Módulo 7: Casos de Uso

1. Introducción: Casos de Uso

Descripción

Esta es la primera cápsula del Módulo 7 de la Guía de IA Multimodal. Aquí vas a entender cómo las piezas individuales que aprendiste en los módulos anteriores — vision, documentos, generación de imágenes, audio, y RAG — se combinan en patrones de diseño que resuelven problemas reales. No se trata de aprender APIs nuevas, sino de aplicar lo que ya sabes en arquitecturas que funcionan en producción.

Por qué importa: Los módulos 1-6 te dieron herramientas individuales: enviar una imagen a GPT-4o, transcribir audio con Whisper, indexar documentos con embeddings. Pero en el mundo real, nadie usa una sola herramienta. Un sistema de análisis documental combina extracción de texto, visión para diagramas, RAG para búsqueda, y generación para respuestas. Un asistente de reuniones combina transcripción de audio, análisis de presentaciones, y resumen textual. Este módulo te enseña a diseñar esas combinaciones de forma sistemática, no improvisada.

Conexión con el proyecto final: El proyecto de este módulo — Use Case Selector — es el "cerebro" del Document Analyzer que construirás en el Módulo 8. Recibe un input (PDF, imagen, audio), detecta su tipo, y aplica el pipeline correcto. Es la pieza de routing que conecta todas las capacidades multimodales en un solo sistema.

¿Dónde Estamos en la Guía?

Contexto

Esta guía tiene 8 módulos organizados en 3 fases:

Phase 1: Fundamentos Multimodales (Módulos 1-3)
├── Módulo 1: Introducción a IA Multimodal
├── Módulo 2: Vision + LLMs
└── Módulo 3: Comprensión de Documentos

Phase 2: Generación y Audio (Módulos 4-5)
├── Módulo 4: Generación de Imágenes
└── Módulo 5: Procesamiento de Audio

Phase 3: RAG, Casos de Uso y Proyecto (Módulos 6-8)
├── Módulo 6: RAG Multimodal
├── Módulo 7: Casos de Uso                ← ESTÁS AQUÍ
└── Módulo 8: Proyecto Final — Document Analyzer Multimodal

Duración total estimada: 6-7 horas (self-paced).

¿Hacia dónde vamos?

Los módulos anteriores te dieron las piezas:

Módulo 1 — Entendiste el landscape: qué modelos existen, qué modalidades soportan, cómo enviar datos
Módulo 2 — Dominaste vision: análisis de imágenes con GPT-4o, Claude 3, Gemini
Módulo 3 — Procesaste documentos: PDFs, OCR, extracción estructurada
Módulo 4 — Generaste imágenes: DALL-E 3, variaciones, edición
Módulo 5 — Procesaste audio: Whisper, TTS, pipelines de voz
Módulo 6 — Construiste RAG multimodal: embeddings, indexación, retrieval sobre texto + imágenes

Ahora, en el Módulo 7, tomas todo eso y lo aplicas en 4 patrones de diseño que cubren el 90% de los casos de uso reales:

Document Q&A — Preguntas y respuestas sobre documentos
Image Analysis Automatizado — Clasificación y análisis en batch
Video Analysis via Frames — Análisis de video extrayendo frames
Combinaciones Multi-Modalidad — Pipelines que mezclan texto, imagen y audio

Además, aprenderás patrones de producción (caching, batching, costos) y troubleshooting específico para estos casos de uso.

El Módulo 8 toma el Use Case Selector que construyes aquí y lo integra en el Document Analyzer completo.

De Piezas a Patrones

El problema

Conocer APIs individuales no es suficiente. Saber llamar a GPT-4o con una imagen, o transcribir audio con Whisper, son habilidades atómicas. El desafío real es combinarlas en flujos coherentes que resuelvan problemas de negocio:

Problema: "Quiero que mis usuarios puedan hacer preguntas sobre PDFs"

Piezas necesarias:
├── Extracción de texto (Módulo 3)
├── Extracción de imágenes (Módulo 3)
├── Chunking y embeddings (Módulo 6)
├── Retrieval por similitud (Módulo 6)
├── Generación de respuesta (Módulo 1-2)
└── Citación de fuentes (nuevo en este módulo)

Patrón: Document Q&A
Pipeline: Documento → Extraer → Indexar → Query → Retrieval → LLM → Respuesta con fuentes

La solución: patrones de diseño

Un patrón de diseño en IA multimodal es una secuencia probada de pasos que transforma un input en un output útil. No es inventar cada vez, sino reutilizar arquitecturas que funcionan.

