¿Qué es H2O AI Cloud?

H2O AI Cloud es la plataforma de H2O.ai para crear, operacionalizar y escalar aplicaciones y modelos de IA/ML, integrando múltiples componentes como Driverless AI, MLOps, Document AI, Feature Store, Hydrogen Torch y Notebook Labs.

H2O-3 es la plataforma open source distribuida de H2O.ai para machine learning, con soporte para algoritmos estadísticos y de ML, además de AutoML.

¿Qué es H2O Driverless AI?

H2O Driverless AI es la solución AutoML empresarial de H2O.ai. Automatiza tareas como feature engineering, validación, tuning, selección de modelos, interpretabilidad y despliegue.

¿Qué es H2O Hydrogen Torch?

Hydrogen Torch permite entrenar modelos de deep learning sin necesidad de programar desde cero, con despliegue hacia entornos Python externos o H2O MLOps.

¿Qué es H2O Document AI?

H2O Document AI automatiza extracción y clasificación de texto en documentos, usando capacidades como OCR, NLP, deep learning y machine learning.

¿Qué es H2O Feature Store?

H2O Feature Store es un repositorio centralizado para almacenar, actualizar, recuperar y compartir features utilizadas en modelos de machine learning entre proyectos.

H2O MLOps permite gestionar despliegue, registro, scoring, gobierno, monitorización y alertas de modelos, incluyendo integración con modelos de H2O Driverless AI, H2O-3 y modelos de terceros.

¿Qué es Enterprise h2oGPTe?

Enterprise h2oGPTe es un asistente de búsqueda y GenAI empresarial para responder preguntas sobre grandes volúmenes de documentos, webs y conocimiento interno, con capacidades como RAG, validación, guardrails, seguridad y soporte enterprise.

¿H2O.ai sirve solo para data scientists?

No. Data scientists son usuarios clave, pero también participan MLOps, data engineers, IT, seguridad, negocio, legal, compliance, operaciones y dirección, especialmente cuando los modelos se despliegan y se convierten en procesos reales.

¿La formación es bonificable por FUNDAE?

Sí. Al tratarse de formación corporativa orientada a empresa, puede bonificarse hasta el 100% mediante FUNDAE según el crédito disponible y las condiciones aplicables de la organización.

Curso de H2O AI

Aprende con el curso de H2O AI para empresas hasta 100% bonificado, a medida para tu organización.

Totalmente práctico y aplicable

Formación en H2O AI a medida

100% bonificable a través de FUNDAE

Curso TUTORIZADO por expertos

Solicitar precio

Calcula mis créditos de FUNDAE

Solicitar precio

Calcula mis créditos de FUNDAE

Modalidad Aula Virtual Personalizada

Curso de H2O AI en Aula Virtual Personalizada

Nuestra modalidad AVP es una formación en directo, práctica y 100% adaptada a vuestro equipo. No trabajamos con contenidos genéricos: diseñamos la formación en función de vuestro nivel, objetivos, procesos internos y necesidades reales de aplicación.

Solicitar información

Temario 100% a medida

Creamos el temario desde cero a partir de vuestras necesidades, nivel del equipo y objetivos concretos, priorizando aquellos contenidos que realmente aporten valor en el día a día.

Proyectos personalizados

Durante la formación trabajaremos con archivos, ejemplos, informes o procesos similares a los que utiliza vuestro equipo, para que el aprendizaje sea directamente aplicable al puesto de trabajo.

Sesiones en directo con consultor experto

Un formador especialista imparte las clases en tiempo real, resolviendo dudas, revisando casos concretos y adaptando el ritmo de la formación a la evolución del grupo.

Calendario adaptado a vuestra disponibilidad

Definimos conjuntamente fechas, horarios y duración de las sesiones para facilitar la asistencia del equipo y minimizar el impacto en la operativa diaria de la empresa.

Bonificación FUNDAE

Curso de H2O AI hasta 100% Bonificable a través de FUNDAE

Tu bonificación paso a paso

Forma a tu equipo sin costes mediante la bonificación estatal.
Este programa de H2O AI para empresas es subvencionable hasta el 100%.

Potencia las habilidades de edición y automatización de tus profesionales.
Accede a una formación avanzada en H2O AI práctica y orientada a resultados.
Prepara a tu equipo para los retos documentales del entorno laboral actual.
Gestionamos gratis tu bonificación de este curso corporativo de H2O AI ante FUNDAE.

Hablar con un asesor

01.

Calcula tu bonificación

02.

Revisamos tu caso

03.

Preparamos la gestión

04.

Tu equipo realiza el curso

05.

Aplicas la bonificación

Hablar con un asesor

La formación que decides
te devuelve dinero

Todos nuestros cursos son bonificables a través de FUNDAE.
Gestionamos toda la documentación por ti.

100%Tramitación incluida

48hTiempo medio de gestión

9,4Satisfacción general

Calcula tu crédito aproximado

Empleados a formar10

Crédito bonificable estimado

420€*

*Cálculo orientativo

Confirmar mi crédito

Impacto real

Cubre todo el ciclo de vida de la IA

Integra IA predictiva y generativa Trabaja tanto modelos clásicos y AutoML como h2oGPTe, RAG, guardrails, agentes y asistentes empresariales.

Orientado a producción, no solo a laboratorio Incluye H2O MLOps, endpoints, batch scoring, drift, monitorización, gobierno, seguridad, auditoría y mantenimiento.

