IA

Era de la IA. Se debate una guerra entre potencias por crear la mejor. Algunos quieren decir la última palabra y luego se equivocan. Un temor entre Devs, toma forma cuando grandes empresas hacen recorte de personal. Crece el costo de uso de los mejores modelos. Se retoma la contratación de Devs pero está vez se busca omitir el servicio del nivel 'JUNIOR'. Ahora son imprescindibles los fundamentos de la programación y saber programar con IA.

Se está programando mejor si el contexto es mejor. El uso de Skills y metodologías como SDD (Spec-driven-development) facilitan obtener desarrollos muy acordes al objetivo.

Bajo mi propia opinión considero que las carreras técnicas, tecnologías e ingenierías de programación y desarrollo de software en las universidades, debieron cambiar sus planes de enseñar código por IA y mucha IA. Por eso me tomé el tiempo de consultar y discernir como mostrar el roadmap que entrega roadmap.sh y adicional en una consulta a GPT estructuré un ROADMAP general con los temas que considero más importantes para aprender a desarrollar con inteligencia artificial.

+

ROADMAP AI

El siguiente ROADMAP IA, orientado a desarrolladores que quieren aprender a construir soluciones con inteligencia artificial sin perder tiempo estudiando contenidos que no necesitan para sus objetivos.

La idea central es avanzar desde los fundamentos hasta la creación de agentes, automatizaciones y aplicaciones con IA, incluyendo documentación oficial para profundizar en cada etapa.

El concepto IA se ha extendido como un universo en crecimiento que no parece tener un final, listar todo el contenido logrado hasta el día de hoy sería indigerible por esto el enfoque será práctico: aprender lo necesario, construir proyectos y utilizar la IA como herramienta de desarrollo, en lugar de limitarse a estudiar teoría o memorizar código.

RÁPIDAMENTE UN MAPA GENERAL:

Fundamentos de IA:
Conceptos, capacidades y limitaciones
Python y datos
Herramientas para trabajar con información
Machine Learning
Entrenamiento y evaluación de modelos
Deep Learning y Transformers
Redes neuronales y modelos modernos
IA generativa y LLM
Prompts, APIs y modelos de lenguaje
Embeddings y RAG
Conectar la IA con datos propios
Agentes, herramientas y MCP
Sistemas que ejecutan tareas
Evaluación y seguridad
Calidad, privacidad y fiabilidad
Despliegue y MLOps
Operación y mantenimiento
Proyecto integrador
Construcción de una aplicación real

Ruta recomendada para desarrollo de aplicaciones con IA. Algunas etapas pueden estudiarse en paralelo según el objetivo profesional.

1

Fundamentos de inteligencia artificial

Antes de elegir herramientas o frameworks, conviene comprender qué es la IA, qué tipos de problemas resuelve y en qué se diferencian sus principales ramas.

ALGUNOS TÉRMINOS EN SIMPLE

Inteligencia artificial (IA): sistemas que realizan tareas asociadas con capacidades inteligentes.
Machine Learning (ML): modelos que aprenden patrones a partir de datos.
Deep Learning: aprendizaje mediante redes neuronales con múltiples capas.
IA generativa: sistemas capaces de producir texto, imágenes, audio, código y otros contenidos.
Modelos de lenguaje grandes (LLM): modelos especializados en procesar y generar lenguaje.
Diferencia entre inferencia, entrenamiento y ajuste fino (fine-tuning).
Limitaciones: alucinaciones, sesgos, errores y falta de garantías de exactitud.

Fuentes:

Objetivo práctico:

ser capaz de identificar qué tipo de solución conviene para un problema y cuándo una regla convencional de programación es suficiente sin necesidad de IA.

2

Python, matemáticas y manejo de datos

Python es un lenguaje ampliamente utilizado en el ecosistema de IA. Para desarrollar aplicaciones no necesitas dominar todas sus características, pero sí manejar el lenguaje y las herramientas que permiten procesar datos y experimentar con modelos.

ALGUNOS TÉRMINOS EN SIMPLE

Python: funciones, módulos, clases, excepciones, entornos virtuales y gestión de dependencias.
NumPy: operaciones numéricas y matrices.
pandas: limpieza, transformación y análisis de datos.
Conceptos matemáticos esenciales: vectores, matrices, probabilidad, estadística y nociones de derivadas.
Jupyter Notebooks para realizar experimentos.
JSON, HTTP, APIs y manejo de archivos.

Fuentes:

Objetivo práctico:

Cargar un archivo CSV, limpiar sus datos, realizar un análisis básico y generar un informe.

Consejo para desarrolladores web: si ya dominas JavaScript o TypeScript, aprovecha esa experiencia. Aprende Python con un enfoque aplicado a IA, sin necesidad de abandonar tu stack actual.

3

Machine Learning: aprender de los datos

Esta etapa explica cómo se construyen los modelos predictivos tradicionales. Es especialmente útil para comprender qué significa entrenar un modelo, cómo medir su desempeño y cómo detectar errores.

