Este curs avançat està dissenyat per a desenrotlladors i arquitectes de solucions que busquen aprofundir en la creació d’aplicacions d’IA generativa de nivell producció, dominant l’orquestració de models, sistemes RAG i agents autònoms dins de l’ecosistema de AWS.
🎯 Objectius
El programa se centra en capacitar al professorat per a:
• Dissenyar arquitectures complexes que integren models fundacionals, interfícies, memòria i orquestració.
• Desenrotllar aplicacions professionals utilitzant les APIs avançades de Amazon Bedrock (Converse, Retrieve, Batch Inference).
• Optimitzar el rendiment mitjançant tècniques avançades d’enginyeria de prompts per a casos d’ús específics.
• Construir sistemes RAG (Retrieval-Augmented Generation) des de zero, integrant bases de coneixement i emmagatzematge vectorial.
• Integrar frameworks de codi obert com LangChain, LlamaIndex o Haystack per a accelerar el desenrotllament.
• Crear Agents d’IA autònoms capaces d’executar fluxos de treball empresarials complexos.
• Implementar controls d’IA Responsable mitjançant l’ús de Guardrails i detecció d’al·lucinacions.
• Avaluar la qualitat del sistema utilitzant mètriques RAGAS i tècniques de “LLM com a jutge”.
📚 Continguts
- Introducció
• Presentació del curs, objectius i estructura
• Requisits previs i posada en marxa de l’entorn de laboratori en AWS - Components d’Aplicacions Generatives
• Arquitectura bàsica d’una app d’IA generativa en AWS (frontend, *backend, models, dades)
• Paper de Amazon Bedrock, Amazon Q i SageMaker AI dins d’eixa arquitectura - Programació amb Amazon Bedrock
• Ús de les APIs principals (Converse, InvokeModel, batch) i paràmetres d’inferència
• Maneig de respostes: streaming, asincronia i tractament d’errors bàsics - Enginyeria de Prompts per a Desenrotlladors
• Com estructurar bons prompts (instrucció, context, exemples, format d’eixida)
• Tècniques clau: zero‑shot, few‑shot i raonament pas a pas (chain‑of‑thought) - *APIs de Amazon Bedrock en Arquitectures Comunes
• Patrons típics: generació de text, resum, resposta a preguntes i xat
• Diferències entre inferència sota demanda, batch i provisioned throughput - Customización amb Retrieval‑Augmented Generation (RAG)
• Flux RAG complet: embeddings, busca vectorial, augment del prompt i generació
• Ús de Amazon Bedrock Knowledge Bases i la API RetrieveAndGenerate - Integració de Frameworks de Codi Obert
• Ús de LangChain, LlamaIndex o altres frameworks com a capa d’abstracció sobre Bedrock
• Gestió de context i memòria conversacional secundant-se en servicis com DynamoDB - Avaluació de Components Generatius
• Estratègia per a comparar models segons qualitat, cost i latència
• Avaluació de sistemes RAG i LLM usant mètriques automàtiques, feedback humà i LLM‑as‑a‑judge - Implementació d’IA Responsable
• Riscos a vigilar: al·lucinacions, contingut tòxic, biaixos i filtrat de PII
• Configuració de Amazon Bedrock Guardrails per a controlar entrades i eixides del model - Desenrotllament d’Agents amb Amazon Bedrock
• Disseny de fluxos amb Bedrock Flows i creació d’agents que orquestren ferramentes i dades
• Construcció d’un agent complet amb Knowledge Bases, funciones Lambda, memòria i guardrails (laboratori final)
📅 Les sessions síncrones se celebraran a través de la plataforma Teams:
05/10/2026 – 17h a 21h
13/10/2026 – 17h a 21h
15/10/2026 – 17h a 21h
21/10/2026 – 17h a 21h
Data inscripció: del 01/06/26 al 20/09/26
Data confirmació: del 21/09/26 al 27/09/26
Data realització: del 05/10/26 al 21/10/26
INSCRIPCIÓ:
OVIFOR