Escudo de la Universidad Nacional de Colombia Especialización en Aprendizaje Automático mediante IA UNAL · Sede Manizales · Ingeniería y Arquitectura

Posgrado · SNIES 118852

Especialización en Aprendizaje Automático mediante IA

Un año para aprender a llevar un modelo desde los datos crudos hasta un sistema que funciona en producción — en la nube, en un servidor propio o en un dispositivo embebido. Con los fundamentos matemáticos explícitos, no asumidos.

Cómo ingresar Ver el plan de estudios
Título
Especialista
Duración
2 semestres
Créditos
28 16 + 12
Campus
La Nubia

El programa

Colombia adopta IA más rápido de lo que forma gente capaz de sostenerla

El 42 % de las empresas colombianas ya incorporó inteligencia artificial, pero solo el 21 % se considera preparada para operarla. El cuello de botella no está en entrenar modelos: está en ponerlos a funcionar, evaluarlos y mantenerlos. Esta especialización se diseñó para ese hueco.

Objetivo

Formar especialistas capaces de diseñar, implementar y gestionar soluciones basadas en aprendizaje automático mediante inteligencia artificial, aplicadas a problemas reales en ingeniería, industria, sector público y académico, promoviendo el desarrollo ético, responsable e innovador de estas tecnologías.

  • Comprender los fundamentos del aprendizaje supervisado, no supervisado y profundo.
  • Aplicar técnicas de IA para la toma de decisiones en sistemas complejos.
  • Integrar soluciones de IA en entornos empresariales, industriales y de gobierno digital.
  • Promover el uso responsable de la IA conforme a principios éticos y normativos.

¿A quién está dirigida?

A profesionales en ingeniería, matemáticas, estadística, ciencias de la computación y afines interesados en aplicar métodos de aprendizaje automático e inteligencia artificial en entornos productivos y de investigación.

¿Qué sabrá hacer al graduarse?

El especialista sale con competencias avanzadas en el diseño, implementación y evaluación de modelos y sistemas inteligentes para sectores productivos y de gestión pública: análisis de datos, optimización de procesos, desarrollo de soluciones basadas en IA y uso ético y responsable de estas tecnologías.

Admisión y costos

¿Cómo se ingresa?

El proceso está reglamentado por el Acuerdo 020 de 2026 del Consejo de Facultad de Ingeniería y Arquitectura. No hay prueba de conocimientos y no se exige acreditación de idioma extranjero.

Criterios de evaluación

Evaluación de la hoja de vida
a criterio del Comité Asesor50 %
Entrevista individual50 %
  • Ningún componente es eliminatorio.
  • Puntaje mínimo de admisión: 3,0 sobre 5,0.
  • No se exige acreditación de idioma extranjero.
  • Los cupos se fijan en cada convocatoria por el Consejo de Facultad.

Costos por periodo académico

ConceptoPuntos
Derechos académicos Acuerdo 019 de 2026125
Derechos administrativos30
Bienestar universitario10
Total165

La matrícula se liquida en puntos; el valor del punto lo fija la Universidad cada año. Con el valor de referencia de 2025 ($47.450), 165 puntos equivalen a ≈ $7.829.250 por periodo, más la póliza estudiantil. Consulte el valor vigente al momento de la convocatoria.

Plan de estudios · 28 créditos

Cuatro etapas, del dato crudo al sistema en operación

16 créditos de núcleo obligatorio (4 asignaturas) y 12 créditos elegibles (4 asignaturas de ocho). El núcleo es una cadena: cada asignatura entrega el insumo de la siguiente. Las elegibles entran en un punto concreto de esa cadena, y el diagrama muestra dónde.

