Admisión abierta 2026-2027Rellenar solicitud

Máster en Ingeniería de Edge AI para Dispositivos

Máster online de 1900 h: 12 módulos y 120 submódulos, de «Inteligencia artificial en el borde» a «Trabajo Fin de Máster», pasando por «Despliegue en aceleradores embebidos».

Mapa del programa · pulsa un módulo
Módulo 1 · Inteligencia artificial en el borde
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.

Inteligencia artificial en el borde

Saldrás manejando computación en la nube, niebla y borde, ventajas en latencia, privacidad y coste y tinyML y aprendizaje en microcontroladores. Es lo que se trabaja en «Inteligencia artificial en el borde», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Hardware para inferencia en el borde

Saldrás manejando microcontroladores Cortex-M con Helium, unidades de procesamiento neuronal integradas y GPU embebidas de la familia Jetson. Es lo que se trabaja en «Hardware para inferencia en el borde», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Compresión y optimización de modelos

Saldrás manejando cuantización posterior al entrenamiento, entrenamiento consciente de la cuantización y poda estructurada y no estructurada. Es lo que se trabaja en «Compresión y optimización de modelos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Despliegue en aceleradores embebidos

Saldrás manejando optimización con NVIDIA TensorRT, ejecución con ONNX Runtime y compilación con Apache TVM. Es lo que se trabaja en «Despliegue en aceleradores embebidos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

MLOps para flotas de dispositivos

Saldrás manejando ciclo de vida del modelo en el borde, versionado de datos y modelos y actualización remota de modelos. Es lo que se trabaja en «MLOps para flotas de dispositivos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Evaluación y validación de sistemas

Saldrás manejando métricas de precisión en producción, medida de latencia extremo a extremo y perfilado energético del sistema. Es lo que se trabaja en «Evaluación y validación de sistemas», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Objetivos de aprendizaje

  • 01Seleccionar plataformas hardware para inferencia en el borde.
  • 02Diseñar modelos eficientes adaptados a recursos limitados.
  • 03Aplicar cuantización, poda y destilación de modelos.
  • 04Desplegar modelos en microcontroladores, NPU y GPU embebidas.
  • 05Evaluar latencia, consumo y precisión de sistemas Edge AI.
  • 06Implantar ciclos MLOps para flotas de dispositivos.
  • 07Aplicar requisitos regulatorios, éticos y de seguridad a la IA embebida.

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

Inteligencia artificial en el borde

1.1Computación en la nube, niebla y borde
1.2Ventajas en latencia, privacidad y coste
1.3TinyML y aprendizaje en microcontroladores
1.4Casos de uso industriales y de consumo
1.5Ecosistema de hardware para inferencia
1.6Ecosistema de frameworks y compiladores
1.7Limitaciones de memoria y energía
1.8Mercado y tendencias de Edge AI
1.9Arquitecturas híbridas borde-nube
1.10Caso práctico: análisis de un producto con IA embebida
Módulo 2 de 12 · 10 submódulos

Aprendizaje profundo para sistemas embebidos

2.1Redes neuronales y retropropagación
2.2Redes convolucionales para visión
2.3Redes recurrentes y temporales
2.4Transformers y modelos de atención
2.5Entrenamiento con PyTorch y TensorFlow
2.6Conjuntos de datos y etiquetado
2.7Aumento de datos para robustez
2.8Métricas de evaluación de modelos
2.9Sobreajuste y regularización
2.10Práctica: entrenamiento de un clasificador de imágenes
Módulo 3 de 12 · 10 submódulos

Hardware para inferencia en el borde

3.1Microcontroladores Cortex-M con Helium
3.2Unidades de procesamiento neuronal integradas
3.3GPU embebidas de la familia Jetson
3.4Aceleradores Edge TPU y Hailo
3.5FPGA para inferencia de baja latencia
3.6Jerarquía de memoria y ancho de banda
3.7Consumo energético por inferencia
3.8Criterios de selección de plataforma
3.9Benchmarks MLPerf Tiny e Inference
3.10Laboratorio: comparativa de plataformas con MLPerf Tiny
Módulo 4 de 12 · 10 submódulos

