Máster online de 1900 h: 12 módulos y 120 submódulos, de «MLOps en conducción automatizada» a «Proyecto de MLOps para ADAS», pasando por «Despliegue en el vehículo».
Mapa del programa · pulsa un módulo
Módulo 1 · MLOps en conducción automatizada
1900 hDuración total
12Módulos
120Submódulos
OnlineModalidad
Competencias y resultados
6 bloques de competencia, sacados de los módulos de este programa. Pulsa cualquiera y ves qué vas a saber hacer.
MLOps en conducción automatizada
Saldrás manejando ciclo de vida de modelos en ADAS, diferencias entre MLOps general y automoción y motor de datos y bucle de mejora. Es lo que se trabaja en «MLOps en conducción automatizada», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Curación y selección de datos
Saldrás manejando minería de casos difíciles, búsqueda semántica con embeddings y aprendizaje activo para selección. Es lo que se trabaja en «Curación y selección de datos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Entrenamiento a escala
Saldrás manejando entrenamiento distribuido de datos y modelo, clústeres de GPU y planificación y seguimiento de experimentos con MLflow. Es lo que se trabaja en «Entrenamiento a escala», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Despliegue en el vehículo
Saldrás manejando exportación de modelos a ONNX, compilación con TensorRT y cuantización y precisión mixta. Es lo que se trabaja en «Despliegue en el vehículo», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Automatización y CI/CD de ML
Saldrás manejando pipelines de entrenamiento automatizados, orquestación con Kubeflow y Airflow y integración continua de modelos. Es lo que se trabaja en «Automatización y CI/CD de ML», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Organización y costes
Saldrás manejando estructura de equipos de datos y ML, plataforma interna frente a proveedores y costes de nube frente a infraestructura propia. Es lo que se trabaja en «Organización y costes», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Objetivos de aprendizaje
01Diseñar infraestructuras de datos para flotas de prueba.
02Aplicar técnicas de curación y selección de datos.
03Gestionar flujos de etiquetado con control de calidad.
04Entrenar y evaluar modelos a escala de forma reproducible.
05Desplegar modelos optimizados en hardware de automoción.
06Monitorizar modelos en flota y detectar derivas.
07Desarrollar un proyecto de MLOps para ADAS.
Plan de estudios
12 módulos, 120 submódulos, 1900 h. Elige un módulo y ves su contenido completo.
1 de 12 módulos abiertos
Módulo 1 de 12 · 10 submódulos
MLOps en conducción automatizada
1.1Ciclo de vida de modelos en ADAS
1.2Diferencias entre MLOps general y automoción
1.3Motor de datos y bucle de mejora
1.4Requisitos de seguridad y trazabilidad
1.5Volumen de datos en flotas de prueba
1.6Roles de un equipo MLOps
1.7Madurez MLOps por niveles
1.8Casos de referencia de la industria
1.9Costes de infraestructura de IA
1.10Caso práctico: análisis del data engine de un fabricante
Módulo 2 de 12 · 10 submódulos
Infraestructura de datos
2.1Ingesta de datos desde vehículos de prueba
2.2Formatos rosbag, MCAP y Parquet
2.3Arquitecturas de data lake y lakehouse
2.4Almacenamiento de objetos a escala
2.5Catálogos de datos y metadatos
2.6Indexación por escenarios y eventos
2.7Transferencia física y por red
2.8Costes de almacenamiento y retención
2.9Seguridad y control de acceso
2.10Laboratorio: ingesta de MCAP en un lakehouse
Módulo 3 de 12 · 10 submódulos
Curación y selección de datos
3.1Minería de casos difíciles
3.2Búsqueda semántica con embeddings
3.3Aprendizaje activo para selección
3.4Detección de novedad en datos de flota
3.5Balanceo de clases y escenarios
3.6Deduplicación de secuencias
3.7Disparadores en vehículo para captura
3.8Cobertura del ODD en datasets
3.9Métricas de valor de los datos
