Módulo 1 — Estrategia Data & AI para AEC y definición de casos de uso

1.1 Fundamentos, alcance y criterios: Define el alcance técnico de Estrategia Data & AI para AEC y definición de casos de uso y sitúa Estrategia Data & AI para AEC y definición de casos de uso dentro de la decisión que debe tomarse. Se revisan conceptos, límites de aplicabilidad, dependencias y errores frecuentes. El participante debe distinguir qué parte del problema puede resolverse con reglas conocidas y qué parte exige datos adicionales, cálculo, ensayo o revisión especialista. El ejercicio termina con criterios explícitos para aceptar, condicionar o rechazar una hipótesis.

1.2 Datos, parámetros y calidad de entrada: Desarrolla un plan de información para Estrategia Data & AI para AEC y definición de casos de uso tomando Estrategia Data & AI para AEC y definición de casos de uso como variable de control. Se comprueba procedencia, representatividad y calidad, y se relaciona el dato con Data engineering, ETL y calidad de datos de proyecto. La práctica incorpora criterios de completitud y consistencia para decidir si el conjunto de entradas es suficiente, debe condicionarse o requiere una nueva campaña de medición o revisión documental.

1.3 Método, modelado y comprobación: Desarrolla Estrategia Data & AI para AEC y definición de casos de uso mediante Python/OpenCV y frameworks de visión, justificando por qué la herramienta y el nivel de fidelidad son adecuados para Estrategia Data & AI para AEC y definición de casos de uso. Se revisan sensibilidad, simplificaciones y límites. El participante debe poder explicar cómo cambiaría la respuesta ante variaciones relevantes y qué parte del resultado depende del modelo frente a la evidencia directa.

1.4 Riesgos, interfaces y controles: Integra dato sin contexto o procedencia en Estrategia Data & AI para AEC y definición de casos de uso y analiza su interacción con Estrategia Data & AI para AEC y definición de casos de uso, otras disciplinas y la operación. Se construye una cadena causa–consecuencia–control, se asignan responsables y se definen señales tempranas, hold points y evidencia de cierre. El riesgo residual debe quedar explícito y vinculado a un criterio de escalado.

1.5 Entregable, QA/QC y defensa: Convierte el trabajo de Estrategia Data & AI para AEC y definición de casos de uso en entregable técnico del módulo «Estrategia Data & AI para AEC y definición de casos de uso», con especial atención a Estrategia Data & AI para AEC y definición de casos de uso. La entrega debe permitir que un tercero reproduzca el razonamiento: fuentes, versiones, método, resultados, riesgos residuales y acciones. Se evalúa claridad, consistencia y capacidad para defender por qué la solución seleccionada es preferible a las alternativas.

Módulo 2 — Data engineering, ETL y calidad de datos de proyecto

2.1 Fundamentos, alcance y criterios: Analiza Estrategia Data & AI para AEC y definición de casos de uso como componente central de Data engineering, ETL y calidad de datos de proyecto. La práctica exige identificar mecanismos, causas, consecuencias y criterios de comparación antes de seleccionar herramientas. Se trabaja la diferencia entre dato observado, valor calculado y juicio profesional, dejando constancia de los límites que deben comunicarse a un revisor o cliente.

2.2 Datos, parámetros y calidad de entrada: Desarrolla un plan de información para Data engineering, ETL y calidad de datos de proyecto tomando Data engineering, ETL y calidad de datos de proyecto como variable de control. Se comprueba procedencia, representatividad y calidad, y se relaciona el dato con Computer Vision: detección, segmentación y clasificación. La práctica incorpora criterios de completitud y consistencia para decidir si el conjunto de entradas es suficiente, debe condicionarse o requiere una nueva campaña de medición o revisión documental.

2.3 Método, modelado y comprobación: Transforma Data engineering, ETL y calidad de datos de proyecto en un flujo reproducible de Data engineering, ETL y calidad de datos de proyecto con apoyo de sistemas de etiquetado de datasets. La práctica exige documentar parámetros, versiones, cambios y resultados intermedios. Se incorporan comprobaciones físicas, operativas o contractuales para detectar incoherencias antes de que el análisis se convierta en un entregable.

