChatGPT (2022-2023):
Tú → Escribe prompt → ChatGPT → Lee respuesta
- Requiere intervención humana cada vez
- Stateless (sin memoria entre conversaciones)
- No toma decisiones, solo responde
AI Agents (2023-2024):
Objetivo → Agente evalúa opciones → Toma acciones → Verifica progreso → Itera
(sin intervención humana en el loop)
- Pueden ejecutar acciones automáticamente
- Razonan sobre cuáles herramientas usar
- Aprenden del feedback
Ejemplo Concreto:
Objetivo: "Predice el estado de órbita del satélite X en 30 días"
Agent loop:
1. Lee objetivo → descompone en subproblemas
- Obtener datos de órbita actual
- Modelar fuerzas perturbadoras
- Ejecutar simulación
2. Selecciona herramientas (LLM dice: "Necesito database")
3. Accede a database de órbitas
4. Corre modelo físico
5. Evalúa si respuesta tiene sentido
6. Si no → "Necesito mejores datos" → itera
7. Reporta resultado final con confianza
El Problema que Resuelve:
Antes de MCP:
ChatGPT necesita acceder a database
→ OpenAI escribe código custom para esa database
→ Próxima database → más código custom
→ Rapidamente: N databases × M aplicaciones = Caos
La Solución MCP:
┌─────────────────┐
│ LLM Client │ (ChatGPT, Claude, etc.)
│ (Tu agente) │
└────────┬────────┘
│ (MCP Protocol)
┌────┴──────────────┬────────────┬───────────┐
│ │ │ │
┌───▼────┐ ┌──────▼─┐ ┌───▼──┐ ┌───▼──┐
│Database │ │CRM API │ │Tools │ │Files │
│(MCP) │ │(MCP) │ │(MCP) │ │(MCP) │
└────────┘ └────────┘ └──────┘ └──────┘
¿Cómo funciona?
- Cada sistema (database, API, etc.) expone un "MCP Server"
- El MCP Server describe qué puede hacer:
- "Tengo una herramienta: predict_orbit()"
- "Tengo un recurso: satellite_data.db"
- "Tengo un prompt: analyze_anomaly"
- El agente (LLM) puede descubrirlo y usarlo
Ventajas:
- Estandarización: Mismo protocolo para todo
- Desacoplamiento: Database no necesita saber de agentes
- Composabilidad: Combina N servidores sin explosión combinatoria
- Seguridad: Cada servidor puede aplicar políticas
Analogía: MCP es como cuando HTML/HTTP estandarizó cómo navegadores acceden a websites. Antes: cada website necesitaba software especial. Después: mismo navegador funciona con todos.
Componentes Clave:
-
Goal/Policy Engine:
- Qué intentamos lograr
- Qué restricciones tenemos
- Cuándo escalamos a humanos
-
Perception Layer:
- Datos que entra al agente
- Sensores (APIs, databases, etc.)
- Preprocesamiento
-
Reasoning Engine:
- El LLM pensando
- Evaluando opciones
- Planificando pasos
-
Memory:
- Corto plazo: contexto de conversación actual
- Largo plazo: aprendizaje del agente
- Vector database: retrieval de experiencias
-
Execution Layer:
- Tomar acciones en sistemas reales
- APIs, database writes, etc.
- Verificar resultado
-
Monitoring/Observability:
- Registrar todas las decisiones
- Auditoría para compliance
- Debugging cuando falla
Patrón ReAct (Reasoning + Acting):
Loop:
Observation: "Estado actual es X"
Thought: "Para lograr Y, necesito hacer Z"
Action: "Llamar a tool W"
Observation: "Tool retornó resultado R"
Thought: "¿Esto me acerca a Y?"
Si sí → continuar hacia siguiente paso
Si no → replantear estrategia
Si listo → Final Answer
Escenario: Predecir anomalía en satélite requiere:
- Analizar datos de telemería
- Verificar histórico de problemas
- Simular trayectoria
- Contactar a especialista para confirmación
Solución: 4 Agentes Coordinados
┌─────────────────┐
│ Orchestrator │ (Agent principal)
│ (decide qué hacer)
└────┬──┬──┬──┬───┘
│ │ │ │
┌─────────────┘ │ │ └──────────────┐
│ │ │ │
┌───▼───┐ ┌─────▼──┐ ┌──────┐ ┌──▼────┐
│Telemetry Analysis│ Physics│ Human
│Agent Query Agent│ Simulation│ Confirmation
│ │ │Agent │Agent
└──────┘ └─────────┘ └──────┘ └──────┘
Flujo:
1. Orchestrator: "Detecté anomalía, necesito análisis profundo"
2. Telemetry Agent: Trae datos → "anomalía confirmada"
3. Query Agent: Busca casos históricos → "3 casos similares en 2020"
4. Physics Agent: Simula escenarios → "probabilidad de fallo 65%"
5. Orchestrator: Consolida → escalona a Human Confirmation Agent
6. Human: Revisa y aprueba → envía alert
Habilidades Maduradas:
- Generación de texto: Excelente para la mayoría de tareas
- Visión por computadora: Comparable a humanos en muchos casos
- Análisis: Capaz de procesar documentos complejos
Lo que Está Emergiendo:
- Reasoning Models (o1, o3): Pueden "pensar" en problemas matemáticos/científicos
- Multimodal Excellence: Procesamiento simultáneo de texto, imagen, audio
- Autonomy: Sistemas que actúan sin intervención humana
- Specialization: Modelos entrenados para dominios específicos
Adoptación en Empresas:
- 2024: 5% de ofertas laborales mencionaban IA