Reduce barreras técnicas Driverless AI y Hydrogen Torch permiten acelerar AutoML y deep learning, mientras que H2O-3 y APIs mantienen capacidad técnica para equipos avanzados.

Mejora gobierno y reutilización Feature Store, MLOps, model registry, validación, interpretabilidad y documentación ayudan a escalar IA con más control.

Aplicable a muchos sectores Encaja en banca, seguros, industria, retail, salud, energía, telecomunicaciones, administración, legal, operaciones, riesgo y atención al cliente.

Solicitar propuesta sin coste

Personaliza el temario al 100% para tu equipo

Diseñamos una formación a medida utilizando los documentos y flujos de trabajo reales de tu empresa.

Agendar cita con CTOAgendar cita con CTO

Nuestra plataforma

Nueva Plataforma
de E-learningFormación en directo con plataforma de apoyo para reforzar el aprendizaje

Acceso a las grabaciones

Los alumnos podrán revisar las sesiones grabadas para repasar conceptos clave, recuperar explicaciones concretas o reforzar aquellos contenidos que necesiten después de la clase en directo.

Recursos formativos

Materiales, sesiones grabadas y documentación de apoyo quedan centralizados en la plataforma para que el equipo pueda consultarlos durante y después de la formación.

Confirmación de asistencia

La plataforma permite registrar y confirmar la asistencia de los participantes, facilitando el seguimiento de la formación y la gestión documental necesaria para la bonificación FUNDAE.

Ejercicios prácticos

Después de la formación en directo, los alumnos podrán acceder a ejercicios prácticos para aplicar lo trabajado en clase y consolidar el aprendizaje con actividades guiadas.

Acceso a las grabaciones

Los alumnos podrán revisar las sesiones grabadas para repasar conceptos clave, recuperar explicaciones concretas o reforzar aquellos contenidos que necesiten después de la clase en directo.

Recursos formativos

Materiales, sesiones grabadas y documentación de apoyo quedan centralizados en la plataforma para que el equipo pueda consultarlos durante y después de la formación.

Confirmación de asistencia

La plataforma permite registrar y confirmar la asistencia de los participantes, facilitando el seguimiento de la formación y la gestión documental necesaria para la bonificación FUNDAE.

Ejercicios prácticos

Después de la formación en directo, los alumnos podrán acceder a ejercicios prácticos para aplicar lo trabajado en clase y consolidar el aprendizaje con actividades guiadas.

Practica y mejora con nuestra plataforma

Una plataforma practica, con IA integrada y pensada para que mejores desarrollando. Se adapta a tu ritmo, te corrige al instante y te muestra tu progreso real.

Correccion magica

Feedback inteligente

Aprende de cada acierto y fallo con explicaciones claras

Me interesa

Programa formativo

Temario del curso

Encuentra todo el temario del curso aquí.

Temario

Aclarar qué es H2O.ai y por qué no debe confundirse con una única herramienta aislada.
Entender la diferencia entre IA predictiva, IA generativa, AutoML, MLOps, Document AI, RAG y agentes.
Situar H2O AI Cloud como plataforma para construir, operar y escalar modelos y aplicaciones de IA.
Diferenciar H2O-3 open source, Driverless AI, Hydrogen Torch, Document AI, Feature Store, MLOps y h2oGPTe.
Identificar qué perfil usa cada módulo: data scientist, ML engineer, data engineer, legal, negocio, IT o seguridad.
Resolver qué tipo de problemas encajan: scoring, clasificación, forecasting, fraude, churn, pricing, riesgo, documentos y búsqueda inteligente.
Explicar cuándo H2O.ai aporta más valor que una solución artesanal con librerías sueltas.
Revisar qué decisiones deben tomarse antes de implantar: datos, infraestructura, licencias, gobierno y caso de uso.
Establecer cómo se trabajará durante el curso: caso, dato, modelo, explicación, despliegue, monitorización e impacto.
Definir entregables esperados: experimento, modelo validado, pipeline, endpoint, dashboard, informe y plan de gobierno.

Aclarar qué es H2O.ai y por qué no debe confundirse con una única herramienta aislada.
Entender la diferencia entre IA predictiva, IA generativa, AutoML, MLOps, Document AI, RAG y agentes.
Situar H2O AI Cloud como plataforma para construir, operar y escalar modelos y aplicaciones de IA.
Diferenciar H2O-3 open source, Driverless AI, Hydrogen Torch, Document AI, Feature Store, MLOps y h2oGPTe.
Identificar qué perfil usa cada módulo: data scientist, ML engineer, data engineer, legal, negocio, IT o seguridad.
Resolver qué tipo de problemas encajan: scoring, clasificación, forecasting, fraude, churn, pricing, riesgo, documentos y búsqueda inteligente.
Explicar cuándo H2O.ai aporta más valor que una solución artesanal con librerías sueltas.
Revisar qué decisiones deben tomarse antes de implantar: datos, infraestructura, licencias, gobierno y caso de uso.
Establecer cómo se trabajará durante el curso: caso, dato, modelo, explicación, despliegue, monitorización e impacto.
Definir entregables esperados: experimento, modelo validado, pipeline, endpoint, dashboard, informe y plan de gobierno.

¿Tienes dudas?

Estamos aquí para ayudarte

Reservar plaza

Tema 1: ¿Qué es H2O.ai y qué lugar ocupa en una estrategia moderna de IA?

