Descubre el Proyecto Margaret Watts Hughes, un sistema de transcripción de voz (Speech-to-Text) y resumen inteligente de audio con IA 100% local. Desarrollado dentro de las iniciativas MonteSteam y AIDARAC del IES Monterroso, este proyecto enseña al alumnado a procesar notas de voz, generar actas automáticas de reunión y extraer listas de tareas con FastAPI y Qwen 2.5 en el puerto 8048, honrando a la pionera británica que inventó el eidófono y las primeras figuras geométricas de la voz.
Aprende a implementar el Proyecto Ingrid Daubechies, un sistema de RAG Vectorial y búsqueda semántica local sobre PDFs y documentos de texto utilizando FastAPI, Uvicorn y LM Studio. Desarrollado dentro de las iniciativas MonteSteam y AIDARAC del IES Monterroso, este proyecto enseña al alumnado a procesar información mediante embeddings (nomic-embed-text) y similitud del coseno, logrando respuestas precisas, 100% privadas y sostenibles sin depender de APIs en la nube.
Ponemos a prueba a BUOLAMWINI con varios pares de nombres y variables, y una prueba de repetición, antes de usarlo en el aula.
Montamos BUOLAMWINI, un auditor de sesgo mínimo que pregunta a la IA la misma decisión dos veces, cambiando solo un nombre, para comprobar si responde igual.
Ponemos a prueba a RAJI con tres casos —correcto, incorrecto y ambiguo— y una prueba de consistencia, antes de llevarlo al aula.
Montamos RAJI, un proyecto mínimo donde un segundo modelo local hace de profesor corrector: evalúa si una respuesta es correcta y clara, y explica por qué, sin notas numéricas.
Aprende a construir el Proyecto Katie Bouman, una solución de RAG Multimodal y visión por computador 100% local con FastAPI, Uvicorn y LM Studio. Desarrollado en el marco de las iniciativas MonteSteam y AIDARAC en el IES Monterroso, este sistema permite al alumnado analizar esquemas técnicos, circuitos y gráficas de laboratorio en el aula de forma privada, eficiente y sin costes de API.
Guía paso a paso para construir un agente de Inteligencia Artificial 100% local, privado y sin costes de API mediante la técnica de Function Calling (Tool Calling). Utilizando Qwen 2.5 3B en LM Studio y un servidor con FastAPI, el proyecto enseña a conectar un LLM con herramientas ejecutables en Python (cálculo matemático, sensores y generación de gráficos con Matplotlib) mostrando además la trazabilidad de los datos en tiempo real.
Aprende a construir un sistema RAG (Generación Aumentada por Recuperación) 100% local, gratuito y privado utilizando FastAPI, Python y LM Studio. Explicamos paso a paso cómo conectar una base de datos en CSV con un LLM local para responder preguntas sin alucinaciones, analizando desde la búsqueda por similitud coseno hasta la optimización de prompts en el aula.
Primera sesión del Proyecto Karen Spärck Jones: comparación práctica en Python entre la búsqueda literal de palabras (BM25) y la búsqueda semántica por vectores de significado (embeddings), analizando y enfrentando sus resultados sobre el corpus real de AIDARAC mediante consola e interfaz web.