# 📋 Ficha de Ejercicios y Actividades ## Octava Sesión: Soberanía de Datos y Hoja de Ruta Profesional **Docente:** Ing. Cesar Uribe | [LinkedIn](https://www.linkedin.com/in/uribealvites/) **Web:** [https://lab.zildar.com](https://lab.zildar.com) --- # 📝 EJERCICIO 1: CONFIGURACIÓN DE MODELO LOCAL **🏷️ ID:** EJ-01-CONFIG **⏰ Duración:** 30 minutos **🎚️ Nivel:** Básico **👥 Modalidad:** Individual ## 📋 DESCRIPCIÓN Los estudiantes configurarán su primer entorno de IA local utilizando LM Studio y un modelo Llama 3.2, realizando consultas específicas de su área profesional. ## 🎯 OBJETIVO ESPECÍFICO Demostrar la viabilidad técnica y operativa de ejecutar IA sin dependencias externas, midiendo tiempo de respuesta y calidad de outputs. ## 🛠️ RECURSOS NECESARIOS - **Hardware:** Laptop con 8GB RAM mínimo - **Software:** LM Studio (descarga durante clase) - **Modelo:** Llama 3.2 3B (4GB descarga) - **Conexión:** Internet para descarga inicial ## 📖 ESCENARIO EMPRESARIAL **Contexto:** Eres consultor en una empresa que maneja datos sensibles de clientes. Necesitas implementar IA para análisis interno sin exponer información a terceros. ## 📝 ENUNCIADO DETALLADO ### **Fase 1: Instalación (10 min)** 1. Descargar e instalar LM Studio 2. Explorar la interfaz y opciones disponibles 3. Configurar preferencias básicas ### **Fase 2: Configuración del Modelo (10 min)** 1. Buscar y descargar Llama 3.2 3B 2. Cargar el modelo en memoria 3. Verificar estado operacional ### **Fase 3: Pruebas Específicas (10 min)** Realizar exactamente 5 consultas relacionadas con tu área de trabajo: - 2 consultas de análisis de datos/información - 2 consultas de generación de contenido profesional - 1 consulta de resolución de problemas específicos ## 📊 CRITERIOS DE EVALUACIÓN - **Configuración exitosa:** Modelo operativo (40%) - **Calidad de consultas:** Relevancia profesional (30%) - **Documentación:** Registro de tiempos y resultados (30%) ## 🎁 ENTREGABLE **Formato:** Documento breve (1 página) conteniendo: - Screenshot del modelo funcionando - Las 5 consultas realizadas y sus respuestas - Evaluación personal (1-10) de calidad por consulta - Tiempo total de configuración registrado --- # 🎛️ EJERCICIO 2: DESARROLLO DE INTERFACE PERSONALIZADA **🏷️ ID:** EJ-02-INTERFACE **⏰ Duración:** 45 minutos **🎚️ Nivel:** Intermedio **👥 Modalidad:** Individual ## 📋 DESCRIPCIÓN Crear una aplicación web personalizada usando Streamlit que conecte con el modelo local configurado, permitiendo inputs estructurados y outputs personalizados. ## 🎯 OBJETIVO ESPECÍFICO Demostrar cómo superar las limitaciones de interfaces genéricas (ChatGPT) creando herramientas específicas para casos de uso empresariales. ## 🛠️ RECURSOS NECESARIOS - **Software:** Python 3.8+, Streamlit - **Modelo:** LM Studio configurado del ejercicio anterior - **Editor:** VS Code, PyCharm, o similar - **Template:** Código base proporcionado por instructor ## 📖 ESCENARIO EMPRESARIAL **Contexto:** Tu empresa necesita una herramienta interna para que el equipo de marketing genere propuestas personalizadas para clientes, integrando datos específicos y manteniendo consistencia de marca. ## 📝 ENUNCIADO DETALLADO ### **Fase 1: Instalación Base (10 min)** 1. Instalar Streamlit: `pip install streamlit` 2. Crear estructura de proyecto básica 3. Probar instalación con "Hello World" ### **Fase 2: Desarrollo Core (25 min)** Desarrollar aplicación que incluya: **Componentes obligatorios:** - **Sidebar:** Parámetros