Diplomado en MLOps para AD: Data Lake, Labeling Activo y Drift
Diplomado online de 800 h: 8 módulos y 80 submódulos, de «Ciclo de vida del aprendizaje automático en AD» a «Proyecto de MLOps para AD», pasando por «Entrenamiento y evaluación a escala».
Mapa del programa · pulsa un módulo
Módulo 1 · Ciclo de vida del aprendizaje automático en AD
800 hDuración total
8Módulos
80Submódulos
OnlineModalidad
Competencias y resultados
6 bloques de competencia, sacados de los módulos de este programa. Pulsa cualquiera y ves qué vas a saber hacer.
Ciclo de vida del aprendizaje automático en AD
Saldrás manejando bucle de datos de la conducción autónoma, etapas: captura, curación, etiquetado, entrenamiento y despliegue y niveles de madurez de MLOps. Es lo que se trabaja en «Ciclo de vida del aprendizaje automático en AD», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Arquitectura del data lake
Saldrás manejando volúmenes y tipos de datos de flota, almacenamiento en objetos y formatos columnares y arquitectura lakehouse con Delta Lake. Es lo que se trabaja en «Arquitectura del data lake», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Curación y minería de datos
Saldrás manejando selección de datos por disparadores en vehículo, minería de escenas raras y búsqueda semántica con modelos visión-lenguaje. Es lo que se trabaja en «Curación y minería de datos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Entrenamiento y evaluación a escala
Saldrás manejando entrenamiento distribuido en GPU, seguimiento de experimentos y registro de modelos y metadatos. Es lo que se trabaja en «Entrenamiento y evaluación a escala», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Detección y gestión del drift
Saldrás manejando deriva de covariables, de etiquetas y de concepto, cambios de sensor, país y estación y estadísticos de detección: PSI, KS y MMD. Es lo que se trabaja en «Detección y gestión del drift», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Plataforma y gobernanza
Saldrás manejando orquestación con Kubeflow y Airflow, infraestructura como código y versionado de datos y linaje. Es lo que se trabaja en «Plataforma y gobernanza», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Objetivos de aprendizaje
01Diseñar el bucle de datos de un sistema de conducción autónoma.
02Arquitecturar un data lake para datos de flota.
03Curar y minar datos raros representativos del ODD.
04Aplicar aprendizaje activo para optimizar el etiquetado.
05Automatizar entrenamiento, evaluación y registro de modelos.
06Detectar y gestionar la deriva de datos.
07Gobernar la plataforma conforme a normas de IA y privacidad.
Plan de estudios
8 módulos, 80 submódulos, 800 h. Elige un módulo y ves su contenido completo.
1 de 8 módulos abiertos
Módulo 1 de 8 · 10 submódulos
Ciclo de vida del aprendizaje automático en AD
1.1Bucle de datos de la conducción autónoma
1.2Etapas: captura, curación, etiquetado, entrenamiento y despliegue
1.3Niveles de madurez de MLOps
1.4Roles: ingeniería de datos, ML y plataforma
1.5Diferencias con MLOps en aplicaciones web
1.6Restricciones del hardware embarcado
1.7Requisitos de seguridad y trazabilidad
1.8Costes del bucle de datos
1.9Métricas de productividad del equipo
1.10Caso práctico: diagnóstico de madurez MLOps de un equipo de percepción
Módulo 2 de 8 · 10 submódulos
Arquitectura del data lake
2.1Volúmenes y tipos de datos de flota
2.2Almacenamiento en objetos y formatos columnares
2.3Arquitectura lakehouse con Delta Lake
2.4Ingesta desde vehículos y estaciones de descarga
2.5Catálogo de datos y metadatos de escena
2.6Búsqueda por contenido y embeddings
2.7Particionado, compresión y ciclo de vida
2.8Seguridad, permisos y privacidad
2.9Costes de almacenamiento y cómputo
2.10Laboratorio: ingesta de grabaciones en un lakehouse
Módulo 3 de 8 · 10 submódulos
Curación y minería de datos
3.1Selección de datos por disparadores en vehículo
3.2Minería de escenas raras
3.3Búsqueda semántica con modelos visión-lenguaje
3.4Deduplicación y equilibrio de clases
3.5Representatividad respecto al ODD
3.6Calidad de sincronización y calibración
3.7Muestreo para conjuntos de evaluación
3.8Gobernanza de conjuntos curados
3.9Métricas de valor del dato
3.10Práctica: minería de escenas nocturnas con lluvia
Módulo 4 de 8 · 10 submódulos
Etiquetado activo y anotación
4.1Tipos de anotación: 2D, 3D, segmentación y pistas
4.2Guías de anotación y control de calidad
4.3Acuerdo entre anotadores y auditorías
4.4Aprendizaje activo por incertidumbre
4.5Selección por diversidad y por desacuerdo
4.6Preetiquetado automático y autoetiquetado offline
4.7Anotación humana en el bucle
4.8Formato ASAM OpenLABEL
4.9Costes y proveedores de anotación
4.10Taller: ciclo de aprendizaje activo para detección 3D