Aclarar qué es H2O.ai y por qué no debe confundirse con una única herramienta aislada.
Entender la diferencia entre IA predictiva, IA generativa, AutoML, MLOps, Document AI, RAG y agentes.
Situar H2O AI Cloud como plataforma para construir, operar y escalar modelos y aplicaciones de IA.
Diferenciar H2O-3 open source, Driverless AI, Hydrogen Torch, Document AI, Feature Store, MLOps y h2oGPTe.
Identificar qué perfil usa cada módulo: data scientist, ML engineer, data engineer, legal, negocio, IT o seguridad.
Resolver qué tipo de problemas encajan: scoring, clasificación, forecasting, fraude, churn, pricing, riesgo, documentos y búsqueda inteligente.
Explicar cuándo H2O.ai aporta más valor que una solución artesanal con librerías sueltas.
Revisar qué decisiones deben tomarse antes de implantar: datos, infraestructura, licencias, gobierno y caso de uso.
Establecer cómo se trabajará durante el curso: caso, dato, modelo, explicación, despliegue, monitorización e impacto.
Definir entregables esperados: experimento, modelo validado, pipeline, endpoint, dashboard, informe y plan de gobierno.

Tema 2: Mapa actual del ecosistema H2O.ai

Recorrer las capacidades principales de H2O AI Cloud y sus módulos.
Diferenciar componentes para crear modelos, componentes para operar modelos y componentes para aplicaciones de IA.
Ubicar H2O-3 como plataforma open source distribuida de machine learning.
Situar Driverless AI como solución AutoML empresarial con automatización de feature engineering, validación, tuning y selección de modelos.
Entender Hydrogen Torch como entorno no-code para deep learning.
Incorporar Document AI como herramienta para extracción y clasificación documental.
Reconocer Feature Store como repositorio centralizado de variables reutilizables.
Entender MLOps como capa para despliegue, gestión, gobierno, monitorización y alertas.
Ubicar Enterprise h2oGPTe como capa de GenAI, RAG, búsqueda empresarial y agentes.
Crear una matriz de módulos por necesidad, perfil, dato, madurez y objetivo.

Tema 3: Casos de uso empresariales donde H2O.ai encaja especialmente bien

Identificar casos predictivos en banca, seguros, retail, industria, salud, energía, telecomunicaciones y administración.
Diseñar modelos de churn, scoring de riesgo, predicción de demanda, fraude, propensión, pricing y mantenimiento predictivo.
Aplicar Document AI a facturas, contratos, formularios, expedientes, siniestros, albaranes, correos y documentación operativa.
Usar h2oGPTe para asistentes internos, búsqueda documental, preguntas sobre políticas, soporte técnico o conocimiento corporativo.
Combinar modelos predictivos con GenAI para explicar predicciones, recomendar acciones y crear flujos conversacionales.
Priorizar casos por impacto económico, disponibilidad de datos, riesgo, facilidad técnica y adopción.
Evitar casos donde no existe dato suficiente, owner de negocio o decisión accionable.
Crear fichas de oportunidad con objetivo, usuarios, datos, métricas y restricciones.
Separar prueba de concepto, piloto controlado y despliegue productivo.
Diseñar un portfolio inicial de casos H2O.ai para empresa.

Tema 4: Preparación de datos para modelos fiables

Revisar fuentes de datos estructurados, semiestructurados, documentos, imágenes y series temporales.
Identificar variables objetivo, features, granularidad, ventana temporal y unidad de análisis.
Detectar valores nulos, duplicados, outliers, fugas de información y sesgos.
Definir particiones de entrenamiento, validación y test con criterio.
Preparar datasets para clasificación, regresión, forecasting, NLP, visión o extracción documental.
Documentar procedencia, fecha, transformación y limitaciones del dato.
Evitar entrenar modelos con datos que no estarán disponibles en producción.
Diseñar reglas de calidad antes de lanzar AutoML.
Crear datasets anonimizados para formación y pruebas.
Establecer una rutina de data readiness previa a cualquier experimento.

Tema 5: H2O-3 open source: fundamentos y primeros modelos

Entender H2O-3 como plataforma open source distribuida e in-memory para machine learning.
Crear un primer cluster local o conectado al entorno corporativo.
Importar datos, explorar columnas y preparar frames.
Entrenar modelos básicos de clasificación y regresión.
Usar algoritmos como GLM, GBM, Random Forest, Deep Learning y AutoML cuando corresponda.
Interpretar leaderboard, métricas y validación.
Exportar modelos o artefactos para scoring.
Conectar H2O-3 con Python mediante cliente oficial.
Comparar resultados de H2O-3 con enfoques clásicos de scikit-learn.
Identificar cuándo H2O-3 es suficiente y cuándo conviene Driverless AI o MLOps.

Tema 6: AutoML con H2O-3 sin perder criterio técnico

Usar AutoML para comparar múltiples algoritmos y configuraciones.
Definir correctamente variable objetivo, métricas, tiempo máximo y restricciones.
Revisar leaderboard sin elegir el primer modelo automáticamente.
Analizar overfitting, leakage, estabilidad y explicabilidad.
Ajustar folds, validación y estrategia de partición.
Evaluar modelos con métricas de negocio, no solo métricas técnicas.
Interpretar modelos líderes y modelos ensamblados.
Comparar modelos simples frente a modelos más potentes.
Documentar experimentos para reproducibilidad.
Preparar un flujo AutoML responsable para equipos de data science.

