Máster en MLOps y Despliegue de Modelos en Producción

Duración

10 meses

Fecha de Inicio

30-11-2026

Horas

1500

Módulos

12 módulos

Modalidad

Online

Precio

2100 €

ISSLOGG

Presentación del Máster en MLOps y Despliegue de Modelos en Producción

El Máster en MLOps y Despliegue de Modelos en Producción forma a los profesionales que se encargan de que la inteligencia artificial de una empresa logística funcione, se mantenga y rinda cuentas. Cuando una compañía pasa de tener un par de modelos experimentales a decenas de modelos decidiendo sobre stock, rutas o precios, necesita una ingeniería de plataforma que los automatice y una gobernanza clara que garantice que son fiables, explicables y conformes a la regulación europea.

El temario sigue el camino completo de un modelo en una organización madura: ingeniería de datos con feature stores, experimentación con MLflow, model registry y serving con TensorFlow Serving y Seldon, para después automatizar con CI/CD, monitorizar drift y disparar el reentrenamiento automático. La recta final se centra en decidir y responder por los modelos, con A/B testing, governance de ML y Responsible AI alineada con el AI Act, y se cierra con una plataforma MLOps propia que te prepara para liderar como head de MLOps o arquitecto de plataformas de IA en operadores logísticos, retail y consultoras.

Proposito del Máster en MLOps y Despliegue de Modelos en Producción

  • Formar líderes técnicos capaces de dirigir plataformas MLOps en logística
  • Industrializar la IA con automatización de extremo a extremo
  • Asegurar modelos fiables que se adaptan solos a los cambios de la operación
  • Integrar la gobernanza y el cumplimiento normativo en el ciclo de vida
  • Impulsar una IA responsable, explicable y auditable en la cadena de suministro

Para que te prepara Máster en MLOps y Despliegue de Modelos en Producción

  • Diseñar la arquitectura de una plataforma MLOps corporativa
  • Automatizar reentrenamientos a partir de alertas de drift y rendimiento
  • Comparar modelos en producción con A/B testing y despliegues progresivos
  • Definir políticas de governance con auditoría, linaje y aprobaciones
  • Evaluar sesgos y explicabilidad conforme al AI Act europeo

¿Tienes dudas sobre el programa, la matrícula o la titulación? Escríbenos y nuestro equipo te asesorará sin ningún compromiso.

WhatsApp

+34 960 730 479

Escríbenos

info@isslogg.com

Te respondemos en menos de 24 h

Lunes a viernes, de 9:00 a 18:00 (CET)

SOLICITA INFORMACIÓN

Contáctanos

Un recorrido sencillo y flexible, desde la matrícula hasta tu titulación.

Lo que lograrás

Objetivos del Máster en MLOps y Despliegue de Modelos en Producción

01

Comprender el ciclo de vida completo de los modelos en una organización madura.

02

Construir pipelines de datos, entrenamiento y serving totalmente automatizados.

03

Implantar reentrenamiento automático guiado por métricas de drift.

04

Diseñar experimentos A/B para validar modelos con datos reales.

05

Aplicar marcos de governance y Responsible AI en proyectos de ML.

Máster en MLOps y Despliegue de Modelos en Producción
Por qué ISSLOGG

Una formación pensada para impulsar tu carrera

Metodología práctica y flexible, con el acompañamiento de expertos en cada paso.

Enfoque 100% práctico

Casos reales y herramientas aplicables desde el primer día.

Titulación propia

Acredita tus competencias con un título propio de ISSLOGG.

Campus online 24/7

Estudia a tu ritmo, sin horarios y desde cualquier dispositivo.

Tutorización experta

Tutores especialistas que resuelven todas tus dudas.

