Diseña y ejecuta un capstone de detección de anomalías para una cooperativa olivarera
Visión general
De qué trata este proyecto.
Diseña un detector de anomalías con 45M filas de telemetría de molinos, entrena por molino y presenta una demo en vivo. Obtén un certificado verificable.
El escenario
La cooperativa (cerca de 18.000 toneladas de aceite/año) sufre alrededor de 4 paradas no programadas/mes con un coste medio de 9.000 EUR cada una; reducirlas a la mitad pagaría con creces un piloto de detección.
El Briefing
Lo que harás y lo que demostrarás.
Diseñar e implementar un sistema de detección de anomalías por molino, evaluado a una tasa fija de 5 alertas/día, listo para piloto.
Earning criteria — what you'll demonstrate
- Diseñar un experimento de ML end-to-end bajo supervisión, con hipótesis explícitas
- Aplicar y comparar enfoques clásicos y de deep learning para detección de anomalías
- Evaluar usando métricas operativas (alertas/día) en lugar de métricas académicas (AUC)
- Comunicar resultados de research a una persona stakeholder no técnica de forma defendible
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Alineación con asignaturas próximamente.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
- Anomaly Detection
Apply anomaly detection to solve real industry problems and demonstrate production-level capability.
- Time Series Analysis
Apply time series analysis to solve real industry problems and demonstrate production-level capability.
- Pytorch
Apply pytorch to solve real industry problems and demonstrate production-level capability.
- Experiment Design
Apply experiment design to solve real industry problems and demonstrate production-level capability.
- Evaluation
Apply evaluation to solve real industry problems and demonstrate production-level capability.
- Stakeholder Communication
Apply stakeholder communication to solve real industry problems and demonstrate production-level capability.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Científico/a de Datos
Diseñar un experimento desde una hipótesis hasta una demo defendible es el ciclo completo que define al data scientist; este reto lo recorre entero bajo restricciones reales.
Este proyecto afina
- experiment-design
- anomaly-detection
- stakeholder-communication
Investigador/a en ML
Comparar enfoques con criterios métricos rigurosos y justificar por qué uno gana es trabajo nuclear de un ML researcher aplicado.
Este proyecto afina
- anomaly-detection
- pytorch
- evaluation
Científico/a Aplicado/a de IA
Traducir incidentes industriales en una métrica operativa (alertas/día) y defenderla frente a un comité es lo que separa a un applied scientist del investigador puro.
Este proyecto afina
- evaluation
- stakeholder-communication
- time-series-analysis