2.4 Riesgos, interfaces y controles: Examina interoperabilidad deficiente como escenario crítico de Data engineering, ETL y calidad de datos de proyecto y contrasta su relación con Data engineering, ETL y calidad de datos de proyecto. El alumno define prevención, detección, contingencia y recuperación, separando controles independientes de medidas redundantes solo en apariencia. El cierre se apoya en evidencia y no en declaraciones de cumplimiento.

2.5 Entregable, QA/QC y defensa: Entrega entregable técnico del módulo «Data engineering, ETL y calidad de datos de proyecto» para cerrar Data engineering, ETL y calidad de datos de proyecto, demostrando cómo Data engineering, ETL y calidad de datos de proyecto se tradujo en una decisión. Se documentan alternativas, sensibilidad, riesgos y criterios de aceptación. El objetivo es que el documento sobreviva al cambio de equipo o fase y conserve el contexto necesario para operación, mantenimiento, auditoría o defensa.

Módulo 3 — Computer Vision: detección, segmentación y clasificación

3.1 Fundamentos, alcance y criterios: Aborda Computer Vision: detección, segmentación y clasificación desde la lógica de Data engineering, ETL y calidad de datos de proyecto, conectando requisitos, comportamiento esperado y evidencia disponible. El alumno aprende a convertir conceptos en criterios operativos y a justificar cuándo un supuesto resulta conservador, representativo o insuficiente. La salida es una base argumentada para las decisiones posteriores.

3.2 Datos, parámetros y calidad de entrada: Convierte la información de Computer Vision: detección, segmentación y clasificación en entradas utilizables para Computer Vision: detección, segmentación y clasificación. Se revisan nomenclatura, unidades, tolerancias, registros y trazabilidad, comparándolas con los requisitos de Datasets, anotación, ground truth y data augmentation. El alumno documenta incertidumbres y evita que un valor sin contexto se transforme automáticamente en una conclusión.

3.3 Método, modelado y comprobación: Construye el procedimiento de análisis de Computer Vision: detección, segmentación y clasificación utilizando dispositivos Edge AI. El método se articula alrededor de Computer Vision: detección, segmentación y clasificación: hipótesis, pasos de cálculo o modelado, sensibilidad y criterios de convergencia o aceptación. Se comparan escenarios para identificar qué variable domina la decisión y qué resultado necesita validación externa.

3.4 Riesgos, interfaces y controles: Desarrolla el assurance de Computer Vision: detección, segmentación y clasificación frente a modelo desactualizado, relacionándolo con Computer Vision: detección, segmentación y clasificación. Se revisan interfaces, responsabilidades y posibles fallos de coordinación. Cada control se acompaña de una forma concreta de verificación, un propietario y una condición de cierre para que la matriz de riesgos no quede desconectada de la ejecución.

3.5 Entregable, QA/QC y defensa: Formaliza Computer Vision: detección, segmentación y clasificación en entregable técnico del módulo «Computer Vision: detección, segmentación y clasificación». El participante sintetiza Computer Vision: detección, segmentación y clasificación sin eliminar la evidencia necesaria, diferencia hechos de interpretaciones y registra supuestos pendientes. La revisión final comprueba que cada recomendación tenga soporte, responsable y criterio de cierre, evitando documentos extensos pero poco accionables.

Módulo 4 — Datasets, anotación, ground truth y data augmentation

4.1 Fundamentos, alcance y criterios: Aborda Datasets, anotación, ground truth y data augmentation desde la lógica de Computer Vision: detección, segmentación y clasificación, conectando requisitos, comportamiento esperado y evidencia disponible. El alumno aprende a convertir conceptos en criterios operativos y a justificar cuándo un supuesto resulta conservador, representativo o insuficiente. La salida es una base argumentada para las decisiones posteriores.

4.2 Datos, parámetros y calidad de entrada: Desarrolla un plan de información para Datasets, anotación, ground truth y data augmentation tomando Datasets, anotación, ground truth y data augmentation como variable de control. Se comprueba procedencia, representatividad y calidad, y se relaciona el dato con Series temporales de sensores, equipos y producción. La práctica incorpora criterios de completitud y consistencia para decidir si el conjunto de entradas es suficiente, debe condicionarse o requiere una nueva campaña de medición o revisión documental.

