Internship

×

Proyecto formativo: 1. Objetivos educativos específicos - Comprender la arquitectura y componentes de un sistema RAG (Retrieval¿Augmented Generation) aplicado a casos reales de negocio. - Desarrollar competencias técnicas en integración de modelos de lenguaje (LLM) con bases vectoriales y diseño de prompts avanzados. - Adquirir habilidades en automatización de procesos: scraping, preprocesado de datos y despliegue de workflows con N8N. - Dominar la contenerización con Docker y el despliegue seguro de servicios de IA en entornos cloud y on¿premise. - Aplicar buenas prácticas de ciberseguridad y optimización de recursos (GPU, latencia, costes). - Fortalecer competencias transversales: trabajo en equipo multidisciplinar, comunicación técnica efectiva y autonomía guiada. 2. Actividades a desarrollar - Configuración de entorno: instalación de servidor de vectores, contenedores Docker y entornos de prueba (local y cloud). - Prototipo RAG: ingestión de datos, indexado en vector store y consultas básicas con LLM (API openAI). - Ajuste de modelo: selección de embeddings, diseño de prompts, parámetros de temperatura y chunking. - Integración omnicanal: conexión del RAG con Chatwoot y Typebot, configuración de flujos en N8N y Evolution API. - Automatización de scraping: desarrollo de scripts de crawling, limpieza de datos y carga automática a la infraestructura. - Despliegue y pruebas: contenerización del sistema, configuración de proxies, tests de rendimiento, seguridad y latencia. 3. Descripción de los medios materiales - Infraestructura: servidor privado y plataforma cloud con acceso a GPU, contenedores Docker y vector store configurado. - Licencias y APIs: OpenAI, ElevenLabs, Brevo (email automation), N8N, y Typebot. - Plataformas de atención: Chatwoot, Evolution API, acceso a entornos reales de clientes. - Herramientas colaborativas: Odoo para gestión de tareas, contenido audiovisual, documentación interna y plantillas de flujos. - Soporte: mentoring técnico directo del CTO, sesiones periódicas de revisión (semanal) y feedback. - Requisitos del estudiante: equipo personal (portátil), conexión estable a Internet y disponibilidad para sesiones síncronas. 4. Cronograma claro y preciso 1. Preparación y fundamentos 4 ago ¿ 17 ago 2025 Semana de formación, conocimientos RAG básica, primeras pruebas con LLM 2. Desarrollo del sistema RAG 18 ago ¿ 31 ago 2025 Ingestión de datos, indexado, proyecto inicial y ajuste de prompts 3. Integración de interfaces 1 sept ¿ 23 sept 2025 Conexión con Chatwoot/Typebot, configuración de flujos N8N, scraping automatizado 4. Despliegue y optimización 24 sept ¿ 30 sept 2025 Contenerización, pruebas de rendimiento y seguridad, ajustes de infraestructura

Métodos formativos: - Aprendizaje basado en proyectos reales El estudiante trabajará sobre casos de negocio concretos, aplicando en cada sprint las herramientas y metodologías aprendidas. - Tutorías periódicas Sesiones semanales (remotas) con el tutor académico y el CTO para revisar avances, resolver dudas y ajustar el itinerario. - Hands¿on labs Actividades prácticas guiadas en el entorno de desarrollo, centradas en la instalación, configuración y despliegue de cada componente. - Autoaprendizaje dirigido Acceso a documentación interna, guías paso a paso y recursos externos (cursos, manuales) para profundizar de forma autónoma. - Revisión incremental y feedback ágil Entregables parciales al finalizar cada fase, con retroalimentación inmediata y correcciones en tiempo real. - Trabajo colaborativo Uso de Odoo para la coordinación de tareas, fomentando la comunicación técnica y la responsabilidad compartida. - Evaluación continua Seguimiento de indicadores de rendimiento (tiempo de respuesta, precisión de consultas, robustez del sistema) y competencias transversales.

