aborda la optimización de modelos mediante técnicas avanzadas de cuantización y poda para su despliegue en arquitecturas de cómputo embebido como MCUs y NPUs, enfocándose en la integración eficiente en plataformas eVTOL y sistemas UAM. Este campo combina áreas fundamentales de procesamiento de señales, inteligencia embebida, microcontroladores y hardware acelerado, apoyándose en metodologías como el diseño con quant-aware training y herramientas de inferencia ligera para asegurar rendimiento y consumo energético óptimos en tiempo real.
Los laboratorios especializados permiten la simulación HIL/SIL y pruebas in situ para validar runtimes sobre MCU/NPUs, además de garantizar la seguridad y trazabilidad en la actualización segura OTA conforme a la normativa aplicable internacional en sistemas críticos aeronáuticos. La capacitación prepara roles técnicos como embedded systems engineer, AI inference developer, firmware architect, safety engineer y OTA deployment specialist, fortaleciendo competencias requeridas en la industria aeroespacial para la integración de tecnologías TinyML en sistemas de vuelo avanzados.
9.600 €
Aprenderás a integrar todo el proceso de desarrollo de producto desde la concepción del modelo hasta su validación final, aplicando metodologías centradas en el usuario. Desarrollarás competencias en diseño paramétrico, ergonomía, simulación, materiales sostenibles, visualización 3D y gestión de manufactura, garantizando soluciones eficientes, seguras y alineadas con los estándares industriales actuales.
Aprenderás a integrar todo el proceso de desarrollo de producto desde la concepción del modelo hasta su validación final, aplicando metodologías centradas en el usuario. Desarrollarás competencias en diseño paramétrico, ergonomía, simulación, materiales sostenibles, visualización 3D y gestión de manufactura, garantizando soluciones eficientes, seguras y alineadas con los estándares industriales actuales.
1.1 Edge AI en entornos navales: fundamentos, necesidad operativa y retos
1.2 Cuantización en Edge AI: formatos (INT8/INT4, FP16), impacto en precisión y consumo en MCU/NPUs
1.3 Poda de modelos: técnicas estructuradas y no estructuradas, schedules y efectos en tamaño y velocidad
1.4 Runtime en MCU/NPUs: ejecución eficiente, bibliotecas y compatibilidad con hardware naval
1.5 Evaluación de rendimiento: métricas de precisión, latencia, throughput y consumo en entornos marítimos
1.6 Estrategias de optimización para despliegue: entrenamiento cuantization-aware vs post-training y flujo de pipeline
1.7 Actualización OTA segura de modelos Edge: firma digital, verificación de integridad, autenticación y rollback
1.8 Seguridad y resiliencia: defensa contra ataques adversariales y pruebas de robustez en mar
1.9 Integración con sistemas de misión: sensores, fusión de datos y C2 en plataformas navales
1.10 Laboratorio práctico: caso de estudio Go/No-Go con matriz de riesgos para cuantización y poda
2.1 Introducción a Edge AI: definiciones y alcance en entornos navales
2.2 Edge AI frente a la nube: beneficios, limitaciones y escenarios de uso
2.3 Cuantización: principios, técnicas y efectos en tamaño, latencia y precisión
2.4 Poda: conceptos, sparsity y impacto en rendimiento y memoria
2.5 Runtime en MCU/NPUs: opciones, frameworks y compatibilidad
2.6 Despliegue de modelos en plataformas embarcadas: flujos de trabajo y consideraciones
2.7 Actualización OTA Segura: autenticación, cifrado e integridad de la actualización
2.8 Seguridad y cumplimiento en Edge AI: aislamiento, sandboxing y amenazas
2.9 Métricas de evaluación para Edge AI: latencia, rendimiento, consumo y robustez
2.10 Caso práctico inicial: definición de requerimientos y criterios de éxito en un escenario naval
3.1 Fundamentos de Edge AI: conceptos, actores y arquitectura de referencia
3.2 Cuantización: cuantización de modelos, impacto en precisión y tamaño
3.3 Poda: pruning estructural y no estructural, trade-offs de rendimiento
3.4 Runtime en MCU/NPUs: compatibilidad, optimización de operadores y latencia
3.5 OTA Segura: firma, cifrado, control de versiones y rollback
3.6 Optimización de consumo: balance entre rendimiento y energía en dispositivos edge
3.7 Evaluación y benchmarking: métricas, conjuntos de pruebas y metodologías
3.8 Seguridad y privacidad en Edge AI: threat model, hardening y controles de acceso
3.9 Consideraciones navales: ruggedización, entornos hostiles y confiabilidad
3.10 Caso práctico: go/no-go de implementación y plan de despliegue paso a paso
4.1 Contexto de Edge AI en plataformas navales: requisitos de MCU/NPUs, potencia, temperatura y conectividad en entornos marítimos.