ALGUNOS TÉRMINOS EN SIMPLE

Aprendizaje supervisado y no supervisado.
Clasificación y regresión.
Conjuntos de entrenamiento, validación y prueba.
Sobreajuste (overfitting) y generalización.
Métricas: precisión, recall, F1 y error de predicción.
Preprocesamiento de datos, selección de características y validación cruzada.

Fuentes:

Scikit-learn ofrece herramientas para tareas como clasificación, regresión y agrupamiento, por lo que resulta una buena biblioteca para aprender los fundamentos con modelos ejecutables.

Objetivo práctico:

Desarrollar un modelo que clasifique mensajes como spam o no spam y evaluar su desempeño con datos que no haya visto durante el entrenamiento.

¿Es obligatorio?

No para todos los perfiles. Si tu objetivo inmediato es integrar LLM en aplicaciones web, puedes aprender los conceptos esenciales y avanzar después a la IA generativa. Si deseas trabajar como ingeniero de ML, profundiza en esta etapa.

4

Deep Learning y arquitectura Transformers

Las redes neuronales permiten resolver problemas complejos de lenguaje, visión, audio y otros dominios. Los Transformers son especialmente importantes para comprender los modelos de lenguaje actuales.

ALGUNOS TÉRMINOS EN SIMPLE

Redes neuronales, capas, pesos y funciones de activación.
Entrenamiento, funciones de pérdida y descenso del gradiente.
Tensores y uso de GPU.
Redes neuronales profundas.
Atención (attention) y arquitectura Transformer.
Tokenización, contexto y generación de secuencias.
Modelos preentrenados y diferencias entre inferencia y ajuste fino.

Fuentes:

PyTorch permite aprender los componentes básicos del Deep Learning, mientras que Transformers facilita experimentar con modelos preentrenados sin construirlos desde cero.

Objetivo práctico:

Ejecutar un modelo preentrenado que clasifique texto o genere respuestas y comprender qué ocurre desde la entrada hasta la salida.

Prioridad:

Media para quien integra modelos mediante APIs; alta para quien busca desarrollar, adaptar o ejecutar modelos directamente.

5

IA generativa y modelos de lenguaje (LLM)

Esta es una de las etapas más importantes para el desarrollador de aplicaciones. Aquí aprenderás a integrar modelos existentes en productos de software sin tener que entrenarlos desde cero.

ALGUNOS TÉRMINOS EN SIMPLE

Cómo funcionan los LLM desde la perspectiva de un desarrollador.
Consumo de APIs de modelos de IA.
Ingeniería de prompts (prompt engineering).
Mensajes de sistema, instrucciones, contexto y formatos de salida.
Salidas estructuradas mediante JSON y esquemas.
Llamadas a herramientas (tool calling).
Streaming de respuestas, manejo de errores, límites de uso y costos.
Diferencias entre modelos alojados en la nube y modelos locales.

Fuentes:

Objetivo práctico:

Construir una aplicación web que reciba una consulta del usuario, la envíe a un modelo y presente la respuesta de manera estructurada.

Por ejemplo, podrías crear una herramienta que explique errores de Angular, genere borradores de documentación técnica o convierta requisitos escritos en historias de usuario.

Resultado de esta etapa:

Podrás integrar IA en una aplicación web sin necesidad de desarrollar un modelo propio.

6

Embeddings, búsqueda semántica y RAG

Uno de los problemas de los modelos de lenguaje es que no conocen automáticamente la información privada, interna o actualizada de tu aplicación. La técnica RAG permite recuperar información relevante desde fuentes externas y utilizarla como contexto para generar respuestas.

ALGUNOS TÉRMINOS EN SIMPLE

Embeddings: representaciones numéricas de textos u otros datos.
Similitud semántica y búsqueda vectorial.
Fragmentación de documentos (chunking).
Bases de datos vectoriales.
Recuperación de documentos y construcción del contexto.
RAG: Retrieval-Augmented Generation.
Metadatos, filtros, citas y trazabilidad de las fuentes.
Reranking y evaluación de la calidad de recuperación.

Fuentes:

Objetivo práctico:

Desarrollar un asistente que responda preguntas sobre un conjunto de documentos propios y muestre las fuentes utilizadas.

Una aplicación interesante sería un chatbot que consulte artículos de tu blog de desarrollo, documentación de Angular o manuales técnicos.

Importante:

RAG no es lo mismo que entrenar un modelo. En RAG, los documentos se recuperan durante la consulta y se proporcionan como contexto; el modelo no necesita aprender de nuevo esos documentos mediante entrenamiento.

7

Agentes de IA, automatizaciones y MCP

Una aplicación basada en un LLM puede limitarse a responder preguntas. Un agente, en cambio, puede utilizar herramientas para avanzar hacia un objetivo, consultar información, ejecutar acciones y decidir qué operación realizar después, dentro de unos límites definidos.