4.3 Método, modelado y comprobación: Aplica CDE, BIM y modelos de información para desarrollar Datasets, anotación, ground truth y data augmentation con un nivel de detalle proporcional al riesgo. Se estudian Datasets, anotación, ground truth y data augmentation, parámetros sensibles, condiciones de contorno y escenarios alternativos. El alumno comprueba el resultado mediante una segunda referencia o cálculo independiente, evitando aceptar una salida solo porque el software la produce sin error.

4.4 Riesgos, interfaces y controles: Somete Datasets, anotación, ground truth y data augmentation a una revisión de riesgo centrada en automatización de errores. Se identifican mecanismos de fallo, consecuencias y dependencias con Datasets, anotación, ground truth y data augmentation; después se seleccionan controles proporcionados y criterios stop/go. La práctica exige justificar el riesgo residual y documentar qué información puede modificar la decisión.

4.5 Entregable, QA/QC y defensa: Prepara entregable técnico del módulo «Datasets, anotación, ground truth y data augmentation» como evidencia profesional de Datasets, anotación, ground truth y data augmentation. Se organiza la información de Datasets, anotación, ground truth y data augmentation en una narrativa técnica comprensible, acompañada de cálculos, modelos, tablas o registros relevantes. El resultado debe ser auditable, coherente con las versiones de entrada y útil para una decisión concreta.

Módulo 5 — Series temporales de sensores, equipos y producción

5.1 Fundamentos, alcance y criterios: Aborda Series temporales de sensores, equipos y producción desde la lógica de Datasets, anotación, ground truth y data augmentation, conectando requisitos, comportamiento esperado y evidencia disponible. El alumno aprende a convertir conceptos en criterios operativos y a justificar cuándo un supuesto resulta conservador, representativo o insuficiente. La salida es una base argumentada para las decisiones posteriores.

5.2 Datos, parámetros y calidad de entrada: Organiza los datos necesarios para Series temporales de sensores, equipos y producción: fuentes, unidades, fechas, resolución, versiones y responsable. Se utilizan como referencia Series temporales de sensores, equipos y producción y el contexto de Forecasting y detección de anomalías. El participante detecta vacíos, valores incompatibles y sesgos; clasifica la información como confirmada, inferida o pendiente; y define qué evidencia adicional necesita antes de aumentar la fidelidad del análisis.

5.3 Método, modelado y comprobación: Construye el procedimiento de análisis de Series temporales de sensores, equipos y producción utilizando GIS y bases de datos espaciales. El método se articula alrededor de Series temporales de sensores, equipos y producción: hipótesis, pasos de cálculo o modelado, sensibilidad y criterios de convergencia o aceptación. Se comparan escenarios para identificar qué variable domina la decisión y qué resultado necesita validación externa.

5.4 Riesgos, interfaces y controles: Examina ciberseguridad o gobernanza insuficiente como escenario crítico de Series temporales de sensores, equipos y producción y contrasta su relación con Series temporales de sensores, equipos y producción. El alumno define prevención, detección, contingencia y recuperación, separando controles independientes de medidas redundantes solo en apariencia. El cierre se apoya en evidencia y no en declaraciones de cumplimiento.

5.5 Entregable, QA/QC y defensa: Entrega entregable técnico del módulo «Series temporales de sensores, equipos y producción» para cerrar Series temporales de sensores, equipos y producción, demostrando cómo Series temporales de sensores, equipos y producción se tradujo en una decisión. Se documentan alternativas, sensibilidad, riesgos y criterios de aceptación. El objetivo es que el documento sobreviva al cambio de equipo o fase y conserve el contexto necesario para operación, mantenimiento, auditoría o defensa.

Módulo 6 — Forecasting y detección de anomalías

6.1 Fundamentos, alcance y criterios: Establece los fundamentos de Forecasting y detección de anomalías mediante un análisis crítico de Series temporales de sensores, equipos y producción. Se revisan las decisiones que dependen de esta materia, los parámetros que más influyen en ellas y las simplificaciones habituales que pueden inducir errores. El participante formula un esquema de verificación que permita comprobar coherencia antes de avanzar al siguiente nivel del proyecto.

