para entornos industriales aeronáuticos se centra en el desarrollo de modelos ligeros y técnicas avanzadas de compresión y cuantización para optimizar la inferencia en dispositivos distribuidos. La integración de metodologías de MLOps en fábrica potencia la automatización en la inspección predictiva y el análisis en tiempo real, apoyándose en áreas clave como visibilidad computacional, procesamiento de señales y machine learning embebido. Este enfoque es crítico para la certificación de sistemas bajo normativas aplicables internacionales, garantizando precisión y robustez en la detección de fallos estructurales y funcionales en plataformas eVTOL y helicópteros.
Los laboratorios especializados equipan sistemas HIL/SIL para pruebas de validación y verificación, además de contar con infraestructuras para adquisición avanzada de datos, análisis vibracional y monitoreo EMI/EMC. La trazabilidad de seguridad se mantiene conforme a requerimientos normativos en software y hardware, alineándose con ARP4754A, ARP4761 y estándares de calidad aeronáutica. Esta disciplina sustenta roles profesionales como ingeniero de sistemas embedded, especialista en software de inspección, analista de MLOps, ingeniero en certificación, y desarrollador de soluciones IA para mantenimiento predictivo.
8.100 €
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.
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.
1.1 Inspección Naval con IA: alcance, objetivos y beneficios
1.2 Arquitecturas de IA para inspección naval: borde, nube y flujos de datos
1.3 Sensores y datos en inspección naval: imágenes, vídeo, infrarrojo, sonar, AIS
1.4 Modelos ligeros para inspección naval: criterios de diseño y selección
1.5 MLOps para inspección naval: ciclo de vida, gobernanza y monitorización
1.6 Compresión de modelos para entornos marinos: pruning, quantization y distillation
1.7 Infraestructura de borde para IA naval: hardware, latencia y resiliencia
1.8 Seguridad, cumplimiento y riesgo operativo: certificaciones y normas
1.9 Evaluación y métricas de rendimiento: precisión, robustez y coste
1.10 Caso clínico: go/no-go con matriz de riesgo para inspección naval
2.1 Fundamentos de IA para la Inspección Naval: definición de IA, aprendizaje supervisado y no supervisado, aprendizaje profundo y relevancia para inspección de buques, puertos e infraestructuras.
2.2 Visión por Computadora en la Inspección Naval: detección de objetos, segmentación, reconocimiento de patrones; robustez ante condiciones marítimas.
2.3 Datos y gobernanza de IA para la Inspección Naval: calidad de datos, etiquetado, sesgos, seguridad, gobernanza y cumplimiento.
2.4 Arquitecturas de modelos: modelos ligeros y compactos para borde, CNNs y Transformers ligeros; trade-offs entre rendimiento y tamaño.
2.5 Compresión y optimización de modelos: técnicas de cuantización, pruning, distillation; impacto en precisión y consumo.
2.6 MLOps para IA en la Inspección Naval: ciclo de vida de modelos, versionado, pipelines, pruebas, monitoreo y retraining.
2.7 IA en el borde para inspección naval: hardware, latencia, conectividad, consumo de energía y operatividad en entornos marítimos.
2.8 Seguridad, robustez y cumplimiento: ataques adversarios, verificación de robustez ante condiciones reales, privacidad y normativas.
2.9 Evaluación y validación de modelos IA para inspección naval: métricas de detección, precisión, recall, F2, ROC-AUC; validación cruzada y pruebas en campo.
2.10 Caso práctico: proyecto de IA para inspección naval: plantear problema, objetivos, entregables, plan de implementación, criterios de go/no-go y matriz de riesgos.
3.1 Propósito y alcance de IA en inspección naval
3.2 Fundamentos de IA y visión por computadora para inspección marítima
3.3 Datos y gobernanza: recopilación, limpieza, etiquetado y calidad
3.4 Arquitecturas de implementación: nube, borde y soluciones híbridas
3.5 Modelos ligeros y compactos: conceptos y trade-offs
3.6 Compresión de modelos: técnicas de pruning, cuantización y distillation
3.7 MLOps para inspección naval: ciclo de vida de modelos, pipelines y monitoreo
3.8 Seguridad, cumplimiento y consideraciones éticas en IA naval
3.9 Métricas y evaluación: rendimiento, latencia y tolerancia a fallos
3.10 Proyecto inicial: definición de caso de uso, datos necesarios y plan de validación
4.1 IA en Inspección Naval: Modelos Ligeros para Detección y Clasificación
4.2 Compresión de Modelos y Técnicas de Distilación para Despliegue en Bordo
4.3 Optimización de Inferencia y Latencia en Inspección Naval con Modelos Edge
4.4 MLOps en Inspección Naval: Pipelines, Versionado, Monitorización y Reproducción
4.5 Despliegue en Borde: Arquitecturas, Hardware y Gestión de Recursos
4.6 Data Management para IA Naval: Dataset, Anotación, Drift y Seguridad de Datos
4.7 Evaluación de Modelos en Entornos Marinos: Métricas, Robustez y Pruebas de Campo
4.8 Integración con Sistemas de Inspección Existentes y Ciberseguridad
4.9 Laboratorios y Casos Prácticos: Inspección Naval con Modelos Ligeros y MLOps
4.10 Plan de Implementación: Requisitos, Cumplimiento, y Roadmap de Certificación
5. 1 Introducción a la Inteligencia Artificial en la Inspección Naval.
