Máster en Ingeniería de Observabilidad de Modelos y Datos
Máster online de 1900 h: 12 módulos y 120 submódulos, de «Observabilidad de sistemas de datos e IA» a «Trabajo Fin de Máster», pasando por «Explicabilidad en producción».
Mapa del programa · pulsa un módulo
Módulo 1 · Observabilidad de sistemas de datos e IA
1900 hDuración total
12Módulos
120Submódulos
OnlineModalidad
Competencias y resultados
6 bloques de competencia, sacados de los módulos de este programa. Pulsa cualquiera y ves qué vas a saber hacer.
Observabilidad de sistemas de datos e IA
Saldrás manejando monitorización frente a observabilidad, pilares: métricas, logs, trazas y eventos y fallos silenciosos en datos y modelos. Es lo que se trabaja en «Observabilidad de sistemas de datos e IA», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Estadística para la deriva
Saldrás manejando distribuciones de referencia y de producción, prueba de Kolmogorov-Smirnov y chi cuadrado para variables categóricas. Es lo que se trabaja en «Estadística para la deriva», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Observabilidad de LLM y sistemas generativos
Saldrás manejando trazas de cadenas y agentes, coste, latencia y consumo de tokens y evaluación de respuestas con referencias. Es lo que se trabaja en «Observabilidad de LLM y sistemas generativos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Explicabilidad en producción
Saldrás manejando importancia de variables global y local, SHAP en monitorización y deriva de atribuciones. Es lo que se trabaja en «Explicabilidad en producción», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Plataformas de observabilidad
Saldrás manejando arquitectura de referencia, almacenes de métricas y logs y grafana y cuadros de mando. Es lo que se trabaja en «Plataformas de observabilidad», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Gobernanza, auditoría y cumplimiento
Saldrás manejando seguimiento posterior a la comercialización en la Ley de IA, registro de eventos y trazabilidad y gestión de IA según ISO/IEC 42001. Es lo que se trabaja en «Gobernanza, auditoría y cumplimiento», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Objetivos de aprendizaje
01Diseñar estrategias de observabilidad para datos y modelos.
02Detectar anomalías de calidad de datos en pipelines.
03Medir la deriva de datos y de concepto con métodos estadísticos.
04Instrumentar servicios de IA con OpenTelemetry.
05Evaluar y monitorizar sistemas basados en LLM.
06Gestionar alertas e incidentes de degradación de modelos.
07Cumplir los requisitos de seguimiento de la Ley de IA europea.
Plan de estudios
12 módulos, 120 submódulos, 1900 h. Elige un módulo y ves su contenido completo.
1 de 12 módulos abiertos
Módulo 1 de 12 · 10 submódulos
Observabilidad de sistemas de datos e IA
1.1Monitorización frente a observabilidad
1.2Pilares: métricas, logs, trazas y eventos
1.3Fallos silenciosos en datos y modelos
1.4Coste de los incidentes de datos
1.5Ciclo de vida del modelo y puntos de fallo
1.6Roles: ingeniería de datos, ML y SRE
1.7Madurez de observabilidad
1.8Panorama de herramientas
1.9Construcción del caso de negocio
1.10Caso práctico: análisis de un incidente de datos real
Módulo 2 de 12 · 10 submódulos
Observabilidad de datos
2.1Frescura, volumen, esquema, distribución y linaje
2.2Pruebas declarativas de datos
2.3Great Expectations y Soda
2.4Pruebas en dbt
2.5Detección de anomalías en métricas de tablas
2.6Cambios de esquema y contratos
2.7Monitorización de pipelines de streaming
2.8Linaje de columnas con OpenLineage
2.9Priorización de alertas por impacto
2.10Laboratorio: monitores de calidad con Soda
Módulo 3 de 12 · 10 submódulos
Estadística para la deriva
3.1Distribuciones de referencia y de producción
3.2Prueba de Kolmogorov-Smirnov
3.3Chi cuadrado para variables categóricas
3.4Índice de estabilidad poblacional
3.5Divergencias de Kullback-Leibler y Jensen-Shannon
3.6Distancia de Wasserstein
3.7Deriva multivariante y clasificadores de dominio
3.8Tamaño de ventana y potencia estadística
3.9Corrección por comparaciones múltiples
3.10Práctica: comparación de métricas de deriva
