Empresas como YouTube, Google o Facebook usan Semantic Kernel
Profesionaliza Semantic Kernel en tu equipo con A Medida, tutorizado y bonificable por FUNDAE para empresas con casos prácticos. Solicita propuesta a medida.
Nueva Plataforma de E-learningFormación en directo con plataforma de apoyo para reforzar el aprendizaje
Acceso a las grabaciones
Los alumnos podrán revisar las sesiones grabadas para repasar conceptos clave, recuperar explicaciones concretas o reforzar aquellos contenidos que necesiten después de la clase en directo.
Recursos formativos
Materiales, sesiones grabadas y documentación de apoyo quedan centralizados en la plataforma para que el equipo pueda consultarlos durante y después de la formación.
Confirmación de asistencia
La plataforma permite registrar y confirmar la asistencia de los participantes, facilitando el seguimiento de la formación y la gestión documental necesaria para la bonificación FUNDAE.
Programa formativo
Temario del curso
Encuentra todo el temario del curso aquí.
Temario
Qué es Semantic Kernel y su papel en .NET
Diferencia entre SDKs genéricos y Semantic Kernel
Concepto de agente inteligente en IA aplicada
Panorama actual de LLMs y frameworks en .NET
Casos de uso de agentes en productos empresariales
Ejemplos de proyectos con Semantic Kernel en C#
Diferencias con LangChain, Haystack y otros frameworks
Arquitecturas basadas en SK para IA empresarial
Conceptos clave: plugins, contextos, orquestación
Roadmap del curso
Qué es Semantic Kernel y su papel en .NET
Diferencia entre SDKs genéricos y Semantic Kernel
Concepto de agente inteligente en IA aplicada
Panorama actual de LLMs y frameworks en .NET
Casos de uso de agentes en productos empresariales
Ejemplos de proyectos con Semantic Kernel en C#
Diferencias con LangChain, Haystack y otros frameworks
Tema 1: Introducción a Semantic Kernel y agentes inteligentes
Qué es Semantic Kernel y su papel en .NET
Diferencia entre SDKs genéricos y Semantic Kernel
Concepto de agente inteligente en IA aplicada
Panorama actual de LLMs y frameworks en .NET
Casos de uso de agentes en productos empresariales
Ejemplos de proyectos con Semantic Kernel en C#
Diferencias con LangChain, Haystack y otros frameworks
Arquitecturas basadas en SK para IA empresarial
Conceptos clave: plugins, contextos, orquestación
Roadmap del curso
Tema 2: Fundamentos de LLMs en .NET con Semantic Kernel
Cómo funcionan los LLMs y APIs disponibles
Diferencias entre OpenAI, Azure OpenAI y modelos locales
Configuración inicial de Semantic Kernel en C#
Creación de un kernel básico y conexión con GPT-4
Ejecución de prompts simples desde .NET
Manejo de contextos y estados en Semantic Kernel
Uso de embeddings y memoria semántica en SK
Manejo de entradas y salidas en pipelines
Buenas prácticas en la gestión de tokens y costes
Ejemplo práctico: chatbot simple con SK en C#
Tema 3: Prompt Engineering avanzado para consultoría en .NET
Concepto de prompt y su papel en SK
Prompts estructurados frente a prompts dinámicos
Uso de plantillas en Semantic Kernel
Creación de prompts adaptados a productos IA
Control del estilo de salida en generación
Uso de ejemplos (few-shot prompting) en C#
Prompts encadenados en workflows
Estrategias para debugging de prompts en SK
Creación de librerías de prompts corporativos
Buenas prácticas en mantenibilidad de prompts
Tema 4: Plugins en Semantic Kernel
Qué son los plugins y cómo extender SK
Tipos de plugins: nativos, semánticos y de conexión
Creación de un plugin nativo en C#
Definición de funciones semánticas en JSON
Registro y carga dinámica de plugins en el Kernel
Plugins para llamadas a APIs externas
Gestión de dependencias entre plugins
Estrategias de versionado de plugins en SK
Ejemplo práctico: plugin para CRM corporativo
Buenas prácticas en modularidad y seguridad
Tema 5: RAG (Retrieval-Augmented Generation) en Semantic Kernel
Introducción a RAG y su valor en productos IA
Arquitectura típica de RAG con SK
Uso de embeddings en .NET con SK
Integración con Azure Cognitive Search
Almacenamiento vectorial en bases NoSQL (Cosmos DB, Redis)