5. 2 Fundamentos de Aprendizaje Automático (Machine Learning) para la Inspección.
5. 3 Introducción al Edge Computing y su Aplicación en la Inspección Naval.
5. 4 Arquitectura y Componentes de un Sistema de Inspección Naval con IA.
5. 5 Recopilación y Preparación de Datos para Modelos de IA en Inspección.
5. 6 Implementación de Modelos de IA en el Borde (Edge) para Inspección.
5. 7 Consideraciones de Hardware para la Ejecución de IA en el Borde.
5. 8 Optimización de Modelos de IA para el Borde: Compresión y Modelos Ligeros.
5. 9 Introducción a MLOps: Flujo de Trabajo para la Implementación de IA en Producción.
5. 10 Estudios de Caso: Aplicaciones Reales de IA y Edge en la Inspección Naval.
6.1 Introducción a la IA para la Inspección Naval: Conceptos clave.
6.2 Modelos Ligeros de IA: Arquitecturas optimizadas para rendimiento.
6.3 Técnicas de Compresión de Modelos: Reducción de tamaño y complejidad.
6.4 MLOps para la Inspección Naval: Desarrollo e implementación.
6.5 Optimización de Modelos para el Borde: Despliegue en dispositivos limitados.
6.6 Despliegue de Modelos de IA en el Borde.
6.7 IA para la Inspección Naval: Optimización, Compresión y MLOps.
6.8 IA para Inspección Naval: Modelos Compactos y MLOps en Producción.
6.9 Inspección Naval Inteligente: IA en el Borde, Compresión y MLOps.
6.10 IA en Inspección Naval: Modelos Edge, Compresión y MLOps.
7.1 Introducción a la IA en la Inspección Naval: Visión General y Beneficios.
7.2 Fundamentos de Aprendizaje Automático (ML) para Inspección Naval.
7.3 Introducción al Edge Computing: Conceptos y Arquitecturas.
7.4 Hardware y Software para IA en el Borde en Entornos Navales.
7.5 Recolección y Preparación de Datos para IA en Inspección Naval.
7.6 Despliegue de Modelos de IA en Dispositivos Edge: Primeros Pasos.
7.7 Evaluación y Métricas de Modelos de IA en el Borde.
7.8 Casos de Uso Introductorios: Detección de Daños y Anomalías Básicas.
7.9 Consideraciones de Seguridad y Privacidad en el Borde.
7.10 Introducción a MLOps para IA en Inspección Naval.
8. 1 Fundamentos de la IA en la inspección naval.
8. 2 Introducción a la optimización de modelos de IA.
8. 3 Conceptos básicos de compresión de modelos.
8. 4 Introducción a MLOps para la inspección naval.
8. 5 Desafíos y oportunidades de la IA en la inspección naval.
8. 6 Introducción a la IA en el borde (Edge AI).
8. 7 Modelos de IA ligeros para inspección naval.
8. 8 Consideraciones de seguridad y ética en IA naval.
8. 9 Herramientas y tecnologías clave para IA en inspección naval.
8. 10 Casos de estudio de aplicación de IA en inspección naval.
9.1 Introducción a la Inteligencia Artificial en la Inspección Naval.
9.2 Fundamentos de Aprendizaje Automático (ML) y Aprendizaje Profundo (DL).
9.3 Introducción a MLOps: Flujos de trabajo para la producción de modelos de IA.
9.4 Optimización de Modelos: Técnicas de Compresión y Cuantización.
9.5 Modelos Ligeros: Diseño y Aplicación en Entornos Navales.
9.6 Datos para IA: Adquisición, Preprocesamiento y Etiquetado en Inspección Naval.
9.7 Conceptos de IA en el Borde (Edge AI) para entornos navales.
9.8 Herramientas y Frameworks: TensorFlow, PyTorch, y otras librerías.
9.9 Consideraciones éticas y regulatorias en el uso de IA en la inspección naval.
9.10 Casos de uso y ejemplos prácticos de IA en la inspección naval.
10.1 Fundamentos de Modelos Ligeros en IA para Inspección Naval
10.2 Técnicas de Compresión de Modelos de IA
10.3 Optimización de Modelos IA para el Borde (Edge) en Inspección Naval
10.4 Implementación de MLOps para Modelos de IA en Inspección Naval
10.5 Desarrollo de Modelos IA Compactos para Inspección Naval
10.6 Despliegue y Monitoreo de Modelos de IA en Producción (Inspección Naval)
10.7 IA en el Borde: Arquitectura y Consideraciones para Inspección Naval
10.8 Estrategias de Compresión para Modelos de IA en Entornos Limitados (Inspección Naval)
10.9 MLOps para Modelos Edge y Compresión en Inspección Naval
10.10 Casos de Estudio: Aplicaciones de IA Ligera y Comprimida en Inspección Naval
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”).