- 2025: 9% de ofertas laborales mencionaban IA
- Proyección 2026: 15%+
Gartner y otros predicen:
-
15% de decisiones de trabajo diarias serán autónomas (2028)
- Implicación: Agentes haciendo cosas sin humano en el loop
- Requiere: Governance, compliance, auditoría sofisticada
-
MCP se convierte en estándar industrial
- Como HTTP para web, MCP para agentes
- Proliferación de "MCP server developers"
-
Especialización de modelos
- Menos "one-size-fits-all" LLMs
- Más modelos pequeños, especializados, fine-tuned
- Ejemplo: Modelo para análisis de órbitas (aeroespacial)
-
Compound AI Systems
- No un LLM solo
- Combinación de: LLM + retrieval + logic + simulación
- Más potentes pero más complejas
-
AI Literacy Obligatoria
- Como saber inglés o Excel
- Profesionales IT deben entender IA
- Incluso si no son especialistas
Para IT Generalists (Todos):
- Prompt engineering efectivo
- Entender cuándo usar IA vs métodos tradicionales
- Evaluación crítica de calidad de respuestas IA
- Nociones básicas de hallucination y sesgos
Para Specialistas (siguiente nivel):
- Python avanzado para AI
- Frameworks: LangChain, CrewAI, AutoGen
- Diseño de agentes
- RAG y vector databases
- MLOps y monitoring
Para Architects:
- Diseño de compound AI systems
- Estrategia de agentic workflows
- Governance y compliance de IA
- Seguridad específica de agentes
- Evaluación de proveedores AI
Por Dominio (Aerospace en tu caso):
- Física del dominio + IA
- Interpretabilidad (crítica en aerospace)
- Safety y certification
- Integration con legacy systems
Dado tu profile:
- 15 años software engineering
- Aerospace/satellite background
- Cybersecurity experience
- Gestión de tecnología en progreso
Posiciones Emergentes:
- AI Architect for Aerospace: Diseñar sistemas AI para misiones
- Agentic Systems Engineer: Construir agentes complejos
- MCP Server Developer: Especialidad en integración
- AI Compliance Officer: Governance de IA empresarial
- Domain AI Specialist: IA + Aerospace expertise (nicho valioso)
Ventaja competitiva:
- Combinación rarísima: deep software eng + aerospace + IA
- Demanda creciente en SpaceX, ESA, pequeños launchers
- Premium salarial: 30-50% sobre ingeniero software promedio
- Demanda global (Barcelona es buen hub)
Objetivo: Entender el qué y por qué
- Lectura: Historia de IA moderna
- Visualización: Cómo funcionan transformers
- Hands-on: Usar ChatGPT, Claude, Gemini
- Proyecto Mini: Documentar diferencias entre 3 LLMs en tu dominio
Objetivo: Comprender cómo se construyen estos sistemas
- Estudio: Papers sobre transformers (con resúmenes simplificados)
- Código: Visualizar transformers en HuggingFace
- Aplicación: Fine-tuning pequeño con dataset de prueba
- Proyecto Mini: Replicar arquitectura LLM en escala juguete
Objetivo: Construir sistemas útiles ahora
- Curso: LangChain fundamentals
- Implementación: RAG simple con tus propios documentos
- Integración: Conectar a API real (ej., satellite data)
- Proyecto: Sistema RAG que responde preguntas sobre datos aeroespaciales
Objetivo: Sistemas que actúan, no solo responden
- Estudio: Arquitectura de agentes
- Framework: Experimentar con CrewAI o LangGraph
- Ejemplo: Agent que automatiza análisis de anomalías
- Proyecto: Agent multi-paso que ejecuta análisis real
Objetivo: Diseñar para escala y composabilidad
- Especificación: Entender MCP en profundidad
- Implementación: Crear MCP server simple
- Integración: Conectar múltiples servidores
- Proyecto: Sistema de agentes coordinados con MCP
Objetivo: Posicionar para oportunidades futuras
- Investigación: Tendencias en aerospace + IA
- Análisis: Dónde puedes agregar mayor valor
- Documentación: Portfolio de proyectos completados
- Proyecto Final: Propuesta: "Sistema de IA para [problema aeroespacial específico]"
La IA en 2025 no es un tema académico. Es una herramienta de producción, y pronto será tan normal como SQL o APIs.
Lo importante no es:
- Entender toda la teoría matemática
- Ser especialista en deep learning
- Saber entrenar modelos gigantes
Lo importante SÍ es:
- Entender qué pueden y no pueden hacer los LLMs
- Saber cuándo aplicarlos efectivamente
- Diseñar sistemas que escalen
- Mantener yourself actualizado (cambia rápido)
- Aplicar en TU dominio (aerospace + IA = raro y valioso)
Tu posición es privilegiada:
- Entiendes ingeniería de software profundamente
- Entiendes sistemas complejos (aerospace)
- Tienes tiempo (máster ongoing)
- El mercado te necesita
Los próximos 6 meses son cruciales. Dedica 10-15 horas semanales a este plan. En 6 meses estarás en una posición única, combinando especialización en tres áreas raras: software engineering + aerospace + AI.