Has llegado a la última lección. En 10-01, 10-02 y 10-03 reuniste libros, cursos y comunidades; te falta decidir hacia dónde ir con todo eso. Esta lección es una brújula: primero una autoevaluación honesta de lo que has aprendido en los nueve módulos anteriores (con una forma concreta de comprobar cada competencia), después el mapa de los perfiles profesionales de la IA (qué hace cada uno, qué competencias pide, qué módulos del curso son su base y cuál es su siguiente paso), y a continuación cuatro itinerarios detallados (ingeniería de datos y ML clásico; deep learning y PLN/LLM; sistemas basados en conocimiento y razonamiento probabilístico; gestión de proyectos y gobernanza de IA), cada uno con etapas, recursos de 10-01 y 10-02, un proyecto de portfolio y un hito de comprobación. Añadimos una nota orientativa sobre certificaciones y formación reglada, cómo construir un portfolio que hable por ti y cómo mantenerse al día sin agobiarse. Como ejemplo de dos itinerarios distintos, los próximos pasos de Marta y de Diego en NovaMarket y la hoja de ruta de la empresa a doce meses; y para ti, una plantilla de plan personal de 90 días. Terminamos con la recapitulación de los diez módulos y la despedida.

1. Autoevaluación: qué has aprendido y cómo comprobarlo
2. Mapa de perfiles profesionales de la IA
3. Itinerario A: ingeniería de datos y ML clásico
4. Itinerario B: deep learning y PLN/LLM
5. Itinerario C: sistemas basados en conocimiento y razonamiento probabilístico
6. Itinerario D: gestión de proyectos y gobernanza de IA
7. Certificaciones y formación reglada, con prudencia
8. Portfolio y cómo mantenerse al día sin agobiarse
9. Próximos pasos de Marta y Diego y hoja de ruta de NovaMarket a 12 meses
10. Plan personal de 90 días: plantilla
11. Errores Comunes y Consejos
12. Ejercicios
13. Recapitulación del curso y despedida

Antes de elegir camino, mide dónde estás. La comprobación debe ser algo que puedas hacer, no algo que "te suena".

Puntúa cada fila de 1 (no sabría hacerlo) a 3 (lo haría con soltura). Las filas con 1 son tus prioridades de refuerzo, sea cual sea el itinerario que elijas.

Los nombres de los puestos varían entre empresas y países, y en las pequeñas una persona cubre varios. Lo que importa es entender el contenido de cada perfil.

Un junior no tiene que elegir para siempre: los perfiles comparten mucho y es normal cambiar. Sí conviene elegir un primer paso claro; para eso están los itinerarios.

Para quien disfrutó el módulo 4 y el predictor de fraude, y quiere ser científico de datos, ingeniero de ML o de MLOps.

Proyecto de portfolio: un repositorio con un caso completo (definición, datos, pipeline, evaluación, API o proceso por lotes, model card, monitorización de deriva) sobre datos públicos, con README que explique la decisión de negocio. Hito de comprobación: que otra persona lo clone y lo ejecute con un solo comando, y que puedas explicar cada elección en una entrevista técnica de treinta minutos.

Para quien vibró con el módulo 5 y el caso de reseñas, y quiere ser especialista en PLN o visión, o AI engineer centrado en LLM.

Proyecto de portfolio: un asistente RAG o un clasificador de texto ajustado, con conjunto de evaluación propio, análisis de errores (negaciones, ironía, casos fuera de dominio) y model card honesta. Hito de comprobación: explicar con un diagrama qué hace la atención y por qué el RAG reduce (pero no elimina) las alucinaciones, y mostrar una tabla de evaluación con casos donde tu sistema falla.

Para quien encontró en el módulo 6 y en el proyecto integrador (reglas + red bayesiana + clasificador) su forma de pensar: ingeniería de conocimiento, sistemas de decisión, dominios regulados donde la explicabilidad manda.

Proyecto de portfolio: un sistema de decisión explicable (reglas + probabilidad + un modelo) con documentación de cada regla, su origen y su justificación, y una interfaz que muestre "por qué" en cada decisión. Hito de comprobación: entrevistar a un experto de un dominio (aunque sea un compañero), formalizar diez reglas suyas y que reconozca su conocimiento en la salida del sistema.

Para quien conecta con el módulo 8, la ética de 02-04 y el papel de Diego: definir casos de uso, medir valor, gestionar riesgo y cumplimiento, coordinar equipos técnicos sin ser necesariamente quien programa.

Proyecto de portfolio: una hoja de ruta de IA para una organización real o ficticia (NovaMarket sirve) con casos priorizados, análisis de riesgo según AI Act, plan de gobernanza (quién aprueba, quién audita, qué documentación) e indicadores. Hito de comprobación: presentarla en veinte minutos a alguien técnico y a alguien de negocio y que ambos la entiendan y la cuestionen con sentido.

