IA y Datos
Retos de Ingeniería de ML y MLOps
Los retos de Ingeniería de ML y MLOps te sitúan en el centro del trabajo de sacar modelos de los notebooks y llevarlos a producción. Desarrollarás habilidades construyendo Pipelines de ML, Empaquetado de Modelos y Despliegue de Modelos, y entendiendo la diferencia entre Entrenamiento vs Servicio, mientras registras tu trabajo en MLflow.
A partir de ahí abordarás los temas más complejos — Monitorización de Modelos, Detección de Drift y Re-entrenamiento Automático, Pipelines de Kubeflow, Despliegue en el Edge y Optimización ONNX — con Tracking de Experimentos con Weights & Biases y Despliegue ML en Producción como los equipos reales de MLOps. Cada reto que resuelvas te otorga una credencial verificada para mostrar a los reclutadores.
- CodePrincipianteNuevo
Segmentación de Hojas de Olivo Enfermas en Jaén
Recibes 2.400 fotos anotadas con máscara de zona afectada y etiqueta de enfermedad (tres clases + sana). Entrena un U-Net ligero (encoder MobileNetV3 small o ResNet18) para segm…
- Semantic Segmentation
- Cnn
- Deep Learning
Multidisciplinar - AnalysisPrincipianteNuevo
Audita un modelo de scoring crediticio buscando sesgos por región
Recibes el modelo entrenado (random forest) y un set de validación anonimizado de 20.000 solicitudes con etiqueta verdadera y atributo de región (5 grupos). Calcula tasa de apro…
- Fairness Metrics
- Model Evaluation
- Bias Auditing
Machine Learning (Undergraduate) - CodeIntermedioNuevo
Detección de fraude transaccional en pagos B2B
Recibirás 9 meses de transacciones anonimizadas (alrededor de 38 millones de eventos) con etiquetas de chargeback retroactivas. Construye features (velocidad, anomalía geográfic…
- Fraud Detection
- Gradient Boosting
- Feature Engineering
Multidisciplinar - AnalysisIntermedioNuevo
Estratifica riesgo de reingreso en un hospital universitario de Barcelona
Recibes 18.000 episodios anonimizados con features estructuradas (constantes al alta, comorbilidades CIE-10, medicación, demografía). Entrena un modelo (XGBoost o regresión logí…
- Risk Stratification
- Calibration
- Clinical Data
Multidisciplinar 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
- CodeIntermedioNuevo
Diseña aprendizaje multi-tarea para una fintech en Bogotá
Recibes 250.000 clientes anonimizados con features compartidas (uso, antigüedad, saldo, demografía) y las 3 etiquetas. Construye una red multi-tarea con shared encoder + 3 cabez…
- Multi Task Learning
- Transfer Learning
- Loss Balancing
Multidisciplinar - CodeSéniorNuevo
Dashboard de salud de modelos de ML para una scaleup
Construye un sistema con backend en Python, almacenamiento de series temporales (PostgreSQL con TimescaleDB), frontend en React y conectores ligeros para ingesta. El dashboard d…
- Mlops
- System Design
- Model Monitoring
Multidisciplinar - DesignSéniorNuevo
Migra un sistema de batch a streaming para una fintech LATAM
Recibirás el modelo actual (XGBoost) y el código del batch. Diseña la migración: ingesta con Kafka, procesamiento con Flink o Faust, integración con el feature store para featur…
- Streaming
- Kafka
- System Design
Multidisciplinar - AnalysisIntermedioNuevo
Modela rutas de pacientes con un HMM en aseguradora médica
Recibes 42.000 trayectorias de pacientes con diabetes tipo 2, cada una con secuencias mensuales de eventos categóricos (consulta primaria, urgencias, cambio de medicación, prueb…
- Hidden Markov Models
- Sequence Modeling
- Probabilistic Inference
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.
