SEIUM, Universidad de Ingenieria Avanzada
Campus virtual
SEIUM, Universidad de Ingenieria Avanzada

Diplomado en Infraestructura de MLOps para Seguros

Sobre nuestro Diplomado en Infraestructura de MLOps para Seguros

El diplomado en infraestructura de MLOPS para seguros de SEIUM es una formación 100 % online de 800 horas, estructurada en 8 módulos y 80 submódulos. Cubre infraestructura de MLOPS para seguros desde los fundamentos hasta la validación y la puesta en operación, con el marco normativo de referencia del sector —Solvencia II (Directiva 2009/138/CE), IFRS 17 y Reglamento Delegado (UE) 2015/35— aplicado sobre casos reales y no como un anexo teórico.

El trabajo práctico se realiza con las herramientas que se usan en la industria: R, Python (pandas, scikit-learn), SAS y Prophet. Cada módulo cierra con un entregable que el tutor corrige individualmente, y el programa culmina en un proyecto integrador documentado. Está orientado a perfiles de actuario de no vida, analista de riesgos y suscriptor técnico en seguro de automóvil, seguro de infraestructuras y movilidad compartida.

Diplomado en Infraestructura de MLOps para Seguros
Diplomado en Infraestructura de MLOps para Seguros
  • Modalidad: Online
  • Duración: 8 meses
  • Horas: 900 H
  • Idioma: ES / EN
  • Fecha de matrícula: 16-10-2026
  • Plazas disponibles: 9

890 €

Aplicar Ahora

Competencias y resultados

Qué aprenderás

1. Construcción de Pipelines MLOps Seguros: Desde la Infraestructura hasta la Producción

## ¿Qué Aprenderás en “Construcción de Pipelines MLOps Seguros: Desde la Infraestructura hasta la Producción”?

1. Fundamentos de la Infraestructura Segura para MLOps:
* Entenderás los principios de diseño de infraestructura como código (IaC) con enfoque en la seguridad.
* Aprenderás a implementar soluciones de seguridad en la nube (AWS, Azure, GCP) y on-premise.
* Dominarás el uso de herramientas de orquestación de contenedores (Kubernetes) con seguridad integrada.

2. Construcción de Pipelines de CI/CD Seguros:
* Diseñarás pipelines de integración continua y entrega continua (CI/CD) robustos y seguros.
* Aprenderás a integrar herramientas de análisis de seguridad estática y dinámica (SAST/DAST) en tus pipelines.
* Implementarás estrategias de control de versiones y gestión de artefactos seguras (Git, Docker registries).

3. Seguridad en el Desarrollo de Modelos de Machine Learning:
* Identificarás y mitigarás los riesgos de seguridad asociados con los modelos de ML (ataques adversariales, envenenamiento de datos).
* Aprenderás a implementar técnicas de protección de datos (anonimización, encriptación) y privacidad (Federated Learning).
* Dominarás el uso de herramientas para el monitoreo de modelos y la detección de anomalías.

4. Monitoreo y Observabilidad en Producción:
* Implementarás sistemas de monitoreo de modelos y pipelines para detectar problemas de seguridad y rendimiento.
* Aprenderás a utilizar herramientas de logging, métricas y tracing para la observabilidad de tus pipelines.
* Diseñarás estrategias de respuesta a incidentes y recuperación ante desastres.

5. Automatización de la Seguridad:
* Implementarás la automatización de la seguridad en todo el ciclo de vida de MLOps.
* Utilizarás herramientas de automatización para la gestión de la configuración de la seguridad, la detección de vulnerabilidades y la aplicación de parches.
* Aprenderás a integrar la seguridad en el desarrollo de software (DevSecOps).

6. Cumplimiento y Gobernanza:
* Comprenderás los requisitos de cumplimiento y gobernanza en el contexto de MLOps (GDPR, HIPAA, etc.).
* Aprenderás a implementar políticas de seguridad y controles de acceso basados en roles (RBAC).
* Documentarás y auditarás tus pipelines de MLOps para garantizar el cumplimiento normativo.