Así como en software hay patrones como MVC, Observer, o Strategy, en IA multimodal hay patrones como:

Patrón	Input	Pipeline	Output	Módulos usados
Document Q&A	PDF + pregunta	Extraer → RAG → LLM	Respuesta con fuentes	M3, M6, M1
Image Analysis	Imagen(es)	Vision → clasificación/extracción	Datos estructurados	M2, M1
Video Analysis	Video	Frames → Vision → LLM	Análisis temporal	M2, M1
Multi-Modal	Texto + imagen + audio	Combinar pipelines	Respuesta integrada	M1-M6
Production	Cualquier input	Caching + batching + retry	Resultado optimizado	Transversal

Cada patrón tiene su cápsula dedicada en este módulo, con implementación completa, troubleshooting, y ejercicios.

Objetivos del Módulo

Al terminar este módulo vas a poder:

Habilidades técnicas

Construir un pipeline Document Q&A — Cargar documento, extraer contenido, indexar, recuperar chunks relevantes, generar respuesta con fuentes citadas
Automatizar análisis de imágenes en batch — Clasificar, extraer datos, y procesar catálogos de imágenes usando Vision APIs
Analizar video via frames — Extraer frames clave, enviarlos a Vision, combinar análisis en resumen temporal
Diseñar pipelines multi-modales — Combinar texto + imagen + audio en flujos coherentes (reuniones, documentos, contenido)
Aplicar patrones de producción — Caching, batching, rate limit management, optimización de costos
Diagnosticar problemas en pipelines — Identificar y resolver errores comunes en cada tipo de caso de uso

Habilidades de diseño

Elegir el patrón correcto — Dado un problema de negocio, seleccionar el patrón de diseño apropiado
Construir un router de pipelines — El Use Case Selector que detecta tipo de input y aplica el pipeline correspondiente

Nivel de profundidad

Este módulo no repite lo que ya viste. Asume que sabes:

Enviar imágenes a Vision APIs (M2)
Extraer texto de PDFs (M3)
Generar imágenes con DALL-E (M4)
Transcribir audio con Whisper (M5)
Construir índices con embeddings (M6)

Lo nuevo aquí es cómo combinar esas piezas en sistemas que funcionan end-to-end.

Roadmap del Módulo 7

#	Cápsula	Tipo	Qué vas a construir	Duración
01	Introducción (esta)	Contexto	Mapa del módulo, objetivos	5 min
02	Document Q&A	Técnica	Pipeline completo de Q&A con fuentes	8 min
03	Image Analysis Automatizado	Técnica	Clasificación y análisis en batch	8 min
04	Video: Frames + LLM	Técnica	Extracción de frames y análisis	8 min
05	Combinaciones Multi-Modalidad	Técnica	Pipelines texto + imagen + audio	8 min
06	Patrones de Producción	Técnica	Caching, batching, costos	8 min
07	Troubleshooting Casos de Uso	Técnica	Diagnóstico y resolución	6 min
08	Proyecto: Use Case Selector	Proyecto	Router de pipelines	12 min

Duración total estimada: 60-65 min

Flujo recomendado

Cápsulas 02-04: Patrones individuales (Document Q&A, Image, Video)
    ↓
Cápsula 05: Combinaciones (integrar los patrones anteriores)
    ↓
Cápsula 06: Producción (hacer los pipelines robustos)
    ↓
Cápsula 07: Troubleshooting (resolver problemas)
    ↓
Cápsula 08: Proyecto (Use Case Selector que los une todos)

Casos de Uso del Mundo Real

Para motivar lo que viene, estos son ejemplos concretos de cada patrón en producción:

Document Q&A

Escenario: Una plataforma legal permite a abogados hacer preguntas sobre contratos de 200 páginas.

Input: PDF del contrato + pregunta "¿Cuál es la cláusula de penalización?"
Pipeline: Extraer → Chunkear → Indexar → Buscar chunks relevantes → LLM genera respuesta citando páginas
Output: "La cláusula de penalización está en la sección 12.3 (página 45)..." + chunks fuente

Image Analysis Automatizado

Escenario: Un e-commerce recibe 500 fotos de productos al día y necesita clasificarlas y extraer atributos.

Input: Batch de 500 imágenes
Pipeline: Por cada imagen → Vision API → Clasificar categoría + extraer color/tamaño/material
Output: CSV con categoría, color, tamaño, material para cada producto

Video Analysis

Escenario: Una plataforma educativa analiza videos de clases para generar resúmenes y detectar momentos clave.

Input: Video de 45 minutos
Pipeline: Extraer frame cada 30 segundos → Vision describe cada frame → LLM identifica temas y transiciones → Resumen
Output: "0:00-5:00: Introducción al tema X, 5:00-15:00: Demostración de Y..."

Combinaciones Multi-Modalidad

Escenario: Un sistema de meeting notes toma la grabación de una reunión + las diapositivas presentadas.

