Admisión abierta 2026-2027Rellenar solicitud

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.

Normas y estándares que vas a manejar

ISO/PAS 8800:2024ISO/IEC 5259Reglamento (UE) 2024/1689Reglamento (UE) 2016/679ISO/IEC 5338:2023ISO/IEC 42001:2023ASAM OpenLABEL

Cuerpo docente y expertos

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 Schneider Dr. Markus SchneiderDirector Académico del Departamento EMH — Electromobility, Batteries & Hydrogen.
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 de MLOps
Ingeniero de datos de conducción autónoma
Ingeniero de aprendizaje automático
Responsable de anotación
Arquitecto de plataformas de datos
Ingeniero de percepción

Para quién es

Ingeniero de MLOps
Ingeniero de datos de conducción autónoma
Ingeniero de aprendizaje automático
Responsable de anotación
Arquitecto de plataformas de datos
Ingeniero de percepción
Titulados en ingeniería o ciencias que busquen entrar en empresas de conducción autónoma

Otras formaciones del área

Del mismo área y nivel, para completar tu itinerario.

Áreas cercanas: todas las de Autónomos, ADAS & Vehículo Definido por Software · Aeroespacial, UAM, Drones & Espacio · Automoción & Motorsport · Civil, Rail & Smart Cities · Data, IA, Simulación & Analytics · 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 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.

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 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.

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.