2. Despliegue Escalable de Modelos MLOps en Seguros: Infraestructura, Automatización y Monitoreo

  • Dominar los principios fundamentales de MLOps y su aplicación en el sector de seguros.
  • Construir y gestionar una infraestructura robusta para el despliegue de modelos de aprendizaje automático (ML).
  • Automatizar los procesos de despliegue, actualización y monitoreo de modelos MLOps.
  • Implementar estrategias de monitoreo avanzadas para evaluar el rendimiento y la deriva de los modelos en producción.
  • Optimizar la escalabilidad de la infraestructura MLOps para manejar grandes volúmenes de datos y modelos complejos.
  • Aprender las mejores prácticas para la gestión de datos, la versionado de modelos y la colaboración en equipos de MLOps.
  • Aplicar herramientas y tecnologías de vanguardia en el campo de MLOps, como Kubeflow, MLflow y plataformas de nube.
  • Entender cómo integrar modelos MLOps en sistemas de seguros para mejorar la toma de decisiones, la detección de fraudes y la personalización de productos.

3. Diseño y validación integral orientado al usuario (del modelado a la manufactura)

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.

4. Implementación Integral de MLOps en Seguros: Infraestructura, Modelado y Operaciones

4. Implementación Integral de MLOps en Seguros: Infraestructura, Modelado y Operaciones

  • Comprender los fundamentos de MLOps y su aplicación en el sector asegurador.
  • Diseñar y construir una infraestructura MLOps robusta y escalable, incluyendo la selección y configuración de herramientas.
  • Dominar el ciclo de vida completo de un modelo de Machine Learning (ML), desde la ingesta de datos hasta el despliegue y monitoreo.
  • Aplicar técnicas avanzadas de modelado predictivo para casos de uso específicos en seguros, como la suscripción de riesgos, la detección de fraudes y la gestión de siniestros.
  • Implementar pipelines de datos automatizados y eficientes para la preparación y transformación de datos.
  • Gestionar y versionar modelos de ML, asegurando la reproducibilidad y la trazabilidad.
  • Desplegar modelos en entornos de producción y optimizar su rendimiento y escalabilidad.
  • Monitorear el rendimiento de los modelos en tiempo real, detectando y corrigiendo la deriva de los datos y los modelos.
  • Integrar modelos de ML en los sistemas y procesos de negocio de la compañía de seguros.
  • Aplicar las mejores prácticas de seguridad y cumplimiento normativo en el contexto de MLOps.

5. Arquitectura MLOps para Seguros: Infraestructura, Modelado, Despliegue y Monitorización

5. Arquitectura MLOps para Seguros: Infraestructura, Modelado, Despliegue y Monitorización

  • Fundamentos de MLOps y su aplicación en la industria de seguros.
  • Diseño y construcción de la infraestructura MLOps: gestión de datos, almacenamiento y procesamiento.
  • Estrategias de modelado de aprendizaje automático para aplicaciones de seguros, incluyendo la selección de algoritmos y la optimización del rendimiento.
  • Despliegue de modelos de aprendizaje automático en entornos de producción, incluyendo la gestión de versiones y la escalabilidad.
  • Monitorización continua de modelos, métricas clave y estrategias para la detección y corrección de problemas.
  • Automatización del ciclo de vida del modelo: desde la ingesta de datos hasta el despliegue y la monitorización.
  • Integración de MLOps con las plataformas y sistemas existentes en la industria de seguros.
  • Consideraciones de seguridad y cumplimiento normativo en el contexto de MLOps para seguros.
  • Casos de estudio y ejemplos prácticos de implementación de MLOps en seguros, incluyendo la evaluación de riesgos, la detección de fraudes y la personalización de pólizas.
  • Tendencias futuras y desafíos en MLOps para seguros, incluyendo la IA explicable y la gestión de datos a gran escala.

6. Domina la Infraestructura MLOps para Seguros: Modelado, Despliegue y Optimización

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.

