AI Software Engineer
Formación alternativa de alta calidad. Todos los recursos son de acceso gratuito, verificados en el momento de publicación.
Duración
12–18 meses
Dedicación
~15h/sem
Ingeniería de Software
“Sin esta base, todo lo que sigue es scripting glorificado. La mayoría de los "AI engineers" fracasan aquí, no en el modelo.”
Objetivo
Dominar Python a nivel profesional, diseño de sistemas, testing, CI/CD y SQL como ciudadano de primera clase.
CS50 (Harvard)
Intro a CS con rigor
Missing Semester (MIT)
Shell, Git, debugging, profiling
Python for Everybody
UMich / Dr. Chuck
Real Python
Concurrencia, profiling, testing
SQLBolt
SQL interactivo desde cero
Select Star SQL
SQL analítico con dataset real
System Design Primer
Trade-offs, escalabilidad
DDIA (Kleppmann)
Resúmenes comunitarios
Un proyecto Python con tests (pytest), CI/CD (GitHub Actions), SQL, y documentación.
Fundamentos Matemáticos
“No para resolver ejercicios, sino para entender qué hace un optimizer y por qué ciertos modelos colapsan.”
Objetivo
Álgebra lineal, cálculo, probabilidad y estadística bayesiana orientados a ML. Teoría de la información, en lo básico.
3Blue1Brown — Linear Algebra
Essence of Linear Algebra
3Blue1Brown — Calculus
Essence of Calculus
3Blue1Brown — Neural Nets
Backprop visual
Khan Academy
Estadística y Probabilidad
StatQuest
Bayesian, distribuciones, tests
MML Book
Mathematics for Machine Learning
Chris Olah — Info Theory
Visual Information Theory
Entropía, KL divergence, cross-entropy loss — si no entiendes por que tu loss function es esa, estas operando a ciegas.
ML Clásico
“El objetivo no es "saber sklearn". Es desarrollar la intuición de cuándo NO usar deep learning.”
Objetivo
Bias-variance, regularización, feature engineering, selección de modelos. Métricas en contexto de negocio.
Stanford CS229
ML teórico riguroso (Andrew Ng)
CS229 Notas
Notas de curso oficiales
ML Zoomcamp
End-to-end con deployment
StatQuest — ML
Playlist completa de ML
Scikit-learn Guide
La mejor doc de ML aplicado
Kaggle Learn
ML práctico con notebooks
¿Cuándo random forest supera a un modelo lineal, y por qué?
¿Qué significa recall 0.95 en fraude frente a un recomendador?
¿Cómo detectas data leakage en cross-validation?
Deep Learning
“Transformers desde la mecánica, no desde la API.”
Objetivo
Attention, positional encoding, scaling laws. Training dynamics. PyTorch como herramienta, no como identidad.
Karpathy — Zero to Hero
Neural Networks from scratch
Karpathy — LLM Deep Dive
Deep Dive into LLMs
MIT 6.S191
Intro to Deep Learning (2026)
Stanford CS224N
NLP with Deep Learning
Illustrated Transformer
Jay Alammar — visual guide
Attention Is All You Need
Paper original
PyTorch Tutorials
Documentación oficial
d2l.ai
Dive into Deep Learning
Lectura complementaria esencial
Ingeniería de LLMs
“Tres ramas: prompting, RAG, fine-tuning. La decisión de cuál aplicar es más importante que saber ejecutar las tres.”
Objetivo
Dominar prompting como ingeniería, RAG como arquitectura de sistemas, fine-tuning como último recurso informado.
HF LLM Course
Hugging Face, actualizado 2025
LLM Zoomcamp
RAG, fine-tuning, producción
Anthropic Prompt Guide
Prompt engineering oficial
OpenAI Cookbook
Patterns de producción
Maximizing LLM Perf
Survey de técnicas (OpenAI)
RAG Chunking (Pinecone)
Chunking strategies
LoRA Paper
Low-Rank Adaptation
PEFT Docs
Hugging Face PEFT
LLM-Twin Course
RAG en producción
¿El conocimiento cambia frecuentemente?
→ Si → RAG
→ No → ¿El comportamiento del modelo necesita cambiar?
→ Sí → ¿Tienes >1000 ejemplos de calidad?
→ Si → Fine-tuning (LoRA/QLoRA)
→ No → Few-shot prompting
→ No → Zero-shot con system prompt optimizado AI en Producción
“Aquí muere el 90% de los "AI engineers" del mercado.”
Objetivo
Serving, optimización de inferencia, observabilidad, costos como restricción de diseño, orquestación de agentes.
MLOps Zoomcamp
MLflow, Docker, monitoring
Made With ML
MLOps end-to-end
Full Stack DL
Producción de ML (2022)
ML Engineering (Ng)
Coursera audit gratis
Evidently AI
ML Monitoring Course
vLLM
Serving de alta performance
llama.cpp
Inferencia local optimizada
BentoML
Model serving framework
Costo por query (tokens x precio + compute)
Latencia p50/p95/p99
Throughput (queries/segundo)
Cache hit rate y su impacto en costos
Seguridad y Gobernanza
“Lo que nadie ensena y todos necesitan.”
Objetivo
Prompt injection, evaluación sistematica, red teaming, gobernanza de datos, etica práctica.
OWASP Top 10 LLM
Guia 2025
OWASP GenAI
Detalle por vulnerabilidad
Promptfoo
Red teaming open-source
Simon Willison
Prompt injection research
NIST AI RMF
Risk Management Framework
Anthropic Research
Constitutional AI, RLHF
EU AI Act
Resumen ejecutivo
Ejecutar red team básico contra tu app LLM
Implementar guardrails de entrada/salida
Disenar evaluation framework con métricas humanas + automaticas
Identificar PII en pipelines de datos
Lectura Crítica de Papers
“No como bullet point sino como práctica semanal. 2-3 papers/semana.”
ArXiv Sanity Lite
Karpathy
Papers With Code
Papers + implementaciones + benchmarks
Yannic Kilcher
Paper reviews con análisis crítico
Two Minute Papers
Overview rápido de papers nuevos
How to Read a Paper
Keshav — 3 paginas esenciales
Método de lectura
Primera pasada (5 min)
Abstract, figuras, conclusiones. ¿Cuál es el claim?
Segunda pasada (30 min)
Metodología, baselines, ablations. ¿La evidencia soporta el claim?
Tercera pasada (Si vale la pena)
¿Es reproducible? ¿Qué asumen que no mencionan? ¿Aplica a tu contexto?
Secuencia y Dependencias
Fase 0 (SWE) ──────────────────────────────┐
│
Fase 1 (Matemáticas) ─────┐ │
├── Fase 3 (DL) ── Fase 4 (LLMs) ── Fase 5 (Producción)
Fase 2 (ML Clásico) ──────┘ │ │
│ │
└───── Fase 6 (Seguridad) ─┘
Fase Transversal (Papers) ── desde Fase 2 en adelante Canales y Comunidades
Lo que NO incluye
Solo relevante si vas a escribir kernels CUDA. Si llegas ahi, ya sabras que lo necesitas.
Es una abstraccion que cambia cada mes. Entiende los patterns subyacentes.
Aprende los conceptos (containers, serverless) y el vendor será intercambiable.
Integrado en Fase 4 como decisión de ingeniería, no como habilidad decorativa.