Explicabilidad y Ética en IA · 3C criterio transversal — se aplica sobre las cuatro etapas 01 · 4C 02 · 4C 03 · 4C 04 · 4C Fundamentos de Ingeniería de Datos y Big Data Introducción al Aprendizaje de Máquina Redes Neuronales y Aprendizaje Profundo Despliegue de Modelos y Agentes Inteligentes datos limpios y pipelines modelos base y métricas transformers y LLM Sistema de IA en operación nube · local · borde COMPONENTE ELEGIBLE · 12C — SE CURSAN 4 DE 8 profundizan el modelado cómo se construye y dónde se ejecuta Fundamentos enVisión porComputador Procesamiento deLenguaje Natural Aprendizajepor Refuerzo Física e IA Principios enAprendizaje deMáquina Cuántico IoT Cognitivo Desarrollo deSoftware con IA LLM · RAG · agentes PINNs embebidos · SDR SDD · TDD · agentes
Las cuatro obligatorias forman una cadena de producción: los datos se preparan, se modelan, se profundizan y se despliegan. Cinco elegibles entran en la etapa de modelado —eligen dominio y modalidad—; IoT Cognitivo y Desarrollo de Software con IA entran en la etapa de despliegue —dónde se ejecuta y cómo se construye—, y Explicabilidad y Ética se aplica sobre las cuatro. Distribución por semestre: 3 obligatorias + 1 elegible en el primero; 1 obligatoria + 3 elegibles en el segundo. Pase el cursor sobre una elegible para ver a qué etapa alimenta.

Componente obligatorio · 16 créditos

Las cuatro que todos cursan

Fundamentos de Ingeniería de Datos y Big Data

4C

Adquisición, limpieza, almacenamiento y gobierno de datos. Bases SQL y NoSQL, pipelines y procesamiento de grandes volúmenes en entornos distribuidos y en la nube.

Hadoop · Spark · Databricks · NoSQL

Data / AI Engineer. Es la capa que alimenta todo lo demás: sin datos confiables, ningún modelo posterior es defendible.

Introducción al Aprendizaje de Máquina

4C

Fundamentos matemáticos y estadísticos, modelos supervisados y no supervisados, regularización, validación, selección de modelos e interpretabilidad de métricas.

Python · scikit-learn · pandas · Databricks

Data Scientist. El núcleo del perfil: plantear la pregunta, escoger el modelo, validarlo y defender la métrica con la que se decide si sirve.

Redes Neuronales y Aprendizaje Profundo

4C

Perceptrón multicapa, convolucionales y recurrentes; mecanismos de atención y transformadores; fundamentos de modelos de lenguaje de gran escala; entrenamiento distribuido.

PyTorch · TensorFlow

Data Scientist avanzado. Saca el perfil de los datos tabulares hacia texto, imagen y señal, con el criterio para saber cuándo un modelo profundo aporta sobre uno clásico — y cuándo no.

Despliegue de Modelos y Agentes Inteligentes

4C

MLOps y ciclo de vida en producción, servir modelos en la nube y en el borde, integración de agentes conversacionales e inteligentes, y aspectos éticos y regulatorios de la IA aplicada.

contenedores · servicios en nube · frameworks de agentes · SDD (desarrollo dirigido por especificación)

Forward Deployed Engineer. El corazón del rol: llevar el prototipo a un sistema que otra gente usa y que hay que mantener funcionando.

Componente elegible · 12 créditos

Ocho caminos, cuatro elecciones

Cada elegible vale 3 créditos y se cursan cuatro. La oferta de cada semestre la concierta el Comité Asesor del posgrado; también es posible cursar elegibles de otros posgrados de la Universidad Nacional, con orientación del tutor, si son coherentes con la trayectoria de formación. Abra cada una para ver herramientas y perfil profesional.

Principios de Desarrollo de Software con Inteligencia Artificial

3C

Ciclo de vida del software cuando buena parte del código lo escribe un agente: especificación como fuente de verdad (SDD), pruebas como contrato ejecutable (TDD), metodologías agénticas con ingeniería de contexto y MCP, y verificación con evals y revisión asistida.

