aborda el diseño y la implementación avanzada de pipelines de data lake, etiquetado activo (active labeling) y retraining continuo en sistemas de asistencia a la conducción automatizada. Este enfoque integra ML Ops con algoritmos de percepción basados en CNN y fusión sensorial para protocolos de validación y optimización en ambientes HIL y SIL. La convergencia de técnicas de cloud computing, bases de datos escalables y monitorización de drift permite mantener la robustez predictiva en aplicaciones de ADAS y conducción autónoma, alineándose a consideraciones críticas de control y dinámica vehicular propias de sistemas complejos.
En laboratorio, se emplean bancos de prueba con instrumentación para la adquisición masiva de datos, análisis de fallas y trazabilidad bajo estándares de seguridad funcional y normativa aplicable internacional. La integración con frameworks de CI/CD facilita ciclos de desarrollo iterativos, garantizando cumplimiento con requisitos operativos de seguridad y fiabilidad. La formación prepara profesionales en roles de ML Engineer, Data Scientist, Embedded Systems Engineer, Validation Engineer y Safety Analyst especializados en sistemas AD/ADAS en el sector automotor y aeronáutico.
3.600 €
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.
Aquí tienes el contenido solicitado:
Requisitos sugeridos: Se recomienda poseer conocimientos básicos en aerodinámica, control de sistemas y estructuras aeronáuticas. Dominio del español y/o inglés a nivel B2+ / C1. Se ofrecen bridging tracks (cursos de nivelación) para cubrir posibles lagunas de conocimiento.
1.1 Introducción a MLOps para AD/ADAS: fundamentos, alcance y relación con Data Lake, Etiquetado Activo, Retraining, Monitorización y Drift
1.2 Arquitecturas de datos para AD/ADAS: Data Lake, gobernanza y calidad de datos
1.3 Ingesta y gestión de datos de sensores: cámaras, LiDAR, radar, GPS y telemetría
1.4 Data Lake y gobernanza de conjuntos de datos en AD/ADAS
1.5 Etiquetado Activo para AD/ADAS: flujo, herramientas, atribución y auditoría
1.6 Pipelines de ML para AD/ADAS: ETL/ELT, streaming, versionado de datasets y modelos
1.7 Monitorización de modelos en AD/ADAS: métricas, dashboards, alertas y seguridad
1.8 Drift: detección de drift de datos y drift conceptual, métodos y mitigación
1.9 Estrategias de Retraining para AD/ADAS: frecuencia, validación, pruebas y rollback
1.10 CI/CD y despliegue en AD/ADAS: pruebas, validación, despliegue en edge y nube, gobernanza y go/no-go
2.1 Data Lake en AD/ADAS: fundamentos, arquitectura, estructuras Bronze-Silver-Gold, formatos Parquet/ORC y consideraciones de costo
2.2 Arquitecturas MLOps para AD/ADAS: Data Lake, Data Lakehouse, separación de responsabilidades y gobernanza
2.3 Ingesta de datos de sensores: cámaras, LiDAR, radar, GPS/IMU, mapas; sincronización temporal y calidad de datos
