CAPÍTULO G: EN INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL, CONCEPTOS Y APLICACIONES ¹

ARTÍCULO 601. Aprobar la “DIPLOMATURA EN INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL, CONCEPTOS Y APLICACIONES”, elevada por la Facultad de Ciencias Económicas, que forma parte del presente Capítulo.

PLAN DE ESTUDIOS

a. Denominación: “Diplomatura en introducción a la inteligencia artificial, conceptos y aplicaciones”

b. Objetivos

Que las y los estudiantes:

-Adquieran los fundamentos y nociones básicas de la resolución de problemas mediante el uso de Inteligencia Artificial, abarcando conceptos de Aprendizaje Automático, Aprendizaje Profundo, Visión Artificial, Procesamiento del Lenguaje Natural e Inteligencia Artificial Generativa.

-Desarrollen habilidades técnicas de recolección, selección y limpieza de datos, en programación y análisis de datos mediante el uso de herramientas de IA y modelos de lenguaje de gran escala (LLMs), integrándolos en flujos de trabajo reproducibles. Incluyendo diversas técnicas para darle instrucciones a estos sistemas (prompting) y a su vez brindándoles herramientas para su correcta evaluación.

-Apliquen modelos de Inteligencia Artificial en diversos contextos y tareas, utilizando datos provenientes de múltiples formatos, y desarrollen criterio técnico para la selección de modelos según el problema, analizando su desempeño, sesgos y limitaciones.

-Integren las herramientas y conocimientos adquiridos para el análisis de una temática de interés mediante el desarrollo de un proyecto final.

-Reconozcan las posibilidades, limitaciones y requerimientos estructurales de los distintos enfoques de modelado, incluyendo las necesidades de infraestructura y hardware.

-Analicen las controversias, implicancias sociales y dilemas éticos asociados a los sesgos en los datos de entrenamiento y en el desarrollo y uso de la Inteligencia Artificial.

c. Justificación

El manejo de la Inteligencia Artificial constituye cada vez más un saber esencial para la construcción de ciudadanía, así como también una herramienta clave en el mundo laboral. En el contexto actual, enseñar el uso de la Inteligencia artificial desde

una perspectiva crítica y de garantía de derechos se convierte en una necesidad más allá de lo técnico. Estas herramientas evolucionan de manera constante y se incorporan de forma creciente en múltiples ámbitos de la vida cotidiana y profesional. Conocer los fundamentos, los alcances, limitaciones y dilemas permite mejorar su implementación en diversos contextos de automatización de procesos, análisis de datos y toma de decisiones, tanto en el ámbito profesional, empresarial o académico. En un escenario con un número cada vez mayor de tareas automatizadas, resulta fundamental fortalecer el pensamiento crítico y las capacidades humanas para estructurar, interpretar y comunicar problemas de manera significativa. Se utilizarán herramientas aplicadas al análisis de problemáticas locales, promoviendo la construcción colectiva, el debate ciudadano y la incorporación de perspectivas de derechos humanos y de género.

El trabajo colaborativo, la evaluación de los modelos y la profundización de aspectos técnicos y teóricos les permiten a los estudiantes adaptarse y seguir formándose de manera autónoma y autogestiva en la temática de manera profunda. Con la diplomatura se busca brindar los saberes necesarios para que los estudiantes conozcan las bases y que con ellas puedan seguir formándose, profundizando y adaptándose a las futuras innovaciones en el tema.

Se buscará que los estudiantes entiendan cómo funcionan los modelos de IA, cómo se construyen, cómo se evalúan y cómo se aplican correctamente en distintos contextos.

d. Pertinencia respecto a la unidad académica que la propone

La Facultad de Ciencias Exactas y Naturales de la Universidad de Buenos Aires cuenta con una sólida trayectoria académica, científica y pedagógica en áreas directamente vinculadas con la propuesta de esta diplomatura. En particular, ofrece las carreras de grado Licenciatura en Ciencia de Datos y Licenciatura en Ciencias de la Computación, que brindan una formación rigurosa en programación, algoritmos, análisis de datos, modelización, aprendizaje automático, inteligencia artificial y otras áreas afines.

La pertinencia de abordar específicamente el eje de la Inteligencia Artificial desde esta Facultad se sustenta en sus capacidades académicas e institucionales. La unidad académica cuenta con equipos docentes, grupos de investigación y espacios de formación vinculados con la computación, la ciencia de datos, el análisis estadístico, la modelización matemática y el desarrollo de sistemas inteligentes. propuesta formativa que no se limite al uso instrumental de aplicaciones basadas en IA, sino que promueva una comprensión más profunda de los principios que las sustentan, sus criterios de funcionamiento, sus posibles sesgos, sus condiciones de uso y sus implicancias sociales.