Arquitecturas de modelos eficientes

4.1Convoluciones separables en profundidad
4.2Familias MobileNet y EfficientNet
4.3Búsqueda automática de arquitecturas
4.4Detección de objetos con YOLO ligero
4.5Segmentación semántica eficiente
4.6Modelos para audio y palabras clave
4.7Modelos para series temporales de sensores
4.8Transformers compactos para el borde
4.9Compromisos entre precisión y coste
4.10Taller: diseño de un modelo para detección de anomalías
Módulo 5 de 12 · 10 submódulos

Compresión y optimización de modelos

5.1Cuantización posterior al entrenamiento
5.2Entrenamiento consciente de la cuantización
5.3Poda estructurada y no estructurada
5.4Destilación de conocimiento
5.5Factorización de bajo rango
5.6Precisión mixta y formatos int4
5.7Impacto en precisión y robustez
5.8Herramientas de optimización de modelos
5.9Validación del modelo comprimido
5.10Práctica: cuantización a int8 de una red convolucional
Módulo 6 de 12 · 10 submódulos

Despliegue en microcontroladores

6.1Arquitectura de TensorFlow Lite Micro
6.2Núcleos optimizados con CMSIS-NN
6.3Presupuesto de memoria flash y RAM
6.4Integración con sensores y preprocesado
6.5Flujo completo con Edge Impulse
6.6Planificación de memoria del intérprete
6.7Depuración de diferencias numéricas
6.8Medida de consumo por inferencia
6.9Despliegue con Zephyr y FreeRTOS
6.10Laboratorio: detección de palabra clave en microcontrolador
Módulo 7 de 12 · 10 submódulos

Despliegue en aceleradores embebidos

7.1Optimización con NVIDIA TensorRT
7.2Ejecución con ONNX Runtime
7.3Compilación con Apache TVM
7.4Fusión de capas y kernels
7.5Procesamiento por lotes y streaming
7.6Ejecución concurrente de varios modelos
7.7Canalizaciones de vídeo con DeepStream
7.8Medida de rendimiento y latencia
7.9Integración en contenedores
7.10Práctica: detector de objetos con TensorRT en Jetson
Módulo 8 de 12 · 10 submódulos

Aplicaciones de visión y sensores

8.1Cámaras embebidas y preprocesado de imagen
8.2Detección y seguimiento de objetos
8.3Inspección visual de calidad
8.4Reconocimiento de actividad con inerciales
8.5Mantenimiento predictivo con vibraciones
8.6Fusión de sensores con IA
8.7Procesamiento de audio ambiental
8.8Privacidad por diseño en visión
8.9Casos en agricultura y salud
8.10Caso práctico: sistema de inspección visual en línea
Módulo 9 de 12 · 10 submódulos

MLOps para flotas de dispositivos

9.1Ciclo de vida del modelo en el borde
9.2Versionado de datos y modelos
9.3Actualización remota de modelos
9.4Monitorización del rendimiento en campo
9.5Detección de deriva de datos
9.6Aprendizaje federado en dispositivos
9.7Gestión de flotas heterogéneas
9.8Canalizaciones de integración y despliegue
9.9Plataformas MLOps para el borde
9.10Taller: canalización MLOps para una flota de sensores
Módulo 10 de 12 · 10 submódulos

Seguridad, regulación y ética

10.1Reglamento europeo de inteligencia artificial
10.2Clasificación de sistemas por nivel de riesgo
10.3Sistema de gestión ISO/IEC 42001
10.4Ataques adversarios y envenenamiento de datos
10.5Protección de modelos y propiedad intelectual
10.6Privacidad y protección de datos
10.7Seguridad funcional con IA
10.8Explicabilidad e interpretabilidad
10.9Sesgos y equidad en los modelos
10.10Caso práctico: evaluación de conformidad de un dispositivo
Módulo 11 de 12 · 10 submódulos

Evaluación y validación de sistemas

11.1Métricas de precisión en producción
11.2Medida de latencia extremo a extremo
11.3Perfilado energético del sistema
11.4Robustez ante ruido y condiciones adversas
11.5Pruebas en campo y validación cruzada
11.6Benchmarks y reproducibilidad
11.7Documentación de modelos y fichas técnicas
11.8Preparación para la industrialización
11.9Análisis de coste del producto
11.10Laboratorio: evaluación integral de un dispositivo Edge AI
Módulo 12 de 12 · 10 submódulos

Trabajo Fin de Máster

12.1Definición del caso de uso
12.2Adquisición y preparación de datos
12.3Diseño y entrenamiento del modelo
12.4Compresión y optimización
12.5Despliegue en la plataforma objetivo
12.6Evaluación de prestaciones
12.7Análisis regulatorio y ético
12.8Conclusiones y líneas futuras
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.

