Especialista en Automatización Inteligente de Transformación Digital
TEMARIO [EL]
Módulo 1: Fundamentos de Transformación Digital
Este curso ofrece una introducción a la Transformación Digital y proporciona una cobertura detallada de las prácticas, modelos y tecnologías relacionadas con ella, junto con una cobertura de los beneficios, retos y factores tecnológicos y de negocio de la Transformación Digital. También se explican los dominios, capacidades digitales y consideraciones de la adopción de la Transformación Digital.
- Cómo entender la transformación digital
- Beneficios de la transformación digital
- Retos de la transformación digital
- Factores tecnológicos y de negocio de la transformación digital
- Cómo entender la centralidad del cliente
- Relaciones centradas en el producto versus relaciones centradas en el cliente
- Acciones de valor de relación y calidez
- Interacciones con el cliente a través de todos los canales (omnicanal)
- Recorridos del cliente e inteligencia de datos del cliente
- Fundamentos de inteligencia de datos
- Orígenes de los datos y fuentes de los datos
- Métodos de recopilación de datos y tipos de utilización de datos
- Toma de decisiones inteligente
- Toma de decisiones manual asistida por computadora y toma de decisiones automatizada condicional
- Toma de decisiones manual inteligente versus toma de decisiones automatizada inteligente
- Toma de decisiones automatizada directa y toma de decisiones automatizada periódica
- Toma de decisiones automatizada en tiempo real
Módulo 2: La Transformación Digital en la Práctica
Este curso profundiza en la aplicación de la Transformación Digital mediante la exploración de una serie de tecnologías contemporáneas asociadas con la realización de proyectos de Transformación Digital y la demostración de cómo la adopción de las prácticas y tecnologías de Transformación Digital pueden llevar a la mejora y optimización de los procesos de negocio. Se abordan modelos probados de liderazgo y ejecución, junto con una descripción general de los fundamentos de la confianza digital y las identidades digitales.
- Cómo entender las soluciones de transformación digital y los fundamentos del diseño de las soluciones distribuidas
- Fundamentos de la ingesta de datos, incluyendo File Pull, File Push, API Pull, API Push y Flujo de datos
- Introducción a las tecnologías de automatización de transformación digital
- Fundamentos de computación en la nube y la computación en la nube como parte de las soluciones de transformación digital
- Riesgos y retos comunes de la computación en la nube
- Fundamentos de blockchain y blockchain como parte de las soluciones de transformación digital
- Riesgos y retos comunes de blockchain
- Fundamentos del internet de las cosas (IoT) y IoT como parte de las soluciones de transformación digital
- Riesgos y retos comunes de IoT
- La automatización robótica de procesos (RPA) y RPA como parte de las soluciones de transformación digital
- Riesgos y retos comunes de RPA
- Introducción a las tecnologías de la ciencia de datos de transformación digital
- Big Data y analíticas de datos, y Big Data como parte de las soluciones de transformación digital
- Riesgos y retos comunes de Big Data
- Fundamentos de Machine Learning y Machine Learning como parte de las soluciones de transformación digital
- Riesgos y retos comunes de Machine Learning
- Fundamentos de inteligencia artificial (IA) e IA como parte de las soluciones de transformación digital
- Riesgos y retos comunes de IA
- Dentro de una solución de transformación digital centrada en el cliente (una exploración completa, paso a paso)
- Cómo relacionar las tecnologías individuales de transformación digital con el procesamiento de soluciones
- Seguimiento a la manera en que se recopila y utiliza la inteligencia de datos en una solución de transformación digital
Módulo 3: Fundamentos de Inteligencia Artificial (IA)
Este curso proporciona una cobertura esencial de la inteligencia artificial y las redes neuronales, en español sencillo, fácil de comprender. El curso proporciona una cobertura concreta de las partes principales de IA, incluyendo enfoques de aprendizaje, áreas funcionales en las que se usan los sistemas de IA y una introducción completa a las redes neuronales, cómo existen, cómo trabajan y cómo pueden ser usadas para procesar información. El curso establece un proceso paso a paso para ensamblar un sistema de IA, ilustrando así cómo y cuándo necesitan ser definidos y aplicados los diferentes componentes y prácticas de los sistemas de IA con redes neuronales. Finalmente, el curso proporciona un conjunto de principios y mejores prácticas clave para los proyectos de IA.
- Factores tecnológicos y de negocio de IA
- Beneficios y retos de IA
- Categorías de problemas de negocio que aborda la IA
- Tipos de IA (angosta, general, simbólica, no simbólica, etc.
- Enfoques y algoritmos comunes de aprendizaje de la IA
- Aprendizaje supervisado, aprendizaje no supervisado, aprendizaje continuo
- Aprendizaje heurístico, aprendizaje semisupervisado, aprendizaje por refuerzo
- Diseños funcionales comunes de IA
- Visión por computadora, reconocimiento de patrones
- Robóticas, procesamiento del lenguaje natural (NLP)
- Reconocimiento del habla, comprensión del lenguaje natural (NLU)
- Integración sin fricción, integración del modelo de tolerancia a fallas
- Redes neuronales, neuronas, capas, enlaces, pesos
- Cómo entender los modelos de IA, modelos de entrenamiento y redes neuronales
- Cómo entender la manera en que existen los modelos y las redes neuronales
- Pérdida, hiperparámetros, tasa de aprendizaje, sesgo, época
- Funciones de activación (Sigmoide, Tanh, ReLU, Leaky ReLU, Softmax, Softplus)
- Tipos de células neuronales (de entrada, retroalimentada, ruidosa, escondida, probabilística, en espiga, recurrente, de memoria, de núcleo, convolucional, de grupo, de salida, de coincidencia de entrada, etc.)