Diplomado en Infraestructura de MLOps para Seguros

Para quien va dirigido nuestro:

Diplomado en Infraestructura de MLOps para Seguros

  • Profesionales con experiencia en el sector de seguros que busquen profundizar en la implementación de soluciones MLOps.
  • Científicos de datos, ingenieros de Machine Learning, y desarrolladores de software interesados en optimizar el ciclo de vida de los modelos de aprendizaje automático en el ámbito asegurador.
  • Analistas de negocios y gerentes de producto que deseen entender y gestionar la infraestructura MLOps para mejorar la toma de decisiones y la eficiencia operativa en seguros.
  • Arquitectos de soluciones y profesionales de TI responsables de la infraestructura y las operaciones en entornos de seguros.
  • Standards-driven curriculum: trabajarás con CS-27/CS-29, DO-160, DO-178C/DO-254, ARP4754A/ARP4761, ADS-33E-PRF desde el primer módulo.
  • Laboratorios acreditables (EN ISO/IEC 17025) con banco de rotor, EMC/Lightning pre-compliance, HIL/SIL, vibraciones/acústica.
  • TFM orientado a evidencia: safety case, test plan, compliance dossier y límites operativos.
  • Mentorado por industria: docentes con trayectoria en rotorcraft, tiltrotor, eVTOL/UAM y flight test.
  • Modalidad flexible (híbrido/online), cohortes internacionales y soporte de SEIUM Career Services.
  • Ética y seguridad: enfoque safety-by-design, ciber-OT, DIH y cumplimiento como pilares.