6.2 Datos, parámetros y calidad de entrada: Organiza los datos necesarios para Forecasting y detección de anomalías: fuentes, unidades, fechas, resolución, versiones y responsable. Se utilizan como referencia Forecasting y detección de anomalías y el contexto de Modelos de IA para QA/QC, seguridad y avance. El participante detecta vacíos, valores incompatibles y sesgos; clasifica la información como confirmada, inferida o pendiente; y define qué evidencia adicional necesita antes de aumentar la fidelidad del análisis.

6.3 Método, modelado y comprobación: Construye el procedimiento de análisis de Forecasting y detección de anomalías utilizando Python y pipelines de datos. El método se articula alrededor de Forecasting y detección de anomalías: hipótesis, pasos de cálculo o modelado, sensibilidad y criterios de convergencia o aceptación. Se comparan escenarios para identificar qué variable domina la decisión y qué resultado necesita validación externa.

6.4 Riesgos, interfaces y controles: Evalúa cómo dato sin contexto o procedencia puede comprometer Forecasting y detección de anomalías. A partir de Forecasting y detección de anomalías, el participante identifica escenarios, barreras preventivas, controles de detección y respuestas. Se jerarquizan acciones por criticidad y se evita confundir la mera existencia de un procedimiento con la eficacia real del control.

6.5 Entregable, QA/QC y defensa: Cierra Forecasting y detección de anomalías mediante entregable técnico del módulo «Forecasting y detección de anomalías». El documento integra alcance, entradas, hipótesis, análisis de Forecasting y detección de anomalías, resultados, incertidumbre, decisiones rechazadas y recomendaciones. Se exige trazabilidad entre dato y conclusión, criterios de aceptación y próximos pasos para que el entregable pueda utilizarse en revisión, aprobación o actualización.

Módulo 7 — Modelos de IA para QA/QC, seguridad y avance

7.1 Fundamentos, alcance y criterios: Construye el marco de decisión para Modelos de IA para QA/QC, seguridad y avance a partir de Forecasting y detección de anomalías. Se identifican variables dominantes, interacciones y condiciones que podrían invalidar una solución aparentemente correcta. El alumno documenta objetivos, restricciones y nivel de incertidumbre, y relaciona el contenido con seguridad, desempeño, operación y coste para evitar una lectura puramente académica.

7.2 Datos, parámetros y calidad de entrada: Convierte la información de Modelos de IA para QA/QC, seguridad y avance en entradas utilizables para Modelos de IA para QA/QC, seguridad y avance. Se revisan nomenclatura, unidades, tolerancias, registros y trazabilidad, comparándolas con los requisitos de Validación: precision, recall, F1, MAE y métricas de negocio. El alumno documenta incertidumbres y evita que un valor sin contexto se transforme automáticamente en una conclusión.

7.3 Método, modelado y comprobación: Transforma Modelos de IA para QA/QC, seguridad y avance en un flujo reproducible de Modelos de IA para QA/QC, seguridad y avance con apoyo de Python/OpenCV y frameworks de visión. La práctica exige documentar parámetros, versiones, cambios y resultados intermedios. Se incorporan comprobaciones físicas, operativas o contractuales para detectar incoherencias antes de que el análisis se convierta en un entregable.

7.4 Riesgos, interfaces y controles: Somete Modelos de IA para QA/QC, seguridad y avance a una revisión de riesgo centrada en interoperabilidad deficiente. Se identifican mecanismos de fallo, consecuencias y dependencias con Modelos de IA para QA/QC, seguridad y avance; después se seleccionan controles proporcionados y criterios stop/go. La práctica exige justificar el riesgo residual y documentar qué información puede modificar la decisión.

7.5 Entregable, QA/QC y defensa: Entrega entregable técnico del módulo «Modelos de IA para QA/QC, seguridad y avance» para cerrar Modelos de IA para QA/QC, seguridad y avance, demostrando cómo Modelos de IA para QA/QC, seguridad y avance se tradujo en una decisión. Se documentan alternativas, sensibilidad, riesgos y criterios de aceptación. El objetivo es que el documento sobreviva al cambio de equipo o fase y conserve el contexto necesario para operación, mantenimiento, auditoría o defensa.