Git · agentes de codificación · pruebas automatizadas · CI/CD · MCP

AI-native software engineer. Es lo que separa a quien dirige a un agente de quien solo le pide código.

IoT Cognitivo

3C

IoT e inteligencia cognitiva, aprendizaje automático sobre dispositivos y entornos distribuidos, radio cognitiva y gestión dinámica del espectro en contextos industriales, energéticos y urbanos.

dispositivos embebidos · SDR · PyTorch

Edge AI / sistemas ciberfísicos. Donde la IA deja de vivir en un servidor y pasa a un aparato con restricciones reales.

Fundamentos en Visión por Computador

3C

Desde el principio físico del sensor y el modelamiento matemático hasta las redes convolucionales, los mecanismos de atención y los visual transformers, cerrando con despliegue y proyecto aplicado.

Python · Roboflow · ExecuTorch · LiteRT (antes TensorFlow Lite) · Docker · Colab / Kaggle

Computer Vision Engineer. Incluye la parte que suele faltar: empaquetar y desplegar el modelo, no solo entrenarlo.

Procesamiento de Lenguaje Natural

3C

Del texto a los modelos de lenguaje: representación semántica con embeddings, arquitecturas encoder, decoder y encoder-decoder, flujos de inferencia sobre LLM, recuperación aumentada (RAG) y agentes razonadores, con despliegue local y en la nube.

Python · Hugging Face · Colab / Kaggle

AI / LLM Engineer. El patrón con el que hoy se construye la mayor parte de las aplicaciones de IA en empresa.

Aprendizaje por Refuerzo

3C

Agentes, entornos, recompensas y políticas; métodos value-based y policy-based; Deep Q-Learning y Actor-Critic; aplicaciones en robótica, juegos y optimización de recursos.

Gym · PyTorch / TensorFlow

Control autónomo y optimización. La base formal de los agentes que deciden secuencias de acciones, no respuestas aisladas.

Física e IA

3C

Simulación numérica de sistemas físicos, aprendizaje automático sobre datos experimentales y de simulación, y redes informadas por física (PINNs), con aplicaciones en materiales, energía y astrofísica.

Python · Jupyter / Colab

Scientific ML. Modelos que respetan las leyes del dominio en vez de aprenderlas por fuerza bruta — clave en energía e industria.

Principios en Aprendizaje de Máquina Cuántico

3C

Qubits, puertas y medición; codificación de datos clásicos en estados cuánticos; circuitos para clasificación y regresión; modelos híbridos cuántico-clásicos y sus límites reales.

Qiskit · PennyLane

Frontera. No la hay en ninguna otra especialización en IA del país.

Explicabilidad y Ética en IA

3C

Interpretabilidad y explicabilidad de modelos con LIME, SHAP y saliency maps; sesgos algorítmicos, equidad y transparencia; marcos regulatorios y estándares internacionales; responsabilidad social en contextos sensibles.

AI Governance. Dejó de ser un tema de comité: es cada vez más un requisito contractual para desplegar IA en banca, salud y sector público. Por eso en el diagrama atraviesa las cuatro etapas en lugar de ocupar un casillero.

Capacidad transversal

Que funcione sin depender de una nube ajena

Buena parte de la formación en IA asume una tarjeta de crédito y una API remota. Aquí no: el programa trabaja de forma explícita la ejecución local, la reproducibilidad y la inferencia sobre hardware con restricciones. Es una competencia con demanda real en industria, manufactura, energía y sector público — donde el dato muchas veces no puede salir.

Trabajo local y reproducible

  • Runtimes on-device — Fundamentos en Visión por Computador despliega con ExecuTorch y LiteRT: el modelo corre en el propio dispositivo, sin API remota.
  • LLM en local — Procesamiento de Lenguaje Natural cubre el despliegue local de modelos de lenguaje, no solo el consumo de una API de terceros.
  • Contenedores — empaquetado y reproducibilidad con Docker en Visión por Computador y en Despliegue.
  • Stack sin licenciamiento — todo el programa corre sobre Python y herramientas abiertas: PyTorch, TensorFlow, scikit-learn, Hugging Face, GitHub.
  • Infraestructura propia — laboratorio de inteligencia artificial y sala de computación intensiva en el Campus La Nubia.