Recuperación semántica de documentos corporativos
Pipeline: recuperar + generar con SK
Ejemplo práctico: asistente corporativo con RAG
Estrategias para mejorar precisión y relevancia
Limitaciones y costes asociados a RAG
Tema 6: Memoria y contexto en agentes SK
Diferencia entre memoria semántica y memoria vectorial
Persistencia de estados en sesiones largas
Diseño de agentes con memoria a corto y largo plazo
Uso de colecciones vectoriales persistentes
Integración con bases de datos externas para memoria
Ejemplo práctico: asistente que recuerda interacciones pasadas
Problemas comunes de memoria en LLMs
Estrategias de pruning y limpieza de memoria
Visualización del contexto y debugging en SK
Buenas prácticas para memoria distribuida
Tema 7: Orquestación multiagente con Semantic Kernel
Qué es la orquestación multiagente
Casos de uso en productos IA (finanzas, salud, industria)
Patrones de comunicación entre agentes
Jerarquía de agentes: coordinador y especialistas
Diseño de roles y responsabilidades en agentes IA
Ejemplo práctico: equipo de agentes para redacción técnica
Estrategias de delegación y escalabilidad
Uso de workflows para coordinar agentes
Monitorización de interacciones multiagente
Buenas prácticas en diseño de arquitecturas multiagente
Tema 8: Integración de SK con APIs externas y sistemas corporativos
Conexión con APIs REST desde agentes SK
Integración con servicios internos de la empresa
Uso de SK para orquestar llamadas a múltiples APIs
Ejemplo práctico: agente que conecta ERP + CRM
Estrategias de autenticación y seguridad en APIs
Uso de Graph API para integrar con Microsoft 365
Comunicación con sistemas de terceros (SAP, Salesforce)
Pipeline de datos entre SK y APIs externas
Control de errores y reintentos en integraciones
Buenas prácticas en mantenibilidad de integraciones
Tema 9: Semantic Kernel y datos en tiempo real
Conexión de SK con flujos de datos en streaming
Integración con Azure Event Hub y Service Bus
Procesamiento de eventos en tiempo real con SK
Uso de agentes para decisiones instantáneas
Ejemplo práctico: agente financiero con datos en streaming
Gestión de estados en flujos continuos
Optimización de latencia en orquestación multiagente
Uso de SK en escenarios IoT industriales
Monitorización de eventos con SK y dashboards
Buenas prácticas en entornos de baja latencia
Tema 10: Evaluación y testing de agentes inteligentes
Por qué es crítico testear agentes IA
Estrategias de validación automática de respuestas
Frameworks de testing en .NET para SK
Diseño de métricas de evaluación: precisión, recall, utilidad
Creación de pruebas unitarias para prompts y plugins
Simulación de usuarios en escenarios multiagente
Uso de datos sintéticos para test de regresión
Automatización de testing en CI/CD
Ejemplo práctico: test de un asistente de soporte técnico
Buenas prácticas en QA de productos IA
Tema 11: Seguridad, compliance y gobernanza de agentes IA
Riesgos principales en soluciones con LLMs
Control de datos sensibles en flujos SK
Estrategias de anonimización de datos en .NET
Cumplimiento con GDPR y normativas de IA en Europa
Autenticación y autorización en agentes IA
Auditoría de interacciones y logs seguros
Ejemplo práctico: pipeline seguro en entorno regulado
Gestión de sesgos y fairness en modelos
Buenas prácticas en seguridad de agentes SK
Futuro de la regulación en IA generativa
Tema 12: Escalabilidad y despliegue de agentes SK en producción
Patrones de despliegue en Azure para SK
Uso de contenedores con Docker y Kubernetes
Orquestación de múltiples instancias de agentes
Autoescalado de servicios en Azure Kubernetes Service
Integración con Azure DevOps para despliegues CI/CD
Monitorización de rendimiento con Application Insights
Logging avanzado en agentes SK
Ejemplo práctico: despliegue de un asistente multiagente en AKS
Estrategias de resiliencia y fallback en producción
Buenas prácticas de observabilidad en producción
Tema 13: Personalización y fine-tuning de modelos en SK
Diferencia entre prompts, embeddings y fine-tuning
Cuándo conviene un modelo fine-tuned en entornos .NET
