Curso de H2O AI

Recorrer las capacidades principales de H2O AI Cloud y sus módulos.

Diferenciar componentes para crear modelos, componentes para operar modelos y componentes para aplicaciones de IA.

Ubicar H2O-3 como plataforma open source distribuida de machine learning.

Situar Driverless AI como solución AutoML empresarial con automatización de feature engineering, validación, tuning y selección de modelos.

Entender Hydrogen Torch como entorno no-code para deep learning.

Incorporar Document AI como herramienta para extracción y clasificación documental.

Reconocer Feature Store como repositorio centralizado de variables reutilizables.

Entender MLOps como capa para despliegue, gestión, gobierno, monitorización y alertas.

Ubicar Enterprise h2oGPTe como capa de GenAI, RAG, búsqueda empresarial y agentes.

Crear una matriz de módulos por necesidad, perfil, dato, madurez y objetivo.

Identificar casos predictivos en banca, seguros, retail, industria, salud, energía, telecomunicaciones y administración.

Diseñar modelos de churn, scoring de riesgo, predicción de demanda, fraude, propensión, pricing y mantenimiento predictivo.

Aplicar Document AI a facturas, contratos, formularios, expedientes, siniestros, albaranes, correos y documentación operativa.

Usar h2oGPTe para asistentes internos, búsqueda documental, preguntas sobre políticas, soporte técnico o conocimiento corporativo.

Combinar modelos predictivos con GenAI para explicar predicciones, recomendar acciones y crear flujos conversacionales.

Priorizar casos por impacto económico, disponibilidad de datos, riesgo, facilidad técnica y adopción.

Evitar casos donde no existe dato suficiente, owner de negocio o decisión accionable.

Crear fichas de oportunidad con objetivo, usuarios, datos, métricas y restricciones.

Separar prueba de concepto, piloto controlado y despliegue productivo.

Diseñar un portfolio inicial de casos H2O.ai para empresa.

Revisar fuentes de datos estructurados, semiestructurados, documentos, imágenes y series temporales.

Identificar variables objetivo, features, granularidad, ventana temporal y unidad de análisis.

Detectar valores nulos, duplicados, outliers, fugas de información y sesgos.

Definir particiones de entrenamiento, validación y test con criterio.

Preparar datasets para clasificación, regresión, forecasting, NLP, visión o extracción documental.

Documentar procedencia, fecha, transformación y limitaciones del dato.

Evitar entrenar modelos con datos que no estarán disponibles en producción.

Diseñar reglas de calidad antes de lanzar AutoML.

Crear datasets anonimizados para formación y pruebas.

Establecer una rutina de data readiness previa a cualquier experimento.

Entender H2O-3 como plataforma open source distribuida e in-memory para machine learning.

Crear un primer cluster local o conectado al entorno corporativo.

Importar datos, explorar columnas y preparar frames.

Entrenar modelos básicos de clasificación y regresión.

Usar algoritmos como GLM, GBM, Random Forest, Deep Learning y AutoML cuando corresponda.

Interpretar leaderboard, métricas y validación.

Exportar modelos o artefactos para scoring.

Conectar H2O-3 con Python mediante cliente oficial.

Comparar resultados de H2O-3 con enfoques clásicos de scikit-learn.

Identificar cuándo H2O-3 es suficiente y cuándo conviene Driverless AI o MLOps.

Usar AutoML para comparar múltiples algoritmos y configuraciones.

Definir correctamente variable objetivo, métricas, tiempo máximo y restricciones.

Revisar leaderboard sin elegir el primer modelo automáticamente.

Analizar overfitting, leakage, estabilidad y explicabilidad.

Ajustar folds, validación y estrategia de partición.

Evaluar modelos con métricas de negocio, no solo métricas técnicas.

Interpretar modelos líderes y modelos ensamblados.

Comparar modelos simples frente a modelos más potentes.

Documentar experimentos para reproducibilidad.

Preparar un flujo AutoML responsable para equipos de data science.

Entender qué automatiza Driverless AI y qué sigue dependiendo del usuario experto.