Sistemas embebidos y el borde

  • Inferencia en el borde — Despliegue de Modelos y Agentes Inteligentes trata explícitamente servir modelos en la nube y en el borde.
  • Dispositivos embebidos — IoT Cognitivo desarrolla miniproyectos sobre hardware embebido real.
  • Radio definida por software (SDR) y radio cognitiva, con gestión dinámica del espectro.
  • Restricciones de tiempo real en contextos industriales, energéticos y urbanos.

Desarrollo de software con IA

Escribir código dejó de ser el cuello de botella. El criterio, no.

En 2026 cerca de la mitad del código que producen los desarrolladores activos sale de una IA, y la sesión media de un agente de codificación pasó de 4 a 23 minutos en un año: los agentes ya asumen tareas largas. Eso no elimina al ingeniero — mueve su valor. El agente escribe; la persona decide qué construir, con qué compensaciones y cómo se verifica.

“Understanding software fundamentals allows you to recognize what tradeoffs even exist. […] Understanding software engineering fundamentals lets you make good tradeoffs by steering coding agents using the precise language of software engineering.”

Andrew Ng — The AI Engineering Skills Map, DeepLearning.AI.

El ciclo de vida, ahora con agentes

Sin especificación previa, un agente produce código plausible que resuelve el problema equivocado. Por eso el ciclo no arranca en el editor: arranca en el acuerdo sobre qué se va a construir y cómo se sabrá que quedó bien.

01 · EspecificarLa persona fija problema, alcance y criterios de aceptación. Es lo único que el agente no puede adivinar.
02 · DiseñarArquitectura y compensaciones: latencia, disponibilidad, consistencia, mantenibilidad y costo.
03 · ImplementarEl agente escribe la mayor parte del código, acotado por la especificación acordada.
04 · VerificarPruebas y evals. Con IA la salida no es determinista: se mide, no se inspecciona.
05 · DesplegarContenedores, servicio en nube o en el borde, versionado del modelo y de sus datos.
06 · ObservarTrazas, deriva, costo y latencia reales. Lo observado reabre la especificación, no el código.
Desarrollo de software con IA Construir y desplegaraplicaciones de IA Fundamentos deingeniería de software Usar agentesde codificación Dar forma alo que se construye Datos y pipelinesen producción RAG, agentesy evaluación Arquitectura yreproducibilidad Operar y escalaren producción Modelo mentaldel agente Dirigir porespecificación (SDD) Criterio técnicoy compensaciones Explicabilidad, éticay cumplimiento Ing. Datos · 4C Despliegue · 4C Visión 3C · Despliegue 4C Despliegue · 4C Desarrollo SW con IA · 3C Desarrollo SW 3C · Despliegue 4C Introducción al AM · 4C Ética en IA · 3C
Adaptación del AI Engineering Skills Map de DeepLearning.AI a este plan de estudios. Se conservan sus cuatro pilares; bajo cada uno aparecen dos habilidades concretas y la asignatura que las desarrolla — verde si es obligatoria, ámbar si es elegible, gris si se construye entre varias.

Lo que sigue siendo humano

  • Definir el problema y los criterios de aceptación antes de escribir una línea.
  • Elegir las compensaciones: latencia contra costo, simplicidad contra generalidad.
  • Decidir qué evidencia basta para creer que el sistema funciona.
  • Responder por el resultado ante quien lo usa y ante la norma que lo regula.

¿Por qué los fundamentos importan más, no menos?

