Infra de datos (nivel conceptual): blueprint de data lakes, warehouses, pipelines y governance.

​

Definición de la estrategia RAG: en qué casos usar retrieval, qué fuentes priorizar, qué grado de frescura/seguridad requieren los datos.

​

Selección entre LLMs vs SLMs (Small Language Models): identificar dónde conviene un modelo grande, dónde es más eficiente y seguro un modelo pequeño, y cómo combinarlos.

​

Recomendación de vendors / frameworks: qué stack tecnológico y qué nubes o herramientas son más convenientes.

Infra de datos (implementación): data lakes, warehouses, pipelines, ingesta batch/streaming, conectores, orquestadores.

​

RAGs: construcción end-to-end, incluyendo indexación de documentos, vector DBs, pipelines de actualización y exposición vía APIs.

​

SLMs (Small Language Models): Entrenamiento/ajuste fino de modelos compactos para casos específicos (ej: NLU de dominio, chatbots internos, asistentes de soporte).

​

Optimización de inferencia para reducir costos y latencia.

​

Despliegue en infra privada o edge.

​

MLOps/LLMOps: pipelines de entrenamiento, monitoreo de drift, retraining automático.