2.4 Etiquetado activo en Data Lake: pipeline de etiquetado, active learning, participación de humanos y ciclos de retroalimentación
2.5 Calidad de datos y validación: profiling, validación de esquemas, manejo de valores faltantes, detección de leakage y datos ociosos
2.6 Retraining y pipelines de reentrenamiento: disparadores, versionado, pipelines reproducibles y mecanismos de rollback
2.7 Monitorización de datos e infraestructura: métricas de ingesta, latencia, throughput, alertas y dashboards
2.8 Detección de drift de datos y de modelos: drift de entradas, drift de etiquetas, drift conceptual; métodos y umbrales de alerta
2.9 Gobernanza, seguridad y cumplimiento: control de acceso, cifrado, PII, lineage y retención de datos
2.10 Caso práctico: go/no-go con matriz de riesgo para implementación de MLOps en AD/ADAS
3.1 Introducción a MLOps en AD/ADAS: alcance, objetivos y terminología
3.2 Data Lake para AD/ADAS: fundamentos, gobernanza y acceso
3.3 Etiquetado activo en AD/ADAS: conceptos y flujo de trabajo
3.4 Ciclo de vida del modelo: entrenamiento, retraining y despliegue
3.5 Monitorización de modelos en AD/ADAS: métricas, dashboards y alertas
3.6 Detección de drift: data drift y concept drift, umbrales y respuestas
3.7 Calidad y gobernanza de datos: limpieza, versionado y seguridad
3.8 MLOps para AD/ADAS: prácticas, pipelines y automatización
3.9 Requisitos de cumplimiento, seguridad y certificaciones en sistemas AD/ADAS
3.10 Caso práctico: go/no-go y evaluación de riesgos en un proyecto MLOps para AD/ADAS
4.1 Contexto de AD/ADAS y el rol de MLOps
4.2 Arquitectura de Data Lake para AD/ADAS
4.3 Datos de sensores en AD/ADAS: cámaras, radar, lidar y fusión
4.4 Calidad, curación y gobernanza de datos para ML
4.5 Pipelines de datos para entrenamiento: ETL/ELT y versionado
4.6 Etiquetado Activo: procesos, calidad de anotaciones y bucles de retroalimentación
4.7 Retraining: estrategias, frecuencia y triggers
4.8 Monitorización de modelos: métricas, dashboards, alertas y trazabilidad
4.9 Detección de Drift y mitigación en AD/ADAS
4.10 Casos de uso, criterios de go/no-go y métricas de éxito
5. 1 Fundamentos de Data Lake para AD/ADAS: Arquitectura y Componentes Clave.
5. 2 Diseño de Data Lake: Modelado de Datos y Estrategias de Almacenamiento.
5. 3 Implementación de Data Ingestion: Fuentes de Datos y Pipelines.
5. 4 Procesamiento y Transformación de Datos: ETL/ELT para AD/ADAS.
5. 5 Gestión de Datos: Versionado, Control de Calidad y Gobernanza.
5. 6 Seguridad y Privacidad en Data Lake: Protección de Datos Sensibles.
5. 7 Optimización de Rendimiento: Indexación y Particionado.
5. 8 Integración con Herramientas de MLOps: Data Lake como Base para AD/ADAS.
5. 9 Casos de Uso en AD/ADAS: Análisis de Datos de Sensores y Vehículos.
5. 10 Escalabilidad y Mantenimiento del Data Lake.