Tema 7: Driverless AI: AutoML empresarial de extremo a extremo

Entender qué automatiza Driverless AI y qué sigue dependiendo del usuario experto.
Crear un experimento de Driverless AI desde un dataset preparado.
Configurar objetivo, métricas, tiempo, precisión, interpretabilidad y complejidad.
Aprovechar automatización de feature engineering, selección de modelos y tuning.
Revisar experimentos generados y compararlos con baseline.
Analizar resultados por rendimiento, estabilidad, explicabilidad y coste computacional.
Usar recetas personalizadas cuando el caso lo requiera.
Preparar experimentos para datos tabulares, texto, series temporales o casos específicos.
Evitar que AutoML oculte decisiones importantes de negocio.
Convertir Driverless AI en acelerador de análisis, no en caja negra incontrolada.

Tema 8: Ingeniería automática de variables y control de leakage

Entender cómo Driverless AI puede automatizar feature engineering.
Revisar variables derivadas, transformaciones, codificaciones y agregaciones.
Detectar fuga de información en variables demasiado cercanas al target.
Controlar transformaciones temporales para evitar mirar al futuro.
Analizar variables de alta cardinalidad, texto, fechas y categorías.
Comparar features automáticas con features diseñadas por expertos.
Descartar variables no permitidas por negocio, regulación o ética.
Documentar features relevantes para auditoría y explicación.
Validar que las mismas variables pueden calcularse en producción.
Crear criterios para aceptar o rechazar features generadas automáticamente.

Tema 9: Interpretabilidad y Machine Learning Interpretability en H2O.ai

Revisar por qué la explicabilidad es crítica en modelos empresariales.
Usar capacidades de interpretabilidad de Driverless AI para entender predicciones.
Analizar importancia de variables, Shapley values, partial dependence, decision trees y técnicas relacionadas.
Explicar resultados a negocio sin simplificar en exceso.
Detectar variables proxy, sesgos o comportamientos inesperados.
Comparar interpretabilidad global y local.
Preparar informes de explicación para riesgo, compliance, auditoría o dirección.
Evitar desplegar modelos de alto impacto sin explicación suficiente.
Documentar límites de cada técnica de interpretabilidad.
Convertir explicabilidad en parte del ciclo de aprobación del modelo.

Tema 10: Validación de modelos y criterios de aceptación

Definir métricas apropiadas según clasificación, regresión, ranking, forecasting o detección de anomalías.
Evaluar accuracy, AUC, F1, precision, recall, RMSE, MAE, lift, profit curves o métricas específicas de negocio.
Analizar calibración, estabilidad temporal, fairness y sensibilidad.
Crear conjuntos de validación representativos.
Comparar baseline, modelo actual y nuevo modelo.
Evaluar coste de falsos positivos y falsos negativos.
Documentar supuestos, umbrales y decisiones.
Preparar criterios de aceptación antes de entrenar.
Diseñar validación técnica, funcional y de negocio.
Crear un informe de validación listo para comité de modelo.

Tema 11: Time series y forecasting con H2O Driverless AI

Preparar datos temporales con granularidad adecuada.
Definir horizonte de predicción, ventana histórica y variables exógenas.
Usar capacidades de series temporales de Driverless AI para demanda, ventas, producción, inventario o consumo.
Evitar leakage temporal con particiones incorrectas.
Gestionar festivos, estacionalidad, tendencias, gaps y valores faltantes.
Comparar modelos por horizonte y segmento.
Crear forecast por producto, tienda, región, cliente o activo.
Evaluar errores con métricas adecuadas para negocio.
Preparar dashboards o salidas para planificación.
Definir proceso de retraining y monitorización de forecasting.

Tema 12: Hydrogen Torch: deep learning sin código para problemas complejos

Entender qué aporta Hydrogen Torch frente a modelos tabulares clásicos.
Crear proyectos no-code de deep learning cuando hay imágenes, texto, audio o datos no estructurados.
Configurar tareas como clasificación, regresión, segmentación o extracción según disponibilidad.
Ajustar datasets, etiquetas, splits y métricas.
Experimentar con arquitecturas e hiperparámetros sin escribir código desde cero.
Evaluar rendimiento con métricas y validación adecuada.
Exportar modelos para despliegue en Python o H2O MLOps.
Evitar usar deep learning cuando un modelo tabular simple resuelve mejor el problema.
Documentar coste computacional y requisitos de GPU.
Diseñar un workflow de deep learning accesible para equipos no expertos.

Tema 13: Document AI: extracción y clasificación inteligente de documentos

Entender H2O Document AI como solución para automatizar extracción y clasificación de texto en documentos.
Preparar documentos PDF, escaneados, formularios, facturas, contratos, expedientes o imágenes.
Revisar el flujo recomendado: proyecto, anotación, modelos, revisión y consumo.
Crear conjuntos de anotación con campos relevantes.
Entrenar modelos para extraer información crítica.
Validar resultados con muestras reales y documentos difíciles.
Gestionar OCR, layout, tablas, formularios, documentos multiformato y calidad de escaneo.
Preparar outputs para modelos predictivos, RPA, BI o sistemas internos.
Evitar automatizar extracción documental sin control de calidad humano.
Diseñar un caso completo de automatización documental con trazabilidad.

Tema 14: Feature Store: gobierno y reutilización de variables

Entender H2O Feature Store como repositorio centralizado para almacenar, actualizar, recuperar y compartir features.
Diseñar feature sets, feature views y catálogos de variables.
Gestionar reutilización de variables entre proyectos de IA y analítica.
Evitar definiciones duplicadas de la misma métrica en varios equipos.
Controlar calidad, linaje, owner y vigencia de cada feature.
Aplicar joins point-in-time para evitar leakage temporal cuando corresponda.
Documentar transformaciones, fuentes y reglas de negocio.
Preparar features para entrenamiento y scoring.
Crear criterios de publicación y retirada de features.
Integrar Feature Store en el ciclo completo de MLOps.