Crear un experimento de Driverless AI desde un dataset preparado.

Configurar objetivo, métricas, tiempo, precisión, interpretabilidad y complejidad.

Aprovechar automatización de feature engineering, selección de modelos y tuning.

Revisar experimentos generados y compararlos con baseline.

Analizar resultados por rendimiento, estabilidad, explicabilidad y coste computacional.

Usar recetas personalizadas cuando el caso lo requiera.

Preparar experimentos para datos tabulares, texto, series temporales o casos específicos.

Evitar que AutoML oculte decisiones importantes de negocio.

Convertir Driverless AI en acelerador de análisis, no en caja negra incontrolada.

Entender cómo Driverless AI puede automatizar feature engineering.

Revisar variables derivadas, transformaciones, codificaciones y agregaciones.

Detectar fuga de información en variables demasiado cercanas al target.

Controlar transformaciones temporales para evitar mirar al futuro.

Analizar variables de alta cardinalidad, texto, fechas y categorías.

Comparar features automáticas con features diseñadas por expertos.

Descartar variables no permitidas por negocio, regulación o ética.

Documentar features relevantes para auditoría y explicación.

Validar que las mismas variables pueden calcularse en producción.

Crear criterios para aceptar o rechazar features generadas automáticamente.

Revisar por qué la explicabilidad es crítica en modelos empresariales.

Usar capacidades de interpretabilidad de Driverless AI para entender predicciones.

Analizar importancia de variables, Shapley values, partial dependence, decision trees y técnicas relacionadas.

Explicar resultados a negocio sin simplificar en exceso.

Detectar variables proxy, sesgos o comportamientos inesperados.

Comparar interpretabilidad global y local.

Preparar informes de explicación para riesgo, compliance, auditoría o dirección.

Evitar desplegar modelos de alto impacto sin explicación suficiente.

Documentar límites de cada técnica de interpretabilidad.

Convertir explicabilidad en parte del ciclo de aprobación del modelo.

Definir métricas apropiadas según clasificación, regresión, ranking, forecasting o detección de anomalías.

Evaluar accuracy, AUC, F1, precision, recall, RMSE, MAE, lift, profit curves o métricas específicas de negocio.

Analizar calibración, estabilidad temporal, fairness y sensibilidad.

Crear conjuntos de validación representativos.

Comparar baseline, modelo actual y nuevo modelo.

Evaluar coste de falsos positivos y falsos negativos.

Documentar supuestos, umbrales y decisiones.

Preparar criterios de aceptación antes de entrenar.

Diseñar validación técnica, funcional y de negocio.

Crear un informe de validación listo para comité de modelo.

Preparar datos temporales con granularidad adecuada.

Definir horizonte de predicción, ventana histórica y variables exógenas.

Usar capacidades de series temporales de Driverless AI para demanda, ventas, producción, inventario o consumo.

Evitar leakage temporal con particiones incorrectas.

Gestionar festivos, estacionalidad, tendencias, gaps y valores faltantes.

Comparar modelos por horizonte y segmento.

Crear forecast por producto, tienda, región, cliente o activo.

Evaluar errores con métricas adecuadas para negocio.

Preparar dashboards o salidas para planificación.

Definir proceso de retraining y monitorización de forecasting.

Entender qué aporta Hydrogen Torch frente a modelos tabulares clásicos.

Crear proyectos no-code de deep learning cuando hay imágenes, texto, audio o datos no estructurados.

Configurar tareas como clasificación, regresión, segmentación o extracción según disponibilidad.

Ajustar datasets, etiquetas, splits y métricas.

Experimentar con arquitecturas e hiperparámetros sin escribir código desde cero.

Evaluar rendimiento con métricas y validación adecuada.

Exportar modelos para despliegue en Python o H2O MLOps.

Evitar usar deep learning cuando un modelo tabular simple resuelve mejor el problema.

Documentar coste computacional y requisitos de GPU.

Diseñar un workflow de deep learning accesible para equipos no expertos.

