1. Comparar y seleccionar tecnologías de IA que mejor se alineen con las necesidades estratégicas, garantizando mejoras en la productividad y eficiencia.
   
2. Integrar soluciones de IA en la programación de actividades y calendarios, logrando un mejor balance entre tareas urgentes y de largo plazo.
   
3. Identificar y explicar los avances más relevantes en IA desde 2010, resaltando cómo cada uno ha afectado la competitividad en diferentes sectores empresariales.
   
4. Equilibrar proyectos temporales y responsabilidades continuas, usando la IA como herramienta para optimizar procesos, mejorar la productividad y fomentar el bienestar.
   
5. Reconocer herramientas y soluciones de IA que, de modo escalonado, optimicen la gestión de la información y apoyen la toma de decisiones en entornos laborales, asegurando que las tecnologías elegidas se adapten a las necesidades específicas.
   
6. Reconocer herramientas y soluciones de IA que, de modo escalonado, optimicen la gestión de la información y apoyen la toma de decisiones en entornos laborales, asegurando que las tecnologías elegidas se adapten a las necesidades específicas.
   
7. Evaluar la capacidad de la IA para escalar y adaptarse a diferentes contextos empresariales, identificando soluciones que optimicen procesos y personalicen operaciones, garantizando que la tecnología implementada responda de manera eficiente a las necesidades específicas del dominio y los recursos disponibles.
   
8. Analizar la efectividad de algoritmos para procesar datos empresariales, verificando su capacidad para manejar grandes volúmenes de información de manera eficiente, identificar patrones relevantes y proporcionar soluciones adaptadas a los objetivos estratégicos de la organización.
   
9. Identificar los recursos más efectivos de una solución IA en función de los datos y problemas específicos, garantizando que las soluciones seleccionadas maximicen la precisión y eficiencia en el análisis y contribuyan a decisiones empresariales fundamentadas.
   
10. Analizar la capacidad del modelo para generalizar en datos no vistos, midiendo la efectividad de las técnicas implementadas para reducir el sobreajuste y subajuste, y asegurando que las predicciones mejoren los procesos de toma de decisiones dentro de un contexto empresarial.
    
11. Reconocer la efectividad de los diferentes componentes de un sistema de IA en su capacidad para aprender de nuevas experiencias y datos, asegurando que su rendimiento se mantenga estable en situaciones cambiantes.
    
12. Reconocer los componentes que afectan la capacidad de implementar modelos de IA en la resolución de problemas de optimización, predicción y clasificación, así como la capacidad del modelo para adaptarse a diferentes escenarios.
    

Unidad 1. Eficiencia y productividad: el rol de la IA profesional

1. Impacto de la inteligencia artificial en el ámbito laboral
   
2. Avances tecnológicos y disponibilidad de recursos
   
3. Tipología de soluciones IA
   

Unidad 2. Un comienzo inteligente: la gestión del tiempo

1. Inteligencia artificial y gestión del tiempo
   
2. Optimización avanzada de la gestión del tiempo
   

Unidad práctica 1. Gestión de la información digital

Unidad 3. Cronología de una eclosión

1. Primeros experimentos y adquisiciones estratégicas (2010-2015)
   
2. Integración y expansión de la IA (2016-2020)
   
3. IA en la productividad y el trabajo remoto (2020-2022)
   
4. En 2023 todo se revoluciona con ChatGPT
   

Unidad 4. De la integración IA a la gestión de áreas de responsabilidad

1. Proyectos vs. áreas de responsabilidad
   
2. Niveles de adopción de la Inteligencia Artificial
   
   2.1 Automatización de procesos
   
   2.2 Marketing y ventas
   
   2.3 Atención al cliente
   
   2.4 Productividad y gestión de proyectos
   
   2.5 Creación de contenidos
   
   2.6 Finanzas y contabilidad
   
   2.7 Recursos Humanos
   
   2.8 Toma de decisiones
   
3. Alta personalización de las soluciones IA
   

Unidad práctica 2. Automatizaciones y asistentes de IA

Unidad 5. Integración de la IA en el entorno profesional

1. Nivel 1. Simple, sencillo y gradual
   
2. Nivel 2. Configuración y plataformas no-code
   
3. Nivel 3. Personalización avanzada y plataformas Low-Code
   
4. Nivel 4. Inteligencia e integración profunda
   
5. Nivel 5. Transformación estratégica impulsada por IA
   

Unidad 6. Aplicaciones de IA y la mejora del desempeño profesional

1. Automatización y eficiencia operativa
   
2. Personalización y desarrollo profesional
   

Unidad práctica 3. Creación de un asistente personal de IA

Unidad 7. La naturaleza dual de la IA

1. Escalabilidad de la IA
   
2. Adaptabilidad de la IA
   
3. Interconexión entre lo grande y lo pequeño
   
4. Teoría de la información y la naturaleza dual de la IA
   

Unidad 8. El papel de los algoritmos en la IA

1. Algoritmos en la IA
   
2. Algoritmos y matemáticas
   

Unidad práctica 4. Google AI Studio I

Unidad 9. La caja de herramientas IA

1. Los sistemas de aprendizaje automático (ML)
   
   1.1 Aprendizaje supervisado
   
   1.2 Aprendizaje no supervisado
   
   1.3 Aprendizaje por refuerzo
   
2. Los componentes de la caja de herramientas IA
   

Unidad 10. La evolución del ML: inicios del aprendizaje basado en datos

1. Fundamentos del Machine Learning
   
2. La evolución del aprendizaje: de las reglas a los sistemas expertos
   
3. Sin datos no hay aprendizaje inteligente
   

Unidad práctica 5. Google AI Studio II

Unidad 11. Capacidad de aprender de la IA

1. IA débil vs. IA fuerte
   
2. De algoritmos simples a la inteligencia profunda
   
3. De reglas predefinidas a parámetros e hiper-parámetros
   

Unidad 12. Ámbitos de solución de la IA

1. El análisis de lo computable
   
2. Soluciones IA para la mejora del desempeño y la productividad