configurables (temperatura, longitud máxima) - **Input principal:** Área de texto para datos del cliente - **Selectores:** Dropdown para tipo de propuesta (comercial, técnica, mixta) - **Output:** Área formateada para mostrar resultados - **Botón de descarga:** Exportar resultado como .txt **Funcionalidad mínima:** - Conectar con modelo local LM Studio - Procesar input del usuario - Mostrar respuesta formateada - Permitir múltiples consultas sin reiniciar ### **Fase 3: Personalización (10 min)** 1. Agregar branding básico (título, colores) 2. Implementar historial de consultas en sesión 3. Probar flujo completo con caso real ## 📊 CRITERIOS DE EVALUACIÓN - **Funcionalidad técnica:** App funciona correctamente (50%) - **UX/Design:** Interface intuitiva y profesional (25%) - **Integración:** Conexión exitosa con modelo local (25%) ## 🎁 ENTREGABLE **Formato:** Aplicación Streamlit funcionando + documentación - **Archivo:** `app.py` con código comentado - **Demo:** Aplicación ejecutándose en localhost - **Casos de prueba:** 3 ejemplos de uso documentados - **Comparativa:** Breve análisis vs. usar ChatGPT directamente --- # 💰 EJERCICIO 3: ANÁLISIS ROI DE AUTOMATIZACIÓN **🏷️ ID:** EJ-03-ROI **⏰ Duración:** 15 minutos **🎚️ Nivel:** Básico **👥 Modalidad:** Individual ## 📋 DESCRIPCIÓN Calcular el retorno de inversión de automatizar un proceso específico de tu trabajo actual utilizando las herramientas configuradas en ejercicios anteriores. ## 🎯 OBJETIVO ESPECÍFICO Cuantificar el valor económico de implementar IA local en procesos empresariales reales, justificando la inversión mediante números concretos. ## 🛠️ RECURSOS NECESARIOS - **Herramienta:** Calculadora o Excel - **Template:** Formato de cálculo ROI proporcionado - **Datos:** Información real de tu trabajo/empresa ## 📖 ESCENARIO EMPRESARIAL **Contexto:** Debes presentar a tu jefe el business case para implementar IA local en lugar de seguir usando métodos manuales o servicios externos costosos. ## 📝 ENUNCIADO DETALLADO ### **Identificación del Proceso (5 min)** Selecciona UN proceso repetitivo de tu trabajo que cumplan: - Se realiza al menos 2 veces por semana - Involucra análisis de texto o generación de documentos - Actualmente toma más de 30 minutos - Es crítico para resultados del negocio **Ejemplos válidos:** - Creación de reportes semanales - Análisis de feedback de clientes - Generación de propuestas comerciales - Resúmenes ejecutivos de reuniones ### **Cálculo de Costos Actuales (5 min)** **Variables a calcular:** - Tiempo invertido por ejecución (horas) - Frecuencia semanal (#veces) - Costo por hora del personal ($) - Costo mensual total actual ($) ### **Proyección con IA Local (5 min)** **Variables a proyectar:** - Tiempo reducido con IA (estimación realista) - Costo de configuración inicial ($) - Tiempo de recuperación de inversión (meses) - Ahorro mensual proyectado ($) - ROI a 12 meses (%) ## 📊 CRITERIOS DE EVALUACIÓN - **Realismo:** Datos basados en situación real (40%) - **Precisión:** Cálculos matemáticos correctos (40%) - **Viabilidad:** Propuesta implementable (20%) ## 🎁 ENTREGABLE **Formato:** Presentación ejecutiva (1 slide) - **Proceso identificado:** Descripción clara - **Situación actual:** Costos y tiempo - **Propuesta IA:** Solución específica - **ROI calculado:** Números y timeline - **Recomendación:** Go/No-go con justificación --- # 📅 TAREA SEMANAL: IMPLEMENTACIÓN PILOTO **🏷️ ID:** TAREA-01-PILOTO **⏰ Duración:** 7 días **🎚️ Nivel:** Aplicación **👥 Modalidad:** Individual ## 📋 DESCRIPCIÓN Durante una semana completa, los estudiantes utilizarán exclusivamente sus herramientas configuradas (modelo local + interface) para realizar tareas profesionales reales, documentando el proceso y resultados. ## 🎯 OBJETIVO ESPECÍFICO Validar la viabilidad operativa de IA local en condiciones reales de trabajo, generando evidencia cuantificable de valor agregado. ## 📖 ESCENARIO EMPRESARIAL **Contexto:** Período de prueba piloto en tu empresa actual para evaluar la implementación completa de IA local en tu departamento. ## 📝 CRONOGRAMA DETALLADO ### **Días 1-2: Configuración Productiva** - Optimizar configuración basada en uso real - Crear templates específicos para tareas frecuentes - Documentar configuración final ### **Días 3-5: Uso Exclusivo** - Realizar SOLO tareas reales usando herramientas configuradas - Prohibido usar ChatGPT, Claude u otras alternativas - Registrar cada uso: input, output, tiempo, calidad ### **Días 6-7: Evaluación y Optimización** - Analizar datos recopilados - Calcular métricas de rendimiento - Identificar mejoras para implementación ## 📊 MÉTRICAS A REGISTRAR DIARIAMENTE - **Tareas completadas:** Número y tipo - **Tiempo por tarea:** Antes vs. después - **Calidad percibida:** Escala 1-10 - **Iteraciones necesarias:** Cuántas veces requeriste refinar - **Valor agregado:** Beneficio específico obtenido ## 🎁 ENTREGABLE FINAL **Formato:** Reporte ejecutivo (2-3 páginas) ### **Sección 1: Executive Summary** - ROI real calculado - Recomendación final - 3 insights clave ### **Sección 2: Datos Operativos** - Log de actividades (tabla) - Métricas de rendimiento - Comparativa antes/después ### **Sección 3: Plan de Escalamiento** - Próximos pasos sugeridos - Recursos adicionales necesarios - Timeline de implementación departamental --- # 📋 RÚBRICA DE EVALUACIÓN GENERAL ## 🎯 CRITERIOS TRANSVERSALES | Criterio | Excelente (4) | Bueno (3) | Satisfactorio (2) | Insuficiente (1) | |----------|---------------|-----------|-------------------|------------------| | **Implementación Técnica** | Funciona perfectamente | Funciona con ajustes menores | Funciona parcialmente | No funciona | | **Aplicación Práctica** | Caso real muy relevante | Caso real aplicable | Caso simulado válido | Caso irrelevante | | **Análisis de Resultados** | Insights profundos y accionables | Análisis correcto | Observaciones básicas | Sin análisis | | **Documentación** | Completa y profesional | Adecuada | Básica pero suficiente | Incompleta | ## 📊 DISTRIBUCIÓN DE PUNTOS - **Ejercicio 1 (Configuración):** 25 puntos - **Ejercicio 2 (Interface):** 35 puntos - **Ejercicio 3 (ROI):** 20 puntos - **Tarea Semanal:** 20 puntos **Total:** 100 puntos --- # 📚 RECURSOS DE APOYO ## 🔗 ENLACES ESENCIALES - **LM Studio:** [https://lmstudio.ai/](https://lmstudio.ai/) - **Streamlit Docs:** [https://docs.streamlit.io/](https://docs.streamlit.io/) - **Llama Models:** [https://llama.meta.com/](https://llama.meta.com/) ## 📖 MATERIAL COMPLEMENTARIO - Tutorial básico Python (si necesario) - Template de código Streamlit - Calculadora ROI en Excel - Ejemplos de casos de uso por industria ## 🆘 TROUBLESHOOTING COMÚN - **Problema:** LM Studio no detecta GPU **Solución:** Verificar drivers NVIDIA actualizados - **Problema:** Streamlit no conecta con modelo **Solución:** Verificar puerto y configuración API - **Problema:** Modelo muy lento **Solución:** Reducir parámetros o cambiar a modelo 3B