IA y Datos
Retos de Deep Learning
Los retos de Deep Learning te sitúan en el centro del trabajo de construir modelos que aprenden de datos en bruto. Desarrollarás habilidades en Redes Neuronales y Redes Feedforward, aplicarás Aumentación de Datos y entrenarás modelos en PyTorch o TensorFlow junto a los fundamentos del Reinforcement Learning.
A partir de ahí abordarás los temas más complejos — Arquitectura Transformer, Mecanismos de Atención, Diseño de Arquitectura Personalizada y Entrenamiento Distribuido — trabajando con PyTorch Lightning / Hugging Face Trainer, Patrones de Investigación con JAX y Diseño de Estudios de Ablación. Cada reto que resuelvas te otorga una credencial verificada para mostrar a los reclutadores.
- CodeIntermedioNuevo
Política PPO para Conducir un AGV en Mina de Antofagasta
Recibirás un entorno Gymnasium con un AGV de tracción diferencial, 4 mapas de túneles distintos y perturbaciones (polvo, fallos puntuales de odometría, iluminación variable). En…
- Policy Gradients
- Ppo
- Reinforcement Learning
Deep Reinforcement Learning - ResearchSéniorNuevo
Análisis interpretabilidad mecánica de un modelo pequeño
Elige una tarea sencilla bien estudiada (por ejemplo predicción del último token de una secuencia aritmética o resolución de pronombres en frases cortas). Sobre un Transformer p…
- Mechanistic Interpretability
- Transformer Internals
- Pytorch
AI Safety and Alignment - CodeIntermedioNuevo
Genera resúmenes visuales de partidos para un medio deportivo mexicano
Recibirás 30 partidos completos anotados con timestamps de eventos (gol, tiro, falta, sustitución, tarjeta). Entrena un modelo de detección de eventos basado en un encoder visua…
- Video Understanding
- Temporal Action Detection
- Clip
Deep Learning for Computer Vision - ResearchSéniorNuevo
Investiga ataques de model inversion sobre un modelo de salud anonimizado
Recibirás un modelo de clasificación de imágenes médicas (ResNet-50 fine-tuneado) y el dataset de entrenamiento anonimizado. Implementa: (1) ataque de model inversion (Fredrikso…
- Model Inversion
- Membership Inference
- Privacy Attacks
Privacy-Preserving Machine Learning Practice your coursework on real scenarios.
Every challenge is shaped from real-world context — not generic exercises. The work mirrors what your degree prepares you for.
Why Ewance
- ResearchSéniorNuevo
Aprende preferencias de manipulación a partir de feedback humano
Recibirás un brazo simulado en MuJoCo con 3 tareas de manipulación (pasar un vaso, abrir la nevera, recoger una cuchara) y un dataset inicial de 50 demostraciones humanas con et…
- Reinforcement Learning
- Human Robot Interaction
- Rlhf
Human-Robot Interaction - CodeSéniorNuevo
Aprender locomoción cuadrúpeda con reinforcement learning
Trabajarás con Isaac Gym o Isaac Lab que permite entrenar en miles de robots simulados en paralelo. Implementarás un setup PPO sobre un modelo del cuadrúpedo (similar a Unitree …
- Reinforcement Learning
- Learning Based Control
- Isaac Gym
Multidisciplinar - CodePrincipianteNuevo
Extrae cláusulas críticas de contratos con NLP supervisado
Recibirás 1.500 contratos comerciales en español anonimizados con cláusulas anotadas por jurista (spans con tipo de cláusula). Entrenarás un modelo de extracción tipo BERT (RoBE…
- Information Extraction
- Token Classification
- Pytorch
Multidisciplinar - CodeIntermedioNuevo
Detección de Fraude en Red de Pagos B2B con GNN en Madrid
Recibirás 12 meses de transacciones anonimizadas, datos de KYC (Know Your Customer) y vínculos detectados manualmente. Construye el grafo (nodos: empresas; aristas: comparten be…
- Graph Neural Networks
- Graphsage
- Fraud Detection
Multidisciplinar - Browse challenges
Explore role
Product Manager
Ship product that solves real user problems. Combine user research, prototyping, and stakeholder alignment to turn ambiguous briefs into measurable wins — the role at the centre of modern software teams.
- CodeIntermedioNuevo
Generar variaciones de producto con difusión condicionada
Recibirás 4.000 pares de (boceto, foto real) de la marca, anotados con descripción del material. Partirás de Stable Diffusion XL y aplicarás un fine-tuning con ControlNet para c…
- Diffusion Models
- Controlnet
- Lora Fine Tuning
Advanced Deep Learning - CodeIntermedioNuevo
Genera imágenes sintéticas para entrenar un detector de neumáticos en Vigo
Trabajen en equipo de 2. Usen Stable Diffusion con LoRA (Low-Rank Adaptation — adaptación de bajo rango) por modelo para generar ~500 imágenes sintéticas por clase con variación…
- Generative Perception
- Stable Diffusion
- Lora Fine Tuning
Machine Perception - CodeIntermedioNuevo
Transcribe y analiza llamadas de soporte con un encoder + decoder
Recibirás 4.000 llamadas anonimizadas en español (8 segundos a 12 minutos) con etiquetas de motivo (12 categorías) y sentimiento (positivo/neutro/negativo). Implementa el pipeli…
- Asr
- Whisper
- Transformers
Deep Learning - CodeIntermedioNuevo
Optimiza el inventario de una maquiladora con un MDP
Recibirás 36 meses de historia anonimizada de demanda diaria, plazos de entrega de proveedor (variables) y costes (mantener stock, stockout, orden). Modela el problema como un M…
- Mdp
- Dynamic Programming
- Reinforcement Learning
Decision Making Under Uncertainty Build a verifiable portfolio.