ALGUNOS TÉRMINOS EN SIMPLE

Diferencias entre un chatbot, un flujo automatizado y un agente.
Uso de herramientas (tool calling).
Flujos de trabajo con pasos definidos.
Memoria y gestión del estado.
Planificación, ejecución y verificación de tareas.
Coordinación de múltiples agentes cuando esté justificada.
MCP (Model Context Protocol) para conectar aplicaciones de IA con herramientas y fuentes de contexto.
Permisos, aprobación humana y límites de ejecución.

Documentación oficial:

Objetivo práctico:

Crear un agente que consulte documentación técnica, busque información, prepare un informe y solicite autorización antes de ejecutar acciones importantes.

También puedes explorar automatizaciones de procesos empresariales, como clasificación de correos, extracción de datos de facturas o preparación de informes contables.

Regla de diseño:

Empieza con un flujo sencillo y predecible. Añade autonomía únicamente cuando aporte un beneficio real.

8

Evaluación, seguridad y uso responsable

Que una aplicación responda correctamente en una demostración no significa que sea fiable en producción. Los sistemas de IA requieren pruebas específicas, controles de acceso y mecanismos para detectar errores.

ALGUNOS TÉRMINOS EN SIMPLE

Diseño de casos de prueba y conjuntos de evaluación.
Medición de exactitud, relevancia y consistencia.
Evaluación de RAG: calidad de recuperación y fidelidad de las respuestas.
Detección de alucinaciones.
Inyección de prompts (prompt injection).
Protección de datos y gestión de secretos.
Control de permisos y validación de las acciones ejecutadas por agentes.
Costos, latencia, límites de uso y monitoreo.
Supervisión humana para operaciones sensibles.

Documentación oficial:

Objetivo práctico:

Preparar pruebas automáticas para verificar que el asistente responda con información pertinente, respete los permisos y no ejecute acciones no autorizadas.

No confíes únicamente en que el modelo se comporte bien ante unos pocos ejemplos. Define criterios de aceptación, mide los resultados y repite las pruebas cada vez que cambies el modelo, el prompt o los documentos.

9

Evaluación, seguridad y uso responsable

La IA también es ingeniería de software. Un modelo integrado en una aplicación necesita una arquitectura mantenible, seguridad, observabilidad y una estrategia de despliegue.

ALGUNOS TÉRMINOS EN SIMPLE

Diseño de aplicaciones con IA y separación de responsabilidades.
Backend para ocultar claves y controlar las llamadas a modelos.
Integración con bases de datos y sistemas existentes.
Procesamiento asíncrono y tareas en segundo plano.
Docker y despliegue en servidores o plataformas cloud.
Gestión de versiones de prompts, modelos y conjuntos de evaluación.
Observabilidad, registro de errores y seguimiento de costos.
Caché, límites de consumo y estrategias de recuperación ante fallos.
MLOps cuando se entrenan o mantienen modelos propios.

Documentación:

Objetivo práctico:

Desplegar una aplicación de IA con un backend seguro, manejo de errores, pruebas automatizadas y registros de actividad.

Para aplicaciones web, puedes conservar Angular y TypeScript en el frontend y añadir un backend que se encargue de la integración con los modelos. Python es una opción habitual, pero no es obligatorio si tu stack y las bibliotecas que necesitas permiten resolver el problema con TypeScript.

10

Proyecto integrador: construir una aplicación real

La mejor manera de consolidar el aprendizaje es desarrollar un proyecto que conecte varias etapas del roadmap.

Proyecto sugerido: asistente inteligente para documentación técnica

Dificultad intermedia · Aplicación web con RAG y un modelo de lenguaje

Funcionalidades

Importar documentación técnica y artículos.
Procesar documentos y generar embeddings.
Recuperar fragmentos relevantes mediante búsqueda semántica.
Responder preguntas con referencias a las fuentes.
Incorporar un frontend web y un backend seguro.
Registrar consultas y evaluar la calidad de las respuestas.
Desplegar la aplicación y monitorear sus costos.

Este proyecto puede crecer por etapas: primero una consulta sencilla a un LLM, luego búsqueda semántica, después RAG, evaluación automatizada y, finalmente, integración de herramientas mediante un agente.

muestra de asistente inteligente para documentación técnica

Conclusión:

Aprender inteligencia artificial no significa estudiar todas sus ramas con la misma profundidad. La ruta adecuada depende de lo que quieras construir.

Para un desarrollador de software, una estrategia eficiente es comprender los fundamentos, aprender a consumir modelos, trabajar con datos propios, construir sistemas con RAG, explorar agentes y dominar la evaluación y el despliegue.

La meta no es simplemente saber utilizar una herramienta de IA, sino saber diseñar una solución de software que la utilice de forma útil, segura, medible y mantenible.

Ese es el criterio que debería guiar este roadmap: cada etapa debe aportar una competencia concreta y terminar con algo que puedas construir, probar y mostrar en tu portafolio.