Módulo 8 — Validación: precision, recall, F1, MAE y métricas de negocio

8.1 Fundamentos, alcance y criterios: Define el alcance técnico de Validación: precision, recall, F1, MAE y métricas de negocio y sitúa Modelos de IA para QA/QC, seguridad y avance dentro de la decisión que debe tomarse. Se revisan conceptos, límites de aplicabilidad, dependencias y errores frecuentes. El participante debe distinguir qué parte del problema puede resolverse con reglas conocidas y qué parte exige datos adicionales, cálculo, ensayo o revisión especialista. El ejercicio termina con criterios explícitos para aceptar, condicionar o rechazar una hipótesis.

8.2 Datos, parámetros y calidad de entrada: Prepara las entradas de Validación: precision, recall, F1, MAE y métricas de negocio mediante una revisión estructurada de Validación: precision, recall, F1, MAE y métricas de negocio. El trabajo incluye control de versiones, detección de outliers, comprobaciones de orden de magnitud y contraste con Despliegue Edge/Cloud e integración con plataformas AEC. Cada dato queda vinculado a una fuente y a una decisión, de forma que el modelo posterior pueda auditarse.

8.3 Método, modelado y comprobación: Desarrolla Validación: precision, recall, F1, MAE y métricas de negocio mediante sistemas de etiquetado de datasets, justificando por qué la herramienta y el nivel de fidelidad son adecuados para Validación: precision, recall, F1, MAE y métricas de negocio. Se revisan sensibilidad, simplificaciones y límites. El participante debe poder explicar cómo cambiaría la respuesta ante variaciones relevantes y qué parte del resultado depende del modelo frente a la evidencia directa.

8.4 Riesgos, interfaces y controles: Evalúa cómo modelo desactualizado puede comprometer Validación: precision, recall, F1, MAE y métricas de negocio. A partir de Validación: precision, recall, F1, MAE y métricas de negocio, el participante identifica escenarios, barreras preventivas, controles de detección y respuestas. Se jerarquizan acciones por criticidad y se evita confundir la mera existencia de un procedimiento con la eficacia real del control.

8.5 Entregable, QA/QC y defensa: Entrega entregable técnico del módulo «Validación: precision, recall, F1, MAE y métricas de negocio» para cerrar Validación: precision, recall, F1, MAE y métricas de negocio, demostrando cómo Validación: precision, recall, F1, MAE y métricas de negocio se tradujo en una decisión. Se documentan alternativas, sensibilidad, riesgos y criterios de aceptación. El objetivo es que el documento sobreviva al cambio de equipo o fase y conserve el contexto necesario para operación, mantenimiento, auditoría o defensa.

Módulo 9 — Despliegue Edge/Cloud e integración con plataformas AEC

9.1 Fundamentos, alcance y criterios: Construye el marco de decisión para Despliegue Edge/Cloud e integración con plataformas AEC a partir de Validación: precision, recall, F1, MAE y métricas de negocio. Se identifican variables dominantes, interacciones y condiciones que podrían invalidar una solución aparentemente correcta. El alumno documenta objetivos, restricciones y nivel de incertidumbre, y relaciona el contenido con seguridad, desempeño, operación y coste para evitar una lectura puramente académica.

9.2 Datos, parámetros y calidad de entrada: Define la calidad mínima de información para Despliegue Edge/Cloud e integración con plataformas AEC, centrando el análisis en Despliegue Edge/Cloud e integración con plataformas AEC y su relación con MLOps: versionado, monitorización, drift y retraining. Se establecen criterios de aceptación, campos obligatorios, evidencias y tratamiento de datos faltantes. El resultado es una ficha de entrada que impide avanzar de forma inadvertida con información insuficiente.

9.3 Método, modelado y comprobación: Construye el procedimiento de análisis de Despliegue Edge/Cloud e integración con plataformas AEC utilizando dispositivos Edge AI. El método se articula alrededor de Despliegue Edge/Cloud e integración con plataformas AEC: hipótesis, pasos de cálculo o modelado, sensibilidad y criterios de convergencia o aceptación. Se comparan escenarios para identificar qué variable domina la decisión y qué resultado necesita validación externa.

