AlejandrIA
ALEJANDRIA · LIBRO 01 Fundamentos Teóricos de los LLM Una introducción conceptual a los Grandes Modelos de Lenguaje 16 MÓDULOS PT · ES · EN
Catálogo

Libro 01 · Libro digital

Fundamentos Teóricos de los LLM

Entiende por qué la IA se equivoca con confianza y sabe cuándo confiar, verificar o intervenir.

16 módulos · PT / ES / EN · sin requisitos de programación

Edición 2 · mira qué cambió

Del token al agente

La IA ya escribe, decide y aconseja a tu lado, y lo hace con la misma seguridad cuando acierta y cuando inventa. Lo que separa a quien la usa bien de quien solo confía en ella es una sola cosa: entender lo que ocurre por dentro. Este libro reconstruye, en perspectiva conceptual, los mecanismos que sustentan los Grandes Modelos de Lenguaje (LLMs) y los sistemas que nacen de ellos, del token al agente. No es un manual de herramientas, que cambian cada mes, sino una base teórica sobre los principios que permanecen. Al entender por qué un modelo responde como responde, y dónde falla, cambias la fe ciega por el criterio: sabes cuándo confiar en el resultado, cuándo verificar y cuándo intervenir. Es esa lectura crítica, y no el truco de prompt de moda, la que convierte la IA de una caja negra en una herramienta que tú comandas.

Para quién es

Para quien usa IA en decisiones que tienen consecuencias.

Profesionales técnicos, investigadores, consultores, analistas y gestores que aplican los LLM a resultados con impacto real, donde una respuesta equivocada sale cara y el criterio de cuándo confiar, verificar o intervenir marca la diferencia. Si dependes de la IA para producir, decidir o asesorar, este libro te da los fundamentos para hacerlo con criterio, no por fe.

Conceptos clave

El vocabulario que vas a dominar.

LLM Tokens Transformers Atención Embeddings Redes Neuronales RAG Prompt Agentes MCP Skills Contexto Fine-tuning Q · K · V Multimodalidad Alucinaciones Deep Learning Machine Learning Vectores Cuantización Ventana de contexto Inferencia Seguridad Temperatura

Programa del libro

16 módulos, del token al agente.

  1. 01Qué es la Inteligencia Artificial
  2. 02Representación de la Información
  3. 03Redes Neuronales
  4. 04Transformers
  5. 05Cómo Aprende un LLM
  6. 06Cómo Responde un LLM
  7. 07Limitaciones Fundamentales
  8. 08Evaluación y Eficiencia
  9. 09Ingeniería de Prompt y Contexto
  10. 10RAG y GraphRAG
  11. 11Agentes de IA
  12. 12Integración e Interoperabilidad
  13. 13Economía y Decisión Estratégica
  14. 14Seguridad y Colaboración Humano-IA
  15. 15Multimodalidad
  16. 16Síntesis: Arquitectura Moderna

+ Glosario trilingüe · Referencias consolidadas · Sobre el autor

Por dentro

Cómo una LLM piensa, se equivoca y evoluciona.

La palabra "se sentó" pregunta (query) y cada palabra responde (key); el peso pondera los valores (value) el gato se sentó en alfombra query k,vk,vk,vk,v 0,50 0,08 0,12 0,30 pesos de atención (suman 1): "se sentó" mira más a "gato" y "alfombra" nueva representación de "se sentó" suma de los valores, ponderada por los pesos Todo esto se calcula para todas las palabras a la vez, en paralelo.

Módulo 4: Self-Attention y Q-K-V por dentro

Pregunta se vuelve vector(embedding) Banco vectorialbusca los más cercanos fragmentos relevantes(top-k documentos) Contexto = pregunta + fragmentosmemoria de corto plazo aumentada LLM genera respuesta fundamentada La respuesta se apoya en fragmentos verificables, lo que reduce alucinaciones y permite citar la fuente.

Módulo 10: RAG: recuperar antes de responder

Desbloquea el libro completo.