Ventajas en latencia, privacidad y coste
Módulo 1 · Inteligencia artificial en el borde
Benchmarks MLPerf Tiny e Inference
Módulo 3 · Hardware para inferencia en el borde
Precisión mixta y formatos int4
Módulo 5 · Compresión y optimización de modelos
Compilación con Apache TVM
Módulo 7 · Despliegue en aceleradores embebidos
Taller: canalización MLOps para una flota de sensores
Módulo 9 · MLOps para flotas de dispositivos

Marca los cinco conceptos y te damos tu resultado.

Normas y estándares que vas a manejar

Reglamento (UE) 2024/1689 de Inteligencia ArtificialISO/IEC 42001 Sistema de gestión de la inteligencia artificialISO/IEC 23894 Gestión del riesgo en inteligencia artificialISO/IEC 22989 Conceptos y terminología de inteligencia artificialETSI EN 303 645 Ciberseguridad para dispositivos IoT de consumoISO/PAS 8800 Seguridad de la IA en vehículos de carreteraIEC 62443-4-2 Requisitos técnicos de seguridad de componentesReglamento (UE) 2016/679 de Protección de Datos

Cuerpo docente y expertos

Este programa se imparte en el área de Electrónica, Embebidos & Telecom, que dirige Dr. Kevin O’Connor. Debajo, los directores académicos más cercanos a este programa. El detalle de cada instituto está en la página de institutos.

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.
Dra. Lucía Hernández Vega Dra. Lucía Hernández VegaDirectora Académica del DAIS — Data, Artificial Intelligence & Simulation 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 Edge AI
Ingeniero de aprendizaje automático embebido
Ingeniero de MLOps
Ingeniero de visión artificial
Arquitecto de soluciones IoT
Ingeniero de sistemas embebidos

Para quién es

Ingeniero de Edge AI
Ingeniero de aprendizaje automático embebido
Ingeniero de MLOps
Ingeniero de visión artificial
Arquitecto de soluciones IoT
Ingeniero de sistemas embebidos
Titulados en ingeniería o ciencias que busquen entrar en electrónica de consumo

Otras formaciones del área

Del mismo área y nivel, para completar tu itinerario.

Áreas cercanas: todas las de Electrónica, Embebidos & Telecom · Aeroespacial, UAM, Drones & Espacio · Automoción & Motorsport · Autónomos, ADAS & Vehículo Definido por Software · Civil, Rail & Smart Cities · Data, IA, Simulación & Analytics · Defensa, Ingeniería Militar & Sistemas Terrestres (enfoque académico, legal y ético) · Diseño, HMI & Producto · 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 Electrónica, Embebidos & Telecom?
¿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 TensorFlow Lite for Microcontrollers, ONNX Runtime, NVIDIA TensorRT, Edge Impulse, Apache TVM, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de despliegue de modelos cuantizados en microcontroladores, optimización de inferencia en aceleradores embebidos, evaluación de latencia, consumo y precisión. 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 «Inteligencia artificial en el borde» y cierra con «Trabajo Fin de Máster».

Se trabajan Reglamento (UE) 2024/1689 de Inteligencia Artificial, ISO/IEC 42001 Sistema de gestión de la inteligencia artificial, ISO/IEC 23894 Gestión del riesgo en inteligencia artificial, ISO/IEC 22989 Conceptos y terminología de inteligencia artificial, ETSI EN 303 645 Ciberseguridad para dispositivos IoT de consumo y ISO/PAS 8800 Seguridad de la IA en vehículos de carretera.

Los perfiles más directos son Ingeniero de Edge AI, Ingeniero de aprendizaje automático embebido, Ingeniero de MLOps, Ingeniero de visión artificial y Arquitecto de soluciones IoT.

En un pago son 3.304 €, sobre una tarifa de 4.130 €. A plazos, una entrada de 1.646 € y 12 cuotas de 207 €, 4.130 € 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 TensorFlow Lite for Microcontrollers, ONNX Runtime, NVIDIA TensorRT, Edge Impulse, Apache TVM. 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 20263.304 € Matricularme
Contactar con Seium
Pago al contado3.304 €ahorras 826 €
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.