Más información en Portal de Empleo UPCT

×

Proyecto formativo: 1. Objetivos educativos específicos - Comprender la arquitectura y componentes de un sistema RAG (Retrieval¿Augmented Generation) aplicado a casos reales de negocio. - Desarrollar competencias técnicas en integración de modelos de lenguaje (LLM) con bases vectoriales y diseño de prompts avanzados. - Adquirir habilidades en automatización de procesos: scraping, preprocesado de datos y despliegue de workflows con N8N. - Dominar la contenerización con Docker y el despliegue seguro de servicios de IA en entornos cloud y on¿premise. - Aplicar buenas prácticas de ciberseguridad y optimización de recursos (GPU, latencia, costes). - Fortalecer competencias transversales: trabajo en equipo multidisciplinar, comunicación técnica efectiva y autonomía guiada. 2. Actividades a desarrollar - Configuración de entorno: instalación de servidor de vectores, contenedores Docker y entornos de prueba (local y cloud). - Prototipo RAG: ingestión de datos, indexado en vector store y consultas básicas con LLM (API openAI). - Ajuste de modelo: selección de embeddings, diseño de prompts, parámetros de temperatura y chunking. - Integración omnicanal: conexión del RAG con Chatwoot y Typebot, configuración de flujos en N8N y Evolution API. - Automatización de scraping: desarrollo de scripts de crawling, limpieza de datos y carga automática a la infraestructura. - Despliegue y pruebas: contenerización del sistema, configuración de proxies, tests de rendimiento, seguridad y latencia. 3. Descripción de los medios materiales - Infraestructura: servidor privado y plataforma cloud con acceso a GPU, contenedores Docker y vector store configurado. - Licencias y APIs: OpenAI, ElevenLabs, Brevo (email automation), N8N, y Typebot. - Plataformas de atención: Chatwoot, Evolution API, acceso a entornos reales de clientes. - Herramientas colaborativas: Odoo para gestión de tareas, contenido audiovisual, documentación interna y plantillas de flujos. - Soporte: mentoring técnico directo del CTO, sesiones periódicas de revisión (semanal) y feedback. - Requisitos del estudiante: equipo personal (portátil), conexión estable a Internet y disponibilidad para sesiones síncronas. 4. Cronograma claro y preciso 1. Preparación y fundamentos 4 ago ¿ 17 ago 2025 Semana de formación, conocimientos RAG básica, primeras pruebas con LLM 2. Desarrollo del sistema RAG 18 ago ¿ 31 ago 2025 Ingestión de datos, indexado, proyecto inicial y ajuste de prompts 3. Integración de interfaces 1 sept ¿ 23 sept 2025 Conexión con Chatwoot/Typebot, configuración de flujos N8N, scraping automatizado 4. Despliegue y optimización 24 sept ¿ 30 sept 2025 Contenerización, pruebas de rendimiento y seguridad, ajustes de infraestructura

Métodos formativos: - Aprendizaje basado en proyectos reales El estudiante trabajará sobre casos de negocio concretos, aplicando en cada sprint las herramientas y metodologías aprendidas. - Tutorías periódicas Sesiones semanales (remotas) con el tutor académico y el CTO para revisar avances, resolver dudas y ajustar el itinerario. - Hands¿on labs Actividades prácticas guiadas en el entorno de desarrollo, centradas en la instalación, configuración y despliegue de cada componente. - Autoaprendizaje dirigido Acceso a documentación interna, guías paso a paso y recursos externos (cursos, manuales) para profundizar de forma autónoma. - Revisión incremental y feedback ágil Entregables parciales al finalizar cada fase, con retroalimentación inmediata y correcciones en tiempo real. - Trabajo colaborativo Uso de Odoo para la coordinación de tareas, fomentando la comunicación técnica y la responsabilidad compartida. - Evaluación continua Seguimiento de indicadores de rendimiento (tiempo de respuesta, precisión de consultas, robustez del sistema) y competencias transversales.

Más información en Portal de Empleo UPCT

×

Proyecto formativo: 1. Objetivos educativos específicos - Comprender la arquitectura y componentes de un sistema RAG (Retrieval¿Augmented Generation) aplicado a casos reales de negocio. - Desarrollar competencias técnicas en integración de modelos de lenguaje (LLM) con bases vectoriales y diseño de prompts avanzados. - Adquirir habilidades en automatización de procesos: scraping, preprocesado de datos y despliegue de workflows con N8N. - Dominar la contenerización con Docker y el despliegue seguro de servicios de IA en entornos cloud y on¿premise. - Aplicar buenas prácticas de ciberseguridad y optimización de recursos (GPU, latencia, costes). - Fortalecer competencias transversales: trabajo en equipo multidisciplinar, comunicación técnica efectiva y autonomía guiada. 2. Actividades a desarrollar - Configuración de entorno: instalación de servidor de vectores, contenedores Docker y entornos de prueba (local y cloud). - Prototipo RAG: ingestión de datos, indexado en vector store y consultas básicas con LLM (API openAI). - Ajuste de modelo: selección de embeddings, diseño de prompts, parámetros de temperatura y chunking. - Integración omnicanal: conexión del RAG con Chatwoot y Typebot, configuración de flujos en N8N y Evolution API. - Automatización de scraping: desarrollo de scripts de crawling, limpieza de datos y carga automática a la infraestructura. - Despliegue y pruebas: contenerización del sistema, configuración de proxies, tests de rendimiento, seguridad y latencia. 3. Descripción de los medios materiales - Infraestructura: servidor privado y plataforma cloud con acceso a GPU, contenedores Docker y vector store configurado. - Licencias y APIs: OpenAI, ElevenLabs, Brevo (email automation), N8N, y Typebot. - Plataformas de atención: Chatwoot, Evolution API, acceso a entornos reales de clientes. - Herramientas colaborativas: Odoo para gestión de tareas, contenido audiovisual, documentación interna y plantillas de flujos. - Soporte: mentoring técnico directo del CTO, sesiones periódicas de revisión (semanal) y feedback. - Requisitos del estudiante: equipo personal (portátil), conexión estable a Internet y disponibilidad para sesiones síncronas. 4. Cronograma claro y preciso 1. Preparación y fundamentos 4 ago ¿ 17 ago 2025 Semana de formación, conocimientos RAG básica, primeras pruebas con LLM 2. Desarrollo del sistema RAG 18 ago ¿ 31 ago 2025 Ingestión de datos, indexado, proyecto inicial y ajuste de prompts 3. Integración de interfaces 1 sept ¿ 23 sept 2025 Conexión con Chatwoot/Typebot, configuración de flujos N8N, scraping automatizado 4. Despliegue y optimización 24 sept ¿ 30 sept 2025 Contenerización, pruebas de rendimiento y seguridad, ajustes de infraestructura

