Admisión abierta 2026-2027Rellenar solicitud

Diplomado en MLOps de Plataforma: CI/CD de Modelos y Trazabilidad

Diplomado online de 800 h: 8 módulos y 80 submódulos, de «Ciclo de vida de modelos» a «Proyecto de MLOps de plataforma», pasando por «Trazabilidad y linaje».

Mapa del programa · pulsa un módulo
Módulo 1 · Ciclo de vida de modelos
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 de modelos

Saldrás manejando del experimento a producción, deuda técnica oculta en sistemas de ML y niveles de madurez MLOps de Google. Es lo que se trabaja en «Ciclo de vida de modelos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Versionado y seguimiento

Saldrás manejando versionado de código con Git, versionado de datos con DVC y lakeFS y seguimiento de experimentos con MLflow. Es lo que se trabaja en «Versionado y seguimiento», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Integración continua para ML

Saldrás manejando pruebas unitarias de código de ML, pruebas de datos y de esquema y pruebas de comportamiento del modelo. Es lo que se trabaja en «Integración continua para ML», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Trazabilidad y linaje

Saldrás manejando linaje de datos, código y modelo, eventos de linaje con OpenLineage y trazabilidad de predicciones. Es lo que se trabaja en «Trazabilidad y linaje», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Monitorización y reentrenamiento

Saldrás manejando métricas de servicio y de negocio, deriva de datos y de concepto y registro de entradas y salidas. Es lo que se trabaja en «Monitorización y reentrenamiento», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Plataforma, gobierno y equipos

Saldrás manejando diseño de una plataforma interna de ML, plantillas y caminos dorados y multiinquilino y aislamiento. Es lo que se trabaja en «Plataforma, gobierno y equipos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Objetivos de aprendizaje

  • 01Comprender el ciclo de vida completo de los modelos de ML.
  • 02Versionar datos, código y modelos de forma reproducible.
  • 03Construir pipelines de integración continua con pruebas de ML.
  • 04Desplegar modelos con estrategias seguras y reversibles.
  • 05Garantizar la trazabilidad y el linaje exigidos por la regulación.
  • 06Monitorizar y reentrenar modelos de forma automatizada.
  • 07Diseñar y gobernar una plataforma MLOps interna.

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 de modelos

1.1Del experimento a producción
1.2Deuda técnica oculta en sistemas de ML
1.3Niveles de madurez MLOps de Google
1.4Roles: científico, ingeniero de ML y plataforma
1.5Reproducibilidad de experimentos
1.6Componentes de una plataforma MLOps
1.7Plataformas gestionadas frente a abiertas
1.8Requisitos de entornos industriales
1.9Antipatrones frecuentes en proyectos de ML
1.10Taller: diagnóstico de madurez MLOps
Módulo 2 de 8 · 10 submódulos

Versionado y seguimiento

2.1Versionado de código con Git
2.2Versionado de datos con DVC y lakeFS
2.3Seguimiento de experimentos con MLflow
2.4Registro de modelos y estados
2.5Metadatos y firmas de modelo
2.6Entornos reproducibles con contenedores
2.7Gestión de dependencias
2.8Semillas y determinismo
2.9Tarjetas de modelo (model cards)
2.10Práctica: registro de modelos con MLflow
Módulo 3 de 8 · 10 submódulos

Integración continua para ML

3.1Pruebas unitarias de código de ML
3.2Pruebas de datos y de esquema
3.3Pruebas de comportamiento del modelo
3.4Umbrales de calidad como puertas
3.5Pipelines con GitHub Actions y GitLab CI
3.6Entrenamiento en CI con recursos limitados
3.7Revisión de código y de modelos
3.8Análisis estático y seguridad de dependencias
3.9Artefactos y firma de imágenes
3.10Laboratorio: pipeline CI con pruebas de modelo
Módulo 4 de 8 · 10 submódulos

Entrega y despliegue continuo

4.1Pipelines de entrenamiento con Kubeflow
4.2Orquestación con Argo Workflows
4.3Servicio de modelos con KServe y Seldon
4.4Inferencia por lotes y en línea
4.5Despliegues canary y blue-green
4.6Pruebas en sombra (shadow)
4.7Reversión automática ante degradación
4.8GitOps con Argo CD
4.9Gestión de GPU y escalado
4.10Laboratorio: despliegue canary con KServe
Módulo 5 de 8 · 10 submódulos