8 módulos · 80 submódulos · 800 horas

1Construcción de Pipelines MLOps Seguros (100 h)
  • 1.1. Introducción a MLOps en el Sector Asegurador: Fundamentos y Beneficios
  • 1.2. Diseño de Infraestructura para Pipelines MLOps: Herramientas y Tecnologías
  • 1.3. Automatización de Pipelines de Datos: Ingesta, Limpieza y Transformación
  • 1.4. Desarrollo de Modelos en Entornos Seguros: Control de Versiones y Repositorios
  • 1.5. Integración Continua y Entrega Continua (CI/CD) para Modelos
  • 1.6. Pruebas Unitarias, de Integración y A/B Testing en Pipelines
  • 1.7. Seguridad en Pipelines MLOps: Autenticación, Autorización y Cifrado
  • 1.8. Monitoreo y Registro de Pipelines: Métricas y Alertas
  • 1.9. Gestión del Ciclo de Vida del Modelo: Retraining y Re-deployment
  • 1.10. Casos de Estudio: Implementación de Pipelines MLOps en Seguros
2Cimientos de la Infraestructura MLOps para Seguros (100 h)
  • 2.1. Módulo 2 — Cimientos de la Infraestructura MLOps para Seguros
  • 2.2. Fundamentos de MLOps y su aplicación en el sector asegurador.
  • 2.3. Diseño de la infraestructura básica para MLOps.
  • 2.4. Selección de herramientas y tecnologías clave.
  • 2.5. Configuración de entornos de desarrollo y producción.
  • 2.6. Integración de sistemas de gestión de datos.
  • 2.7. Implementación de control de versiones y gestión de código.
  • 2.8. Seguridad y cumplimiento normativo.
  • 2.9. Introducción a la monitorización y logging.
  • 2.10. Primeros pasos en la automatización de pipelines.
3Optimización de Infraestructuras MLOps (100 h)
  • 3.1. Diseño de Infraestructura MLOps: Principios Clave y Consideraciones para el Sector Asegurador
  • 3.2. Selección de Herramientas y Tecnologías para MLOps en Seguros
  • 3.3. Optimización de la Infraestructura para el Modelado en MLOps
  • 3.4. Despliegue de Modelos en Producción: Estrategias y Mejores Prácticas
  • 3.5. Automatización del Ciclo de Vida de los Modelos de Machine Learning
  • 3.6. Monitoreo y Gestión de Modelos en Producción: KPIs y Alertas
  • 3.7. Escalabilidad y Rendimiento de la Infraestructura MLOps
  • 3.8. Seguridad en la Infraestructura MLOps para el Sector Asegurador
  • 3.9. Costo y Optimización de Recursos en la Infraestructura MLOps
  • 3.10. Caso de Estudio: Optimización de Infraestructura MLOps en el Sector Asegurador
4Implementación MLOps en Seguros (100 h)
  • 4.1. Introducción a la Implementación MLOps en Seguros: Fundamentos y Visión General
  • 4.2. Diseño de Infraestructura MLOps para Seguros: Componentes y Arquitectura
  • 4.3. Preparación y Limpieza de Datos para Modelos de Seguros: Técnicas y Herramientas
  • 4.4. Desarrollo y Entrenamiento de Modelos en Seguros: Selección de Algoritmos
  • 4.5. Despliegue de Modelos en Entornos Seguros: Estrategias y Plataformas
  • 4.6. Automatización del Pipeline MLOps: Integración Continua y Entrega Continua (CI/CD)
  • 4.7. Monitoreo y Gestión de Modelos en Producción: Métricas Clave y Alertas
  • 4.8. Escalabilidad y Optimización de la Infraestructura MLOps: Rendimiento y Costo
  • 4.9. Seguridad en MLOps para Seguros: Protección de Datos y Modelos
  • 4.10. Casos de Estudio: Aplicaciones Reales de MLOps en el Sector Asegurador
5Diseño y Seguridad de Pipelines MLOps (100 h)
  • 5.1. Principios de MLOps y su aplicación en seguros
  • 5.2. Diseño de pipelines seguros: componentes esenciales
  • 5.3. Integración de seguridad en la infraestructura MLOps
  • 5.4. Prácticas de desarrollo seguro y gestión de versiones
  • 5.5. Monitoreo y registro de eventos en pipelines
  • 5.6. Automatización de pruebas de seguridad
  • 5.7. Protección de datos en el ciclo de vida del modelo
  • 5.8. Implementación de controles de acceso y autenticación
  • 5.9. Cumplimiento normativo y seguridad en la nube
  • 5.10. Herramientas y tecnologías para la seguridad MLOps
6Infraestructura MLOps en Seguros (100 h)
  • 6.1. Fundamentos de la Infraestructura MLOps en Seguros
  • 6.2. Diseño de la Arquitectura MLOps para el Sector Asegurador
  • 6.3. Plataformas de Infraestructura para MLOps en Seguros
  • 6.4. Implementación de Pipelines de Datos y Modelado
  • 6.5. Automatización del Despliegue de Modelos en Producción
  • 6.6. Monitoreo y Gestión de Modelos en Tiempo Real
  • 6.7. Escalabilidad y Optimización de la Infraestructura MLOps
  • 6.8. Seguridad en la Infraestructura MLOps para Seguros
  • 6.9. Integración Continua y Entrega Continua (CI/CD) para Modelos
  • 6.10. Casos de Estudio y Mejores Prácticas en MLOps para Seguros
7Marco normativo y criterios de aplicación (100 h)
  • 7.1. Marco regulatorio aplicable: visión general
  • 7.2. Jerarquía normativa y conflictos entre estándares
  • 7.3. Requisitos obligatorios frente a buenas prácticas
  • 7.4. Criterios de aceptación y evidencias exigibles
  • 7.5. Documentación técnica y trazabilidad
  • 7.6. Gestión de cambios y control de configuración
  • 7.7. Auditorías, inspecciones y no conformidades
  • 7.8. Responsabilidades y reparto de alcance
  • 7.9. Interpretación de cláusulas críticas
  • 7.10. Ejercicio: lista de comprobación normativa
8Métodos y herramientas de análisis (100 h)
  • 8.1. Planteamiento del modelo: hipótesis y simplificaciones
  • 8.2. Selección de herramientas y entorno de trabajo
  • 8.3. Preparación de los datos de partida
  • 8.4. Flujo de trabajo y buenas prácticas de modelado
  • 8.5. Discretización y preparación del caso
  • 8.6. Condiciones de contorno y casos de carga
  • 8.7. Control de convergencia y verificación numérica
  • 8.8. Análisis de sensibilidad y estudio paramétrico
  • 8.9. Automatización y reutilización de modelos
  • 8.10. Ejercicio: montaje de un modelo base
  • Metodología hands-on: test-before-you-trust, design reviews, failure analysis, compliance evidence.
  • Software (según licencias/partners): MATLAB/Simulink, Python (NumPy/SciPy), OpenVSP, SU2/OpenFOAM, Nastran/Abaqus, AMESim/Modelica, herramientas de acústica, toolchains de planificación DO-178C.
  • Laboratorios SEIUM: banco de rotor a escala, vibraciones/acústica, EMC/Lightning pre-compliance, HIL/SIL para AFCS, adquisición de datos con strain gauging.
  • Estándares y cumplimiento: EN 9100, 17025, ISO 27001, GDPR.