Tema 15: MLOps con H2O: de experimento a producción

Entender H2O MLOps como plataforma para despliegue, gestión, gobierno, monitorización y alertas de modelos.
Registrar modelos procedentes de Driverless AI, H2O-3 o terceros.
Gestionar proyectos, experimentos, versiones y artefactos.
Crear deployments para scoring online o batch según necesidad.
Revisar endpoints, permisos, entornos y dependencias.
Integrar modelos con aplicaciones, APIs o procesos internos.
Configurar monitorización de rendimiento y comportamiento.
Definir criterios de promoción entre dev, test, staging y producción.
Documentar releases, owners y rollback.
Crear un workflow MLOps replicable para el equipo.

Tema 16: Scoring online, batch y consumo de modelos

Diferenciar scoring online, batch, mini-batch y edge deployment.
Exponer modelos como endpoints REST cuando sea necesario.
Preparar procesos de batch scoring sobre CSV, Parquet, ORC, BigQuery, JDBC o Snowflake cuando aplique.
Usar clientes de scoring para integrar predicciones en procesos externos.
Diseñar contratos de entrada y salida del modelo.
Gestionar latencia, throughput, errores y reintentos.
Registrar predicciones relevantes para auditoría.
Controlar permisos de consumo del modelo.
Evitar modelos que funcionan en notebook pero no en producción.
Preparar una estrategia de scoring adaptada a cada caso de uso.

Tema 17: Monitorización, drift y mantenimiento de modelos

Configurar monitorización de modelos desplegados.
Entender que H2O MLOps model monitoring observa rendimiento y comportamiento para detectar problemas como model drift.
Monitorizar distribución de variables, calidad de datos, rendimiento, volumen, errores y latencia.
Detectar data drift, concept drift, degradación y cambios de población.
Crear alertas por umbrales relevantes para negocio.
Definir cuándo reentrenar, recalibrar o retirar un modelo.
Revisar predicciones extremas o inesperadas.
Crear dashboards operativos para modelos críticos.
Coordinar data science, negocio y operaciones ante alertas.
Mantener modelos vivos mediante un ciclo de mejora continua.

Tema 18: Enterprise h2oGPTe: GenAI, RAG y búsqueda empresarial

Entender Enterprise h2oGPTe como asistente de búsqueda y GenAI sobre conocimiento interno.
Crear casos de uso sobre documentos, sitios web, políticas, manuales, contratos o documentación técnica.
Diseñar pipelines RAG con fuentes autorizadas y controladas.
Configurar espacios, colecciones o bases documentales según la arquitectura disponible.
Pedir respuestas con citas, evidencias y límites claros.
Aplicar guardrails para reducir respuestas no permitidas.
Controlar permisos, multi-tenancy y acceso a información sensible.
Comparar h2oGPTe con h2oGPT open source y otras herramientas GenAI.
Medir calidad de respuestas con preguntas de evaluación.
Diseñar un asistente empresarial fiable y auditable.

Tema 19: Agentes con h2oGPTe y automatización inteligente

Entender los agentes de Enterprise h2oGPTe como asistentes capaces de analizar input, elegir herramientas, escribir y ejecutar código e iterar.
Diseñar agentes para investigación, análisis, reporting, revisión de documentos o apoyo técnico.
Diferenciar agente generalista, agente de tarea, agente RAG y agente conectado a herramientas.
Controlar herramientas disponibles, permisos, límites, contexto y coste.
Diseñar human-in-the-loop para acciones sensibles.
Registrar acciones, errores, revisiones y resultados.
Evitar agentes con permisos excesivos o sin trazabilidad.
Probar agentes con casos normales, ambiguos, incompletos y maliciosos.
Crear evaluación de seguridad y calidad de agentes.
Preparar un catálogo de agentes aprobados por área.

Tema 20: Model routing, guardrails y gobierno de GenAI

Entender por qué una plataforma GenAI empresarial necesita enrutar modelos según tarea.
Configurar o diseñar criterios para elegir modelo por coste, latencia, calidad, seguridad o privacidad.
Aplicar guardrails para contenido, datos sensibles, instrucciones prohibidas y uso indebido.
Revisar prompts, system prompts, contexto recuperado y fuentes.
Evitar exponer instrucciones internas o información confidencial.
Crear políticas de uso por usuario, área y tipo de dato.
Medir respuestas bloqueadas, errores, coste, feedback y satisfacción.
Diseñar evaluaciones periódicas de calidad de respuestas.
Integrar GenAI con gobierno corporativo de IA.
Documentar decisiones para auditoría y mejora continua.

Tema 21: Aplicaciones de IA con H2O Wave y AI App Store

Entender H2O Wave como framework para crear apps y dashboards Python en tiempo real.
Diseñar aplicaciones internas para consumir modelos, visualizar predicciones o explotar insights.
Crear interfaces para usuarios de negocio con formularios, gráficos, resultados y explicaciones.
Publicar aplicaciones en un catálogo interno cuando el entorno lo permita.
Conectar apps con modelos desplegados, Document AI, h2oGPTe o APIs internas.
Evitar que los usuarios consuman modelos sin contexto, explicación o advertencias.
Diseñar UX para decisiones asistidas por IA.
Controlar permisos, versionado y mantenimiento de apps.
Medir uso y valor de aplicaciones desplegadas.
Convertir modelos en herramientas utilizables por negocio.

