Posgrado en Inteligencia Artificial y analítica aplicada a la Supply Chain

Habilidades en la dirección de equipos

• Dinámicas de trabajo en equipo
• Liderazgo estratégico y de personas
• Comunicación interpersonal eficaz y asertividad
• Negociación e influencia
• Prevención, gestión y resolución del conflicto

Gestión financiera de un proyecto 

• Fundamentos de la gestión financiera y flujos de información
• Análisis de estados financieros, Balance, P&L, Tesorería
• Costes y control presupuestario del proyecto
• Viabilidad economica de un proyecto/empresa
• Análisis de rentabilidad y decisiones de inversión

Dirección y planificación de proyectos

• ¿Qué es un proyecto y que no lo es?
• Proyectos vs Operaciones
• Ciclo de vida de un proyecto
• Inicio del proyecto, Project charter y KPIs
• Planificación, alcance, Gantt y recursos humanos
• Ejecución, control y gestión del equipo de proyecto
• Cierre, documentación y entrega del proyecto

La arquitectura de datos en la nube se refiere a la estructura y diseño de sistemas y procesos para la gestión de datos utilizando recursos y servicios proporcionados por plataformas en la nube. Esta arquitectura está diseñada para aprovechar las capacidades escalables, flexibles y costo-eficientes de la nube para almacenar, procesar y analizar datos. La arquitectura de datos en la nube puede variar según los requisitos específicos de la organización y el proveedor de servicios en la nube.

• Conceptos básicos de Cloud y principales tecnologías
• Conceptos básicos de Infraestructura – perfiles profesionales necesarios
• Ventajas de arquitecturas Cloud respecto a on premise
• Principios básicos de DevOps y desarrollo de proyectos en Cloud
• Modelos de costes en Cloud

La Ingeniería de Datos es una disciplina dentro del campo de la ciencia de datos que se enfoca en el diseño, construcción y mantenimiento de sistemas y estructuras para la recolección, almacenamiento y procesamiento de datos. Su objetivo principal es asegurar que los datos estén disponibles, accesibles y sean de alta calidad para su análisis y uso en la toma de decisiones. La ingeniería de datos es crucial para el éxito de proyectos de ciencia de datos, machine learning y análisis avanzado, ya que proporciona la infraestructura y los procesos necesarios para manejar grandes volúmenes de datos de manera eficiente.

• Conceptos básicos de ingeniería y arquitectura de datos
• Modelado de datos
• Tipos de bases de datos SQL y noSQL
• Procesamiento de datos y pipelines: ETL y data pipelines
• Principales tecnologías de almacenamiento y gestión de datos

La Gobernanza de Datos tiene como objetivo establecer un marco sólido para la gestión, protección y uso eficiente de los datos dentro de la organización. Busca asegurar que los datos sean precisos, accesibles, seguros y utilizados de manera ética, cumpliendo con las regulaciones vigentes y apoyando los objetivos estratégicos de la empresa.

Estructura Organizativa:

• Comité de Gobernanza de Datos: Grupo multidisciplinario que supervisa y dirige las políticas y prácticas de gobernanza de datos.
• Chief Data Officer (CDO): Responsable de la implementación y gestión del programa.
• Data Stewards: Encargados de la calidad y gestión de datos en sus respectivas áreas.

Políticas y Normas:

• Política de Calidad de Datos: Establece criterios y procedimientos para asegurar la precisión y consistencia de los datos.
• Política de Seguridad de Datos: Define medidas para proteger la confidencialidad e integridad de los datos.
• Política de Privacidad: Asegura el cumplimiento con las regulaciones de protección de datos y la privacidad del usuario.

La Ciencia de Datos es un campo interdisciplinario que utiliza métodos, algoritmos y sistemas para extraer conocimiento y obtener insights a partir de datos. Combina estadísticas, matemáticas, programación, y conocimientos de dominio para analizar datos y ayudar a tomar decisiones basadas en datos.

• Conceptos básicos de modelización predictiva y aplicaciones
• Modelos supervisados y casos de uso
• Series temporales y casos de uso
• Clustering y aplicaciones a segmentación de clientes
• Modelos de optimización – casos de uso concretos
• Desarrollo de un caso end to end – cálculo del impacto y ROI

MLOps (Machine Learning Operations) es una práctica emergente que busca mejorar la eficiencia y la efectividad en la implementación y gestión de modelos de machine learning (ML) en entornos de producción. Al igual que DevOps optimiza el ciclo de vida del desarrollo de software, MLOps está diseñado para abordar los desafíos específicos asociados con la puesta en marcha, monitoreo y mantenimiento de modelos de ML

• Introducción y fundamentos de MLOPS – ciclo de vida de modelos y su importancia en los procesos de negocio
• Conceptos básicos de degradación de modelos: concept drift, data drift.
• Infraestructura, herramientas y tecnología de MLOPS
• Validación y versionado de modelos en producción
• Despliegue y orquestación de modelos en procesos empresariales

La Visualización de Datos es el proceso de representar datos e información en formatos gráficos y visuales, como gráficos, mapas y tablas, para facilitar la comprensión, análisis y comunicación de la información. La visualización de datos ayuda a transformar datos complejos y abstractos en representaciones visuales intuitivas que permiten identificar patrones, tendencias y anomalías de manera más rápida y efectiva

• Introducción a la visualización – herramientas y metodologías clave
• Tipos de visualizaciones gráficas y buenas prácticas
• Maximizar el impacto de las visualizaciones
• Desarrollo de métricas, medidas y KPIs
• Ejemplo práctico de visualización – Storytelling con datos

IA Generativa se refiere a una clase de algoritmos de inteligencia artificial diseñados para crear datos nuevos que imitan características de datos existentes. A diferencia de la IA tradicional, que se enfoca en clasificar o predecir datos basados en ejemplos pasados, la IA generativa tiene la capacidad de generar datos nuevos que pueden ser visual, textual, musical, o de otro tipo. Los modelos de IA generativa se entrenan para aprender la distribución subyacente de los datos y luego usar este conocimiento para crear ejemplos nuevos que son similares a los datos de entrenamiento.

• Conceptos básicos de IA Generativa
• Retrieval augmented generation – RAG
• Creación de agentes inteligentes
• Generación y manipulación de textos
• Generación de imágenes
• Combinación de métodos tradicionales con IA Generativa
• Herramientas de IA Generativa en entornos corporativos

Los aspectos legales de la inteligencia artificial (IA) son cruciales por varias razones, ya que la adopción y el desarrollo de IA tienen implicaciones significativas en diversos ámbitos de la sociedad.

• Protección de datos personales: Reglamento GDPR de la UE. Análisis de conceptos relevantes como: Consentimiento, Minimización de datos, seguridad de Datos.
• Ética y no discriminación: Principales normas y directrices de la UE sobre IA. Bias y discriminación. Auditoría y revisión.
• Propiedad Intelectual: derechos de autor, patentes y licencias.
• Cumplimiento de normas internacionales: principales normativas ISO.
• Transparencia y explicabilidad: decisiones comprensibles para los usuarios y los reguladores.