Lo que sales sabiendo hacer

Objetivos de aprendizaje

  • Dominar los fundamentos técnicos de infraestructura de MLOPS para seguros y su vocabulario normativo.
  • Aplicar Solvencia II (Directiva 2009/138/CE), IFRS 17 y Reglamento Delegado (UE) 2015/35 a decisiones reales de diseño y validación.
  • Construir y correlacionar modelos de cálculo con R y Python (pandas, scikit-learn).
  • Planificar y ejecutar campañas de ensayo en entorno de modelización actuarial y plataforma de datos de siniestralidad.
  • Analizar datos de operación y traducirlos en decisiones de ingeniería.
  • Elaborar el dossier técnico y de cumplimiento que exige el cliente o el regulador.
  • Dirigir técnicamente un proyecto de infraestructura de MLOPS para seguros de principio a fin.

Cómo se estudia

Metodología

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 R, Python (pandas, scikit-learn), SAS, Prophet, ResQ, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de entorno de modelización actuarial, plataforma de datos de siniestralidad, simulador de escenarios de catástrofe. La evaluación es continua por módulo más el proyecto integrador final.

El marco con el que se trabaja

Normas y estándares

  • Solvencia II (Directiva 2009/138/CE)
  • IFRS 17
  • Reglamento Delegado (UE) 2015/35
  • Directrices EIOPA
  • ISO 31000
  • Ley 20/2015 (LOSSEAR)
  • Reglamento (UE) 2016/679 (RGPD)
  • DORA (Reglamento (UE) 2022/2554)
  • Reglamento de IA (UE) 2024/1689

Dónde se aplica

Salidas profesionales

  • Actuario de no vida
  • Analista de riesgos
  • Suscriptor técnico
  • Perito de siniestros
  • Responsable de pricing
  • Gestor de reservas técnicas
  • Analista de fraude
  • Especialista en riesgo de infraestructuras

Sectores de destino: seguro de automóvil, seguro de infraestructuras, movilidad compartida, flotas, reaseguro, riesgos cibernéticos. SEIUM no garantiza la obtención de empleo: se trata de una formación propia orientada a la capacitación técnica.

Anatomía del sistema

Cómo se construye el modelo

Pulsa cada etapa para ver qué es y en qué módulo se estudia.

ABCD1234560102030405060708realimentaciónINFRAESTRUCTURA DE MLOPS PARA SEGUROSDIAGRAMA DE BLOQUESSEIUMESC. S/E12345678

Adquisición

De dónde salen los datos, con qué frecuencia y qué sesgos trae el muestreo.

Se trabaja en el Módulo 3 del plan de estudios.

Preparación

Limpieza, valores ausentes, normalización y construcción de variables.

Se trabaja en el Módulo 4 del plan de estudios.

Modelado

Elección del algoritmo, ajuste de hiperparámetros y control del sobreajuste.

Se trabaja en el Módulo 5 del plan de estudios.

Simulación

Modelos físicos y gemelos digitales: hipótesis, mallado y coste de cálculo.

Se trabaja en el Módulo 6 del plan de estudios.

Validación

Métricas, validación cruzada y contraste contra datos reales medidos.

Se trabaja en el Módulo 7 del plan de estudios.

Despliegue

Puesta en producción, latencia, versionado y trazabilidad de las decisiones.

Se trabaja en el Módulo 8 del plan de estudios.

Monitorización

Deriva de los datos, reentrenamiento y alertas cuando el modelo se degrada.

Se trabaja en el Módulo 8 del plan de estudios.

Gobernanza

Reproducibilidad, documentación del modelo y requisitos regulatorios.

Se trabaja en el Módulo 2 del plan de estudios.

Marco de referencia

Normas y estándares que vas a manejar

ISO/IEC 25012

Modelo de calidad del dato: exactitud, completitud, coherencia y actualidad.

ISO/IEC 42001

Sistema de gestión de la inteligencia artificial dentro de una organización.

ASME V&V 10 y 20

Verificación y validación de modelos de simulación frente a datos experimentales.

Reglamento europeo de IA

Clasificación por riesgo y obligaciones de documentación y supervisión.