6.1 Introducción a los Data Lakes para AD/ADAS: Arquitectura, ventajas y desafíos.
6.2 Diseño e implementación de Data Lakes: consideraciones de almacenamiento y procesamiento.
6.3 Integración de datos para AD/ADAS: Fuentes, formatos y transformación de datos.
6.4 Principios de Etiquetado Activo: Selección de datos y estrategias de etiquetado.
6.5 Herramientas y frameworks de Etiquetado Activo: selección y uso práctico.
6.6 Flujos de trabajo de Etiquetado Activo: implementación en proyectos AD/ADAS.
6.7 Control de calidad del etiquetado: Métricas y validación de datos etiquetados.
6.8 Optimización del Data Lake para Etiquetado Activo: indexación y gestión de datos.
6.9 Estudios de caso: Aplicaciones de Data Lake y Etiquetado Activo en AD/ADAS.
6.10 Buenas prácticas y consideraciones éticas en la gestión de datos.
7.1 Introducción a Data Lake para AD/ADAS: Conceptos y Beneficios
7.2 Arquitectura y Diseño de Data Lake: Escalabilidad y Rendimiento
7.3 Selección de Tecnologías: Almacenamiento, Procesamiento y Análisis
7.4 Ingesta de Datos: Fuentes, Pipelines y Formatos
7.5 Transformación de Datos: Limpieza, Preprocesamiento y Feature Engineering
7.6 Gobernanza de Datos: Control de Calidad, Metadatos y Seguridad
7.7 Implementación Práctica: Creación y Configuración de un Data Lake
7.8 Integración con Plataformas MLOps: Flujos de Trabajo y Automatización
7.9 Optimización y Monitoreo del Data Lake: Rendimiento y Costos
7.10 Casos de Estudio: Aplicaciones de Data Lake en AD/ADAS
8.1 Introducción al Data Lake en AD/ADAS y su importancia
8.2 Origen y evolución del Data Lake: de la analítica al machine learning
8.3 Arquitectura del Data Lake: componentes clave y diseño
8.4 Almacenamiento de datos en el Data Lake: formatos y tecnologías
8.5 Ingestión de datos: flujos de datos y pipelines
8.6 Procesamiento de datos: limpieza, transformación y agregación
8.7 Seguridad y gobernanza del Data Lake: control de acceso y cumplimiento
8.8 Herramientas y tecnologías para la implementación del Data Lake
8.9 Casos de uso del Data Lake en AD/ADAS: ejemplos prácticos
8.10 Desafíos y consideraciones en la implementación del Data Lake
9.1 Introducción a AD/ADAS y la Necesidad de MLOps
9.2 Fundamentos de la Arquitectura de Datos para AD/ADAS
9.3 Diseño y Construcción de un Data Lake para AD/ADAS
9.4 Estructura y Organización del Data Lake
9.5 Ingesta y Procesamiento de Datos en el Data Lake
9.6 Almacenamiento y Gestión de Datos en el Data Lake
9.7 Optimización del Data Lake para AD/ADAS
9.8 Seguridad y Gobernanza del Data Lake
9.9 Caso de Estudio: Implementación de Data Lake en AD/ADAS
9.10 Prácticas y Herramientas para el Data Lake en AD/ADAS
10.1 Introducción a AD/ADAS y la necesidad de MLOps
10.2 Fundamentos de Data Lake para AD/ADAS
10.3 Diseño y construcción de Data Lake para datos de AD/ADAS
10.4 Ingestión y almacenamiento de datos en el Data Lake
10.5 Exploración y análisis de datos en el Data Lake
10.6 Introducción a los Pipelines MLOps para AD/ADAS
10.7 Diseño de Pipelines MLOps para entrenamiento y evaluación
10.8 Automatización de Pipelines MLOps con herramientas
10.9 Monitorización básica del Data Lake y Pipelines
10.10 Integración del Data Lake con otras herramientas de MLOps
Director Académico del DSD — SEIUM Design & Industrial Design Institute
Profesor de Diseño Industrial, Diseño de Vehículos, Transportation Design, UX/HMI, Color & Trim, Iluminación y Desarrollo de Producto
El Prof. Luca Benedetti, de nacionalidad italiana, es Director Académico del DSD — SEIUM Design & Industrial Design Institute y responsable de diseño industrial, de producto y vehículos, experiencia de usuario, interacción persona-máquina, interfaces HMI, Color & Trim y prototipado.
Director Académico del SRA — SEIUM Robotics & Autonomous Systems Institute
Profesor de Robótica, Automatización Inteligente, Sistemas Autónomos, Percepción Artificial, Control Avanzado y Mecatrónica.
El Prof. Kenji Takahashi, de nacionalidad japonesa, es Director Académico del SRA — SEIUM Robotics & Autonomous Systems Institute y responsable de robótica industrial, robots móviles, mecatrónica, control avanzado, percepción artificial, navegación e inteligencia embebida y autónoma.
Directora Académica del DAIS — SEIUM Data, Artificial Intelligence & Simulation Institute
Profesora de Inteligencia Artificial, Ciencia de Datos, Ingeniería de Datos, MLOps, Simulación, Gemelos Digitales y Computación Científica
La Dra. Lucía Hernández Vega, de nacionalidad española, es Directora Académica del DAIS — SEIUM Data, Artificial Intelligence & Simulation Institute y responsable de inteligencia artificial, ciencia e ingeniería de datos, visión artificial, IA generativa, MLOps y gemelos digitales.
