La AI está reinventando el software. Súmate a la nueva ola del desarrollo.
Las empresas ya no contratan developers que escriben código. Contratan developers que crean software con AI. Aprende AI con expertos y desbloquea tu próximo nivel de carrera.
Compañías globales que contratan expertos certificados por nuestro programa
Descubre cómo
Conviértete de Software developer a AI Engineer y desbloquea tu próximo nivel de carrera
Aprende a diseñar, evaluar y desplegar sistemas de AI con clases en vivo y proyectos en equipo.
Sesiones en vivo lideradas por expertos
Clases en vivo con instructores académicos de universidades líderes a nivel global y expertos de la industria de AI.
Aprende desarrollando proyectos en AI
Un curriculum probado y enfocado: construye desde la primera semana y aprende AI en tiempo récord.
Un job advisor para dar el próximo paso en tu carrera
Trabaja contigo para definir y alcanzar tu próxima oportunidad de carrera en AI.
La comunidad de AI líder en Latam
Cientos de developers construyendo AI, conectados con un objetivo en común.
Sobre el AI Fellowship
Cuatro sprints, nuevas oportunidades de carrera
El AI Fellowship es un programa intensivo diseñado para software developers que necesitan estar adelante mientras la AI redefine cómo shippear software.
Duración
4 meses
Sesiones en vivo
Expertos de industria y academia
Requiere
15 hs / semana
Modalidad
100% remoto y en vivo
Skills
- Context engineering
- Spec-driven development
- Code review
- Test-driven development
- Harness authoring
- Agent orchestration
- Governance
- L1
Fundamentos y el nuevo paradigma
LLMs, predicción del siguiente token, entrenamiento, modelos de razonamiento, agentes, herramientas, el agent loop, skills, memoria, el harness, la ventana de contexto, Claude Code, limitaciones de los agentes, el SDLC y el rol de director.
- L2
El harness: dar forma al agente y extenderlo
El harness de Claude Code, CLAUDE.md, rules, skills, slash commands, subagentes, hooks, permisos, MCP y el Claude Agent SDK.
- L3
Ingeniería de contexto y desarrollo por especificación
La ventana de contexto, context rot, /context, /compact, /clear, write, select, compress, isolate, desarrollo por especificación, secciones de la spec, el comando /spec, planes y verificación.
- L4
Generación desde la spec, code review, tests y debugging
Generación de código, planes, gates, iteración, autonomía, code review, blast radius, comandos de revisión, subagentes revisores, red-green-refactor, cobertura de tests, characterization tests, validation gates, debugging y tests de regresión.
- L5
Construcción del harness
Selección de primitivas, Skills, subagentes, alcance y precedencia, subagentes integrados, plugins, hooks, eventos, matchers, exit codes, servidores MCP, CLI vs. MCP y el Stop-hook gate.
- L6
Orquestación y gobernanza
Orquestación, aislamiento de contexto, aislamiento de archivos, git worktrees, fan-out con subagentes, equipos de agentes, fan-out con worktrees, fan-out headless, workflows dinámicos, gobernanza, invariantes, hooks de seguridad, deny rules, sandboxing, control de costos y estándares de equipo.
Skills
- Transformer architecture
- Attention
- Embeddings
- LoRA Fine-tuning
- Model routing
- LLM evaluation
- Data sovereignty
- L1
Fundamentos de deep learning, parte I
Modelos de lenguaje grandes (LLMs), aprendizaje supervisado y no supervisado, métricas de evaluación y generalización de modelos.
- L2
Fundamentos de deep learning, parte II
Perceptrones, perceptrones multicapa (MLPs), gradient descent, backpropagation y minimización de la pérdida.
- L3
Preparación de datos para LLMs
Embeddings, Word2Vec y el proceso paso a paso para preparar embeddings.
- L4
Attention
Redes neuronales recurrentes, el cuello de botella de información, el mecanismo de attention y sus variantes.
- L5
Arquitectura Transformer
Transformers vs. RNNs, embeddings de tokens y posicionales, el bloque Transformer, layer normalization, capas feed-forward y GELU, conexiones residuales, la arquitectura de GPT-2, generación de texto y modelos encoder, decoder y encoder-decoder.