Entender H2O Document AI como solución para automatizar extracción y clasificación de texto en documentos.

Preparar documentos PDF, escaneados, formularios, facturas, contratos, expedientes o imágenes.

Revisar el flujo recomendado: proyecto, anotación, modelos, revisión y consumo.

Crear conjuntos de anotación con campos relevantes.

Entrenar modelos para extraer información crítica.

Validar resultados con muestras reales y documentos difíciles.

Gestionar OCR, layout, tablas, formularios, documentos multiformato y calidad de escaneo.

Preparar outputs para modelos predictivos, RPA, BI o sistemas internos.

Evitar automatizar extracción documental sin control de calidad humano.

Diseñar un caso completo de automatización documental con trazabilidad.

Entender H2O Feature Store como repositorio centralizado para almacenar, actualizar, recuperar y compartir features.

Diseñar feature sets, feature views y catálogos de variables.

Gestionar reutilización de variables entre proyectos de IA y analítica.

Evitar definiciones duplicadas de la misma métrica en varios equipos.

Controlar calidad, linaje, owner y vigencia de cada feature.

Aplicar joins point-in-time para evitar leakage temporal cuando corresponda.

Documentar transformaciones, fuentes y reglas de negocio.

Preparar features para entrenamiento y scoring.

Crear criterios de publicación y retirada de features.

Integrar Feature Store en el ciclo completo de MLOps.

Entender H2O MLOps como plataforma para despliegue, gestión, gobierno, monitorización y alertas de modelos.

Registrar modelos procedentes de Driverless AI, H2O-3 o terceros.

Gestionar proyectos, experimentos, versiones y artefactos.

Crear deployments para scoring online o batch según necesidad.

Revisar endpoints, permisos, entornos y dependencias.

Integrar modelos con aplicaciones, APIs o procesos internos.

Configurar monitorización de rendimiento y comportamiento.

Definir criterios de promoción entre dev, test, staging y producción.

Documentar releases, owners y rollback.

Crear un workflow MLOps replicable para el equipo.

Diferenciar scoring online, batch, mini-batch y edge deployment.

Exponer modelos como endpoints REST cuando sea necesario.

Preparar procesos de batch scoring sobre CSV, Parquet, ORC, BigQuery, JDBC o Snowflake cuando aplique.

Usar clientes de scoring para integrar predicciones en procesos externos.

Diseñar contratos de entrada y salida del modelo.

Gestionar latencia, throughput, errores y reintentos.

Registrar predicciones relevantes para auditoría.

Controlar permisos de consumo del modelo.

Evitar modelos que funcionan en notebook pero no en producción.

Preparar una estrategia de scoring adaptada a cada caso de uso.

Configurar monitorización de modelos desplegados.

Entender que H2O MLOps model monitoring observa rendimiento y comportamiento para detectar problemas como model drift.

Monitorizar distribución de variables, calidad de datos, rendimiento, volumen, errores y latencia.

Detectar data drift, concept drift, degradación y cambios de población.

Crear alertas por umbrales relevantes para negocio.

Definir cuándo reentrenar, recalibrar o retirar un modelo.

Revisar predicciones extremas o inesperadas.

Crear dashboards operativos para modelos críticos.

Coordinar data science, negocio y operaciones ante alertas.

Mantener modelos vivos mediante un ciclo de mejora continua.

Entender Enterprise h2oGPTe como asistente de búsqueda y GenAI sobre conocimiento interno.

Crear casos de uso sobre documentos, sitios web, políticas, manuales, contratos o documentación técnica.

Diseñar pipelines RAG con fuentes autorizadas y controladas.

Configurar espacios, colecciones o bases documentales según la arquitectura disponible.

Pedir respuestas con citas, evidencias y límites claros.

Aplicar guardrails para reducir respuestas no permitidas.

Controlar permisos, multi-tenancy y acceso a información sensible.

Comparar h2oGPTe con h2oGPT open source y otras herramientas GenAI.

Medir calidad de respuestas con preguntas de evaluación.

Diseñar un asistente empresarial fiable y auditable.