Asimismo, el uso de herramientas informáticas, lenguajes de programación y recursos vinculados al análisis de datos atraviesa de manera creciente al conjunto de las carreras de la Facultad, tanto en la formación de grado como en las actividades de investigación, transferencia y extensión. Esta transversalidad permite articular saberes provenientes de distintas disciplinas y construir una mirada integral sobre la Inteligencia Artificial, entendida no solo como un conjunto de tecnologías, sino también como un fenómeno científico, cultural, económico y social que requiere ser abordado desde una perspectiva crítica y situada.

Para las y los destinatarios de la diplomatura, la formación en Inteligencia Artificial resulta relevante porque permite acceder a saberes estratégicos que inciden cada vez más en los ámbitos educativos, laborales, comunitarios e institucionales. La propuesta busca contribuir a que las personas participantes puedan comprender qué es la IA, cómo se construyen y utilizan los sistemas basados en datos, cuáles son sus potencialidades y cuáles son los riesgos asociados a su uso acrítico. De este modo, la diplomatura procura fortalecer capacidades para interactuar con estas tecnologías, evaluar sus resultados, reconocer sus limitaciones y apropiarse de ellas de manera reflexiva.

A su vez, desde 2023 la Facultad lleva adelante la Diplomatura de Introducción a la Programación y Análisis de Datos, destinada a personas que no cursan otras ofertas educativas de grado de la Facultad y que buscan iniciarse en la programación y comprender de manera crítica el estudio de los datos. Esta experiencia permitió desarrollar y poner a prueba distintas estrategias de enseñanza de la programación y la ciencia de datos con personas provenientes de diversos contextos sociales, educativos y territoriales. Dicho antecedente constituye una base relevante para esta nueva propuesta, aunque la presente diplomatura profundiza específicamente en el campo de la Inteligencia Artificial y en sus implicancias técnicas, sociales y formativas.

Por todo ello, la presente diplomatura se apoya en capacidades académicas, científicas y extensionistas ya existentes en la Facultad, al mismo tiempo que responde a una necesidad formativa actual: democratizar el acceso a conocimientos sobre Inteligencia Artificial, promover una apropiación crítica de estas tecnologías y contribuir a la formación de ciudadanas y ciudadanos capaces de comprender e intervenir en un campo de creciente relevancia social.

e. Estructura (módulos, unidades, carga horaria por módulos o unidad)

La Diplomatura está estructurada en dos (2) partes, cada una compuesta por dos (2) unidades.

f. Contenidos de cada unidad o módulo

Unidad 1: Interacción, Modelado y Evaluación en Sistemas de IA

Introducción a la Inteligencia Artificial como herramienta experimental. Diferencias entre programación clásica y modelos generativos. Tipos de tareas abordables con IA: clasificación, regresión, generación y extracción de información.

Interacción técnica con LLMs: prompting estructurado (zero-shot, few-shot), arquitectura de prompts, instrucciones de sistema y control de formato de salida. Concepto de variabilidad, determinismo y parámetros del modelo (temperatura, tokens, ventana de contexto).

Salida estructurada y representación de datos: JSON, CSV, tablas. Transformación de lenguaje natural en datos procesables. Validación de outputs.

Fundamentos de probabilidad y estadística descriptiva aplicados a la evaluación de modelos. Introducción a métricas de clasificación: matriz de confusión, precisión, recall.

Organización de datos con Python y Pandas. Limpieza y estructuración de datasets. Pensamiento crítico y análisis de errores en sistemas de IA.

Evaluación de sesgos.

Unidad 2: Automatización, evaluación y desarrollo con APIs

Automatización de experimentos con APIs de modelos generativos (Gemini u otros). Manejo de claves, autenticación y pipelines reproducibles.

Procesamiento masivo de datos con Python. Lectura y escritura de archivos CSV/JSON. Persistencia de resultados, manejo de errores, reintentos y checkpoints. Evaluación cuantitativa de modelos: métricas, validación empírica, estabilidad y confiabilidad. Análisis de costo computacional y eficiencia.

IA asistiendo programación: generación, depuración y refactorización de código. Supervisión crítica del código generado por modelos.

Diseño de pipelines (flujos de trabajo) de datos reproducibles. Integración de herramientas de análisis y visualización.

Proyecto intermedio integrador.

Unidad 3: Multimodalidad, modelos locales y enfoques clásicos de ML

Procesamiento multimodal: texto, imágenes y audio. Limitaciones culturales y lingüísticas de los modelos.

Modelos locales y soberanía tecnológica. Ejecución de modelos open-weight. Privacidad de datos y eficiencia computacional.