Submissions become evidence. Reviewers with shipping experience score against a rubric; the result becomes a credential anyone can verify.
Why Ewance
- CodeIntermedioNuevo
Red neuronal informada por la física para flujo en tuberías
Recibes la formulación matemática del problema (ecuación de continuidad y de momento simplificadas en 2D), tres geometrías de referencia con su solución numérica de alta calidad…
- Physics Informed Nn
- Scientific Computing
- Pytorch
AI for Science and Engineering - CodeIntermedioNuevo
Tracking Multi-Objeto en Puerto de Valencia
Recibes 6 horas de video (10 cámaras, 1080p, 15 fps) con anotación MOT (identidades + boxes por frame) sobre 90 segundos por cámara como ground truth. Integra un detector preent…
- Multi Object Tracking
- Object Detection
- Pytorch
Computer Vision - CodeIntermedioNuevo
Predicción de Trayectorias para una Flota Logística en Puebla
Recibes 60 horas de datos de patio (poses 10 Hz de 18 vehículos manuales y 4 autónomos, mapa lógico del patio en formato Lanelet2-like). Entrena un baseline kinemático (modelo d…
- Trajectory Prediction
- Sequence Models
- Pytorch
Multidisciplinar - CodeIntermedioNuevo
Detección de Defectos en Soldadura para una Planta Tier-1 de Vigo
Recibes 6.500 imágenes RX anotadas (bounding boxes de tres tipos de defecto: poro, falta de fusión, inclusión). Entrena un detector moderno (DETR — Detection Transformer o YOLO-…
- Object Detection
- Deep Learning
- Pytorch
Multidisciplinar - CodeIntermedioNuevo
Ataques adversariales y entrenamiento robusto para clasificador de fraude
Recibes el modelo del cliente (pesos), su dataset de transacciones anonimizado y permiso explícito para evaluar adversarialmente. Aplica al menos tres ataques (Fast Gradient Sig…
- Adversarial Attacks
- Adversarial Training
- Robustness Testing
Trustworthy AI, Robustness, and Safety - CodeIntermedioNuevo
REINFORCE para balance de carga en un servidor de gaming LATAM
Recibes 30 días de logs históricos (origen del jugador, datacenters disponibles, carga, latencia medida, costo) y construyes un simulador de eventos discretos. Entrena un agente…
- Reinforcement Learning
- Policy Gradients
- Deep Learning
Reinforcement Learning - CodeIntermedioNuevo
Política de pricing dinámico con bandidos contextuales en e-commerce
Recibes 6 meses de eventos (vistas + compras) sobre los 80 SKUs y 8 niveles de precio discretos por SKU. Implementa LinUCB con 12 features contextuales y úsalo en una validación…
- Contextual Bandits
- Reinforcement Learning
- Offline Evaluation
Reinforcement Learning - CodeIntermedioNuevo
Búsqueda vectorial a escala para catálogo de gran retailer
Recibes un subconjunto representativo de 2 millones de productos con descripciones multilingües (español, inglés, portugués), 30.000 consultas de búsqueda anonimizadas con clics…
- Vector Search
- Embeddings
- Distributed Indexing
Machine Learning at Scale - ResearchIntermedioNuevo
Augmenta datasets escasos con VAEs para clasificación médica
Trabajarás con un dataset público (BloodMNIST o similar de MedMNIST, alrededor de 17.000 imágenes en 8 clases). Reduce artificialmente a 500 imágenes por clase para simular esca…
- Vae
- Generative Models
- Data Augmentation
Deep Generative Models - DesignIntermedioNuevo
Diseña un sistema de federated learning para hospitales en Brasil bajo LGPD
Recibirás 3 datasets sintéticos representando 3 hospitales (15.000-25.000 pacientes cada uno) con esquemas idénticos. Implementa: (1) modelo baseline entrenado centralmente sobr…
- Federated Learning
- Secure Aggregation
- Lgpd Compliance
Privacy-Preserving Machine Learning - ResearchSéniorNuevo
Reproduce un experimento de escalado a pequeña escala
Entrenarás transformers GPT-style desde cero en 3 tamaños (1M, 10M, 100M parámetros) sobre subsets de OpenWebText o C4 en 3 tamaños (100M, 1B, 10B tokens). Ejecutarás los 9 cruc…
- Scaling Laws
- Transformers
- Pytorch
Large Language Models - AnalysisPrincipianteNuevo
Evalúa estrategias de cuantización para inferencia económica en español
Tomarás Llama-3 8B-Instruct o Qwen2 7B-Instruct y producirás 4 variantes: FP16 baseline, INT8 (bitsandbytes), INT4-AWQ, INT4-GPTQ. Evaluarás sobre 3 benchmarks en español: una t…
- Quantization
- LLM Inference
- Benchmarking
Large Language Models
Cómo funciona
Del briefing al certificado, en seis pasos.
Paso 01
Explora retos alineados con tus estudios.
Paso 02
Acepta el que encaja con tus metas.
Paso 03
Trabájalo con la guía del AI Copilot.
Paso 04
Envíalo para una evaluación estructurada.
Paso 05
Consigue una credencial verificada.
Paso 06
Añádela a LinkedIn con un solo clic.
Familias de competencias relacionadas
Explorar todas las competenciasEquipos del sector tras una década de briefings prácticos
¿Reclutando de este grupo?
Patrocina un reto y conoce candidatos a través de su trabajo real.
Los equipos de la industria pueden diseñar briefings en torno a las habilidades que buscan, y evaluar a los estudiantes por entregables puntuados con rúbrica — no por currículums.