Tu dedicación

800 horas: cuánto te va a llevar

La formación es 100 % online y asíncrona, así que el calendario lo pones tú. Estas son las tres velocidades más habituales.

8 h por semana

100

semanas

23,1 meses aproximadamente

12 h por semana

67

semanas

15,5 meses aproximadamente

16 h por semana

50

semanas

11,5 meses aproximadamente

Proyectos tipo capstones

  • Pipeline MLOps Seguros: Diseño e implementación de pipelines CI/CD seguros para modelos predictivos.
  • Despliegue Escalable: Infraestructura cloud, automatización y monitoreo de modelos en producción.
  • Optimización Infraestructura: Diseño y ajuste de la infraestructura MLOps para alta disponibilidad y rendimiento.
  • Implementación Integral: Diseño y ejecución de un proyecto MLOps completo con modelos reales.

  • Pipeline MLOps Seguros: Diseño e implementación de pipelines CI/CD seguros para modelos predictivos.
  • Despliegue Escalable: Infraestructura cloud, automatización y monitoreo de modelos en producción.
  • Optimización Infraestructura: Diseño y ajuste de la infraestructura MLOps para alta disponibilidad y rendimiento.
  • Implementación Integral: Diseño y ejecución de un proyecto MLOps completo con modelos reales.

“`html

  • MLOps en Seguros: Diseño e implementación de pipelines seguros de MLOps para modelado predictivo, desde la infraestructura hasta la producción.
  • Despliegue Escalable: Automatización, monitoreo y optimización de modelos MLOps en entornos seguros para el sector asegurador.

“`

  • MLOps Seguros: Pipeline Seguro: Infraestructura, despliegue, monitoreo, y automatización de modelos.
  • MLOps Seguros: Infraestructura Escalable: Diseño, implementación y optimización.

  • MLOps para Seguros: Predicción de Fraude: Diseño de pipelines seguros, despliegue escalable, automatización, monitorización y optimización de modelos predictivos para detectar y prevenir fraudes en seguros.

CUERPO DOCENTE Y EXPERTOS

Conoce a nuestros profesores

Prof. Luca Benedetti, director academico del SEIUM Design & Industrial Design Institute

Prof. Luca Benedetti

Director Académico del DSD — SEIUM Design & Industrial Design Institute

Profesor de Diseño Industrial, Diseño de Vehículos, Transportation Design, UX/HMI, Color & Trim, Iluminación y Desarrollo de Producto

El Prof. Luca Benedetti, de nacionalidad italiana, es Director Académico del DSD — SEIUM Design & Industrial Design Institute y responsable de diseño industrial, de producto y vehículos, experiencia de usuario, interacción persona-máquina, interfaces HMI, Color & Trim y prototipado.

Conocer al Profesor
Prof. Kenji Takahashi, director academico del SEIUM Robotics & Autonomous Systems Institute

Prof. Kenji Takahashi

Director Académico del SRA — SEIUM Robotics & Autonomous Systems Institute

Profesor de Robótica, Automatización Inteligente, Sistemas Autónomos, Percepción Artificial, Control Avanzado y Mecatrónica.

El Prof. Kenji Takahashi, de nacionalidad japonesa, es Director Académico del SRA — SEIUM Robotics & Autonomous Systems Institute y responsable de robótica industrial, robots móviles, mecatrónica, control avanzado, percepción artificial, navegación e inteligencia embebida y autónoma.

Conocer al Profesor
Dra. Lucia Hernandez Vega, directora academica del SEIUM Data, Artificial Intelligence & Simulation Institute

Dra. Lucía Hernández Vega

Directora Académica del DAIS — SEIUM Data, Artificial Intelligence & Simulation Institute

Profesora de Inteligencia Artificial, Ciencia de Datos, Ingeniería de Datos, MLOps, Simulación, Gemelos Digitales y Computación Científica

La Dra. Lucía Hernández Vega, de nacionalidad española, es Directora Académica del DAIS — SEIUM Data, Artificial Intelligence & Simulation Institute y responsable de inteligencia artificial, ciencia e ingeniería de datos, visión artificial, IA generativa, MLOps y gemelos digitales.

