Ecosistema Holístico para el diseño e implementación de Sistemas con Inteligencia Artificial

 

I. Datos generales

Instructor o docente: Jacobo Gerardo González León

Modalidad de impartición: Virtual

Duración total de taller: 1 sesión virtual de 2 hrs.

Área: Transformación digital e IA aplicada

Fecha: jueves 25 de septiembre del 2025, 13:30–15:30 hrs

II. Descripción

Descripción:

Taller introductorio y práctico que guía a las y los participantes en el diseño e implementación de sistemas con IA desde un enfoque ecosistémico: Usuario, Tareas y Datos como núcleo; Entorno, Agente y lazo Observación–Acción como elementos principales; y Herramientas, Modelos y Memoria como soportes operativos. Se ilustra cómo estos componentes se articulan para construir sistemas automáticos y semi-automáticos según el nivel de autonomía requerido, con ejemplos y un mini-caso de mapeo de un sistema.

Destinatarios:

  • Responsables y analistas de sistemas de información (DGTIC, responsables informáticos) interesados en soluciones con IA.
  • Directores académicos y responsables de programas con enfoque en integración de IA en planes de estudio.
  • Responsables del éxito estudiantil y del seguimiento de la retención que utilizan analítica con IA.
  • Equipos de control escolar y de planeación que incorporan herramientas con IA para la toma de decisiones.
  • Investigadores en ciencias de la educación o en análisis de datos educativos apoyados con IA.
  • Profesionales en innovación pedagógica o transformación digital con proyectos de IA.

Objetivo(s) o competencia(s):

  • Al finalizar, las y los participantes será capaces de:
  • Mapear un problema a los componentes del ecosistema de IA (User, Tasks, Data, Environment, Agent, Observación–Acción, Tools, Models, Memory).
  • Diferenciar entre sistemas automáticos y semi-automáticos, y seleccionar la opción adecuada según riesgos y gobernanza.
  • Esbozar un micro-diseño (blueprint) de un sistema con IA alineado a objetivos institucionales y datos disponibles.
  • Identificar herramientas, modelos y consideraciones de memoria/datos para un primer prototipo.

Metodología y Actividades:

  • Presentación interactiva (conceptos clave del ecosistema de IA).
  • Demostración guiada de cómo traducir un caso a componentes del ecosistema.
  • Taller en equipos: mapeo rápido de un caso y ruta de prototipado.
  • Plenaria con retroalimentación y recomendaciones prácticas.

Mecanismo y criterios de evaluación:

  • Producto obtenido como Prueba de Concepto (PoC): esquema (1 página) del sistema propuesto por equipo.

Criterios:

Pertinencia del mapeo al ecosistema, claridad de justificación de autonomía y viabilidad del primer prototipo (PoC).

Temario:

Programa por definir

No. De sesión Fecha Hora Temas a abordar
Sesión 1 25 de septiembre 13:30 - 15:30 1) Ecosistema holístico de IA: núcleo, principales y secundarios.
2) Niveles de autonomía: automático vs semi-automático .
3) Caso guiado: del problema al blueprint del sistema.
4) Cierre y siguientes pasos.

 

Bibliografía

  • Libros y recursos:
    • Huyen, C. (2022). Designing Machine Learning Systems: An Iterative Process for Production-Ready Applications. O’Reilly Media. Retrieved from https://www.goodreads.com/work/editions/95721327-designing-machine-learning-systems-an-iterative-process-for-production-Ready-Applications
    • Burkov, A. (2020). Machine Learning Engineering. O’Reilly Media. Retrieved from
    • Hulten, G. (2018). Building Intelligent Systems: A Guide to Machine Learning in Practice. http://dx.doi.org/10.1007/978-1-4842-3432-7
    • Bouman, R., & van der Kleij, E. (2022). AI-Powered: Machine Learning and Deep Learning in the Real World. O’Reilly Media.
    • Heaton, J. (2014). Artificial Intelligence for Humans (Vols. 1–3). O’Reilly Media.
    • Brown, B. R. (2022). Engineering Intelligent Systems: Systems Engineering and Design with Artificial Intelligence, Visual Modeling, and Systems Thinking. Wiley & Sons.
    • del Campo, M. (Ed.). (2024). Artificial Intelligence in Architecture (Architectural Design, Vol. 94, Issue 3).
    • del Campo, M. (2024). Artificial Intelligence in Architecture. Wiley.
    • Abbasabadi, N., & Ashayeri, M. (Eds.). (2024). Artificial Intelligence in Performance-Driven Design: Theories, Methods, and Tools.
    • Wilson, B. (2025). AI for System Security Design: A Good Tool or a Dangerous Weapon? INCOSE International Symposium, 34(1).
  • Artículos académicos y white papers (arXiv)
    • Sun, Z., Wang, J., Zhao, X., Wang, J., & Li, G. (2025). Data Agent: A holistic architecture for orchestrating Data+AI ecosystems. arXiv. https://doi.org/10.48550/arXiv.2507.01599
    • Hu, S., Lu, C., & Clune, J. (2024). Automated design of agentic systems. arXiv. https://doi.org/10.48550/arXiv.2408.08435
    • Krishnan, N. (2025). AI agents: Evolution, architecture, and real-world applications. arXiv. https://doi.org/10.48550/arXiv.2503.12687
    • Masterman, T., Besen, S., Sawtell, M., & Chao, A. (2024). The landscape of emerging AI agent architectures for reasoning, planning, and tool calling: A survey. arXiv. https://doi.org/10.48550/arXiv.2404.11584
    • Zhou, X., Kim, H., Brahman, F., Jiang, L., Zhu, H., Lu, X., Xu, F., Lin, B. Y., Choi, Y., Mireshghallah, N., Le Bras, R., & Sap, M. (2024). HAICOSYSTEM: An ecosystem for sandboxing safety risks in human-AI interactions. arXiv. https://doi.org/10.48550/arXiv.2409.16427
    • Sapkota, R., Roumeliotis, K. I., & Karkee, M. (2025). AI agents vs. agentic AI: A conceptual taxonomy, applications and challenges. arXiv. https://doi.org/10.48550/arXiv.2505.10468
    • Zowghi, D., & da Rimini, F. (2023). Diversity and inclusion in artificial intelligence. arXiv. https://doi.org/10.48550/arXiv.2305.12728
  • Recursos y materiales requeridos
  • Conexión a Internet, PC/Laptop por equipo para el ejercicio de mapeo, enlace a recursos del taller (presentación y materiales de apoyo).

 

©  2025 Encuentro ANUIES-TIC UNAM 2025. Built using WordPress and OnePage Express Theme.