3.10Práctica: búsqueda por embeddings con CLIP
Módulo 4 de 12 · 10 submódulos
Etiquetado y calidad
4.1Flujos de anotación 2D y 3D
4.2Autoetiquetado con modelos offline
4.3Etiquetado de nubes de puntos
4.4Control de calidad del etiquetado
4.5Guías de anotación consistentes
4.6Gestión de proveedores de etiquetado
4.7Métricas de acuerdo entre anotadores
4.8Corrección de errores de etiquetas
4.9Costes y productividad
4.10Taller: autoetiquetado 3D con revisión humana
Módulo 5 de 12 · 10 submódulos
Entrenamiento a escala
5.1Entrenamiento distribuido de datos y modelo
5.2Clústeres de GPU y planificación
5.3Seguimiento de experimentos con MLflow
5.4Gestión de hiperparámetros
5.5Reproducibilidad de entrenamientos
5.6Versionado de datos con DVC
5.7Entrenamiento multitarea de percepción
5.8Optimización de costes de cómputo
5.9Checkpointing y tolerancia a fallos
5.10Laboratorio: entrenamiento distribuido con PyTorch
Módulo 6 de 12 · 10 submódulos
Evaluación de modelos
6.1Métricas de percepción por clase y distancia
6.2Evaluación por escenarios críticos
6.3Conjuntos de prueba congelados
6.4Detección de regresiones entre versiones
6.5Evaluación en bucle cerrado
6.6Análisis de errores sistemático
6.7Calibración de la incertidumbre
6.8Evaluación de equidad y sesgos
6.9Informes de evaluación
6.10Práctica: comparativa de dos versiones de detector
Módulo 7 de 12 · 10 submódulos
Despliegue en el vehículo
7.1Exportación de modelos a ONNX
7.2Compilación con TensorRT
7.3Cuantización y precisión mixta
7.4Validación de equivalencia numérica
7.5Empaquetado del modelo en software
7.6Gestión de versiones en la ECU
7.7Actualización OTA de modelos
7.8Pruebas en hardware objetivo
7.9Despliegue en modo sombra
7.10Taller: despliegue con TensorRT y validación
Módulo 8 de 12 · 10 submódulos
Monitorización en flota
8.1Telemetría de rendimiento de modelos
8.2Detección de deriva de datos
8.3Detección de deriva de concepto
8.4Monitorización de confianza
8.5Disparadores de recolección de datos
8.6Paneles de salud de modelos
8.7Alertas y respuesta
8.8Retroalimentación al entrenamiento
8.9Privacidad de datos de flota
8.10Laboratorio: detección de deriva con Evidently
Módulo 9 de 12 · 10 submódulos
Automatización y CI/CD de ML
9.1Pipelines de entrenamiento automatizados
9.2Orquestación con Kubeflow y Airflow
9.3Integración continua de modelos
9.4Pruebas automáticas de modelos
9.5Puertas de calidad para release
9.6Registro de modelos
9.7Infraestructura como código
9.8Gestión de entornos
9.9Métricas de entrega
9.10Práctica: pipeline ML con Kubeflow
Módulo 10 de 12 · 10 submódulos
Seguridad y cumplimiento
10.1Requisitos de ISO/PAS 8800 para el ciclo de vida
10.2Trazabilidad entre datos, modelo y release
10.3Evidencias para SOTIF
10.4Gestión de cambios en modelos
10.5Requisitos de la Ley de IA
10.6Documentación técnica de modelos
10.7Ciberseguridad del pipeline ML
10.8Auditorías de procesos MLOps
10.9Calificación de herramientas
10.10Caso práctico: trazabilidad de un release de percepción
Módulo 11 de 12 · 10 submódulos
Organización y costes
11.1Estructura de equipos de datos y ML
11.2Plataforma interna frente a proveedores
11.3Costes de nube frente a infraestructura propia
11.4FinOps aplicado a ML
11.5Gestión de proveedores de datos
11.6Indicadores de productividad
11.7Colaboración con equipos de seguridad
11.8Escalado de la organización
11.9Hoja de ruta de plataforma
11.10Taller: estimación de costes de un data engine
Módulo 12 de 12 · 10 submódulos
Proyecto de MLOps para ADAS
12.1Definición del modelo y la función
12.2Diseño de la infraestructura de datos
12.3Estrategia de curación y etiquetado
12.4Pipeline de entrenamiento y evaluación
12.5Estrategia de despliegue en vehículo
12.6Monitorización en flota
12.7Trazabilidad y cumplimiento
12.8Conclusiones y hoja de ruta
12.9Memoria del TFM
12.10Defensa ante tribunal
¿Cuánto me va a llevar?