Herramientas de fine-tuning en Azure OpenAI Service
Ejemplo práctico: modelo ajustado a terminología corporativa
Integración de modelos fine-tuned en Semantic Kernel
Diseño de datasets para entrenamiento incremental
Estrategias de versionado de modelos personalizados
Limitaciones y costes del fine-tuning en la nube
Evaluación comparativa: base vs fine-tuned
Buenas prácticas en personalización de modelos
Tema 14: Patrones arquitectónicos con Semantic Kernel en productos IA
Arquitectura hexagonal aplicada a SK
Integración de SK en microservicios .NET
Patrones CQRS y Event Sourcing con agentes IA
Diseño de pipelines de orquestación modular
Ejemplo práctico: producto IA para análisis documental
Integración de SK con DDD en proyectos .NET
Uso de buses de eventos en orquestación multiagente
Patrones de resiliencia y tolerancia a fallos
Comparativa arquitectónica con otros frameworks IA
Buenas prácticas en arquitecturas empresariales con SK
Tema 15: Proyecto final – Construcción de un producto IA multiagente en .NET
Selección del caso práctico (asistente corporativo, copiloto financiero, etc.)
Definición de arquitectura multiagente en .NET
Diseño de plugins y prompts especializados
Implementación de un agente coordinador en C#
Integración con APIs y bases de datos corporativas
Implementación de RAG con Azure Cognitive Search
Orquestación multiagente para tareas complejas
Testing y validación del producto IA
Despliegue en Azure Kubernetes Service
Presentación final del producto IA funcionando en producción
Perfiles profesionales
Pensado para quienes deben dominar Semantic Kernel en su día a día
Desarrolladores .NET
Quieren incorporar IA generativa y agentes inteligentes en aplicaciones .NET utilizando Semantic Kernel, con un enfoque sólido en arquitectura, mantenibilidad y escalabilidad.
Arquitectos de Software
Necesitan diseñar soluciones de IA empresarial basadas en agentes, integradas con sistemas corporativos y alineadas con buenas prácticas de ingeniería y gobierno.
Consultores y Especialistas en IA
Desarrollan productos y soluciones de IA para clientes y requieren dominar Semantic Kernel como framework clave en el ecosistema .NET.
Diseñemos hoy el curso que tu empresa necesita
Cuéntanos tus objetivos de negocio y prepararemos una propuesta formativa bonificable totalmente ad hoc
Después de la formación en directo, los alumnos podrán acceder a ejercicios prácticos para aplicar lo trabajado en clase y consolidar el aprendizaje con actividades guiadas.
Acceso a las grabaciones
Los alumnos podrán revisar las sesiones grabadas para repasar conceptos clave, recuperar explicaciones concretas o reforzar aquellos contenidos que necesiten después de la clase en directo.
Recursos formativos
Materiales, sesiones grabadas y documentación de apoyo quedan centralizados en la plataforma para que el equipo pueda consultarlos durante y después de la formación.
Confirmación de asistencia
La plataforma permite registrar y confirmar la asistencia de los participantes, facilitando el seguimiento de la formación y la gestión documental necesaria para la bonificación FUNDAE.
Ejercicios prácticos
Después de la formación en directo, los alumnos podrán acceder a ejercicios prácticos para aplicar lo trabajado en clase y consolidar el aprendizaje con actividades guiadas.
Practica y mejora con nuestra plataforma
Una plataforma practica, con IA integrada y pensada para que mejores desarrollando. Se adapta a tu ritmo, te corrige al instante y te muestra tu progreso real.
Correccion magica
Feedback inteligente
Aprende de cada acierto y fallo con explicaciones claras
Buscan integrar LLMs, RAG y orquestación multiagente en servicios .NET existentes, garantizando seguridad, rendimiento y fiabilidad.
Responsables de Transformación Digital
Evalúan cómo implantar agentes inteligentes en procesos y productos empresariales, con control de costes, cumplimiento normativo y ROI.
CTOs y Responsables Técnicos
Deben capacitar a sus equipos para crear soluciones de IA propias, evitando dependencias excesivas de plataformas cerradas y manteniendo el control tecnológico.