Paradigmas de Machine Learning clásico: aprendizaje supervisado, no supervisado y reducción de dimensionalidad. Métricas de evaluación.

Comparación entre modelos generalistas y modelos especialistas. Uso de modelos preentrenados para tareas específicas.

Introducción al ecosistema Hugging Face. Ejecución local de modelos. Aplicaciones en dominios no textuales.

Técnicas de anonimización y redacción de datos sensibles.

Unidad 4: Fundamentos teóricos, Deep Learning y ética de la IA

Principios de entrenamiento de modelos generativos. Predicción probabilística y aprendizaje auto-supervisado.

Introducción a Deep Learning. Modelos preentrenados y librerías modernas (Transformers, PyTorch).

Fine-tuning, instruction tuning y RAG. Alineación humana de modelos.

Privacidad y tratamiento de datos: Datos personales e información de identificación personal (PII). Riesgos asociados al uso de datos sensibles en sistemas de IA. Técnicas de anonimización y desidentificación utilizando Python (expresiones regulares y LLM).

Impacto social de la IA: sesgos y equidad, consumo energético y sostenibilidad (huella hídrica), soberanía tecnológica y riesgos.

Seguridad en sistemas de IA:Introducción a la seguridad en modelos generativos. Ataques adversariales y vulnerabilidades de los LLM. Prompt Injection y estrategias de mitigación.

Ética profesional en el desarrollo de sistemas automatizados

Riesgos sociales, económicos y regulatorios asociados a la adopción de IA.

g. Carga horaria total: 128 Horas

h. Requisitos de ingreso

Esta diplomatura está destinada a cualquier persona que cuenta con nociones básicas de programación en Python, nociones generales de estadística descriptiva (media, varianza, distribuciones) y conocimientos básicos y probabilidad (variables, funciones) con interés en profundizar en el análisis de datos con Inteligencia Artificial. Se requiere contar con Secundario completo.

i. Modalidad de cursada

Las clases serán teórico-prácticas. La duración de la Diplomatura es de 32 semanas, con una cursada de 4 hs una vez a la semana, combinando modalidad presencial con virtual sincrónica, pudiendo complementarse con actividades asincrónicas. Se aprovecharán las herramientas que brinda el campus virtual de la FCEN.

j. Cronograma de dictado

Las clases de las unidades serán teórico-prácticas con exposición del equipo docente y trabajos grupales, apoyándose en casos de estudio y material bibliográfico pertinente. La duración de la Diplomatura es de 32 semanas, con una cursada de 4 hs una vez a la semana, pudiendo complementarse virtual o asincrónicamente. Se busca que el uso de las nuevas tecnologías favorezca el acompañamiento de las trayectorias del estudiantado desde un posicionamiento donde el espacio virtual genere aprendizaje colaborativo potenciando sus aprendizajes individuales desde la significatividad y la promoción de la autonomía.

La propuesta promueve un aprendizaje colaborativo y reflexivo, con un enfoque teórico, para facilitar la comprensión de temas como el aprendizaje automático, la inteligencia artificial generativa, el procesamiento del lenguaje natural, la visión artificial y otros avances emergentes.

k. Currículum vitae del Coordinador, quien deberá ser       docente          de la Universidad.

-Pablo Brusco Doctor en Ciencias de la Computación. Docente en el Departamento de Computación de la FCEyN-UBA desde 2011. Director de la Carrera de Ciencias de la Computación (2024-Presente). Profesor de Aprendizaje Automático (2023-Presente). Experiencia industrial en Ciencia de Datos, Machine Learning y Procesamiento del Habla.

-Lucía Pedraza Lic. en Cs. Matemáticas. Doctora en Cs. Físicas. FCEyN-UBA. Docente en el Departamento de Matemática de la FCEyN y en el Departamento de Matemática del CBC. Coordinadora del Taller de Datos Populares FCEyN (2021-2022). Coordinadora de la Diplomatura de Introducción a la Programación y Análisis de Datos. FCEyN (2023-2026).

l. Nómina de colaboradores

Yamila Bauer

Clara Campos

Marco Mancini

Gustavo Juantorena

m. Modalidad de Evaluación

La evaluación se llevará a cabo mediante la realización de trabajos grupales/individuales al finalizar cada unidad y un trabajo integrador final.

n. Requisitos de aprobación

Para aprobar la diplomatura se requerirá un 75% de asistencia, la entrega y aprobación de trabajos grupales/individuales donde se dé cuenta de los conocimientos adquiridos en cada parte. En caso de no estar aprobado se otorgará una instancia de compensación, donde deberá reelaborar el mismo con las orientaciones dadas en el tiempo y forma estipulada por dicho equipo.

o. Modelo de certificado a otorgar

p. Arancel estipulado: gratuito