Prácticas en Empresa

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