Ingeniería de Trazabilidad de software y datasets (AI Act) constituye el núcleo para garantizar la integridad y transparencia en sistemas de inteligencia artificial, integrando metodologías avanzadas de gestión documental y metadatos en entornos aeronáuticos. El enfoque técnico considera la interoperabilidad con sistemas AFCS y FBW en plataformas eVTOL y UAM, asegurando cumplimiento con protocolos de certificación y gobernanza digital mediante marcos normativos como ISO 9001 y IEC 61508. Se abordan técnicas de verificación y validación automatizadas apoyadas en frameworks de auditoría continua, combinando análisis de big data y trazabilidad para fortalecer la conformidad regulatoria en componentes críticos de software y datasets.
En laboratorios especializados, las capacidades incluyen simulación SIL/HIL para testeo de software aeronáutico, adquisición y análisis de datos con equipos certificados bajo DO-178C y DO-254, así como pruebas de EMC y robustez contra interferencias, compatibles con estándares de ARP4754A y ARP4761. El alineamiento con el AI Act y normativas aplicables internacionales fortalece la trazabilidad documental y evidencias técnicas para auditorías ante autoridades regulatorias, habilitando profesionales en roles de Ingeniero de Calidad, Auditor Técnico, Especialista en Cumplimiento AI y Gestor de Datos Certificados.
Palabras clave objetivo (naturales en el texto): Ingeniería de trazabilidad, AI Act, DO-178C, DO-254, ARP4754A, ARP4761, auditorías técnicas, software aeronáutico, datasets, certificación aeronáutica.
748.000 €
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.
Requisitos recomendados: Conocimientos básicos de programación, familiaridad con los conceptos de IA y Machine Learning.
Módulo 1 — Introducción a la Trazabilidad y el AI Act
1.1 Contexto de la trazabilidad en sistemas navales con IA: por qué la trazabilidad facilita seguridad, mantenimiento, auditoría y aceptación operacional en navíos y plataformas offshore
1.2 AI Act: alcance, definiciones y requisitos relevantes para trazabilidad de software y datasets en entornos navales y de defensa
1.3 Principios de trazabilidad de software y datos: trazabilidad end-to-end desde requisitos y diseño hasta verificación, validación y mantenimiento
1.4 Ingeniería de trazabilidad: arquitectura de trazabilidad, MBSE/PLM, registro de cambios, control de versiones y vinculaciones entre software, datos y hardware
1.5 Evidencia técnica en IA: qué constituye evidencia para autoridad (informes de auditoría, registros de experimentos, logs, pruebas, métricas) y su formato
1.6 Trazabilidad de datasets y gobernanza de datos: provenance, calidad de datos, versionado, lineage, protección de datos y cumplimiento ético
1.7 Auditorías técnicas para autoridades: procedimientos de auditoría, criterios de cumplimiento, plantillas de informe, gestión de no conformidades
1.8 Gestión de riesgos y madurez tecnológica: TRL/CRL/SRL en proyectos navales con IA, evaluación de readiness y plan de mitigación
1.9 Cumplimiento, certificaciones y time-to-market: normativa marítima, certificaciones de sistemas críticos, patentes y licencias, impacto en despliegue
1.10 Caso práctico: desarrollo de un plan de auditoría de trazabilidad para un sistema autonomo de navegación costera: objetivos, entregables, plazos, matriz de riesgos y criterios go/no-go
2.2 AI Act: Trazabilidad de Software y Datasets para auditorías técnicas: alcance, principios y evidencias mínimas