Tema 22: Notebook Labs, experimentación y trabajo reproducible

Usar notebooks como entorno de exploración, análisis y prototipado.
Conectar notebooks con H2O-3, Driverless AI, MLOps, Feature Store o APIs.
Documentar código, datos, parámetros y resultados.
Evitar notebooks desordenados que nadie puede reproducir.
Convertir experimentos útiles en scripts, pipelines o componentes productivos.
Controlar versiones con Git y artefactos de modelo.
Gestionar credenciales y datos sensibles dentro de notebooks.
Preparar notebooks de formación para equipos técnicos.
Establecer buenas prácticas de limpieza y entrega.
Pasar de experimento a pipeline con criterio.

Tema 23: Seguridad, permisos y despliegues empresariales

Revisar modelos de despliegue: managed cloud, hybrid cloud, on-premise, VPC o air-gapped según entorno.
Controlar autenticación, autorización, roles y accesos a datos, modelos y apps.
Gestionar secretos, claves API, endpoints y cuentas de servicio.
Segmentar entornos por desarrollo, pruebas y producción.
Revisar logs, auditoría, retención y trazabilidad.
Aplicar políticas de seguridad para modelos predictivos y GenAI.
Controlar uso de documentos sensibles en RAG y Document AI.
Definir controles de acceso por proyecto y equipo.
Coordinar IT, seguridad, data governance y legal.
Preparar un checklist de seguridad para despliegues H2O.ai.

Tema 24: Gobierno de modelos, riesgo y cumplimiento

Crear inventario de modelos, datasets, owners y casos de uso.
Definir niveles de criticidad según impacto económico, legal, operativo o reputacional.
Documentar métricas, validación, explicabilidad y aprobación.
Preparar model cards o fichas de modelo.
Gestionar excepciones, riesgos residuales y aprobaciones.
Revisar fairness, sesgo, privacidad, trazabilidad y auditoría.
Integrar H2O MLOps con procesos de model risk management cuando aplique.
Definir ciclos de revisión periódica.
Retirar modelos obsoletos o degradados.
Crear gobierno práctico sin frenar la innovación.

Tema 25: Integración con sistemas corporativos y APIs

Diseñar integraciones con CRM, ERP, data warehouse, data lake, aplicaciones internas o workflows.
Consumir modelos mediante REST, scoring clients o pipelines batch.
Enviar predicciones a sistemas transaccionales con control.
Integrar respuestas GenAI en Slack, Teams, SharePoint, Google Drive u otras herramientas cuando aplique.
Gestionar contratos de datos entre sistemas.
Controlar errores, reintentos, timeouts y fallbacks.
Evitar integraciones directas sin observabilidad.
Versionar APIs y modelos consumidos.
Preparar documentación técnica para equipos internos.
Diseñar integraciones escalables y auditables.

Tema 26: IA responsable, sesgo y uso ético

Evaluar impactos de modelos en personas, clientes, empleados o decisiones sensibles.
Detectar sesgos en datos, variables, decisiones y resultados.
Revisar variables proxy y discriminación indirecta.
Incorporar explicabilidad en casos regulados o de alto impacto.
Diseñar procesos de revisión humana.
Comunicar límites del modelo a usuarios de negocio.
Evitar automatizar decisiones críticas sin controles.
Documentar responsabilidades y criterios de uso.
Medir fairness y estabilidad en el tiempo.
Crear una política de IA responsable adaptada a H2O.ai.

Tema 27: Métricas de negocio y ROI de proyectos H2O.ai

Definir impacto esperado antes de entrenar modelos.
Medir ahorro, ingresos, reducción de fraude, eficiencia, precisión, tiempos y calidad.
Relacionar métricas técnicas con resultados de negocio.
Diseñar pilotos con grupo de control cuando sea posible.
Evitar modelos excelentes sin proceso de decisión asociado.
Medir coste computacional, licencias, operación y mantenimiento.
Preparar dashboards de valor para dirección.
Revisar adopción por usuarios finales.
Identificar casos que no merecen escalarse.
Crear un modelo de priorización de iniciativas IA.

Tema 28: Implantación de H2O.ai en una organización

Diagnosticar madurez de datos, IA, MLOps y gobierno.
Seleccionar primeros casos con datos disponibles y valor claro.
Preparar equipo mixto: negocio, data, ML engineering, IT, seguridad y legal.
Definir arquitectura inicial y módulos H2O.ai necesarios.
Crear estándares de proyecto, naming, validación y despliegue.
Formar perfiles por rol y no con una única sesión genérica.
Implantar pilotos con métricas y revisión de riesgo.
Escalar casos validados a producción.
Crear comunidad interna de usuarios H2O.ai.
Mantener roadmap trimestral de mejora y adopción.

Tema 29: Errores frecuentes al trabajar con H2O.ai

Lanzar AutoML sin una pregunta de negocio bien definida.
Entrenar modelos con datos que no estarán disponibles en producción.
Elegir el modelo con mejor métrica sin revisar explicabilidad ni estabilidad.
Desplegar sin monitorización, owner ni plan de retraining.
Usar Document AI sin control de calidad documental.
Crear Feature Store sin gobierno de definiciones.
Activar GenAI sobre documentos sensibles sin permisos adecuados.
Crear agentes sin límites, logs o revisión humana.
Presentar prototipos como sistemas listos para producción.
Medir éxito solo por precisión técnica y no por valor operativo.

