# lo que dicen los estudiantes
Opiniones de quienes completaron los programas
Comentarios sin editar de ingenieros, analistas y equipos que trabajaron con nosotros. Algunos mencionan lo que les costó más; eso también está aquí.
← Inicio# testimonios
Qué dicen los estudiantes
Hice el curso de modelos de lenguaje después de haber visto varios tutoriales de YouTube sin saber cómo ordenarlos. Aquí las 18 semanas tienen una lógica interna: cada proyecto usa lo de la semana anterior y lo extiende. Los comentarios escritos de Camila sobre mi tercer proyecto me hicieron ver un error de diseño que llevaba usando mal por meses. No es barato en tiempo, pero lo que queda al final es sólido.
La parte de validación cruzada y detección de leakage fue lo más valioso para mí. Llevo dos años trabajando con datos y nunca nadie me había explicado con ese nivel de detalle por qué mis modelos funcionaban en notebook y fallaban después. El ritmo es exigente — hay semanas donde las horas extra salen. Eso sí, lo advertían desde el principio.
El canal de estudio funciona. No es un grupo de Telegram con 400 personas donde nadie responde. Cuando tuve un problema con mi pipeline de recuperación a mitad del cuarto proyecto, Jorge respondió el mismo día con preguntas específicas sobre mi código, no con un link a la documentación. Eso marca una diferencia real.
Los datasets con datos colombianos hacen que el trabajo se sienta relevante. Trabajé con datos de movilidad de Medellín y un conjunto de transacciones con problemas de formato regional que nunca había visto en cursos de afuera. La retroalimentación tardó a veces tres días, lo cual en semanas de entrega se sentía largo. Pero fue técnicamente precisa.
Contraté el programa para equipos para mi equipo de cuatro ingenieros. La encuesta inicial fue seria — nos preguntaron sobre el stack, los tipos de datos que manejamos y los problemas donde nos atascábamos. El currículo resultante no fue genérico. El manual interno que entregaron al final lo seguimos usando cuatro meses después.
Antes de inscribirme pregunté si el programa era apropiado para mi nivel. Me respondieron en detalle, me pidieron que describiera los proyectos que había hecho con Python y me dijeron que el curso de ML era más adecuado que el de LLMs para mi momento. Esa honestidad al inicio fue señal de lo que encontré después durante el programa.
# casos de estudio
Tres situaciones concretas
Un equipo de cinco analistas en una empresa fintech de Medellín estaba construyendo modelos de scoring de crédito. Los modelos funcionaban en sus notebooks pero mostraban métricas distintas en producción. No sabían exactamente por qué.
El programa para equipos empezó por el pipeline de datos y encontró tres puntos de leakage temporal que inflaban las métricas en entrenamiento. El currículo giró alrededor de validación correcta con datos de series temporales y evaluación sobre ventanas de tiempo reales.
El equipo eliminó el leakage, reconstruyó su pipeline de validación y bajó las métricas de entrenamiento — lo cual fue bueno, porque ahora corresponden a lo que ven en producción. El manual interno documenta el proceso para nuevos integrantes.
"Sabíamos que algo estaba mal con nuestros modelos. Después del programa supimos exactamente qué era y cómo evitarlo." — Héctor O., Tech lead
Miguel llevaba cuatro años como desarrollador backend y quería entender el trabajo de datos lo suficiente para colaborar con el equipo de ML de su empresa sin depender de ellos para preguntas básicas.
Completó el curso de datos en diez semanas. Sus tres proyectos fueron sobre datasets de transacciones bancarias, datos de sensores y un conjunto de texto con categorías mal balanceadas. Cada uno revisado con comentarios específicos al problema elegido.
Al terminar podía leer, cuestionar y mejorar el código de su equipo de ML. Encontró un error de validación en un pipeline existente durante su primera semana de regreso. Ese es el tipo de resultado que tiene sentido medir.
Dos desarrolladores de una startup de herramientas para abogados colombianos querían construir un sistema de búsqueda sobre documentos legales. Sabían usar la API de OpenAI pero no cómo estructurar un pipeline de recuperación que funcionara.
Ambos completaron el programa de LLMs en dieciocho semanas. El cuarto y quinto proyecto de los dos giró alrededor de su caso de uso real: recuperación sobre documentos con terminología legal colombiana y evaluación de la calidad de las respuestas.
Al terminar tenían un prototipo funcional con tests, documentación y un arnés de evaluación para medir mejoras futuras. No salieron con un producto terminado — salieron con la capacidad de construirlo.
# contacto
Cómo llegar a nosotros
Calle 7 Sur #42-70
Medellín 050022
Lun–Vie 8–18 h
Sáb 9–13 h
# indicadores
En números
¿Quieres saber más antes de decidir?
Escríbenos con tu situación actual. Respondemos con honestidad sobre si el programa tiene sentido para ti.
Enviar consulta