Mueve las horas que puedes dedicar cada semana y calculamos tu ritmo sobre las 1900 h del programa.
—meses a ese ritmo
—semanas por módulo
—frente a los 1900 horas · 12 a 18 meses previstos
¿Qué nivel tienes ya?
Cinco conceptos del propio temario. Marca lo que ya controlas y te decimos si te conviene el curso, el diplomado o el máster.
Caso práctico: análisis del data engine de un fabricante
Módulo 1 · MLOps en conducción automatizada
Disparadores en vehículo para captura
Módulo 3 · Curación y selección de datos
Gestión de hiperparámetros
Módulo 5 · Entrenamiento a escala
Exportación de modelos a ONNX
Módulo 7 · Despliegue en el vehículo
Gestión de entornos
Módulo 9 · Automatización y CI/CD de ML
Marca los cinco conceptos y te damos tu resultado.
Este programa se imparte en el área de Autónomos, ADAS & Vehículo Definido por Software, que dirige Dr. Markus Schneider. Debajo, los directores académicos más cercanos a este programa. El detalle de cada instituto está en la página de institutos.
Dr. Markus SchneiderDirector Académico del Departamento EMH — Electromobility, Batteries & Hydrogen.
Dr. Kevin O’ConnorDirector Académico del EET — Electronics & Embedded Technologies Institute.
Prof. Kenji TakahashiDirector Académico del SRA — Robotics & Autonomous Systems Institute.
1Rellenas la solicitud de admisiónTitulación o experiencia y firma, en una sola página.
2El sistema verifica la documentación al instanteEl sistema comprueba los datos y la firma al momento.
3Eliges modalidad de pago y reservas tu plazaPago único con descuento o entrada más cuotas mensuales. La matrícula de esta semana cierra el 20-11-2026.
¿Tienes titulación universitaria en ingeniería, ciencias o arquitectura, o experiencia profesional equivalente?
¿Trabajas o quieres trabajar en Autónomos, ADAS & Vehículo Definido por Software?
¿Puedes mantener un ritmo de estudio constante durante 1900 horas · 12 a 18 meses?
Responde las tres y te decimos por dónde seguir.
Requisitos de acceso
·Titulación universitaria en ingeniería, ciencias o arquitectura, o experiencia profesional acreditable equivalente.
·Conexión a internet y un ordenador capaz de ejecutar el software del programa.
·Nivel de español suficiente para seguir lectura de normativa técnica.
Cómo se estudia
Formación 100 % online en el campus de SEIUM, con material descargable, clases grabadas y tutor técnico asignado. Sin horarios fijos: el alumno avanza a su ritmo dentro de la convocatoria, lo que permite compatibilizarlo con el trabajo.
Cada módulo combina teoría, lectura guiada de la norma original y ejercicios aplicados. El software de trabajo es PyTorch, MLflow, Kubeflow, DVC, NVIDIA TensorRT, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de minería de casos difíciles en datos de flota, evaluación de regresiones entre versiones de modelo, despliegue en modo sombra. La evaluación es continua por módulo más el TFM final.
Son 12 módulos con 120 submódulos y 1900 h de trabajo total. Abre por «MLOps en conducción automatizada» y cierra con «Proyecto de MLOps para ADAS».
Se trabajan ISO/PAS 8800, ISO 21448, ISO 26262, Reglamento (UE) 2024/1689 (Ley de IA), ISO/IEC 5338 y ISO/IEC 42001.
Los perfiles más directos son Ingeniero de MLOps, Ingeniero de datos de conducción, Ingeniero de aprendizaje automático, Responsable de plataforma de datos y Ingeniero de despliegue embebido.