Módulo 4 de 12 · 10 submódulos
Monitorización de modelos
4.1Deriva de covariables, de etiquetas y de concepto
4.2Rendimiento con etiquetas retrasadas
4.3Estimación de rendimiento sin etiquetas
4.4Calibración de probabilidades
4.5Monitorización por segmentos
4.6Métricas de equidad en producción
4.7Monitorización de modelos de series temporales
4.8Monitorización de visión artificial
4.9Embeddings y deriva en datos no estructurados
4.10Laboratorio: monitorización con Evidently
Módulo 5 de 12 · 10 submódulos
Observabilidad de LLM y sistemas generativos
5.1Trazas de cadenas y agentes
5.2Coste, latencia y consumo de tokens
5.3Evaluación de respuestas con referencias
5.4Evaluación con modelos como juez
5.5Alucinaciones y fundamentación en RAG
5.6Calidad de la recuperación
5.7Seguridad: inyección de instrucciones y fugas
5.8Retroalimentación de usuarios
5.9Conjuntos de evaluación de regresión
5.10Taller: trazado de una aplicación RAG con Langfuse
Módulo 6 de 12 · 10 submódulos
Telemetría e instrumentación
6.1OpenTelemetry: API, SDK y colector
6.2Métricas con Prometheus
6.3Logs estructurados y su correlación
6.4Trazado distribuido de peticiones de inferencia
6.5Instrumentación de servicios de inferencia
6.6Cardinalidad y coste de la telemetría
6.7Muestreo de trazas
6.8Correlación entre señales
6.9Telemetría de GPU
6.10Práctica: instrumentar un servicio de inferencia con OpenTelemetry
Módulo 7 de 12 · 10 submódulos
Explicabilidad en producción
7.1Importancia de variables global y local
7.2SHAP en monitorización
7.3Deriva de atribuciones
7.4Contrafactuales y recursos
7.5Explicaciones para auditores
7.6Explicabilidad de modelos profundos
7.7Limitaciones de las explicaciones
7.8Registro de explicaciones por predicción
7.9Comunicación a usuarios de negocio
7.10Laboratorio: deriva de atribuciones SHAP
Módulo 8 de 12 · 10 submódulos
Alertas y respuesta a incidentes
8.1Diseño de alertas accionables
8.2Umbrales estáticos frente a dinámicos
8.3Fatiga de alertas
8.4SLO y presupuestos de error para ML
8.5Runbooks de degradación de modelos
8.6Gestión de guardias
8.7Análisis de causa raíz con linaje
8.8Rollback de modelos y datos
8.9Postmortems sin culpables
8.10Caso práctico: simulacro de incidente por deriva
Módulo 9 de 12 · 10 submódulos
Plataformas de observabilidad
9.1Arquitectura de referencia
9.2Almacenes de métricas y logs
9.3Grafana y cuadros de mando
9.4Herramientas comerciales de ML observability
9.5Herramientas de código abierto
9.6Integración con registro de modelos
9.7Integración con orquestadores
9.8Multi-tenencia y control de acceso
9.9Coste y retención
9.10Taller: plataforma de observabilidad con Grafana y Prometheus
Módulo 10 de 12 · 10 submódulos
Reentrenamiento y bucles de mejora
10.1Disparadores de reentrenamiento
10.2Reentrenamiento programado frente a por evento
10.3Validación de modelos candidatos
10.4Despliegues shadow y canary
10.5Gestión de conjuntos de evaluación
10.6Aprendizaje activo y etiquetado
10.7Bucles de retroalimentación peligrosos
10.8Versionado de datos y experimentos
10.9Automatización segura del ciclo de reentrenamiento
10.10Práctica: pipeline de reentrenamiento condicionado por deriva
Módulo 11 de 12 · 10 submódulos
Gobernanza, auditoría y cumplimiento
11.1Seguimiento posterior a la comercialización en la Ley de IA
11.2Registro de eventos y trazabilidad
11.3Gestión de IA según ISO/IEC 42001
11.4Gestión de riesgos según NIST AI RMF
11.5Documentación de modelos y datos
11.6Auditorías internas y externas
11.7Supervisión humana de sistemas en producción
11.8Notificación de incidentes graves
11.9Sectores regulados: banca y salud
11.10Caso práctico: seguimiento de un sistema de alto riesgo
Módulo 12 de 12 · 10 submódulos
Trabajo Fin de Máster
12.1Selección del sistema de datos o IA
12.2Análisis de riesgos de fallo
12.3Diseño de la estrategia de observabilidad
12.4Instrumentación y telemetría
12.5Monitores de datos y modelos
12.6Alertas y respuesta
12.7Evaluación con incidentes simulados
12.8Conclusiones y lecciones de operación
12.9Memoria del TFM
12.10Defensa ante tribunal
¿Cuánto me va a llevar?