Entender los agentes de Enterprise h2oGPTe como asistentes capaces de analizar input, elegir herramientas, escribir y ejecutar código e iterar.

Diseñar agentes para investigación, análisis, reporting, revisión de documentos o apoyo técnico.

Diferenciar agente generalista, agente de tarea, agente RAG y agente conectado a herramientas.

Controlar herramientas disponibles, permisos, límites, contexto y coste.

Diseñar human-in-the-loop para acciones sensibles.

Registrar acciones, errores, revisiones y resultados.

Evitar agentes con permisos excesivos o sin trazabilidad.

Probar agentes con casos normales, ambiguos, incompletos y maliciosos.

Crear evaluación de seguridad y calidad de agentes.

Preparar un catálogo de agentes aprobados por área.

Entender por qué una plataforma GenAI empresarial necesita enrutar modelos según tarea.

Configurar o diseñar criterios para elegir modelo por coste, latencia, calidad, seguridad o privacidad.

Aplicar guardrails para contenido, datos sensibles, instrucciones prohibidas y uso indebido.

Revisar prompts, system prompts, contexto recuperado y fuentes.

Evitar exponer instrucciones internas o información confidencial.

Crear políticas de uso por usuario, área y tipo de dato.

Medir respuestas bloqueadas, errores, coste, feedback y satisfacción.

Diseñar evaluaciones periódicas de calidad de respuestas.

Integrar GenAI con gobierno corporativo de IA.

Documentar decisiones para auditoría y mejora continua.

Entender H2O Wave como framework para crear apps y dashboards Python en tiempo real.

Diseñar aplicaciones internas para consumir modelos, visualizar predicciones o explotar insights.

Crear interfaces para usuarios de negocio con formularios, gráficos, resultados y explicaciones.

Publicar aplicaciones en un catálogo interno cuando el entorno lo permita.

Conectar apps con modelos desplegados, Document AI, h2oGPTe o APIs internas.

Evitar que los usuarios consuman modelos sin contexto, explicación o advertencias.

Diseñar UX para decisiones asistidas por IA.

Controlar permisos, versionado y mantenimiento de apps.

Medir uso y valor de aplicaciones desplegadas.

Convertir modelos en herramientas utilizables por negocio.

Usar notebooks como entorno de exploración, análisis y prototipado.

Conectar notebooks con H2O-3, Driverless AI, MLOps, Feature Store o APIs.

Documentar código, datos, parámetros y resultados.

Evitar notebooks desordenados que nadie puede reproducir.

Convertir experimentos útiles en scripts, pipelines o componentes productivos.

Controlar versiones con Git y artefactos de modelo.

Gestionar credenciales y datos sensibles dentro de notebooks.

Preparar notebooks de formación para equipos técnicos.

Establecer buenas prácticas de limpieza y entrega.

Pasar de experimento a pipeline con criterio.

Revisar modelos de despliegue: managed cloud, hybrid cloud, on-premise, VPC o air-gapped según entorno.

Controlar autenticación, autorización, roles y accesos a datos, modelos y apps.

Gestionar secretos, claves API, endpoints y cuentas de servicio.

Segmentar entornos por desarrollo, pruebas y producción.

Revisar logs, auditoría, retención y trazabilidad.

Aplicar políticas de seguridad para modelos predictivos y GenAI.

Controlar uso de documentos sensibles en RAG y Document AI.

Definir controles de acceso por proyecto y equipo.

Coordinar IT, seguridad, data governance y legal.

Preparar un checklist de seguridad para despliegues H2O.ai.

Crear inventario de modelos, datasets, owners y casos de uso.

Definir niveles de criticidad según impacto económico, legal, operativo o reputacional.

Documentar métricas, validación, explicabilidad y aprobación.

Preparar model cards o fichas de modelo.

Gestionar excepciones, riesgos residuales y aprobaciones.

Revisar fairness, sesgo, privacidad, trazabilidad y auditoría.

Integrar H2O MLOps con procesos de model risk management cuando aplique.

Definir ciclos de revisión periódica.