- Arquitecturas fundamentales y especializadas de redes neuronales
- Perceptrón, compensación, compensación profunda, autocodificador, recurrente, memoria de corto/largo plazo
- Red convolucional profunda, máquina de aprendizaje extremo, red residual profunda
- Máquina de vector de soporte, red de Kohonen, red de Hopfield
- Red generativa adversarial, Máquina en estado líquido
- Cómo construir un sistema de IA (paso a paso)
- Principios comunes de diseño de sistemas de IA y mejores prácticas de proyectos de IA
Módulo 4: Fundamentos de Automatización Robótica de Procesos (RPA)
Este curso abarca las técnicas y modelos básicos de la automatización robótica de procesos (RPA) y explora una variedad de escenarios de uso de RPA. Se discuten los ambientes de RPA, junto con la manera en que los bots pueden utilizarse para la integración back-end y front-end.
- Cómo entender la Automatización robótica de procesos
- Factores de negocio y tecnológicos de RPA
- Objetivos y beneficios de RPA
- Riesgos y retos de RPA
- Integración front-end y back-end
- Componentes y corredores de bots de RPA
- Capas y modelos de arquitectura de RPA
- Ciclo de vida de RPA
- Integración front-end con bots de RPA
- Integración back-end con controladores y APIs de RPA
- Captura de datos automatizada
- Enrutamiento automatizado
- Búsqueda web automatizada
- Búsqueda y recuperación de datos automatizada
- Digitalización automatizada
- Escenario de uso de prueba de aceptación del usuario automatizada
Módulo 5: IA Avanzada
Este curso cubre una serie de prácticas para preparar y trabajar con datos para entrenar y correr sistemas y redes neuronales de IA contemporáneos. Proporciona además técnicas para diseñar y optimizar redes neuronales, incluyendo enfoques para la medición y el ajuste del desempeño de los modelos de redes neuronales. Las prácticas y técnicas están documentadas como patrones de diseño que pueden ser aplicados individualmente o en diferentes combinaciones para abordar una variedad de problemas y requerimientos comunes de los sistemas de IA. Además, los patrones son mapeados a los enfoques de aprendizaje, áreas funcionales y tipos de redes neuronales que se presentaron en el Módulo Fundamentos de Inteligencia Artificial (IA).
- Patrones de manipulación de datos para preparar los datos para la entrada de la red neuronal
- Codificación de características para convertir características categóricas
- Imputación de características para inferir valores de las características
- Escalamiento de características para conjuntos de datos de entrenamiento con características amplias
- Representación de textos para convertir datos preservando las propiedades semánticas y de sintaxis
- Reducción de la dimensionalidad para reducir el espacio de características para la entrada de la red neuronal
- Patrones de aprendizaje supervisado para entrenar modelos de redes neuronales
- Configuración de redes supervisadas para establecer el número de neuronas en las capas de la red
- Identificación de imágenes para usar una red neuronal convolucional
- Identificación de secuencias para usar una red neuronal de memoria de corto/largo plazo
- Patrones de aprendizaje no supervisado para el entrenamiento de modelos de redes neuronales
- Identificación de patrones para identificar visualmente patrones mediante un mapa autoorganizado
- Filtrado de contenidos para generar recomendaciones
- Patrones de evaluación de modelos para medir el desempeño de las redes neuronales
- Evaluación del desempeño de entrenamiento para evaluar el desempeño de las redes neuronales
- Evaluación del desempeño de predicción para predecir el desempeño de las redes neuronales en la producción
- Modelado de referencia para evaluar y comparar redes neuronales complejas
- Patrones de optimización de modelos para refinar y adaptar redes neuronales
- Evitar el sobreajuste para ajustar una red neuronal
- Reentrenamiento frecuente del modelo para mantener una red neuronal en sincronía con los datos actuales
- Aprendizaje por transferencia para acelerar el entrenamiento de redes neuronales
Módulo 6: RPA Avanzada y Automatización Inteligente
Este curso explora la relación entre la inteligencia artificial (IA) y la RPA y describe las maneras en las que estas tecnologías se pueden combinar para establecer ambientes de automatización inteligente (AI).
- Introducción a la Automatización inteligente y la Hiperautomatización
- Factores de negocio y tecnológicos de la Automatización inteligente
- Objetivos y beneficios de la Automatización inteligente
- Riesgos y retos de la Automatización inteligente
- Componentes de las soluciones de Automatización inteligente
- Automatización inteligente y administración del proceso de negocios
- Introducción a la Inteligencia artificial
- Cómo entender la toma de decisiones autónoma
- Toma de decisiones autónoma directa
- Toma de decisiones autónoma periódica
- Toma de decisiones autónoma en tiempo real
- Captura de datos con Automatización inteligente
- Enrutamiento con Automatización inteligente
- Búsqueda web con Automatización inteligente
- Búsqueda y recuperación de datos con Automatización inteligente
- Digitalización con Automatización inteligente
- Escenario de uso de prueba de aceptación del usuario con Automatización inteligente