Admisión abierta 2026-2027Rellenar solicitud

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 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 de observabilidad de ML
Ingeniero de fiabilidad de datos
Ingeniero MLOps
Ingeniero SRE de plataformas de IA
Auditor de sistemas de IA
Responsable de calidad de datos

Para quién es

Ingeniero de observabilidad de ML
Ingeniero de fiabilidad de datos
Ingeniero MLOps
Ingeniero SRE de plataformas de IA
Auditor de sistemas de IA
Responsable de calidad de datos
Titulados en ingeniería o ciencias que busquen entrar en banca y seguros

Otras formaciones del área

Del mismo área y nivel, para completar tu itinerario.

En el blog técnico: Simulación de vuelta rápida en motorsport: modelos, datos y validación con pista · Del modelo físico al modelo híbrido físicamente guiado por datos · De los ensayos de pista al modelo virtual: validación mixta hardware-in-the-loop.

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 · 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 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.

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

Preguntas frecuentes

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.

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 20264.984 € Matricularme
Contactar con Seium
Pago al contado4.984 €ahorras 1.246 €
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.