Tema 30: Proyecto final integrador de H2O.ai

Seleccionar un caso ficticio o anonimizado de predicción, documentos, GenAI o combinación híbrida.
Definir objetivo de negocio, usuarios, datos, decisión, riesgo y métrica de éxito.
Preparar dataset o corpus documental con criterios de calidad y privacidad.
Crear un modelo con H2O-3, Driverless AI o Hydrogen Torch según el caso.
Evaluar rendimiento, interpretabilidad, sesgos, estabilidad y umbral de decisión.
Incorporar Feature Store o Document AI si el caso requiere features reutilizables o extracción documental.
Desplegar o simular despliegue con H2O MLOps y diseñar scoring.
Añadir monitorización, drift, alertas, owner y plan de retraining.
Diseñar un asistente h2oGPTe o flujo RAG si el caso necesita explicación o consulta documental.
Presentar el proyecto final con arquitectura, resultados, limitaciones, ROI, gobierno y roadmap.

Perfiles profesionales

Pensado para quienes deben dominar H2O AI en su día a día

Data scientists y analistas avanzados

Profesionales que construyen modelos predictivos, analizan datos, preparan features, comparan algoritmos, validan resultados y necesitan acelerar experimentación con AutoML, interpretabilidad y despliegue.

Machine learning engineers y equipos MLOps

Perfiles que deben llevar modelos a producción, gestionar versiones, endpoints, scoring, monitorización, drift, gobierno, integración con sistemas y ciclo de vida completo del modelo.

Data engineers y arquitectos de datos

Equipos que preparan pipelines, datasets, feature stores, fuentes de datos, calidad, transformaciones, reutilización de variables y bases de datos analíticas para proyectos de IA.

Responsables de IA, innovación y transformación digital

Personas que necesitan entender qué capacidades ofrece H2O.ai, qué casos de uso son realistas, cómo organizar pilotos, cómo medir valor y cómo escalar IA en la organización.

Equipos de IT, cloud, seguridad y plataforma

Profesionales responsables de despliegues, permisos, infraestructura, Kubernetes, cloud, VPC, entornos híbridos, seguridad, auditoría, costes, integración y soporte operativo.

Áreas de negocio con casos predictivos o documentales

Equipos de riesgo, finanzas, seguros, operaciones, marketing, ventas, legal, compliance, atención al cliente, industria o salud que quieren convertir datos y documentos en decisiones automatizables.

¿Tienes dudas?

ContáctanosContacta con nosotros

Casos de éxito

Empresas que ya han formado a sus equipos

Experiencias reales de equipos que ya han trabajado con nosotros.

+16

años de liderazgo

+3.500

empresas formadas

Nuestra empresa decidió contratar formación con Imagina aprovechando los créditos de FUNDAE, y fue una gran decisión. La modalidad online nos permitió adaptar los horarios a nuestro equipo. La formación ha sido práctica, clara y útil para el día a día. Es sencillo de gestionar y los resultados son excepcionales.

Hugo Gutiérrez

Analista Financiero

Gracias a Imagina, la eficiencia de nuestras sesiones de capacitación ha mejorado drásticamente. Es sencillo de usar y los resultados son excepcionales.

Luis Martínez

Administrativo

Gracias al aula virtual de Imagina siempre son capaces de adaptar los cursos a nuestras necesidades. El contenido fue muy completo y práctico.

Elena Pérez

Responsable de Recursos Humanos

Mejor de lo esperado, la modalidad online se adapta a nuestros horarios. La ayuda con la bonificación FUNDAE hizo todo más fácil. Práctico y necesario.

Alejandro Sánchez

Director de Operaciones

Hugo Gutiérrez

Analista Financiero

Gracias a Imagina, la eficiencia de nuestras sesiones de capacitación ha mejorado drásticamente. Es sencillo de usar y los resultados son excepcionales.

Luis Martínez

Administrativo

Gracias al aula virtual de Imagina siempre son capaces de adaptar los cursos a nuestras necesidades. El contenido fue muy completo y práctico.

Elena Pérez

Responsable de Recursos Humanos

Mejor de lo esperado, la modalidad online se adapta a nuestros horarios. La ayuda con la bonificación FUNDAE hizo todo más fácil. Práctico y necesario.

Alejandro Sánchez

Director de Operaciones

+16

años de liderazgo

+3.500

empresas formadas

Hugo Gutiérrez

Analista Financiero

Gracias a Imagina, la eficiencia de nuestras sesiones de capacitación ha mejorado drásticamente. Es sencillo de usar y los resultados son excepcionales.

Luis Martínez

Administrativo

Gracias al aula virtual de Imagina siempre son capaces de adaptar los cursos a nuestras necesidades. El contenido fue muy completo y práctico.

Elena Pérez

Responsable de Recursos Humanos

Mejor de lo esperado, la modalidad online se adapta a nuestros horarios. La ayuda con la bonificación FUNDAE hizo todo más fácil. Práctico y necesario.

Alejandro Sánchez

Director de Operaciones

Hugo Gutiérrez

Analista Financiero

Gracias a Imagina, la eficiencia de nuestras sesiones de capacitación ha mejorado drásticamente. Es sencillo de usar y los resultados son excepcionales.

Luis Martínez

Administrativo

Gracias al aula virtual de Imagina siempre son capaces de adaptar los cursos a nuestras necesidades. El contenido fue muy completo y práctico.

Elena Pérez

Responsable de Recursos Humanos

Mejor de lo esperado, la modalidad online se adapta a nuestros horarios. La ayuda con la bonificación FUNDAE hizo todo más fácil. Práctico y necesario.