PLAN DE ESTUDIOS

Temario del Máster en MLOps y Despliegue de Modelos en Producción

Módulo 1: MLOps ciclo de vida ML
  • Del modelo aislado al portfolio de modelos
  • Ciclo de vida y deuda técnica en ML
  • Modelos de madurez MLOps
  • Plataformas Kubeflow, SageMaker y Vertex AI
  • Organización de equipos de ML en la empresa
Módulo 2: Data pipelines y feature stores
  • Arquitecturas batch y streaming con Kafka
  • Orquestación con Airflow y Dagster
  • Calidad y contratos de datos
  • Feature stores con Feast y Tecton
  • Versionado de datos y linaje con DVC
Módulo 3: Entrenamiento y experimentación MLflow
  • Tracking de experimentos a escala
  • Entrenamiento distribuido y uso de GPU
  • Optimización de hiperparámetros con Optuna
  • Reproducibilidad con contenedores Docker
  • Experimentos sobre demanda, ETAs y pricing
Módulo 4: Model registry
  • Catálogo corporativo de modelos
  • Metadatos, firmas y model cards
  • Flujos de aprobación y promoción entre entornos
  • Linaje completo de datos, código y modelo
  • Retirada y archivado de versiones
Módulo 5: Serving TensorFlow Serving Seldon
  • Patrones de inferencia batch, online y edge
  • TensorFlow Serving con REST y gRPC
  • Seldon Core y KServe sobre Kubernetes
  • Escalado, latencia y optimización de costes
  • Despliegues canary y shadow
Módulo 6: CI/CD para ML
  • Integración y entrega continua de modelos
  • Testing de datos, código y modelo
  • GitHub Actions, GitLab CI y Argo
  • Infraestructura como código con Terraform
  • Estrategias de despliegue y rollback seguro
Módulo 7: Monitoring y drift detection
  • Observabilidad del modelo en producción
  • Data drift, concept drift y prediction drift
  • Detección con Evidently y pruebas estadísticas
  • Prometheus y Grafana para alertas
  • Monitorización sin etiquetas en tiempo real
Módulo 8: Retraining automático
  • Políticas de reentrenamiento programado y por evento
  • Disparadores basados en drift y rendimiento
  • Validación automática antes de promover modelos
  • Continuous training con Kubeflow Pipelines
  • Gestión de costes del reentrenamiento
Módulo 9: A/B testing de modelos
  • Diseño estadístico de experimentos online
  • Métricas de negocio frente a métricas del modelo
  • Tamaño de muestra y significancia
  • Bandits multibrazo e interleaving
  • Casos en ruteo, pricing y recomendación
Módulo 10: Governance de ML
  • Marcos de gobierno del ciclo de vida
  • Roles, responsabilidades y comités de IA
  • Auditoría, trazabilidad y documentación
  • Gestión del riesgo de modelos
  • ISO/IEC 42001 y normas de referencia
Módulo 11: Responsible AI
  • Principios de una IA responsable
  • Sesgos y equidad en modelos logísticos
  • Explicabilidad con SHAP y LIME
  • Privacidad, RGPD y protección de datos
  • AI Act europeo y clasificación por riesgo
Módulo 12: Trabajo Final del Máster
  • Elección de un caso logístico real
  • Arquitectura de la plataforma MLOps
  • Automatización de entrenamiento, despliegue y reentreno
  • Monitorización, A/B testing y marco de governance
  • Presentación y defensa del proyecto
¿Es para ti?

A quién va dirigido

Este programa está diseñado para perfiles que quieren crecer en el sector logístico.

Profesionales de logística

Si trabajas en logística con equipos de datos y quieres industrializar la IA de toda tu operación.

Recién titulados

Si te has titulado en informática, datos o ingeniería y aspiras a especializarte como ML engineer.

Mandos y responsables

Si diriges tecnología u operaciones y necesitas gobernar los modelos de IA que ya usa tu empresa.

Profesionales en reorientación

Si vienes de DevOps, cloud o desarrollo y quieres liderar plataformas de machine learning en producción.

Cómo aprenderás

Metodología del Máster en MLOps y Despliegue de Modelos en Producción

Un recorrido sencillo y flexible, desde la matrícula hasta tu titulación.

1

Matrícula online

Te inscribes en minutos y accedes de inmediato a tu formación.

2

Campus 24/7

Estudias a tu ritmo desde el campus virtual, sin horarios fijos.

3

Tutoría experta

Cuentas con el acompañamiento de tutores que resuelven tus dudas.

4

Titulación propia

Al terminar obtienes tu titulación propia de ISSLOGG.

Resolvemos tus dudas

Preguntas Frecuentes del Máster en MLOps y Despliegue de Modelos en Producción

¿No encuentras tu respuesta?

Nuestro equipo está listo para resolver todas tus dudas sobre el programa, la matrícula o la titulación.

Contáctanos
¿Qué conocimientos previos necesito para matricularme en el máster?

Conviene manejar Python y tener una base de machine learning, ya que el máster se centra en industrializar y gobernar modelos más que en crearlos. Los primeros módulos repasan el ciclo de vida y la ingeniería de datos, lo que facilita la entrada a perfiles que vienen de DevOps o de análisis de datos.

¿Me sirve el máster si quiero un perfil más de gestión que técnico?

Sí. Aunque hay una parte técnica sólida, la recta final aborda governance de ML, gestión del riesgo de modelos, Responsible AI y el AI Act europeo, lo que te permite liderar equipos y decidir sobre la IA de la empresa con criterio técnico y normativo.

¿Con qué herramientas voy a trabajar?

Trabajarás con MLflow, Feast, Airflow, Kubeflow, TensorFlow Serving, Seldon Core, GitHub Actions, Terraform, Evidently, Prometheus y Grafana, además de librerías de explicabilidad como SHAP y LIME, siempre sobre casos logísticos.

¿Qué salidas profesionales tiene el máster?

Te prepara para puestos como MLOps engineer, ML platform engineer, arquitecto de soluciones de IA, head de MLOps o responsable de governance de IA, en operadores logísticos, retail, transporte, consultoras y empresas tecnológicas.

¿Cómo se estudia el máster y qué obtengo al finalizar?

El máster es 100% online, con clases grabadas y acceso al campus virtual para avanzar a tu ritmo, con acompañamiento docente durante todo el programa. Al completarlo y superar el trabajo final recibes la titulación propia de ISSLOGG.