Director Académico del EET — SEIUM Electronics & Embedded Technologies Institute
Profesor de Electrónica, Sistemas Embebidos, Telecomunicaciones, Diseño de Hardware, FPGA, IoT y Sistemas de Tiempo Real
El Dr. Kevin O’Connor, de nacionalidad irlandesa, es Director Académico del EET — SEIUM Electronics & Embedded Technologies Institute y responsable de electrónica, sistemas embebidos, telecomunicaciones, diseño de circuitos, microcontroladores, FPGA, IoT y desarrollo de hardware electrónico.
Director Académico del SNO — SEIUM Naval & Offshore Institute
Profesor de Arquitectura Naval, Ingeniería Marítima, Sistemas de Propulsión, Construcción Naval e Ingeniería Offshore
El Dr. Javier Ferrer Salvatierra, de nacionalidad española, es Director Académico del SNO — SEIUM Naval & Offshore Institute y responsable de arquitectura naval, ingeniería marítima, construcción, propulsión, sistemas auxiliares, ingeniería offshore, seguridad y descarbonización marítima.
Directora Académica del RSC — SEIUM Rail & Smart Cities Institute
Profesora de Ingeniería Ferroviaria, Señalización, Movilidad Urbana, Infraestructuras Inteligentes y Sistemas de Transporte
La Dra. Isabel Martín Robles, de nacionalidad española, es Directora Académica del RSC — SEIUM Rail & Smart Cities Institute y profesora responsable de las áreas de ingeniería ferroviaria, señalización, sistemas de control del tráfico, movilidad urbana, transporte inteligente, infraestructuras conectadas y planificación de ciudades inteligentes.
Director Académico del SEN — SEIUM Energy & Networks Institute
Profesor de Sistemas Eléctricos de Potencia, Smart Grids, Energías Renovables, Almacenamiento y Digitalización de Redes
El Dr. Carlos Navarro Sanz, de nacionalidad española, es Director Académico del SEN — SEIUM Energy & Networks Institute y responsable de sistemas eléctricos, redes inteligentes, renovables, almacenamiento, operación, protecciones, subestaciones, digitalización y planificación energética.
Director Académico del Departamento PTW — Motorcycle & Two-Wheel Engineering
Profesor de Ingeniería de Motocicletas, Dinámica de Vehículos de Dos Ruedas, Chasis, Suspensiones y Sistemas de Propulsión
El Prof. Hiroshi Nakamura, de nacionalidad japonesa, es Director Académico del Dpto. de Motorcycle & Two-Wheel Engineering — PTW de SEIUM y responsable de ingeniería de motocicletas, dinámica, chasis, suspensiones, propulsión térmica y eléctrica, telemetría y validación experimental.
Director Académico del SAS — SEIUM Aero & Space Institute
Profesor de Ingeniería Aeroespacial, Helicópteros, Tiltrotor, eVTOL, Aviónica y Sistemas de Vuelo
El Dr. James Whitmore, de nacionalidad británica, es Director Académico del SAS — SEIUM Aero & Space Institute y responsable de ingeniería aeroespacial, diseño de aeronaves, helicópteros, eVTOL, movilidad aérea, aviónica, control de vuelo, sistemas espaciales y certificación.
Director Académico del Departamento EMH — Electromobility, Batteries & Hydrogen
Profesor de Electromovilidad, Ingeniería de Baterías, Sistemas BMS, Electrónica de Potencia e Hidrógeno Aplicado a la Movilidad
El Dr. Markus Schneider, de nacionalidad alemana, es Director Académico del Dpto. de Electromobility, Batteries & Hydrogen — EMH de SEIUM y responsable de electromovilidad, baterías, BMS, electrónica de potencia, infraestructura de recarga e hidrógeno aplicado al transporte.
Director Académico del SEIUM MotorSport Institute — SMI
Profesor de Ingeniería Motorsport, Dinámica Vehicular, Aerodinámica de Competición y Race Performance Engineering
El Dr. Alessandro Moretti, de nacionalidad italiana, es Director Académico del SEIUM MotorSport Institute — SMI y responsable de ingeniería motorsport, dinámica vehicular, aerodinámica de competición, chasis, suspensiones, telemetría y optimización del rendimiento en pista.
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”).
Testimonios de clientes que avalan nuestra calificación