- L6
Entrenamiento
Pretraining con BERT y GPT, predicción enmascarada y del siguiente token, embeddings contextuales, técnicas de sampling, fine-tuning para clasificación, adapters y LoRA, instruction fine-tuning y RLHF.
- L7
Prompting
Prompt engineering, temperature y max tokens, prompting zero-shot y few-shot, chain-of-thought, autocrítica y reflexión, ventanas de contexto, KV cache, prompt caching, sesgo posicional, alucinaciones, prompting adversarial, sesgos y riesgos de seguridad.
- L8
APIs y model routing
APIs REST, métodos y códigos de estado, respuestas JSON, Postman, Python Requests, SDKs de OpenAI y Anthropic, streaming, el trilema del routing y routing por tarea, por complejidad, con fallback y semántico.
- L9
Modelos de razonamiento y arquitecturas modernas
Supervised fine-tuning, reward modeling, RLHF con PPO, DPO, RL para razonamiento, tokens de razonamiento latente, recompensas de proceso y de resultado, test-time compute, DeepSeek R1, Mixture of Experts, modelos open-weight, licenciamiento y soberanía de datos.
Skills
- Advanced RAG
- GraphRAG
- Hybrid search
- Agent orchestration
- MCP integration
- RAG evaluation
- L1
Datos estructurados y no estructurados para LLMs
Datos para LLMs, almacenamiento de datos, esquemas relacionales, consultas SQL y joins, documentos en MongoDB, agentes Text-to-SQL y guardrails de SQL.
- L2
Bases vectoriales y el pipeline de RAG
Information retrieval, BM25, el pipeline de retrieval, estrategias de chunking, embeddings, métricas de similitud, bases de datos vectoriales, retrieval-augmented generation, precision y recall en k.
- L3
Grafos de conocimiento y GraphRAG
Multi-hop preguntas, entidades y relaciones, RDF vs. property graphs, extracción de entidades con LLMs, resolución de entidades, Neo4j y Cypher, Text-to-Cypher y GraphRAG global vs. local.
- L4
Retrieval avanzado
La brecha de calidad en retrieval, búsqueda híbrida, normalización de scores, reciprocal rank fusion, cross-encoders, ColBERT y late interaction, reranking con LLMs, fine-tuning de embeddings y hard-negative mining.
- L5
Monitoreo y evaluación de sistemas RAG
Métricas de retrieval, nDCG y MRR, la tríada de RAG, métricas de Ragas, test sets sintéticos, LLM-as-a-judge, calibración del juez, monitoreo vs. observabilidad, LangSmith, Langfuse y DeepEval, y seguimiento del costo en tokens.
- L6
Agentes, herramientas y MCP
Agentes vs. workflows, ReAct, function calling, diseño de herramientas, structured outputs, el agent loop, RAG agéntico, el Model Context Protocol y seguridad en MCP.
- L7
Loops agénticos y entornos de ejecución
Estado, nodos y edges en LangGraph, tool binding, ToolNode, agentes prebuilt, ReAct, routers, paralelización, LLM-as-judge, reflexión, human-in-the-loop, sandboxes, el runtime de invocación de herramientas y seguridad en la ejecución de código.
- L8
El harness del agente
Degradación del contexto, memoria episódica, semántica y procedimental, Claude Code Skills, memoria de corto y largo plazo, compaction, checkpointers, tracing y tokenomics.
- L9
Deep Agents y SDKs
Planificación con to-dos, sub-agentes, sistemas de archivos virtuales, Open Deep Researcher, la librería Deep Agents, el Claude Agent SDK y cómo elegir un framework de agentes.
Skills
- LLMOps
- CI/CD
- Cloud deployment
- Evals
- Guardrails
- Production security
- L1
De agentes a servicio con FastAPI
MLOps vs. LLMOps, HTTP, APIs REST, códigos de estado, agentes con LangGraph, FastAPI, validación con Pydantic, health checks, streaming, ASGI y Uvicorn, y configuración.