Conocer al Profesor
Dr. Kevin O’Connor, director academico del SEIUM Electronics & Embedded Technologies Institute

Dr. Kevin O’Connor

Director Académico del EET — SEIUM Electronics & Embedded Technologies Institute

Profesor de Electrónica, Sistemas Embebidos, Telecomunicaciones, Diseño de Hardware, FPGA, IoT y Sistemas de Tiempo Real

El Dr. Kevin O’Connor, de nacionalidad irlandesa, es Director Académico del EET — SEIUM Electronics & Embedded Technologies Institute y responsable de electrónica, sistemas embebidos, telecomunicaciones, diseño de circuitos, microcontroladores, FPGA, IoT y desarrollo de hardware electrónico.

Conocer al Profesor
Dr. Javier Ferrer Salvatierra, director academico del SEIUM Naval & Offshore Institute

Dr. Javier Ferrer Salvatierra

Director Académico del SNO — SEIUM Naval & Offshore Institute

Profesor de Arquitectura Naval, Ingeniería Marítima, Sistemas de Propulsión, Construcción Naval e Ingeniería Offshore

El Dr. Javier Ferrer Salvatierra, de nacionalidad española, es Director Académico del SNO — SEIUM Naval & Offshore Institute y responsable de arquitectura naval, ingeniería marítima, construcción, propulsión, sistemas auxiliares, ingeniería offshore, seguridad y descarbonización marítima.

Conocer al Profesor
Dra. Isabel Martin Robles, directora academica del SEIUM Rail & Smart Cities Institute

Dra. Isabel Martín Robles

Directora Académica del RSC — SEIUM Rail & Smart Cities Institute

Profesora de Ingeniería Ferroviaria, Señalización, Movilidad Urbana, Infraestructuras Inteligentes y Sistemas de Transporte

La Dra. Isabel Martín Robles, de nacionalidad española, es Directora Académica del RSC — SEIUM Rail & Smart Cities Institute y profesora responsable de las áreas de ingeniería ferroviaria, señalización, sistemas de control del tráfico, movilidad urbana, transporte inteligente, infraestructuras conectadas y planificación de ciudades inteligentes.

Conocer al Profesor
Dr. Carlos Navarro Sanz, director academico del SEIUM Energy & Networks Institute

Dr. Carlos Navarro Sanz

Director Académico del SEN — SEIUM Energy & Networks Institute

Profesor de Sistemas Eléctricos de Potencia, Smart Grids, Energías Renovables, Almacenamiento y Digitalización de Redes

El Dr. Carlos Navarro Sanz, de nacionalidad española, es Director Académico del SEN — SEIUM Energy & Networks Institute y responsable de sistemas eléctricos, redes inteligentes, renovables, almacenamiento, operación, protecciones, subestaciones, digitalización y planificación energética.

Conocer al Profesor

Admisiones

Cómo se accede a este diplomado

  1. 1
    Solicitud

    Rellenas el formulario con tu perfil y la formación que te interesa. Sin coste ni compromiso.

  2. 2
    Evaluación del perfil

    Revisamos formación y experiencia para confirmar que el programa encaja con tu punto de partida.

  3. 3
    Entrevista técnica

    Una conversación con el equipo académico para ajustar objetivos, ritmo y dedicación.

  4. 4
    Matrícula

    Se confirma la plaza y recibes los accesos. El programa arranca cuando tú decides.

Qué documentación hace falta

Currículum actualizado y titulación o acreditación de experiencia equivalente. Si quieres, puedes añadir ejemplos de proyectos o de código; no son obligatorios, pero ayudan a afinar el itinerario.

Becas y formas de pago

Hay descuento por pago único y becas parciales por mérito académico, por situación económica y por fomento de la inclusión, además de convenios con empresas del sector. En la entrevista se revisa cuál te corresponde.

Cuándo puedes empezar

La matrícula está abierta todo el año. Al ser un programa online y asíncrono no hay que esperar a una convocatoria: se empieza en cuanto se formaliza la matrícula.

¿Tienes dudas?

Nuestro equipo está listo para ayudarte. Contáctanos y te responderemos lo antes posible.

Por favor, activa JavaScript en tu navegador para completar este formulario.

Preguntas frecuentes

¿Cuántas horas de dedicación semanal exige?