9.4 Riesgos, interfaces y controles: Examina automatización de errores como escenario crítico de Despliegue Edge/Cloud e integración con plataformas AEC y contrasta su relación con Despliegue Edge/Cloud e integración con plataformas AEC. El alumno define prevención, detección, contingencia y recuperación, separando controles independientes de medidas redundantes solo en apariencia. El cierre se apoya en evidencia y no en declaraciones de cumplimiento.

9.5 Entregable, QA/QC y defensa: Entrega entregable técnico del módulo «Despliegue Edge/Cloud e integración con plataformas AEC» para cerrar Despliegue Edge/Cloud e integración con plataformas AEC, demostrando cómo Despliegue Edge/Cloud e integración con plataformas AEC se tradujo en una decisión. Se documentan alternativas, sensibilidad, riesgos y criterios de aceptación. El objetivo es que el documento sobreviva al cambio de equipo o fase y conserve el contexto necesario para operación, mantenimiento, auditoría o defensa.

Módulo 10 — MLOps: versionado, monitorización, drift y retraining

10.1 Fundamentos, alcance y criterios: Define el alcance técnico de MLOps: versionado, monitorización, drift y retraining y sitúa Despliegue Edge/Cloud e integración con plataformas AEC dentro de la decisión que debe tomarse. Se revisan conceptos, límites de aplicabilidad, dependencias y errores frecuentes. El participante debe distinguir qué parte del problema puede resolverse con reglas conocidas y qué parte exige datos adicionales, cálculo, ensayo o revisión especialista. El ejercicio termina con criterios explícitos para aceptar, condicionar o rechazar una hipótesis.

10.2 Datos, parámetros y calidad de entrada: Convierte la información de MLOps: versionado, monitorización, drift y retraining en entradas utilizables para MLOps: versionado, monitorización, drift y retraining. Se revisan nomenclatura, unidades, tolerancias, registros y trazabilidad, comparándolas con los requisitos de Gobernanza, explicabilidad, seguridad y ciclo de vida. El alumno documenta incertidumbres y evita que un valor sin contexto se transforme automáticamente en una conclusión.

10.3 Método, modelado y comprobación: Aplica CDE, BIM y modelos de información para desarrollar MLOps: versionado, monitorización, drift y retraining con un nivel de detalle proporcional al riesgo. Se estudian MLOps: versionado, monitorización, drift y retraining, parámetros sensibles, condiciones de contorno y escenarios alternativos. El alumno comprueba el resultado mediante una segunda referencia o cálculo independiente, evitando aceptar una salida solo porque el software la produce sin error.

10.4 Riesgos, interfaces y controles: Examina ciberseguridad o gobernanza insuficiente como escenario crítico de MLOps: versionado, monitorización, drift y retraining y contrasta su relación con MLOps: versionado, monitorización, drift y retraining. El alumno define prevención, detección, contingencia y recuperación, separando controles independientes de medidas redundantes solo en apariencia. El cierre se apoya en evidencia y no en declaraciones de cumplimiento.

10.5 Entregable, QA/QC y defensa: Cierra MLOps: versionado, monitorización, drift y retraining mediante entregable técnico del módulo «MLOps: versionado, monitorización, drift y retraining». El documento integra alcance, entradas, hipótesis, análisis de MLOps: versionado, monitorización, drift y retraining, resultados, incertidumbre, decisiones rechazadas y recomendaciones. Se exige trazabilidad entre dato y conclusión, criterios de aceptación y próximos pasos para que el entregable pueda utilizarse en revisión, aprobación o actualización.

Módulo 11 — Gobernanza, explicabilidad, seguridad y ciclo de vida

11.1 Fundamentos, alcance y criterios: Analiza MLOps: versionado, monitorización, drift y retraining como componente central de Gobernanza, explicabilidad, seguridad y ciclo de vida. La práctica exige identificar mecanismos, causas, consecuencias y criterios de comparación antes de seleccionar herramientas. Se trabaja la diferencia entre dato observado, valor calculado y juicio profesional, dejando constancia de los límites que deben comunicarse a un revisor o cliente.