Métodos formativos: - Aprendizaje basado en proyectos reales El estudiante trabajará sobre casos de negocio concretos, aplicando en cada sprint las herramientas y metodologías aprendidas. - Tutorías periódicas Sesiones semanales (remotas) con el tutor académico y el CTO para revisar avances, resolver dudas y ajustar el itinerario. - Hands¿on labs Actividades prácticas guiadas en el entorno de desarrollo, centradas en la instalación, configuración y despliegue de cada componente. - Autoaprendizaje dirigido Acceso a documentación interna, guías paso a paso y recursos externos (cursos, manuales) para profundizar de forma autónoma. - Revisión incremental y feedback ágil Entregables parciales al finalizar cada fase, con retroalimentación inmediata y correcciones en tiempo real. - Trabajo colaborativo Uso de Odoo para la coordinación de tareas, fomentando la comunicación técnica y la responsabilidad compartida. - Evaluación continua Seguimiento de indicadores de rendimiento (tiempo de respuesta, precisión de consultas, robustez del sistema) y competencias transversales.

Más información en Portal de Empleo UPCT

×

Proyecto formativo: 1. Objetivos educativos específicos - Comprender la arquitectura y componentes de un sistema RAG (Retrieval¿Augmented Generation) aplicado a casos reales de negocio. - Desarrollar competencias técnicas en integración de modelos de lenguaje (LLM) con bases vectoriales y diseño de prompts avanzados. - Adquirir habilidades en automatización de procesos: scraping, preprocesado de datos y despliegue de workflows con N8N. - Dominar la contenerización con Docker y el despliegue seguro de servicios de IA en entornos cloud y on¿premise. - Aplicar buenas prácticas de ciberseguridad y optimización de recursos (GPU, latencia, costes). - Fortalecer competencias transversales: trabajo en equipo multidisciplinar, comunicación técnica efectiva y autonomía guiada. 2. Actividades a desarrollar - Configuración de entorno: instalación de servidor de vectores, contenedores Docker y entornos de prueba (local y cloud). - Prototipo RAG: ingestión de datos, indexado en vector store y consultas básicas con LLM (API openAI). - Ajuste de modelo: selección de embeddings, diseño de prompts, parámetros de temperatura y chunking. - Integración omnicanal: conexión del RAG con Chatwoot y Typebot, configuración de flujos en N8N y Evolution API. - Automatización de scraping: desarrollo de scripts de crawling, limpieza de datos y carga automática a la infraestructura. - Despliegue y pruebas: contenerización del sistema, configuración de proxies, tests de rendimiento, seguridad y latencia. 3. Descripción de los medios materiales - Infraestructura: servidor privado y plataforma cloud con acceso a GPU, contenedores Docker y vector store configurado. - Licencias y APIs: OpenAI, ElevenLabs, Brevo (email automation), N8N, y Typebot. - Plataformas de atención: Chatwoot, Evolution API, acceso a entornos reales de clientes. - Herramientas colaborativas: Odoo para gestión de tareas, contenido audiovisual, documentación interna y plantillas de flujos. - Soporte: mentoring técnico directo del CTO, sesiones periódicas de revisión (semanal) y feedback. - Requisitos del estudiante: equipo personal (portátil), conexión estable a Internet y disponibilidad para sesiones síncronas. 4. Cronograma claro y preciso 1. Preparación y fundamentos 4 ago ¿ 17 ago 2025 Semana de formación, conocimientos RAG básica, primeras pruebas con LLM 2. Desarrollo del sistema RAG 18 ago ¿ 31 ago 2025 Ingestión de datos, indexado, proyecto inicial y ajuste de prompts 3. Integración de interfaces 1 sept ¿ 23 sept 2025 Conexión con Chatwoot/Typebot, configuración de flujos N8N, scraping automatizado 4. Despliegue y optimización 24 sept ¿ 30 sept 2025 Contenerización, pruebas de rendimiento y seguridad, ajustes de infraestructura