Trazabilidad y linaje

5.1Linaje de datos, código y modelo
5.2Eventos de linaje con OpenLineage
5.3Trazabilidad de predicciones
5.4Registros de auditoría inmutables
5.5Reproducción de una predicción histórica
5.6Gestión de aprobaciones
5.7Documentación automática de modelos
5.8Trazabilidad exigida por el Reglamento de IA
5.9Retención de evidencias
5.10Caso práctico: reconstruir el linaje de un modelo
Módulo 6 de 8 · 10 submódulos

Monitorización y reentrenamiento

6.1Métricas de servicio y de negocio
6.2Deriva de datos y de concepto
6.3Registro de entradas y salidas
6.4Disparadores de reentrenamiento
6.5Entrenamiento continuo programado
6.6Validación de modelos campeón y retador
6.7Alertas y guardias
6.8Retroalimentación con etiquetas tardías
6.9Costes de inferencia y entrenamiento
6.10Práctica: bucle de reentrenamiento automatizado
Módulo 7 de 8 · 10 submódulos

Plataforma, gobierno y equipos

7.1Diseño de una plataforma interna de ML
7.2Plantillas y caminos dorados
7.3Multiinquilino y aislamiento
7.4Seguridad de modelos y de la cadena de suministro
7.5Gestión de riesgos de IA según ISO/IEC 23894
7.6Políticas de aprobación y gobierno
7.7FinOps para ML
7.8Equipos de plataforma y topologías
7.9Medición de la productividad
7.10Taller: diseño de una plataforma MLOps interna
Módulo 8 de 8 · 10 submódulos

Proyecto de MLOps de plataforma

8.1Caso de uso y requisitos de la plataforma MLOps
8.2Arquitectura de la plataforma MLOps
8.3Versionado y registro
8.4Pipeline de CI
8.5Pipeline de despliegue
8.6Linaje y auditoría
8.7Monitorización y reentrenamiento
8.8Evaluación de la solución
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.

Del experimento a producción
Módulo 1 · Ciclo de vida de modelos
Semillas y determinismo
Módulo 2 · Versionado y seguimiento
Pipelines con GitHub Actions y GitLab CI
Módulo 3 · Integración continua para ML
Orquestación con Argo Workflows
Módulo 4 · Entrega y despliegue continuo
Retención de evidencias
Módulo 5 · Trazabilidad y linaje

Marca los cinco conceptos y te damos tu resultado.

Normas y estándares que vas a manejar

ISO/IEC 42001:2023 (Sistemas de gestión de IA)Reglamento (UE) 2024/1689 (Reglamento de Inteligencia Artificial)ISO/IEC 23894:2023 (Gestión de riesgos de IA)ISO/IEC 5338:2023 (Procesos del ciclo de vida de sistemas de IA)ISO/IEC 25059:2023 (Modelo de calidad para sistemas de IA)SLSA (Supply-chain Levels for Software Artifacts)NIST AI RMF 1.0

Cuerpo docente y expertos

Este programa se imparte en el área de Data, IA, Simulación & Analytics, que dirige Dra. Lucía Hernández Vega. Debajo, los directores académicos más cercanos a este programa. El detalle de cada instituto está en la página de institutos.

Dra. Lucía Hernández Vega Dra. Lucía Hernández VegaDirectora Académica del DAIS — Data, Artificial Intelligence & Simulation Institute.
Dr. Kevin O’Connor Dr. Kevin O’ConnorDirector Académico del EET — Electronics & Embedded Technologies Institute.
Prof. Kenji Takahashi Prof. Kenji TakahashiDirector Académico del SRA — Robotics & Autonomous Systems Institute.

El claustro completo y los once institutos, con sus líneas de trabajo, están en institutos SEIUM y en liderazgo y consejo asesor.

Dónde se trabaja con esto

Perfiles a los que da acceso el programa.