11.2 Datos, parámetros y calidad de entrada: Convierte la información de Gobernanza, explicabilidad, seguridad y ciclo de vida en entradas utilizables para Gobernanza, explicabilidad, seguridad y ciclo de vida. Se revisan nomenclatura, unidades, tolerancias, registros y trazabilidad, comparándolas con los requisitos de Capstone: producto Data & AI desplegable para AEC. El alumno documenta incertidumbres y evita que un valor sin contexto se transforme automáticamente en una conclusión.

11.3 Método, modelado y comprobación: Modela o evalúa Gobernanza, explicabilidad, seguridad y ciclo de vida dentro de Gobernanza, explicabilidad, seguridad y ciclo de vida mediante GIS y bases de datos espaciales. El objetivo es convertir la herramienta en un instrumento de decisión: se definen entradas, casos, controles y comparación de resultados. El análisis incluye una verificación independiente que permita diferenciar precisión numérica de validez técnica.

11.4 Riesgos, interfaces y controles: Desarrolla el assurance de Gobernanza, explicabilidad, seguridad y ciclo de vida frente a dato sin contexto o procedencia, relacionándolo con Gobernanza, explicabilidad, seguridad y ciclo de vida. Se revisan interfaces, responsabilidades y posibles fallos de coordinación. Cada control se acompaña de una forma concreta de verificación, un propietario y una condición de cierre para que la matriz de riesgos no quede desconectada de la ejecución.

11.5 Entregable, QA/QC y defensa: Prepara entregable técnico del módulo «Gobernanza, explicabilidad, seguridad y ciclo de vida» como evidencia profesional de Gobernanza, explicabilidad, seguridad y ciclo de vida. Se organiza la información de Gobernanza, explicabilidad, seguridad y ciclo de vida en una narrativa técnica comprensible, acompañada de cálculos, modelos, tablas o registros relevantes. El resultado debe ser auditable, coherente con las versiones de entrada y útil para una decisión concreta.

Módulo 12 — Capstone: producto Data & AI desplegable para AEC

12.1 Fundamentos, alcance y criterios: Establece los fundamentos de Capstone: producto Data & AI desplegable para AEC mediante un análisis crítico de Gobernanza, explicabilidad, seguridad y ciclo de vida. Se revisan las decisiones que dependen de esta materia, los parámetros que más influyen en ellas y las simplificaciones habituales que pueden inducir errores. El participante formula un esquema de verificación que permita comprobar coherencia antes de avanzar al siguiente nivel del proyecto.

12.2 Datos, parámetros y calidad de entrada: Organiza los datos necesarios para Capstone: producto Data & AI desplegable para AEC: fuentes, unidades, fechas, resolución, versiones y responsable. Se utilizan como referencia Capstone: producto Data & AI desplegable para AEC y el contexto de Estrategia Data & AI para AEC y definición de casos de uso. El participante detecta vacíos, valores incompatibles y sesgos; clasifica la información como confirmada, inferida o pendiente; y define qué evidencia adicional necesita antes de aumentar la fidelidad del análisis.

12.3 Método, modelado y comprobación: Modela o evalúa Capstone: producto Data & AI desplegable para AEC dentro de Capstone: producto Data & AI desplegable para AEC mediante Python y pipelines de datos. El objetivo es convertir la herramienta en un instrumento de decisión: se definen entradas, casos, controles y comparación de resultados. El análisis incluye una verificación independiente que permita diferenciar precisión numérica de validez técnica.

12.4 Riesgos, interfaces y controles: Examina interoperabilidad deficiente como escenario crítico de Capstone: producto Data & AI desplegable para AEC y contrasta su relación con Capstone: producto Data & AI desplegable para AEC. El alumno define prevención, detección, contingencia y recuperación, separando controles independientes de medidas redundantes solo en apariencia. El cierre se apoya en evidencia y no en declaraciones de cumplimiento.

12.5 Entregable, QA/QC y defensa: Convierte el trabajo de Capstone: producto Data & AI desplegable para AEC en entregable técnico del módulo «Capstone: producto Data & AI desplegable para AEC», con especial atención a Capstone: producto Data & AI desplegable para AEC. La entrega debe permitir que un tercero reproduzca el razonamiento: fuentes, versiones, método, resultados, riesgos residuales y acciones. Se evalúa claridad, consistencia y capacidad para defender por qué la solución seleccionada es preferible a las alternativas.