Métodos formativos: - Aprendizaje basado en proyectos reales El estudiante trabajará sobre casos de negocio concretos, aplicando en cada sprint las herramientas y metodologías aprendidas. - Tutorías periódicas Sesiones semanales (remotas) con el tutor académico y el CTO para revisar avances, resolver dudas y ajustar el itinerario. - Hands¿on labs Actividades prácticas guiadas en el entorno de desarrollo, centradas en la instalación, configuración y despliegue de cada componente. - Autoaprendizaje dirigido Acceso a documentación interna, guías paso a paso y recursos externos (cursos, manuales) para profundizar de forma autónoma. - Revisión incremental y feedback ágil Entregables parciales al finalizar cada fase, con retroalimentación inmediata y correcciones en tiempo real. - Trabajo colaborativo Uso de Odoo para la coordinación de tareas, fomentando la comunicación técnica y la responsabilidad compartida. - Evaluación continua Seguimiento de indicadores de rendimiento (tiempo de respuesta, precisión de consultas, robustez del sistema) y competencias transversales.

Más información en Portal de Empleo UPCT

×

Breve descripción del departamento en el que se realizan las prácticas: CONVOCATORIA DE AYUDAS ECONÓMICAS Universidad Politécnica de Cartagena + Banco Santander Ver CONVOCATORIA EN : https://tablon.upct.es/anuncio/81yNgL6jGk Objeto: Conceder ayudas de 500 brutos a estudiantes de la UPCT que hayan realizado prácticas académicas externas (curriculares o extracurriculares) en el curso 2024/2025. Total ayudas: 52 Dotación total: 26.000 Importe individual: 500 brutos (sujeto a retenciones fiscales y de cotización) REQUISITOS Pueden participar quienes: Estén matriculados en Grado o Máster UPCT 2024/2025. Hayan realizado prácticas no remuneradas o con remuneración 150 totales. Las prácticas deben: Haberse gestionado a través del PEM-UPCT. Estar certificadas por Secretaría General. Tener evaluación favorable. Tener nota media 6,25 (según RD 1125/2003). No estar incursos en causas de exclusión de la Ley General de Subvenciones. EXCLUIDAS: Prácticas en movilidad (Erasmus, SICUE...) con ayuda económica.

Descripción detallada de las actividades a realizar por el estudiante: SOLICITUDES Plazo: del 3 de septiembre al 27 de octubre de 2025 ambos inclusive Doble plataforma (obligatoria): Santander Open Academy https://app.santanderopenacademy.com/es/program/complemento-a-las-practicas-2025-ii-edicion PEM-UPCT Oferta Complemento a las Prácticas B. Santander. EII ¿Requiere: NUSS registrado en el PEM Certificado de titularidad bancaria si resultas beneficiario SELECCIÓN Concurrencia competitiva según nota media. En caso de empate: Mayor nº de créditos superados. Sorteo público. Si hay menos solicitudes válidas que ayudas, se otorgan directamente.

Descripción de los medios materiales a disposición del estudiante que permitan abordar las actividades propuestas: ADJUDICACIÓN Y ABONO Publicación lista provisional y alegaciones (2 días hábiles). Resolución definitiva en el tablón oficial UPCT. Aceptación en la plataforma Santander + envío de cuenta bancaria (7 días). Pago en un solo ingreso. REINTEGRO Procederá si hay: Incumplimientos de requisitos. Datos falsos. Pérdida de condiciones o falta de documentación. INCOMPATIBILIDADES Compatible con otras ayudas siempre que no tengan la misma finalidad. CIERRE DEFINITIVO DEL PROGRAMA 31 de diciembre de 2025 (No se admitirán nuevas solicitudes ni pagos posteriores a esa fecha.)

Planificación temporal de las actividades (cronograma): PLAZO DE SOLICITUD HASTA EL 28 DE OCTUBRE INCLUSIVE https://app.santanderopenacademy.com/es/program/complemento-a-las-practicas-2025-ii-edicion CIERRE DEFINITIVO DEL PROGRAMA 31 de diciembre de 2025 (No se admitirán nuevas solicitudes ni pagos posteriores a esa fecha.)

Más información en Portal de Empleo UPCT