Mueve las horas que puedes dedicar cada semana y calculamos tu ritmo sobre las 1900 h del programa.
—meses a ese ritmo
—semanas por módulo
—frente a los 1900 horas · 12 a 18 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.
Pilares: métricas, logs, trazas y eventos
Módulo 1 · Observabilidad de sistemas de datos e IA
Corrección por comparaciones múltiples
Módulo 3 · Estadística para la deriva
Calidad de la recuperación
Módulo 5 · Observabilidad de LLM y sistemas generativos
Deriva de atribuciones
Módulo 7 · Explicabilidad en producción
Taller: plataforma de observabilidad con Grafana y Prometheus
Módulo 9 · Plataformas de observabilidad
Marca los cinco conceptos y te damos tu resultado.
Normas y estándares que vas a manejar
Reglamento (UE) 2024/1689 (Ley de IA)ISO/IEC 42001NIST AI RMF 1.0ISO/IEC 23894ISO/IEC 25012ISO/IEC 5259-1Reglamento (UE) 2016/679 (RGPD)
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 VegaDirectora Académica del DAIS — Data, Artificial Intelligence & Simulation Institute.
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 Data, IA, Simulación & Analytics?
¿Puedes mantener un ritmo de estudio constante durante 1900 horas · 12 a 18 meses?
Responde las tres y te decimos por dónde seguir.
Requisitos de acceso
·Titulación universitaria en ingeniería, ciencias o arquitectura, o experiencia profesional acreditable equivalente.
·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 Evidently, OpenTelemetry, Prometheus y Grafana, Great Expectations, Langfuse, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de monitorización de deriva en modelos de riesgo de crédito, observabilidad de pipelines de datos críticos, evaluación continua de una aplicación RAG. La evaluación es continua por módulo más el TFM final.
Son 12 módulos con 120 submódulos y 1900 h de trabajo total. Abre por «Observabilidad de sistemas de datos e IA» y cierra con «Trabajo Fin de Máster».
Se trabajan Reglamento (UE) 2024/1689 (Ley de IA), ISO/IEC 42001, NIST AI RMF 1.0, ISO/IEC 23894, ISO/IEC 25012 y ISO/IEC 5259-1.
Los perfiles más directos son Ingeniero de observabilidad de ML, Ingeniero de fiabilidad de datos, Ingeniero MLOps, Ingeniero SRE de plataformas de IA y Auditor de sistemas de IA.
En un pago son 4.984 €, sobre una tarifa de 6.230 €. A plazos, una entrada de 2.486 € y 12 cuotas de 312 €, 6.230 € en total, sin intereses: lo mismo que la tarifa.
Titulación universitaria en ingeniería, ciencias o arquitectura, o experiencia profesional acreditable equivalente, 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 1900 horas totales repartidas en 12 a 18 meses. Eso son entre 10 y 15 horas semanales de media, compatibles con jornada laboral completa.
Se trabaja con Evidently, OpenTelemetry, Prometheus y Grafana, Great Expectations, Langfuse. 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 Trabajo Fin de Máster. 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 20264.984 €Matricularme
Antes de decidir
¿Qué sacarías tú de este máster?
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 máster acreditado y un proyecto hecho sobre un caso de tu propio trabajo.
Qué te aportaLa base técnica de Data, IA, Simulación & Analytics 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 Data, IA, Simulación & Analytics y un proyecto que demuestra que sabes aplicarlo.
¿Te va a dar la vida?
Calcula tu ritmo real
Son 1900 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 observabilidad de ML
Ingeniero de fiabilidad de datos
Ingeniero MLOps
En banca y seguros, salud y comercio electrónico.
Con sinceridad
¿Es para ti?
Sí, si quieres…
Trabajar en Data, IA, Simulación & Analytics 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.