El programa son 800 horas totales repartidas en 6 a 8 meses. Eso son entre 10 y 15 horas semanales de media, compatibles con jornada laboral completa.

¿Qué software necesito?

Se trabaja con R, Python (pandas, scikit-learn), SAS, Prophet. Se usan versiones gratuitas, académicas o de evaluación, y el tutor indica la alternativa libre cuando existe.

¿Qué titulación obtengo?

Diploma propio de SEIUM al superar la evaluación continua y el proyecto integrador. Es formación propia, no un título oficial del Ministerio.

¿Se puede convalidar con otra formación de SEIUM?

Sí. Los módulos superados en un curso o diplomado del mismo área convalidan en el programa superior. Consulta la política de convalidaciones al matricularte.

Lo que se busca en Google

Las preguntas que más se hacen sobre Infraestructura de MLOps para Seguros

¿Qué es Infraestructura de MLOps para Seguros?

Es una especialidad propia de los datos y la simulación en ingeniería. En la práctica consiste en aplicar un método de ingeniería concreto (requisitos, diseño, cálculo, ensayo y puesta en servicio) a ese ámbito, con sus propias normas, herramientas y criterios de aceptación. Este diplomado recorre ese método completo en 8 módulos.

¿Qué salidas profesionales tiene Infraestructura de MLOps para Seguros?

Contratan sobre todo departamentos de I+D, consultoras de cálculo y equipos de ciencia de datos industrial. Los puestos habituales son los de ingeniero de diseño, de cálculo, de ensayo, de puesta en marcha y de calidad o cumplimiento normativo, además de los perfiles de proyecto que coordinan a los anteriores.

¿Qué normas hay que conocer para trabajar en Infraestructura de MLOps para Seguros?

Las de referencia son ISO/IEC 25012, ISO/IEC 42001, ASME V&V 10 y 20, entre otras. No basta con saber que existen: lo que piden las empresas es saber qué exige cada una, qué evidencia hay que generar y cómo se documenta. Es lo que se trabaja en el módulo de marco normativo.

¿Qué herramientas se usan en Infraestructura de MLOps para Seguros?

En el día a día se trabaja con entornos de análisis y aprendizaje automático, software de simulación numérica y plataformas de datos. Durante la formación se usan en los ejercicios y en el proyecto final, de modo que lo que se practica es lo mismo que se pide en una oferta de empleo.

¿Cuánto se tarda en especializarse en Infraestructura de MLOps para Seguros?

Este programa son 800 horas. Con 10 horas a la semana salen unas 80 semanas; con 5 horas, el doble. Al ser 100 % online y asíncrono, el calendario lo marca el alumno y no hay clases a hora fija.

¿Se puede estudiar Infraestructura de MLOps para Seguros online?

Sí. Todo el programa es online y asíncrono: material, ejercicios y entregas quedan disponibles desde el primer día y cada módulo se cierra con un entregable que el tutor corrige de forma individual. No hay desplazamientos ni horarios.

¿Qué nivel previo hace falta?

Se parte de una base técnica: formación en ingeniería o experiencia equivalente en el sector. No se exige experiencia previa en la especialidad concreta, porque los primeros módulos reconstruyen los fundamentos antes de entrar en los métodos avanzados.

Ficha del programa

El programa en datos

8módulosEstructura
80submódulosUnidades de trabajo
800horasCarga total
6-8mesesDedicación
Modalidad
online, 100 % a distancia.
Duración
800 horas · 6 a 8 meses.
Estructura
8 módulos y 80 submódulos.
Área
Seguros, Riesgo & Actuarial.
Titulación
diploma propio de SEIUM.
Convocatorias
abiertas, matrícula continua.
Tutorización
tutor técnico asignado y corrección individual.
Idioma
español.

Compara antes de decidir

Esta formación frente a otra del catálogo

Diplomado · estás aquíDiplomado en Infraestructura de MLOps para SegurosCursoCurso de Políticas de seguros frente a fallos de infraestructura digital
Horas800 h300 h
Módulos86
Submódulos8060
Precio890 €445 €

Ver Curso de Políticas de seguros frente a fallos de infraestructura digital

Formaciones relacionadas

Programa revisado el .

Seium - Universidad de ingeniería avanzada
Powered by  GDPR Cookie Compliance
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.