4.2 Cuantización para MCU/NPUs: cuantización de modelos (int8, int4), PTQ vs QAT y su impacto en precisión, tamaño y consumo en sensores navales.
4.3 Poda y compresión para edge naval: pruning estructurado vs. no estructurado, mantenimiento de rendimiento en radares, sonar y cámaras embarcadas.
4.4 Runtime eficiente en MCU/NPUs para navales: principales frameworks (TF Lite Micro, CMSIS-NN, Arm NN), gestión de memoria y pipelines de procesamiento de sensores.
4.5 Despliegue de modelos en dispositivos edge: empaquetado, versionado, compatibilidad entre hardware y actualizaciones sin interrupciones.
4.6 Actualización OTA Segura en entornos marítimos: firma de firmware, verificación de integridad, actualizaciones atómicas y estrategias de rollback ante conectividad intermitente.
4.7 Evaluación de rendimiento y métricas en edge naval: latencia, throughput, consumo, robustez ante vibración y temperatura, y métricas de seguridad.
4.8 Gestión del ciclo de vida del modelo en hardware limitado: registro de modelos, control de versiones, monitoreo de drift y retraining ligero con rollback.
4.9 Seguridad y defensa del edge AI en entornos hostiles: hardware root of trust, arranque seguro, enclaves seguros, cifrado y autenticación de actualizaciones.
4.10 Caso práctico: implementación de Edge AI en una misión naval (dron marino/sistema de fusión de sensores) con go/no-go y matriz de riesgos.
5.1 ¿Qué es Edge AI? Definición y Ventajas Clave.
5.2 Arquitectura General de Edge AI: Componentes y Niveles.
5.3 Comparación Edge AI vs. Cloud AI: Pros y Contras.
5.4 Principios de Optimización para Edge AI: Eficiencia y Rendimiento.
5.5 Flujos de Trabajo Típicos en Edge AI: Desarrollo, Despliegue y Mantenimiento.
5.6 Hardware Específico para Edge AI: MCU, NPU y Aceleradores.
5.7 Introducción a la Cuantización: Conceptos y Beneficios.
5.8 Fundamentos de la Poda: Técnicas y Aplicaciones.
5.9 El Runtime en Edge AI: Funciones y Desafíos.
5.10 Actualización OTA Segura: Importancia y Consideraciones Iniciales.
6. 1 Fundamentos de Edge AI: Definición, arquitectura y casos de uso.
6. 2 Diferencias entre Edge AI y Cloud AI: Ventajas y desventajas.
6. 3 Hardware para Edge AI: MCU, NPU y aceleradores.
6. 4 El ciclo de vida de un proyecto Edge AI: desde la concepción hasta el despliegue.
6. 5 Herramientas y frameworks esenciales para Edge AI.
6. 6 Conceptos clave: Cuantización, poda y optimización.
6. 7 Introducción a las actualizaciones OTA: Importancia y desafíos.
6. 8 Seguridad en Edge AI: Protegiendo los modelos y los datos.
9. 9 Estructura del curso y expectativas de aprendizaje.