2.2 Análisis de Trazabilidad de Software y Datos (AI Act): Auditorías técnicas para autoridades: metodologías, criterios de evaluación y reporte
2.3 Trazabilidad de Software y Datos (AI Act): Ingeniería, Auditoría y Evidencia Técnica: diseño de trazabilidad, captura de evidencia y verificación
2.4 Ingeniería de Trazabilidad de Software y Datasets (AI Act): Auditorías Técnicas para Autoridades: gestión de artefactos, control de cambios y metadatos
2.5 Dominio de la Trazabilidad Software-Datos (AI Act): Auditorías Técnicas y Evidencia: alcance, integridad de metadatos y proveniencia de datos
2.6 Ingeniería de la Trazabilidad (AI Act): Auditorías Técnicas y Evidencia para Software y Datasets: herramientas, pipelines y trazabilidad end-to-end
2.7 Auditoría y Evidencia Técnica de la Trazabilidad Software/Datasets (AI Act): Métodos de recopilación de evidencia, verificación independiente y cumplimiento
2.8 Trazabilidad AI Act: Auditorías, Software, Datasets y Evidencia Técnica: gobernanza de datos, provenance de modelos y registros de entrenamiento
2.9 IP, certificaciones y time-to-market en IA: Consideraciones de trazabilidad y propiedad intelectual en el AI Act
2.20 Case clinic: go/no-go con matriz de riesgo para la trazabilidad AI Act: casos prácticos y criterios de decisión
3.3 AI Act: Trazabilidad de Software y Datos para Auditorías Técnicas
3.2 Trazabilidad de datos de entrenamiento, validación y prueba: origen, transformaciones y calidad
3.3 Trazabilidad de modelos y pipelines: versionado, cambios y evidencias
3.4 Ingeniería de la trazabilidad: MBSE/PLM e integración de cambios
3.5 Evidencia técnica: generación, estructuración y almacenamiento para auditoría
3.6 Herramientas de trazabilidad: data catalogs, lineage y metadata management
3.7 Gobernanza de datos y cumplimiento: políticas, roles y controles
3.8 Evaluación de riesgos y readiness: TRL/CRL/SRL y métricas de cumplimiento
3.9 Propiedad intelectual, certificaciones y time-to-market
3.30 Caso práctico: go/no-go con matriz de riesgo de trazabilidad AI Act
4.4 Auditoría y Evidencia Técnica en la Era de la IA: Trazabilidad de Software y Datasets (AI Act)
4.2 Análisis de la Trazabilidad Software y Datos (AI Act): Auditorías Técnicas para Autoridades
4.3 Trazabilidad de Software y Datos (AI Act): Ingeniería, Auditoría y Evidencia Técnica
4.4 Ingeniería de Trazabilidad de Software y Datasets (AI Act): Auditorías Técnicas para Autoridades
4.5 Dominio de la Trazabilidad Software-Datos (AI Act): Auditorías Técnicas y Evidencia
4.6 Ingeniería de la Trazabilidad (AI Act): Auditorías Técnicas y Evidencia para Software y Datasets
4.7 Auditoría y Evidencia Técnica de la Trazabilidad Software/Datasets (AI Act)
4.8 Trazabilidad AI Act: Auditorías, Software, Datasets y Evidencia Técnica
4.9 Fundamentos de la trazabilidad para compliance AI Act: procesos, evidencias y gobernanza
4.40 Casos clínicos: go/no-go con matriz de riesgo en trazabilidad AI Act
5.5 Principios de la Trazabilidad: Fundamentos y Marco Regulatorio (AI Act)
5.5 Diseño e Implementación de Sistemas de Trazabilidad para Software
5.3 Diseño e Implementación de Sistemas de Trazabilidad para Datasets
5.4 Auditorías Técnicas: Metodologías y Buenas Prácticas para la Trazabilidad
5.5 Recopilación y Gestión de Evidencia Técnica: Asegurando la Conformidad
5.6 Análisis de Riesgos y Mitigación en la Trazabilidad (AI Act)
5.7 Herramientas y Tecnologías para la Trazabilidad (AI Act)
