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.
- CodeSéniorNuevo
Optimiza la latencia de inferencia de un LLM para un banco IBEX-35 anonimizado
Recibes el modelo base (Llama-3-13B o equivalente), 500 prompts representativos en español y acceso a una máquina con una GPU A100 de 40GB. Implementa y mide tres optimizaciones…
- LLM Inference
- Quantization
- Gpu Optimization
Machine Learning Systems - AnalysisIntermedioNuevo
Optimización de un pipeline de subastas de publicidad en tiempo real
Recibes una captura representativa de 2 horas de tráfico (cerca de 1.700 millones de solicitudes) y acceso al pipeline actual: extracción de features, batch de inferencia y agre…
- Profiling De Rendimiento
- Servicio De Modelos
- Low Latency Inference
Machine Learning at Scale - CodeSéniorNuevo
Optimiza un transformer con técnicas modernas de eficiencia
Recibirás el modelo baseline (un encoder transformer fine-tuned de 110M parámetros), un benchmark interno de 5.000 pares (query, doc) con similaridad esperada, y la traza de req…
- Knowledge Distillation
- Quantization
- Hugging Face Transformers
Deep Learning - 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 …
- Entrenamiento Distribuido
- Recommender Systems
- Pytorch O Tensorflow
Machine Learning at Scale 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
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…
- Fundamentos De Bases De Datos Vectoriales
- Word Embeddings
- Distributed Indexing
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.