Despliegue en el Edge
Si te gusta aplicar Despliegue en el Edge, cada reto aquí te da la oportunidad de practicarlo en un briefing industrial real.
- 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
Edge ML and On-Device Machine Learning - CodeIntermedioNuevo
Cuantiza un Modelo de Detección de Plagas en Olivar de Jaén
Recibirás un modelo PyTorch preentrenado (~12M parámetros), un dataset etiquetado de 8.000 imágenes (4 clases de plaga + sano) y la documentación del ESP32-S3 con TensorFlow Lit…
- Quantization
- Qat
- Edge Deployment
Edge ML and On-Device Machine Learning - CodePrincipianteNuevo
Detecta cosecha óptima de fresa con visión RGB en invernadero
Recibirás 5.000 imágenes etiquetadas con cajas delimitadoras y clase (verde, comercial, sobre-madura) capturadas a distintas horas del día. Entrenarás un detector ligero (YOLOv8…
- Object Detection
- Edge Deployment
- Pytorch
Image Processing and Computational Imaging - CodeIntermedioNuevo
Detección de palabras clave de despertador en español mexicano para wearable
Recibes 12.000 grabaciones positivas de la palabra clave por hablantes mexicanos, 80.000 grabaciones negativas (conversación, ruido de gimnasio, otras palabras parecidas) y un o…
- Keyword Spotting
- Model Quantization
- Edge Deployment
Speech Recognition and Spoken Language Processing 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
- AnalysisPrincipianteNuevo
Auditoría de Latencia y Energía para Cámara Conservera en Murcia
Recibirás un modelo de clasificación binaria (defecto/no defecto) entrenado en envases metálicos, junto con 5.000 imágenes de test. Despliega el mismo modelo en las tres platafo…
- Edge Deployment
- Benchmarking
- Tensorrt
Edge ML and On-Device Machine Learning - CodePrincipianteNuevo
Detecta defectos en aceitunas para una conservera murciana
Recibes 12.000 imágenes etiquetadas (3.000 por clase) capturadas con cámara industrial sobre fondo controlado. Entrena un MobileNetV3-Small fine-tuneado desde ImageNet. Reporta …
- Image Classification
- Transfer Learning
- Data Augmentation
Machine Perception - 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 - CodeIntermedioNuevo
Detección de Fallas Vibracionales en Tractores en Mendoza
Recibirás 120 horas de datos IMU (acelerómetro de 3 ejes a 1kHz) etiquetados con 6 modos de falla más ‘sano’. Entrena un modelo (1D-CNN o TCN) con quantization-aware training y …
- Tinyml
- Time Series Ml
- Qat
Edge ML and On-Device Machine Learning - 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.
- CodeSéniorNuevo
Fusión LiDAR-cámara para detección de personas en mina autónoma
Recibes un dataset etiquetado con 8.000 cuadros de un tajo simulado y 2.000 cuadros reales grabados en una mina del norte de Chile, cada uno con nube de puntos LiDAR sincronizad…
- Sensor Fusion
- Lidar Processing
- Object Detection
Robot Perception and Autonomy - CodePrincipianteNuevo
Mapeo agrícola con dron autónomo para fitosanitario de precisión
Recibes datos de tres vuelos sobre la misma parcela de 18 hectáreas con tres semanas de separación entre vuelos. Cada vuelo aporta imágenes RGB+NIR georreferenciadas y etiquetas…
- Semantic Segmentation
- Remote Sensing
- Geospatial Data
Robot Perception and Autonomy - CodeIntermedioNuevo
Pruning Estructurado para Cámara de Inspección de Acero en Monterrey
Recibirás un modelo de segmentación semántica (ResNet-50 + UPerNet) entrenado en 12.000 imágenes etiquetadas con 5 clases de defectos. Aplica pruning estructurado por canal (no …
- Structured Pruning
- Knowledge Distillation
- Edge Deployment
Edge ML and On-Device Machine Learning - CodeIntermedioNuevo
Anonimización en streaming para cámaras de seguridad ciudadana
Recibes 4 horas de vídeo grabado en 1080p a 25 fps procedente de tres cámaras representativas (parking, vestíbulo comercial, andén de transporte) y un script de evaluación que m…
- Object Detection
- Real Time Video
- Privacy Engineering
Visual Intelligence and Visual Reasoning 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
- CodeSéniorNuevo
Acelera inferencia de visión en edge para una empresa de logística portuaria
Recibirás un modelo PyTorch de detección (YOLOv8s entrenado para contenedores) y un conjunto de validación de 2.000 imágenes con etiquetas. Convierte a ONNX, exporta a TensorRT,…
- Edge Deployment
- Model Optimization
- Tensorrt
Machine Learning Systems - 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
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.
Equipos 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.