Formación en inteligencia artificial para empresas

Son sistemas de IA que no se limitan a responder: planifican pasos y usan herramientas, como bases de datos, APIs o aplicaciones, para completar una tarea. En una empresa lo normal es darles permisos acotados y pedir aprobación humana antes de las acciones sensibles.

Para servir modelos a varios usuarios a la vez, en la práctica sí: la GPU marca cuántas peticiones atiende el servidor y con qué rapidez. Para probar con modelos pequeños basta una CPU potente. En el curso de LLM en local se mide con vuestra carga antes de comprar hardware.

Ollama es la forma más sencilla de probar un modelo en un portátil o en un servidor: se instala en minutos y sirve bien a pocos usuarios. vLLM está hecho para servir el modelo a mucha gente a la vez, porque atiende muchas peticiones en paralelo y aprovecha mejor la memoria de la GPU. Lo normal es probar con Ollama y pasar a vLLM cuando el uso crece; si un servidor se queda corto, llm-d reparte la carga entre varios.

Los dos sirven. Ubuntu, con soporte de Canonical, tiene Kubeflow y MLflow empaquetados por Canonical (Charmed Kubeflow y Charmed MLflow) y CUDA en el repositorio de Ubuntu 26.04 LTS. Rocky Linux, con soporte de CIQ, encaja si vuestros servidores ya son de la familia Red Hat, y su edición RLC Pro AI viene con CUDA y PyTorch validados. Elegimos la ruta según lo que ya tenéis.

Sí. vLLM funciona en IBM Power, incluso sin GPU, e IBM publica un servidor MCP oficial para IBM i que da a los agentes acceso a Db2 for i con los permisos de cada usuario. Somos IBM Business Partner y adaptamos las rutas a Power.

Sí. Se imparten en vuestras oficinas o en remoto, con instructor en directo, y los cursos a medida se preparan sobre vuestro entorno: vuestras GPU, vuestro sistema y vuestros datos de prueba.

También lo hacemos: servidores con GPU, sistema, clúster y modelos, con un solo interlocutor. Inferencia de IA en tus servidores →