Retirar modelos obsoletos o degradados.

Crear gobierno práctico sin frenar la innovación.

Diseñar integraciones con CRM, ERP, data warehouse, data lake, aplicaciones internas o workflows.

Consumir modelos mediante REST, scoring clients o pipelines batch.

Enviar predicciones a sistemas transaccionales con control.

Integrar respuestas GenAI en Slack, Teams, SharePoint, Google Drive u otras herramientas cuando aplique.

Gestionar contratos de datos entre sistemas.

Controlar errores, reintentos, timeouts y fallbacks.

Evitar integraciones directas sin observabilidad.

Versionar APIs y modelos consumidos.

Preparar documentación técnica para equipos internos.

Diseñar integraciones escalables y auditables.

Evaluar impactos de modelos en personas, clientes, empleados o decisiones sensibles.

Detectar sesgos en datos, variables, decisiones y resultados.

Revisar variables proxy y discriminación indirecta.

Incorporar explicabilidad en casos regulados o de alto impacto.

Diseñar procesos de revisión humana.

Comunicar límites del modelo a usuarios de negocio.

Evitar automatizar decisiones críticas sin controles.

Documentar responsabilidades y criterios de uso.

Medir fairness y estabilidad en el tiempo.

Crear una política de IA responsable adaptada a H2O.ai.

Definir impacto esperado antes de entrenar modelos.

Medir ahorro, ingresos, reducción de fraude, eficiencia, precisión, tiempos y calidad.

Relacionar métricas técnicas con resultados de negocio.

Diseñar pilotos con grupo de control cuando sea posible.

Evitar modelos excelentes sin proceso de decisión asociado.

Medir coste computacional, licencias, operación y mantenimiento.

Preparar dashboards de valor para dirección.

Revisar adopción por usuarios finales.

Identificar casos que no merecen escalarse.

Crear un modelo de priorización de iniciativas IA.

Diagnosticar madurez de datos, IA, MLOps y gobierno.

Seleccionar primeros casos con datos disponibles y valor claro.

Preparar equipo mixto: negocio, data, ML engineering, IT, seguridad y legal.

Definir arquitectura inicial y módulos H2O.ai necesarios.

Crear estándares de proyecto, naming, validación y despliegue.

Formar perfiles por rol y no con una única sesión genérica.

Implantar pilotos con métricas y revisión de riesgo.

Escalar casos validados a producción.

Crear comunidad interna de usuarios H2O.ai.

Mantener roadmap trimestral de mejora y adopción.

Lanzar AutoML sin una pregunta de negocio bien definida.

Entrenar modelos con datos que no estarán disponibles en producción.

Elegir el modelo con mejor métrica sin revisar explicabilidad ni estabilidad.

Desplegar sin monitorización, owner ni plan de retraining.

Usar Document AI sin control de calidad documental.

Crear Feature Store sin gobierno de definiciones.

Activar GenAI sobre documentos sensibles sin permisos adecuados.

Crear agentes sin límites, logs o revisión humana.

Presentar prototipos como sistemas listos para producción.

Medir éxito solo por precisión técnica y no por valor operativo.

Seleccionar un caso ficticio o anonimizado de predicción, documentos, GenAI o combinación híbrida.

Definir objetivo de negocio, usuarios, datos, decisión, riesgo y métrica de éxito.

Preparar dataset o corpus documental con criterios de calidad y privacidad.

Crear un modelo con H2O-3, Driverless AI o Hydrogen Torch según el caso.

Evaluar rendimiento, interpretabilidad, sesgos, estabilidad y umbral de decisión.

Incorporar Feature Store o Document AI si el caso requiere features reutilizables o extracción documental.

Desplegar o simular despliegue con H2O MLOps y diseñar scoring.

Añadir monitorización, drift, alertas, owner y plan de retraining.

Diseñar un asistente h2oGPTe o flujo RAG si el caso necesita explicación o consulta documental.

Presentar el proyecto final con arquitectura, resultados, limitaciones, ROI, gobierno y roadmap.