• Certificados de MOOC (Coursera, edX, DeepLearning.AI): acreditan que completaste el curso; suman en un currículum junior, sobre todo acompañados del proyecto correspondiente en el portfolio. No sustituyen a la práctica demostrable.
• Certificaciones de proveedores de nube (las de ML/IA de los grandes proveedores): valoradas cuando el puesto está ligado a esa plataforma; su temario cambia con frecuencia y conviene prepararlas cuando ya trabajes o vayas a trabajar con esa nube.
• Formación reglada (grados, másteres universitarios en IA, ciencia de datos o similares, ciclos formativos con especialización en IA y big data): aportan base matemática, profundidad y una red; son una inversión grande de tiempo y dinero que tiene sentido si quieres investigación, perfiles muy técnicos o un cambio de carrera profundo. Ningún título garantiza empleo por sí solo; lo que abre puertas es la combinación de base sólida, proyectos visibles y capacidad de explicar lo que haces.

Regla orientativa: primero portfolio y práctica; certificado como complemento; formación reglada como decisión meditada según objetivo y circunstancias.

Portfolio. Un repositorio público (o dos) que cualquiera pueda entender en cinco minutos:

• Estructura clara como novamarket_ia/ (07-04): README con el problema, la decisión que apoya, los datos (públicos o sintéticos, nunca confidenciales), cómo ejecutarlo con un comando, resultados con la métrica que importa y limitaciones.
• Model cards para cada modelo (08-01): uso previsto, datos, métricas por subgrupo, riesgos. Es lo que distingue un portfolio profesional de una colección de cuadernos.
• Cuadernos reproducibles: semillas fijas, dependencias declaradas, salidas guardadas, sin rutas locales ni claves.
• Dos o tres proyectos bien acabados valen más que diez a medias. Uno por itinerario elegido es suficiente para empezar.
• Escribe una entrada breve (blog, README largo o hilo en una comunidad de 10-03) contando qué aprendiste; comunicar es parte de la competencia.

Mantenerse al día sin agobiarse. El ritmo del sector es imposible de seguir entero, y no hace falta:

• Un boletín semanal (The Batch, por ejemplo) y una comunidad; el resto, silenciado.
• Un artículo al mes con las tres pasadas de 10-01; una novedad de herramienta al trimestre probada en un cuaderno.
• Distingue fundamentos (cambian poco: todo lo de los módulos 3 a 6) de herramientas (cambian mucho: los LLM de moda, las librerías de agentes). Invierte tiempo de calidad en lo primero; a lo segundo, tiempo tasado y con curiosidad, sin ansiedad.
• Revisa tu plan cada 90 días (sección 10) y ajústalo; no lo hagas cada semana según la última noticia.

Dos personas, dos itinerarios distintos, una misma empresa.

Marta (responsable de datos; itinerarios A y B):

1. MLOps y monitorización del predictor de fraude. Automatizar el reentrenamiento por lotes con versionado (MLflow), alertas de deriva como las de 09-04, y una revisión trimestral de la model card con métricas por subgrupo (país, franja de importe). Recursos: Huyen, documentación de MLflow y FastAPI, curso de MLOps.
2. Construir el asistente RAG del caso 7, hasta ahora solo diseñado: piloto interno sobre la política de devoluciones, conjunto de evaluación de 100 preguntas, límites explícitos ("no responde sobre pedidos concretos"), revisión de riesgo según AI Act. Recursos: Hugging Face Course, short courses de RAG, 05-05 releído.
3. Especializar el equipo: la Machine Learning Specialization como base común, un miembro hacia PLN (itinerario B) y otro hacia datos/MLOps (itinerario A); norma de comunidades sin datos reales (10-03); un proyecto en portfolio interno por persona al semestre.

Diego (operaciones; itinerario D):

1. Alfabetización en IA para operaciones: Elements of AI y el Crash Course sin código; una lista de preguntas fijas para cada modelo que le presenten (uso previsto, datos, métrica de negocio, subgrupos, deriva, quién supervisa).
2. Gobernanza y AI Act: clasificar por riesgo los nueve casos de uso de NovaMarket con Marta; definir la supervisión humana de las colas del predictor (quién revisa "revisar", con qué plazo) y la documentación mínima por caso.
3. Definir casos de uso nuevos con el documento de una página de 08-01: previsión de plantilla en picos, priorización de incidencias en tiempo real, y decidir cuáles no se hacen (por riesgo o por poco valor).

Hoja de ruta de NovaMarket a 12 meses (ejemplo, no receta):

Rellénala tú, con tu itinerario y tu tiempo real. Es la misma lógica que las etapas de los itinerarios, comprimida en un trimestre.