  • Quien no ve la compensación no puede corregirla: latencia, costo, consistencia y mantenibilidad se deciden aunque nadie las nombre.
  • El núcleo obligatorio deja explícitos los fundamentos matemáticos, estadísticos y de datos.
  • Así la velocidad que da el agente se vuelve criterio, no deuda técnica.
  • La práctica concreta va en la elegible Principios de Desarrollo de Software con IA: SDD, TDD y orquestación de agentes.

Salida profesional

¿Cómo se conecta con los perfiles que hoy se contratan?

El Forward Deployed Engineer — un ingeniero que se integra con el cliente y es dueño del sistema de IA de extremo a extremo, desde dimensionarlo hasta mantenerlo operando— pasó de ser una rareza a un modelo estándar de la industria. Su stack característico (pipelines, agentes, despliegue, gobernanza) es también el eje de este plan de estudios.

Competencia del perfilDónde se trabajaComponente
Pipelines de datos en producciónData / AI Engineer Fundamentos de Ingeniería de Datos y Big DataObligatoria · 4C
Fundamentos de ML y evaluaciónData Scientist Introducción al Aprendizaje de MáquinaObligatoria · 4C
Modelos profundos, transformers y LLMData Scientist · AI / LLM Engineer Redes Neuronales y Aprendizaje ProfundoObligatoria · 4C
MLOps y despliegue en producciónForward Deployed Engineer Despliegue de Modelos y Agentes InteligentesObligatoria · 4C
Agentes y aplicaciones sobre LLMApplied AI Engineer Procesamiento de Lenguaje Natural — RAG y Agentic RAG · Despliegue de Modelos y Agentes Inteligentes Elegible · 3C + obligatoria · 4C
Inferencia en el borde y embebidosEdge AI Engineer IoT Cognitivo · Despliegue de Modelos y Agentes InteligentesElegible + obligatoria
Ingeniería de software y prácticas agénticasAI-native software engineer Principios de Desarrollo de Software con IA — SDD, TDD y orquestación de agentesElegible · 3C
Gobernanza, explicabilidad y cumplimientoResponsible AI Explicabilidad y Ética en IA · Despliegue (unidad regulatoria)Elegible + obligatoria

Factor diferenciador

Nuestro valor agregado

Frente a la oferta nacional en inteligencia artificial, estos son los puntos donde el programa se separa de forma verificable.

01

El despliegue es obligatorio, no opcional

  • La mayoría de especializaciones del país terminan en el entrenamiento del modelo.
  • Despliegue de Modelos y Agentes Inteligentes es obligatoria: nadie se gradúa sin haber puesto un sistema a funcionar.
02

Fundamentos explícitos, no asumidos

  • Las bases matemáticas, estadísticas y probabilísticas se trabajan dentro del programa, no se dan por sabidas.
  • Eso abre la puerta a perfiles que vienen de otras ingenierías.
03

Software y hardware en el mismo plan

  • MLOps, nube y borde junto a IoT cognitivo, sensórica, SDR y tiempo real.
  • Cubre el caso en que la IA tiene que correr en un aparato, no en un servidor.
04

Física e IA y aprendizaje de máquina cuántico

  • Modelos informados por física (PINNs) y fundamentos de QML con Qiskit y PennyLane.
  • Dos asignaturas que no aparecen en ninguna otra especialización en IA del país.
05

Ética y explicabilidad como asignatura propia

  • LIME, SHAP, sesgos, equidad y marcos regulatorios internacionales, con créditos propios.
  • Se aplica sobre todas las etapas, no como un capítulo suelto.
06

Respaldo investigativo verificable

  • Dos grupos de investigación A1 de MinCiencias.
  • Posgrados en el Departamento desde 1991, con el Doctorado en Ingeniería Automática.

¿Le interesa? Escriba antes de la convocatoria

Las convocatorias de admisión se abren desde el segundo periodo académico de 2026 y la primera cohorte inicia en 2027-I. Escribir con anticipación permite resolver dudas sobre el perfil de ingreso y la nivelación en programación y matemáticas.