Alejandro Sánchez

Director de Operaciones

480.000 alumnos formados en Imagina

Ver todas las opiniones

Preguntas frecuentes

Resolvemos todas tus dudas sobre nuestra formación en H2O AI

Explora las respuestas a las preguntas que guian a nuestra comunidad. Aqui encontraras claridad sobre como funciona todo, desde el acceso hasta los detalles de los cursos. Si buscas respuestas, este es el lugar para comenzar.

H2O.ai es un ecosistema de plataformas y herramientas de IA que cubre machine learning open source, AutoML, deep learning, Document AI, Feature Store, MLOps, aplicaciones de IA y GenAI empresarial.

¿Tienes dudas?
Estamos aqui para ayudarte

Contactar

H2O.ai es un ecosistema de plataformas y herramientas de IA que cubre machine learning open source, AutoML, deep learning, Document AI, Feature Store, MLOps, aplicaciones de IA y GenAI empresarial.

¿Tienes dudas?
Estamos aqui para ayudarte

Contactar

Recursos extra

Descubre nuestros tutoriales

Automatización con Microsoft

Qué es Microsoft Power Automate y para qué sirve

November 05, 2025

Descubre Que es Microsoft Power Automate o Microsoft Flow: Guía Completa de la Herramienta de Automatización de Tareas de Microsoft

Seguridad

¿Qué es Kali Linux y para qué se utiliza?

June 17, 2025

Descubre cómo instalar Kali Linux fácilmente y empieza a usar esta herramienta esencial para pruebas de penetración y análisis forense digital.

Recursos Humanos

Top 5 Cursos Bonificados para Trabajadores en 2025

June 09, 2025

Conoce los cursos bonificados para trabajadores 2025 más demandados y cómo puedes inscribir a tus empleados para aprovechar los créditos formativos de FUNDAE.

Prevención

5 Cursos Obligatorios para cualquier Empresa en 2025

May 26, 2025

Conoce los cursos obligatorios para empresas 2025 y cómo asegurar que tu organización cumpla con las normativas actuales sin riesgos de sanciones.

Recursos Humanos

Cursos Bonificados por Fundación Tripartita en 2025

May 05, 2025

Descubre los mejores cursos bonificados para empresas en 2025 por la Fundación Tripartita. Aumenta la productividad de tu equipo sin costes adicionales.

Recursos extra

Para que aprendas mensualmente
con nosotros

Tutoriales

Nuestra colección de contenido educacional

Qué es Microsoft Power Automate y para qué sirve

¿Qué es Kali Linux y para qué se utiliza?

Top 5 Cursos Bonificados para Trabajadores en 2025

5 Cursos Obligatorios para cualquier Empresa en 2025

Cursos Bonificados por Fundación Tripartita en 2025

Da el salto y aprende con nuestros cursos

Solicita información

Diseñemos hoy el curso que tu empresa necesita

Cuéntanos tus objetivos de negocio y prepararemos una propuesta formativa bonificable totalmente ad hoc

Solicitar presupuesto personalizado

Curso de H2O AI

Aprende con el curso de H2O AI para empresas hasta 100% bonificado, a medida para tu organización.

Modalidad Aula Virtual Personalizada

Curso de H2O AI hasta 100% Bonificable a través de FUNDAE

Tu bonificación paso a paso

La formación que decideste devuelve dinero

Cubre todo el ciclo de vida de la IA

Integra IA predictiva y generativa Trabaja tanto modelos clásicos y AutoML como h2oGPTe, RAG, guardrails, agentes y asistentes empresariales.

Orientado a producción, no solo a laboratorio Incluye H2O MLOps, endpoints, batch scoring, drift, monitorización, gobierno, seguridad, auditoría y mantenimiento.

Reduce barreras técnicas Driverless AI y Hydrogen Torch permiten acelerar AutoML y deep learning, mientras que H2O-3 y APIs mantienen capacidad técnica para equipos avanzados.

Mejora gobierno y reutilización Feature Store, MLOps, model registry, validación, interpretabilidad y documentación ayudan a escalar IA con más control.

Aplicable a muchos sectores Encaja en banca, seguros, industria, retail, salud, energía, telecomunicaciones, administración, legal, operaciones, riesgo y atención al cliente.

Personaliza el temario al 100% para tu equipo

Nueva Plataformade E-learningFormación en directo con plataforma de apoyo para reforzar el aprendizaje

Acceso a las grabaciones

Recursos formativos

Confirmación de asistencia

Ejercicios prácticos

Acceso a las grabaciones

Recursos formativos

Confirmación de asistencia

Ejercicios prácticos

Practica y mejora con nuestra plataforma

Temario del curso

Pensado para quienes deben dominar H2O AI en su día a día

Empresas que ya han formado a sus equipos

Resolvemos todas tus dudas sobre nuestra formación en H2O AI

Descubre nuestros tutoriales

Qué es Microsoft Power Automate y para qué sirve

¿Qué es Kali Linux y para qué se utiliza?

Top 5 Cursos Bonificados para Trabajadores en 2025

5 Cursos Obligatorios para cualquier Empresa en 2025

Cursos Bonificados por Fundación Tripartita en 2025

Para que aprendas mensualmentecon nosotros

Nuestra colección de contenido educacional

Da el salto y aprende con nuestros cursos

Diseñemos hoy el curso que tu empresa necesita

Temario del curso

La formación que decides
te devuelve dinero

Nueva Plataforma
de E-learningFormación en directo con plataforma de apoyo para reforzar el aprendizaje

Para que aprendas mensualmente
con nosotros