6. 10 Tendencias y el futuro de Edge AI.
7.1 Definición de Edge AI y su importancia.
7.2 Arquitectura de Edge AI: dispositivos, procesadores, sensores.
7.3 Diferencia entre Edge AI y Cloud AI.
7.4 Beneficios y desafíos de Edge AI.
7.5 Conceptos clave: inferencia, entrenamiento, despliegue.
7.6 Flujos de trabajo típicos de Edge AI.
7.7 Herramientas y frameworks populares en Edge AI.
7.8 Aplicaciones comunes de Edge AI.
7.9 Consideraciones de hardware: MCU, NPU.
7.10 El futuro de Edge AI: tendencias y perspectivas.
8.1 ¿Qué es Edge AI? Conceptos fundamentales y diferencias con Cloud AI.
8.2 El ecosistema Edge AI: Hardware (MCU/NPUs), software y herramientas.
8.3 Introducción a la cuantización: Principios, tipos y beneficios.
8.4 Conceptos básicos de poda: Técnicas y su impacto en el rendimiento.
8.5 Fundamentos de Runtime en Edge AI: Interpretación y ejecución de modelos.
8.6 Introducción a las Actualizaciones OTA (Over-the-Air) seguras: Conceptos y necesidad.
8.7 Ejemplos de aplicaciones Edge AI: Casos prácticos en diferentes industrias.
8.8 Plataformas y herramientas de desarrollo para Edge AI: Visión general.
8.9 Primeros pasos con modelos de Machine Learning en Edge AI: Tutoriales prácticos.
8.10 Desafíos y oportunidades en el desarrollo de Edge AI.
9. 1 Fundamentos de Edge AI: Definición, arquitectura y aplicaciones.
9. 2 Diferencias entre Edge AI y Cloud AI: Ventajas y desventajas.
9. 3 Hardware para Edge AI: MCU, NPU, GPU y su selección.
9. 4 Introducción a la Cuantización: Reducción de tamaño y complejidad.
9. 5 Introducción a la Poda: Eliminación de conexiones innecesarias.
9. 6 Conceptos de Runtime en Edge AI: Optimizando la inferencia.
9. 7 ¿Qué es una Actualización OTA Segura?: Conceptos y beneficios.
9. 8 Herramientas y Entornos de Desarrollo para Edge AI.
9. 9 Casos de Estudio: Aplicaciones reales de Edge AI.
9. 10 Tendencias y el Futuro de Edge AI: Innovación en el horizonte.
10.1 ¿Qué es Edge AI y por qué es crucial?
10.2 Diferencias clave entre Edge AI y Cloud AI.
10.3 Aplicaciones revolucionarias de Edge AI en la actualidad.
10.4 Hardware esencial: MCU, NPU y su papel en Edge AI.
10.5 Desafíos y oportunidades en la implementación de Edge AI.
10.6 Conceptos fundamentales: Cuantización, Poda y Optimización.
10.7 Ciclo de vida de un proyecto Edge AI.
10.8 Herramientas y frameworks para el desarrollo de Edge AI.
10.9 El futuro de Edge AI y su impacto en diversas industrias.
10.10 Casos de estudio: Aplicaciones reales de Edge AI.
Consulta “Calendario & convocatorias”, “Becas & ayudas” y “Tasas & financiación” en el mega-menú de SEIUM
Nuestro equipo está listo para ayudarte. Contáctanos y te responderemos lo antes posible.
Si, contamos con certificacion internacional
Sí: modelos experimentales, datos reales, simulaciones aplicadas, entornos profesionales, casos de estudio reales.
No es obligatoria. Ofrecemos tracks de nivelación y tutorización
Totalmente. Cubre e-propulsión, integración y normativa emergente (SC-VTOL).
Recomendado. También hay retos internos y consorcios.
Sí. Modalidad online/híbrida con laboratorios planificados y soporte de visados (ver “Visado & residencia”).