• Elegir itinerario por moda (todo LLM) en vez de por lo que disfrutaste y por lo que el mercado cercano pide. Los cuatro itinerarios tienen salida; el que terminarás es el que te gusta.
• Planificar doce meses al detalle. Planifica 90 días en detalle y el resto a grandes rasgos; revisa cada trimestre.
• Portfolio de cuadernos sin contexto. Sin README, sin model card, sin decisión de negocio, un cuaderno no cuenta nada de ti.
• Esperar a "estar preparado" para participar o postular. Un junior con un proyecto bien documentado y capacidad de explicarlo ya está preparado para empezar.
• Confundir certificado con competencia o título con garantía: complementan, no sustituyen.
• Ansiedad por las novedades. Fundamentos con tiempo de calidad; herramientas con tiempo tasado. Lo que hoy es imprescindible, en dos años se llamará de otra forma; lo que aprendiste en los módulos 3 a 6 seguirá valiendo.
• Consejo: escribe tu plan, ponle fechas, cuéntaselo a alguien (compañero, comunidad, tu Marta o tu Diego) y revísalo a los 90 días. La constancia gana al talento en autodidactas.

1. Autoevaluación y prioridad. Rellena la tabla de la sección 1 con tus puntuaciones (1-3), identifica las dos filas más bajas y escribe qué harás en las próximas dos semanas para subirlas un punto, con recurso y práctica concretos.
2. Elegir itinerario y proyecto. Elige uno de los cuatro itinerarios (o una combinación de dos), justifica en un párrafo por qué (qué disfrutaste, qué perfil te atrae, qué pide tu entorno) y define tu proyecto de portfolio: problema, datos (públicos o sintéticos), entregables y hito de comprobación.
3. Plan de 90 días. Rellena la plantilla de la sección 10 completa para tu caso, con fechas reales.

1. Ejemplo: "Filas más bajas: módulo 5 (retropropagación, 1) y módulo 6 (redes bayesianas, 1). Dos semanas: ver los cuatro vídeos de 3Blue1Brown y rehacer la red de dos capas de 05-03 en NumPy sin mirar (semana 1); releer 06-03 y programar la inferencia por enumeración en la red de incidencias con un caso nuevo (semana 2). Comprobación: explicar ambos a un compañero en diez minutos."
2. Ejemplo: "Itinerario A con toque de MLOps: disfruté el predictor de fraude y el despliegue por lotes; el perfil de ingeniero de ML encaja con mi formación en programación; en mi ciudad hay demanda de datos en producción. Proyecto: predicción de demanda con un dataset público de ventas minoristas; entregables: repositorio con pipeline de scikit-learn, validación temporal, API con FastAPI, model card, chequeo de deriva; hito: un compañero lo clona, ejecuta make demo y obtiene las predicciones y la model card en menos de cinco minutos."
3. Ejemplo (resumido): Sem. 1-2: StatQuest de validación cruzada y Géron cap. 2; cuaderno del predictor de fraude con validación anidada; suscripción a The Batch y cuenta en Stack Overflow. Sem. 3-6: ML Specialization curso 1; Kaggle Titanic; una pregunta con MRE si me atasco. Sem. 7-10: proyecto de demanda con API y model card; publicar y pedir revisión en r/learnmachinelearning. Sem. 11-12: pasada de tres etapas al artículo de Model Cards; entrada de blog; nuevo plan.

Antes de despedirnos, la vista completa de lo recorrido, con el hilo de NovaMarket que nos ha acompañado desde el primer módulo:

Empezaste este curso con nociones de Python y curiosidad; lo terminas sabiendo qué es la IA y qué no es, cómo se busca, cómo se aprende de los datos, cómo aprende una red, cómo se razona con reglas y con probabilidades, con qué herramientas se construye, cómo se lleva un proyecto de la idea al prototipo documentado y, desde este módulo, cómo seguir aprendiendo con criterio y en compañía. Nada de esto te convierte todavía en experto, y no hace falta: te convierte en alguien que sabe por dónde empezar y cómo comprobar que avanza, que es exactamente lo que se pide a un profesional junior serio.

Marta y Diego siguen en NovaMarket con su hoja de ruta; tú tienes la tuya en la sección 10. Elige un itinerario, escribe tu plan de 90 días, construye un proyecto que puedas explicar con orgullo, pregunta bien cuando te atasques y ayuda a quien venga detrás. La IA es un campo enorme y cambiante, pero sus fundamentos son estables y ahora son tuyos. Gracias por haber llegado hasta aquí. Aquí termina el curso de Fundamentos de Inteligencia Artificial. Mucho ánimo, y buen camino.