Ingeniero MLOps
Ingeniero de plataforma de ML
Ingeniero de machine learning
Arquitecto de IA
Ingeniero DevOps
Responsable de gobierno de IA

Para quién es

Ingeniero MLOps
Ingeniero de plataforma de ML
Ingeniero de machine learning
Arquitecto de IA
Ingeniero DevOps
Responsable de gobierno de IA
Titulados en ingeniería o ciencias que busquen entrar en industria manufacturera

Otras formaciones del área

Del mismo área y nivel, para completar tu itinerario.

¿Buscas el programa completo de este tema?

Mismo campo, recorrido largo y titulación de máster: Máster en Ingeniería de Datos Industrial & MLOps de Plataforma.

En el blog técnico: De los ensayos de pista al modelo virtual: validación mixta hardware-in-the-loop · Cómo construir tu primer modelo de vehículo en un entorno de simulación multicuerpo · Gemelos digitales de flotas: de los sensores al modelo en tiempo real.

Áreas cercanas: todas las de Data, IA, Simulación & Analytics · Aeroespacial, UAM, Drones & Espacio · Automoción & Motorsport · Autónomos, ADAS & Vehículo Definido por Software · Civil, Rail & Smart Cities · Defensa, Ingeniería Militar & Sistemas Terrestres (enfoque académico, legal y ético) · Diseño, HMI & Producto · Electromovilidad, Baterías & Hidrógeno (Movilidad) · todas las facultades.

Opiniones de alumnos

Opiniones verificadas de alumnos de SEIUM, recogidas en Opynio.

Ver reseñas completas

De la solicitud al aula, sin esperas

  1. 1Rellenas la solicitud de admisiónTitulación o experiencia y firma, en una sola página.
  2. 2El sistema verifica la documentación al instanteEl sistema comprueba los datos y la firma al momento.
  3. 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.

El proceso completo, con documentación, plazos, convalidaciones y becas, está en admisión, cómo aplicar y becas y ayudas.

Comprueba tu acceso en tres respuestas

¿Tienes titulación universitaria en ingeniería, ciencias o arquitectura, o experiencia profesional equivalente?
¿Trabajas o quieres trabajar en Data, IA, Simulación & Analytics?
¿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 MLflow, Kubeflow Pipelines, DVC, KServe, Argo CD, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de pipelines de CI/CD con pruebas automáticas de modelos, despliegues canary con reversión automática, reconstrucción del linaje de una predicción. La evaluación es continua por módulo más el proyecto integrador final.

Las modalidades, el calendario y las tasas son comunes a todos los programas: modalidades, calendario académico y tasas y financiación.

Preguntas frecuentes

Son 8 módulos con 80 submódulos y 800 h de trabajo total. Abre por «Ciclo de vida de modelos» y cierra con «Proyecto de MLOps de plataforma».

Se trabajan ISO/IEC 42001:2023 (Sistemas de gestión de IA), Reglamento (UE) 2024/1689 (Reglamento de Inteligencia Artificial), ISO/IEC 23894:2023 (Gestión de riesgos de IA), ISO/IEC 5338:2023 (Procesos del ciclo de vida de sistemas de IA), ISO/IEC 25059:2023 (Modelo de calidad para sistemas de IA) y SLSA (Supply-chain Levels for Software Artifacts).

Los perfiles más directos son Ingeniero MLOps, Ingeniero de plataforma de ML, Ingeniero de machine learning, Arquitecto de IA y Ingeniero DevOps.

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 MLflow, Kubeflow Pipelines, DVC, KServe, Argo CD. 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.

Las dudas comunes a todos los programas (titulación, convalidaciones, visado, idiomas) están resueltas en preguntas frecuentes, equivalencias y convalidaciones e idiomas.

Inicio de clases: 22 de diciembre de 20261.192 € Matricularme
Contactar con Seium
Pago al contado1.192 €ahorras 298 €
Reservar plaza
Seium - Universidad de ingeniería avanzada
Resumen de privacidad

Esta web utiliza cookies para que podamos ofrecerte la mejor experiencia de usuario posible. La información de las cookies se almacena en tu navegador y realiza funciones tales como reconocerte cuando vuelves a nuestra web o ayudar a nuestro equipo a comprender qué secciones de la web encuentras más interesantes y útiles.