En un pago son 3.304 €, sobre una tarifa de 4.130 €. A plazos, una entrada de 1.646 € y 12 cuotas de 207 €, 4.130 € en total, sin intereses: lo mismo que la tarifa.
Titulación universitaria en ingeniería, ciencias o arquitectura, o experiencia profesional acreditable equivalente, Conexión a internet y un ordenador capaz de ejecutar el software del programa y Nivel de español suficiente para seguir lectura de normativa técnica.
El programa son 1900 horas totales repartidas en 12 a 18 meses. Eso son entre 10 y 15 horas semanales de media, compatibles con jornada laboral completa.
Se trabaja con PyTorch, MLflow, Kubeflow, DVC, NVIDIA TensorRT. Se usan versiones gratuitas, académicas o de evaluación, y el tutor indica la alternativa libre cuando existe.
Diploma propio de SEIUM al superar la evaluación continua y el Trabajo Fin de Máster. Es formación propia, no un título oficial del Ministerio.
Sí. Los módulos superados en un curso o diplomado del mismo área convalidan en el programa superior. Consulta la política de convalidaciones al matricularte.
Inicio de clases: 19 de diciembre de 20263.304 €Matricularme
Antes de decidir
¿Qué sacarías tú de este máster?
No es lo mismo llegar aquí recién titulado que con diez años en el sector. Dinos de dónde vienes.
Qué te aportaPasar de la teoría de carrera al criterio de proyecto: qué norma aplica a cada parte del trabajo, qué criterios de aceptación se fijan antes de ejecutar y cómo se deja todo documentado.
Dónde vas a sudarEl módulo de normativa y evidencia documental, si todavía no has trabajado dentro de un proyecto real con auditoría de por medio.
Con qué salesCon una memoria técnica propia, sobre un caso real, que puedes poner encima de la mesa en una entrevista.
Qué te aportaFormalizar lo que ya haces por oficio: distinguir requisito obligatorio de buena práctica, justificar por escrito las decisiones técnicas y dejar el trabajo trazable.
Dónde vas a sudarPoco en contenido. El esfuerzo real está en el proyecto final y en su defensa.
Con qué salesCon el máster acreditado y un proyecto hecho sobre un caso de tu propio trabajo.
Qué te aportaLa base técnica de Autónomos, ADAS & Vehículo Definido por Software y el marco normativo del ámbito desde cero, sin dar por sabido el vocabulario del sector.
Dónde vas a sudarLas primeras semanas, por terminología. A partir del segundo módulo se nivela.
Con qué salesCon un perfil de entrada acreditado en Autónomos, ADAS & Vehículo Definido por Software y un proyecto que demuestra que sabes aplicarlo.
¿Te va a dar la vida?
Calcula tu ritmo real
Son 1900 horas. Mueve el control y mira cuánto tardarías tú de verdad.
—para terminar
¿Y esto para qué me sirve?
Marca lo que más te interesa
Elige hasta 3 módulos y te digo cuánto pesan en el programa y a qué perfiles prepara.
Perfiles a los que prepara
Ingeniero de MLOps
Ingeniero de datos de conducción
Ingeniero de aprendizaje automático
En automoción, conducción autónoma y inteligencia artificial.
Con sinceridad
¿Es para ti?
Sí, si quieres…
Trabajar en Autónomos, ADAS & Vehículo Definido por Software con criterio de norma, no solo de intuición.
Saber justificar por escrito por qué tomaste una decisión técnica.
Terminar con una memoria técnica tuya, sobre un caso real.
Avanzar a tu ritmo, compatible con una jornada completa.
No, si buscas…
Un título rápido sin entregar trabajo propio.
Clases en directo con horario fijo: el programa es asíncrono.
Empezar mañana: las clases empiezan justo un mes después de matricularte.
Formación de taller o práctica presencial con maquinaria.
¿Te queda una duda?
Pregunta algo concreto
Escríbela aquí y la pasamos al formulario de contacto con la formación ya identificada.