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.
- CodeIntermedioNuevo
Predicción de fallos en turbinas eólicas con datos de sensores
Debes construir un pipeline completo de ciencia de datos: limpieza y preprocesamiento de series temporales multivariantes, ingeniería de características relevantes para el desga…
- Time Series Analysis
- Neural Networks
- Predictive Maintenance
Data Science for Business - 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
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 - 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 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
- 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 - CodeIntermedioNuevo
VAE para detección de anomalías en pagos B2B
En equipo de 2, recibes ~12M transacciones (28 features tabulares + texto corto del concepto), de las cuales 850 están etiquetadas como fraude por investigación post-hoc. Entren…
- Variational Autoencoders
- Deep Learning
- Anomaly Detection
Multidisciplinar - CodeIntermedioNuevo
Detección de fraude por red de llamadas en una telco LATAM
Recibes una semana de Call Detail Records (CDR) anonimizados con cerca de 3.000 millones de aristas (origen, destino, marca de tiempo, duración) y un conjunto de etiquetas de fr…
- Graph Features
- Fraud Detection
- Xgboost
Multidisciplinar - CodeIntermedioNuevo
Detección de Peatones Nocturnos para un OEM Automotor Catalán
Recibes 25.000 imágenes nocturnas etiquetadas (BDD100K subset + recopilación interna anonimizada) con bounding boxes de peatones. Entrena un detector basado en YOLOv8 o RT-DETR,…
- Object Detection
- Deep Learning
- Model Evaluation
AI for Autonomous Vehicles - 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.
- 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 - AnalysisPrincipianteNuevo
Inferencia bayesiana para tasas de impago en fintech
Recibes ~6.500 préstamos clasificados en 24 segmentos (combinaciones de ciudad, sector y monto) con etiqueta de default a 60 días. Modela las tasas con una jerarquía Beta-Binomi…
- Bayesian Inference
- Mcmc
- Hierarchical Models
Probabilistic Machine Learning - ResearchIntermedioNuevo
Reproducción de un resultado del estado del arte en visión
Elige (entre tres opciones proporcionadas) un paper reciente del estado del arte en clasificación de imágenes con código y datasets públicos. Reproduce el experimento principal …
- Reproducibility
- Model Evaluation
- Deep Learning
AI Measurement and Evaluation - 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 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
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
Construye un ensemble con stacking para precios inmobiliarios en São Paulo
Recibes 280.000 ventas anonimizadas (precio, m², barrio, antigüedad, dormitorios, distancia al metro, etc.). Entrena tres modelos base diversos (random forest, LightGBM, regresi…
- Ensemble Methods
- Stacking
- Model Evaluation
Multidisciplinar - CodeIntermedioNuevo
Construye un pipeline CI/CD de ML para una insurtech de Ciudad de México
Recibirás el código de un modelo de scoring de suscripción (XGBoost) y acceso a un repositorio Git, GitHub Actions y un clúster de pruebas. Implementa: (1) pipeline de entrenami…
- Ci Cd
- Model Deployment
- Mlflow
ML Engineering and Production ML - 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
Construye un sistema de monitorización de drift para una fintech LATAM
Recibirás predicciones históricas y features de 14 modelos durante 6 meses. Implementa un servicio en Python que: (1) calcule PSI (Population Stability Index — índice de estabil…
- Model Monitoring
- Data Drift
- Python
Machine Learning Systems - 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 - CodeSéniorNuevo
Política End-to-End de Conducción para un Reto de Karting Autónomo
Recibes 12 horas de demos del piloto humano (cámara frontal a 30 Hz + comandos), una pista replicada en CARLA y un baseline PID. Entrena una política de imitación (CNN ligera ti…
- Imitation Learning
- End To End Learning
- Pytorch
AI for Autonomous Vehicles - CodeIntermedioNuevo
Plataforma de evaluación humana para LLMs en producto
Construye una plataforma web con backend en Python y frontend en React. Soporta tres tipos de evaluación: comparación pareada A/B, escala Likert sobre criterios definidos y libr…
- Software Engineering
- Human Evaluation
- Full Stack Development
AI Software Engineering Group Project - CodeFundamentosNuevo
Clasifica reseñas de hoteles para una cadena en Canarias
Recibes 12.000 reseñas en español ya etiquetadas (3.000 por categoría). Construye un pipeline con TF-IDF (Term Frequency-Inverse Document Frequency — frecuencia de término inver…
- Text Classification
- Tf Idf
- Logistic Regression
Machine Learning (Undergraduate) - CodeIntermedioNuevo
Recomendador de Repuestos para una Distribuidora Industrial en Monterrey
Recibes 36 meses de pedidos (alrededor de 950.000 líneas) con cliente, referencia, fecha y cantidad. Construye dos baselines (popularidad global y popularidad por segmento de cl…
- Recommender Systems
- Collaborative Filtering
- Model Evaluation
Multidisciplinar - CodePrincipianteNuevo
Clasificador de Tickets de Soporte para una SaaS de Málaga
Recibes 40.000 tickets históricos en español con la categoría asignada por agentes humanos (con ruido conocido — la propia gerencia estima un 8% de errores de etiquetado). Limpi…
- Text Classification
- Embeddings
- Model Evaluation
Applied Machine Learning - CodePrincipianteNuevo
Aplica transfer learning para clasificar especies marinas en Chiloé
Recibes 1.200 imágenes (100 por especie) divididas en train/val/test 60/20/20. Compara: (a) ResNet-50 congelado + cabeza nueva, (b) descongelar últimas 2 capas + cabeza, (c) fin…
- Transfer Learning
- Fine Tuning
- Image Classification
Meta-Learning, Transfer Learning, and Multi-Task Learning
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.



















































