Módulo 5 de 8 · 10 submódulos
Entrenamiento y evaluación a escala
5.1Entrenamiento distribuido en GPU
5.2Seguimiento de experimentos
5.3Registro de modelos y metadatos
5.4Conjuntos de evaluación por segmentos del ODD
5.5Métricas de detección 3D y seguimiento
5.6Pruebas de regresión de modelos
5.7Evaluación en bucle cerrado en simulación
5.8Cuantización y compilación para el vehículo
5.9Validación en hardware objetivo
5.10Laboratorio: pipeline de entrenamiento con MLflow
Módulo 6 de 8 · 10 submódulos
Detección y gestión del drift
6.1Deriva de covariables, de etiquetas y de concepto
6.2Cambios de sensor, país y estación
6.3Estadísticos de detección: PSI, KS y MMD
6.4Monitorización de confianza y de errores
6.5Detección fuera de distribución en vehículo
6.6Alertas y umbrales
6.7Análisis de causa de la deriva
6.8Actualización del conjunto de datos
6.9Documentación para la seguridad
6.10Práctica: detector de deriva en datos de flota
Módulo 7 de 8 · 10 submódulos
Plataforma y gobernanza
7.1Orquestación con Kubeflow y Airflow
7.2Infraestructura como código
7.3Versionado de datos y linaje
7.4Requisitos de ISO/PAS 8800 sobre datos
7.5Obligaciones del Reglamento (UE) 2024/1689
7.6Protección de datos personales en imágenes
7.7Control de costes de la nube
7.8Seguridad de la cadena de suministro de modelos
7.9Indicadores del bucle de datos
7.10Caso práctico: diseño de la plataforma MLOps de una flota piloto
Módulo 8 de 8 · 10 submódulos
Proyecto de MLOps para AD
8.1Definición del caso de uso de percepción
8.2Diseño del data lake
8.3Estrategia de curación
8.4Ciclo de etiquetado activo
8.5Pipeline de entrenamiento y evaluación
8.6Monitorización de drift
8.7Plan de gobernanza
8.8Análisis de costes
8.9Memoria y presentación
8.10Revisión final con el tutor
¿Cuánto me va a llevar?
Mueve las horas que puedes dedicar cada semana y calculamos tu ritmo sobre las 800 h del programa.
—meses a ese ritmo
—semanas por módulo
—frente a los 800 horas · 6 a 8 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.
Niveles de madurez de MLOps
Módulo 1 · Ciclo de vida del aprendizaje automático en AD
Laboratorio: ingesta de grabaciones en un lakehouse
Módulo 2 · Arquitectura del data lake
Muestreo para conjuntos de evaluación
Módulo 3 · Curación y minería de datos
Aprendizaje activo por incertidumbre
Módulo 4 · Etiquetado activo y anotación
Entrenamiento distribuido en GPU
Módulo 5 · Entrenamiento y evaluación a escala
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 27-11-2026.
¿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 800 horas · 6 a 8 meses?
Responde las tres y te decimos por dónde seguir.
Requisitos de acceso
·Formación técnica previa o experiencia profesional en el sector. No se exige titulación universitaria.
·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 Apache Spark con Delta Lake, MLflow, Kubeflow, CVAT, Evidently AI, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de ciclos de etiquetado activo sobre datos de flota, monitorización de deriva de datos en producción, evaluación de modelos por segmentos del ODD. La evaluación es continua por módulo más el proyecto integrador final.
Son 8 módulos con 80 submódulos y 800 h de trabajo total. Abre por «Ciclo de vida del aprendizaje automático en AD» y cierra con «Proyecto de MLOps para AD».
Se trabajan ISO/PAS 8800:2024, ISO/IEC 5259, Reglamento (UE) 2024/1689, Reglamento (UE) 2016/679, ISO/IEC 5338:2023 y ISO/IEC 42001:2023.
Los perfiles más directos son Ingeniero de MLOps, Ingeniero de datos de conducción autónoma, Ingeniero de aprendizaje automático, Responsable de anotación y Arquitecto de plataformas de datos.
En un pago son 1.192 €, sobre una tarifa de 1.490 €. A plazos, una entrada de 596 € y 6 cuotas de 149 €, 1.490 € en total, sin intereses: lo mismo que la tarifa.
Formación técnica previa o experiencia profesional en el sector. No se exige titulación universitaria, 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 800 horas totales repartidas en 6 a 8 meses. Eso son entre 10 y 15 horas semanales de media, compatibles con jornada laboral completa.
Se trabaja con Apache Spark con Delta Lake, MLflow, Kubeflow, CVAT, Evidently AI. 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 proyecto integrador. 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: 22 de diciembre de 20261.192 €Matricularme
Antes de decidir
¿Qué sacarías tú de este diplomado?
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 diplomado 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 800 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 autónoma
Ingeniero de aprendizaje automático
En empresas de conducción autónoma, fabricantes de automóviles y proveedores de anotación.
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.