- L2
Introducción a Docker
Contenedores vs. máquinas virtuales, namespaces, cgroups, Dockerfiles, imágenes base, .dockerignore, capas, build cache, multi-stage builds, puertos, volúmenes, registries, tags y digests.
- L3
Docker Compose y el stack multi-servicio
Archivos Compose, servicios, redes, ports vs. expose, volúmenes con nombre, bind mounts, backups, healthchecks, orden de arranque, debugging, caché de respuestas con Redis, override files y archivos .env.
- L4
EC2 y administración de servidores para LLMOps
Cuentas de AWS, IAM, MFA, presupuestos, facturación, instancias EC2, tipos de instancia, Elastic IPs, security groups, SSH, administración de Linux, permisos, Docker en EC2, recuperación tras reinicios, Caddy, HTTPS y DNS.
- L5
Amazon Bedrock y una arquitectura agnóstica al proveedor
Amazon Bedrock, model IDs, inference profiles, roles de IAM, abstracción del proveedor, get_llm(), parámetros de sampling, reintentos, fallback, precio por token, estimación de costos, selección de modelos, streaming e inferencia gestionada vs. self-hosted.
- L6
CI/CD para sistemas agénticos
Versionado de prompts y modelos, CI vs. CD, pull requests, GitHub Actions, runners, secretos, caché del pipeline, testing de salidas de texto, unit tests vs. evals, eval gates, tags inmutables, despliegue por SSH, rollback, staging, canary y blue-green.
- L7
Interfaces de usuario para agentes
Streamlit, Gradio, session state, respuestas en streaming, estados de error, razonamiento visible, renderizado de tool calls, human-in-the-loop, interrupts de LangGraph, checkpointers, diseño para la confianza, control de acceso y despliegue de la interfaz.
- L8
Observabilidad y el feedback loop
Logs, traces, métricas, structured logging, niveles de log, correlation IDs, Langfuse, sampling, retención, dashboards, alertas, SLOs, atribución de costos, evaluación continua, LLM-as-judge, captura de feedback y ética del feedback.
- L9
Guardrails y seguridad en producción
Prompt injection, threat modeling, validación de entradas, validación de salidas, guardian models, diseño de herramientas, Bedrock Guardrails, NeMo Guardrails, gestión de secretos, mínimo privilegio, hardening de contenedores, autenticación de APIs, rate limiting, audit logs y respuesta a incidentes.
Proyecto de industria en equipo: de una empresa partner o asignado por Anyone AI.
Es el cierre del Fellowship, justo después de terminar el proyecto final.
Pre-requisitos: programadores con experiencia en Python u otros lenguajes de programación y habilidades de comunicacion en inglés.
Tus instructores y mentores
Nuestros instructores vienen de las mejores instituciones académicas y compañías líderes, y han demostrado liderazgo y expertise en sus áreas.
Precios
Elige cómo lo pagas
Puedes enfocarte sólo en aprender las habilidades técnicas y manejar tu propia búsqueda de trabajo, o sumar acompañamiento personalizado de carrera para conseguir tu próximo trabajo más rápido.
¿Cómo aplicar?
Pasos para la inscripción
10 min.
Comparte tu historia con nosotros. Queremos saber qué te motiva a unirte a nuestro programa.
01
02
15 min.
Queremos conocer tu perfil y nivel de inglés para ayudarte a acceder a oportunidades globales de AI.
4 hs máx.
Te damos un desafío técnico de Python. Si lo pasas, ya casi habrás terminado. Si no, puedes volver a intentarlo tantas veces como sea necesario.
03
04
20 min.
Por último te invitaremos a una entrevista individual con nuestro equipo de admisiones para evaluar tu solicitud y conocerte.
La comunidad #1 de LATAM
Miles de developers ya impulsaron su carrera en AI con nosotros
Experiencias compartidas por miembros de la comunidad de Anyone AI.
Testimonios originales de nuestros egresados
Estamos recibiendo aplicaciones para la próxima cohorte
Aplica y recibe instrucciones sobre los próximos pasos.