Input: Audio de la reunión + PDF de la presentación
Pipeline: Transcribir audio → Extraer texto e imágenes del PDF → Combinar contextos → LLM genera acta
Output: Acta de reunión que conecta lo discutido con las diapositivas mostradas

Prerrequisitos

Conocimientos necesarios (de módulos anteriores)

Módulo	Concepto clave	Por qué lo necesitas aquí
M1	APIs multimodales, formatos	Base para todas las llamadas
M2	Vision: GPT-4o, Claude 3	Image analysis y video frames
M3	Extracción de documentos	Document Q&A pipeline
M4	DALL-E 3, generación	Combinaciones multi-modales
M5	Whisper, TTS	Audio en pipelines
M6	Embeddings, ChromaDB, RAG	Retrieval en Document Q&A

Herramientas

openai >= 1.0         # API calls (GPT-4o, Whisper, DALL-E, TTS, embeddings)
anthropic >= 0.20     # Claude 3 (opcional, para fallback)
pymupdf >= 1.24       # Extracción de PDFs
chromadb >= 0.4       # Vector store para RAG
opencv-python >= 4.8  # Extracción de frames de video
Pillow >= 10.0        # Procesamiento de imágenes

Setup rápido

pip install openai anthropic pymupdf chromadb opencv-python Pillow

import os
from openai import OpenAI

client = OpenAI()

assert os.environ.get("OPENAI_API_KEY"), "Configura OPENAI_API_KEY"
print("Setup OK — listo para Módulo 7")

Qué NO Cubre Este Módulo

Para mantener el foco, este módulo no incluye:

Tema	Dónde verlo
Fundamentos de cada API	Módulos 1-5
Construcción de índices RAG desde cero	Módulo 6
Deployment a producción (Docker, cloud)	Fuera del alcance de esta guía
Fine-tuning de modelos	Fuera del alcance de esta guía
Streaming de respuestas	Módulo 8 lo usa, pero no lo explica en detalle
Interfaces de usuario (frontends)	Fuera del alcance de esta guía

Este módulo asume que ya sabes usar las APIs individuales y se enfoca en cómo combinarlas en sistemas funcionales.

Auto-Evaluación

Antes de empezar, verifica que puedes responder estas preguntas. Si alguna no te queda clara, revisa el módulo indicado:

Nivel 1: Conceptos (deberías responder sin código)

¿Qué es RAG y por qué es útil para Document Q&A? → M6
¿Qué modelos soportan input de imágenes y texto simultáneo? → M1, M2
¿Qué hace Whisper y en qué formato devuelve resultados? → M5
¿Qué es un embedding y para qué sirve? → M6
¿Cuál es la diferencia entre gpt-4o y gpt-4o-mini en términos de costo y capacidad? → M1

Nivel 2: Código (deberías poder escribirlo)

Enviar una imagen + pregunta a GPT-4o y obtener respuesta → M2
Extraer texto de un PDF con PyMuPDF → M3
Transcribir un archivo de audio con Whisper → M5
Crear embeddings y buscar por similitud con ChromaDB → M6
Generar una imagen con DALL-E 3 desde un prompt → M4

Nivel 3: Diseño (lo que aprenderás aquí)

Diseñar un pipeline que combine extracción + RAG + generación — cápsula 02
Procesar 100 imágenes en batch con retry y rate limits — cápsula 03
Extraer frames de un video y analizarlos — cápsula 04
Combinar audio + documento en un solo flujo — cápsula 05
Implementar caching y optimización de costos — cápsula 06

Si las preguntas 1-10 te parecen claras, estás listo. Si no, revisa los módulos indicados antes de continuar.

Convenciones de Este Módulo

Código

Todo el código es Python 3.10+
Se usa openai >= 1.0 (nueva API con client.chat.completions.create)
Los bloques de código son completos y ejecutables — no fragmentos sueltos
Cada cápsula técnica incluye al menos una implementación completa que puedes copiar y adaptar

Estructura de cada cápsula técnica

1. Descripción y contexto
2. Pipeline visual (diagrama ASCII)
3. Implementación paso a paso
4. Implementación completa
5. Variaciones y extensiones
6. Troubleshooting (errores comunes)
7. Ejercicios (3-4 por cápsula)
8. Recursos adicionales

Estructura de la cápsula proyecto

1. Descripción y especificaciones
2. Implementación por pasos (6 pasos)
3. Extensiones opcionales
4. Troubleshooting
5. Checklist de completitud
6. Ejercicios de extensión

Arquitectura General del Módulo

Este diagrama muestra cómo se conectan las cápsulas entre sí y con el proyecto final:

                    ┌─────────────────┐
                    │  02: Document   │
                    │     Q&A         │───────────┐
                    └─────────────────┘           │
                    ┌─────────────────┐           │
                    │  03: Image      │           │
                    │  Analysis       │───────────┤
                    └─────────────────┘           │
                    ┌─────────────────┐           ▼
                    │  04: Video      │    ┌──────────────┐
                    │  Frames + LLM   │───▶│ 08: Proyecto │
                    └─────────────────┘    │  Use Case    │
                    ┌─────────────────┐    │  Selector    │
                    │  05: Multi-     │───▶│              │
                    │  Modalidad      │    └──────────────┘
                    └─────────────────┘           ▲
                    ┌─────────────────┐           │
                    │  06: Patrones   │───────────┤
                    │  Producción     │           │
                    └─────────────────┘           │
                    ┌─────────────────┐           │
                    │  07: Trouble-   │───────────┘
                    │  shooting       │
                    └─────────────────┘

Cada cápsula técnica (02-05) define un patrón de diseño. La cápsula 06 agrega robustez. La 07 resuelve problemas. La 08 integra todo en un router.

Setup Técnico

Antes de empezar las cápsulas técnicas, verifica que tu entorno está listo:

import os
from openai import OpenAI

client = OpenAI()
assert os.environ.get("OPENAI_API_KEY"), "Falta OPENAI_API_KEY"

response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": "Responde OK si recibes esto."}],
    max_tokens=10
)
print(f"LLM: {response.choices[0].message.content}")

emb = client.embeddings.create(
    model="text-embedding-3-small",
    input=["test"]
)
print(f"Embeddings: {len(emb.data[0].embedding)} dimensiones")

try:
    import fitz
    print(f"PyMuPDF: {fitz.version}")
except ImportError:
    print("FALTA: pip install pymupdf")

try:
    import chromadb
    print(f"ChromaDB: OK")
except ImportError:
    print("FALTA: pip install chromadb")

try:
    import cv2
    print(f"OpenCV: {cv2.__version__}")
except ImportError:
    print("FALTA: pip install opencv-python")

try:
    from PIL import Image
    print(f"Pillow: OK")
except ImportError:
    print("FALTA: pip install Pillow")

print("\nSetup completo — listo para Módulo 7")

Si todo imprime sin errores, estás listo. Si falta alguna dependencia, instálala antes de continuar.

Evidencia de Éxito

Al terminar este módulo, sabrás que tuviste éxito si:

✅ Puedes diseñar un pipeline de Document Q&A que combine extracción (M3), RAG (M6), y generación con LLM
✅ Puedes procesar un batch de 100 imágenes con retry, rate limiting y tracking de progreso
✅ Puedes extraer frames de un video, analizarlos con Vision API, y generar un resumen
✅ Sabes combinar múltiples modalidades (audio + documento + imagen) en un solo flujo
✅ Implementas patrones de producción: caching, circuit breaker, cost tracking, fallbacks
✅ Tu Use Case Selector funciona: recibe un input, detecta su tipo, y aplica el pipeline correcto

Resumen

Casos de uso es el módulo que aplica todo lo aprendido en M1-M6 a patrones de diseño para problemas reales.
Los 4 patrones principales son: Document Q&A (extracción + RAG + generación), Image Analysis Automatizado (batch + retry + clasificación), Video Frames (extracción + análisis temporal), y Combinaciones Multi-Modalidad (audio + documento + imagen en un solo flujo).
Los patrones de producción incluyen: caching multi-nivel, rate limiting con token bucket, circuit breaker, cost tracking granular, y fallback multi-proveedor.
El proyecto del módulo es un Use Case Selector que detecta el tipo de input y enruta al pipeline correcto — es el "cerebro" del Document Analyzer del Módulo 8.

Glosario Rápido

Término	Definición
Pipeline	Secuencia de pasos que transforma un input en un output
Routing	Decidir qué pipeline aplicar según el tipo de input
Batch	Procesar múltiples items en una sola operación
Rate limit	Límite de llamadas a una API por unidad de tiempo
Fallback	Alternativa cuando el método principal falla
Circuit breaker	Patrón que detiene llamadas a un servicio que está fallando repetidamente
TTL	Time To Live — cuánto tiempo un cache es válido
Embedding	Representación numérica de texto para búsqueda por similitud
Retrieval	Recuperar información relevante de un índice
RAG	Retrieval-Augmented Generation — combinar búsqueda con generación

Recursos Adicionales

OpenAI Best Practices — Guías oficiales de uso
Anthropic Production Patterns — Patrones de producción con Claude
LangChain Use Cases — Implementaciones de referencia
ChromaDB Documentation — Vector store para RAG
OpenCV Documentation — Procesamiento de video

← Anterior8. Proyecto: Multimodal RAG Básico Siguiente →2. Document Q&A