5.8 Casos de Estudio: Implementación de Trazabilidad en Proyectos Reales
5.9 Aspectos Legales y Éticos de la Trazabilidad (AI Act)
5.50 Preparación para Auditorías y Certificaciones (AI Act)
6.6 Fundamentos de la Trazabilidad AI Act: Definiciones y Marco Regulatorio
6.2 Arquitectura de la Trazabilidad: Componentes y Relaciones en Software y Datasets
6.3 Técnicas de Ingeniería para la Trazabilidad: Implementación y Herramientas
6.4 Auditorías Técnicas: Metodologías y Estándares para la Evaluación
6.5 Evidencia Técnica: Recopilación, Gestión y Presentación
6.6 Análisis de Riesgos en la Trazabilidad: Identificación y Mitigación
6.7 Software y Datasets: Diseño para la Trazabilidad desde la Ingeniería
6.8 Casos Prácticos: Aplicación de la Trazabilidad en Diferentes Escenarios AI
6.9 Cumplimiento del AI Act: Preparación para Auditorías y Certificaciones
6.60 Tendencias Futuras: Evolución de la Trazabilidad y la Inteligencia Artificial
7.7 Marco Regulatorio y Legal de la Trazabilidad (AI Act): Visión General
7.2 Diseño de Sistemas de Trazabilidad: Principios y Mejores Prácticas
7.3 Implementación de Trazabilidad en el Ciclo de Vida del Software
7.4 Trazabilidad de Datos: Origen, Transformación y Gobernanza
7.7 Auditorías Técnicas: Metodología y Herramientas
7.6 Recopilación y Gestión de Evidencia Técnica
7.7 Análisis de Riesgos y Mitigación en Trazabilidad
7.8 Preparación para Auditorías de Conformidad (AI Act)
7.9 Casos de Estudio: Aplicación Práctica de la Trazabilidad
7.70 Documentación y Reportes: Creando un Dossier de Evidencia Robusto
8.8 Marco Legal del AI Act y su Impacto en la Trazabilidad
8.8 Fundamentos de la Auditoría Técnica en el Contexto de la IA
8.3 Recopilación y Análisis de Evidencia Técnica en Software y Datasets
8.4 Trazabilidad de Datos: Desde la Recolección hasta el Uso Final
8.5 Diseño de la Trazabilidad en Software: Principios y Mejores Prácticas
8.6 Herramientas y Metodologías para la Auditoría de Trazabilidad
8.7 Evaluación de Riesgos y Mitigación en Sistemas de IA
8.8 Creación y Gestión de Documentación de Evidencia Técnica
8.8 Integración de la Trazabilidad en el Ciclo de Vida del Software
8.80 Casos Prácticos de Auditorías de Trazabilidad: Estudios de Caso
9.9 Fundamentos de la Auditoría y Evidencia Técnica en la Era de la IA
9.9 Marco Regulatorio del AI Act y su Impacto en la Trazabilidad
9.3 Análisis de la Trazabilidad de Software y Datasets
9.4 Diseño e Implementación de Sistemas de Trazabilidad Robustos
9.5 Técnicas Avanzadas de Auditoría de Trazabilidad
9.6 Generación y Gestión de Evidencia Técnica Confiable
9.7 Evaluación de Riesgos y Mitigación en la Trazabilidad AI
9.8 Herramientas y Tecnologías para la Auditoría y Evidencia
9.9 Estudios de Caso: Aplicación Práctica de la Trazabilidad AI
9.90 Tendencias Futuras y Desafíos en la Auditoría de Trazabilidad AI
1.1 Marco Regulatorio AI Act: Contexto y Alcance para la Trazabilidad.
1.2 Principios Clave de la Trazabilidad en la IA.
1.3 Identificación de Riesgos y Mitigación: Auditorías Técnicas Iniciales.
1.4 Recopilación y Análisis de Evidencia: Datos y Documentación.
1.5 Herramientas y Metodologías para Auditorías de Trazabilidad.
1.6 Diseño de un Plan de Auditoría AI Act.
1.7 Auditoría de la Trazabilidad en el Ciclo de Vida del Software.
1.8 Auditoría de la Trazabilidad de Datasets: Origen y Uso.
1.9 Evaluación de la Calidad y la Integridad de los Datos.
1.10 Proyecto Final: Diseño de una Auditoría Completa.
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”).