- AnalysisPrincipianteNuevo
Auditar sesgo en un modelo de scoring de seguros
Recibirás el modelo (binario opaco que devuelve un score 0-100), 30.000 solicitudes anonimizadas con resultado real (siniestralidad a 12 meses) y atributos demográficos sensible…
- Algorithmic Fairness
- Bias Auditing
- Counterfactual Analysis
AI Ethics, Fairness, and Responsible AI - CodePrincipianteNuevo
Detección de fraude de tarjeta para una fintech mexicana
Recibes nueve meses de autorizaciones anonimizadas (unos 6 millones de transacciones, con tasa de fraude del 0,3%) y el resultado de las reglas actuales por transacción. Divide …
- Classification
- Model Calibration
- Feature Engineering
Multidisciplinar - ResearchIntermedioNuevo
Diseño de un benchmark interno para asistentes de código
Recibes una lista de 60 tareas reales recientes del backlog (15 por cuatro categorías: bugfix, feature pequeña, refactor, test). Diseña un protocolo con tres condiciones (asiste…
- Experimental Design
- Model Evaluation
- Benchmarking
Multidisciplinar - CodeIntermedioNuevo
Agente conversacional asistente para soporte interno con razonamiento
Recibes una base de 400 documentos internos y 80 preguntas reales con respuesta correcta etiquetada. Diseña un agente que combine recuperación (embeddings + búsqueda vectorial) …
- LLM Agents
- Retrieval Augmented Generation
- Prompt Engineering
Artificial Intelligence: Principles and Techniques 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
- CodePrincipianteNuevo
Wake-Word ‘Hola Casa’ con TinyML para Hogar Inteligente en Lisboa
Recibirás una base de 20 horas de wake-word (‘Hola Casa’ en ES y ‘Olá Casa’ en PT) más ~80 horas de habla negativa multilingüe. Entrena un modelo TinyML (DS-CNN, BC-ResNet o var…
- Tinyml
- Audio Ml
- Keyword Spotting
Multidisciplinar - CodeIntermedioNuevo
Modelo de Riesgo de Mora para una Cooperativa de Crédito en Medellín
Recibes 80.000 expedientes históricos anonimizados con 24 features socioeconómicas y de historial crediticio, etiquetados con mora a 90 días. Construye un pipeline completo: spl…
- Classification
- Feature Engineering
- Model Evaluation
Multidisciplinar - CodeIntermedioNuevo
Detecta defectos en piezas automotrices con un CNN en línea
Recibirás un dataset propio anonimizado de 12.000 imágenes etiquetadas (8.500 buenas, 3.500 con 4 tipos de defecto: rebaba, hundimiento, mancha, ralladura). Entrena un detector …
- Cnn
- Image Classification
- Defect Detection
Deep Learning for Computer Vision - CodeIntermedioNuevo
Entrenamiento distribuido del scoring de riesgo en banca minorista
Recibes un subconjunto anonimizado de 20 millones de operaciones y un cluster Spark con 8 nodos para los experimentos. Diseña la pipeline en dos fases: ingeniería de features di…
- Distributed Training
- Spark
- Xgboost
Machine Learning at Scale - CodePrincipianteNuevo
Predice la demanda de turnos en una clínica dental con XGBoost
Recibirás 24 meses de histórico anonimizado (turnos, especialidad, sede, marketing, festivos, clima). Construirás features temporales (lags, medias móviles, festivos), evaluarás…
- Supervised Learning
- Feature Engineering
- Model Evaluation
Machine Learning (CS Elective) - 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 - CodeIntermedioNuevo
Predice la demanda diaria para una distribuidora de aceite en Jaén
Recibes 36 meses de ventas anonimizadas (~2,1 millones de filas, SKU × tienda × día). Construye features de calendario (festivos andaluces, semana santa, fines de mes), variable…
- Time Series Forecasting
- Gradient Boosting
- Feature Engineering
Machine Learning - CodePrincipianteNuevo
MRF para segmentación de cultivos en agritech satelital
En equipo de 2-3, recibes 600 mosaicos Sentinel-2 (10m/píxel) con probabilidades por píxel del CNN (4 clases: sano, estrés hídrico, enfermo, suelo) y máscaras de verdad-terreno …
- Markov Random Fields
- Probabilistic Inference
- Image Segmentation
Probabilistic Graphical Models - CodeIntermedioNuevo
Compresión de modelos con distillation para edge
Recibirás el modelo teacher (YOLOv8-L) entrenado sobre 18.000 imágenes etiquetadas + el conjunto de validación. Diseñarás una estrategia que combine: (1) knowledge distillation …
- Knowledge Distillation
- Model Pruning
- Quantization
Advanced Deep Learning - CodeSéniorNuevo
Fusion Sensor Cámara + LiDAR para Inspección Autónoma en Curitiba
Recibes un dataset propio (40.000 frames sincronizados cámara + LiDAR de patios industriales) con etiquetas 3D. Implementa dos enfoques: fusión tardía (detectores independientes…
- Sensor Fusion
- Lidar Processing
- Deep Learning
Multidisciplinar - CodeIntermedioNuevo
Benchmark estadísticamente honesto para clasificadores de texto en español
Recibes cinco modelos (regresión logística sobre TF-IDF, fastText, RoBERTa multilingüe, mBERT, modelo open-source español tipo BETO) y tres conjuntos en español de clasificación…
- Model Evaluation
- Statistical Testing
- NLP
Multidisciplinar - CodeIntermedioNuevo
Embeddings distribuidos para recomendación en marketplace fintech LATAM
Recibes un subconjunto anonimizado de 50 millones de interacciones usuario-producto y un cluster con 4 GPUs. Implementa una arquitectura two-tower (una torre para usuario, otra …
- Distributed Training
- Recommender Systems
- Pytorch
Machine Learning at Scale
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.



















































































