Módulo 1 — Casos de uso de Computer Vision en QA/QC

1.1 Fundamentos, alcance y criterios: Analiza Casos de uso de Computer Vision en QA/QC como componente central de Casos de uso de Computer Vision en QA/QC. 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.

1.2 Datos, parámetros y calidad de entrada: Desarrolla un plan de información para Casos de uso de Computer Vision en QA/QC tomando Casos de uso de Computer Vision en QA/QC como variable de control. Se comprueba procedencia, representatividad y calidad, y se relaciona el dato con Formación de datasets y etiquetado. 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: Modela o evalúa Casos de uso de Computer Vision en QA/QC dentro de Casos de uso de Computer Vision en QA/QC mediante Python/OpenCV y frameworks de visión. 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.

1.4 Riesgos, interfaces y controles: Integra interacción humano-robot no controlada en Casos de uso de Computer Vision en QA/QC y analiza su interacción con Casos de uso de Computer Vision en QA/QC, 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 Casos de uso de Computer Vision en QA/QC en entregable técnico del módulo «Casos de uso de Computer Vision en QA/QC», con especial atención a Casos de uso de Computer Vision en QA/QC. 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 — Formación de datasets y etiquetado

2.1 Fundamentos, alcance y criterios: Aborda Formación de datasets y etiquetado desde la lógica de Casos de uso de Computer Vision en QA/QC, 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.

2.2 Datos, parámetros y calidad de entrada: Convierte la información de Formación de datasets y etiquetado en entradas utilizables para Formación de datasets y etiquetado. Se revisan nomenclatura, unidades, tolerancias, registros y trazabilidad, comparándolas con los requisitos de Cámaras, óptica, iluminación y adquisición. El alumno documenta incertidumbres y evita que un valor sin contexto se transforme automáticamente en una conclusión.

2.3 Método, modelado y comprobación: Desarrolla Formación de datasets y etiquetado mediante sistemas de etiquetado de datasets, justificando por qué la herramienta y el nivel de fidelidad son adecuados para Formación de datasets y etiquetado. 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.

2.4 Riesgos, interfaces y controles: Integra tolerancias acumuladas en Formación de datasets y etiquetado y analiza su interacción con Formación de datasets y etiquetado, 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.

2.5 Entregable, QA/QC y defensa: Cierra Formación de datasets y etiquetado mediante entregable técnico del módulo «Formación de datasets y etiquetado». El documento integra alcance, entradas, hipótesis, análisis de Formación de datasets y etiquetado, 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 3 — Cámaras, óptica, iluminación y adquisición

3.1 Fundamentos, alcance y criterios: Define el alcance técnico de Cámaras, óptica, iluminación y adquisición y sitúa Formación de datasets y etiquetado 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.

3.2 Datos, parámetros y calidad de entrada: Define la calidad mínima de información para Cámaras, óptica, iluminación y adquisición, centrando el análisis en Cámaras, óptica, iluminación y adquisición y su relación con Clasificación, detección y segmentación. 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.

3.3 Método, modelado y comprobación: Desarrolla Cámaras, óptica, iluminación y adquisición mediante dispositivos Edge AI, justificando por qué la herramienta y el nivel de fidelidad son adecuados para Cámaras, óptica, iluminación y adquisición. 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.

3.4 Riesgos, interfaces y controles: Desarrolla el assurance de Cámaras, óptica, iluminación y adquisición frente a modelo de visión con falsos negativos, relacionándolo con Cámaras, óptica, iluminación y adquisición. 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: Entrega entregable técnico del módulo «Cámaras, óptica, iluminación y adquisición» para cerrar Cámaras, óptica, iluminación y adquisición, demostrando cómo Cámaras, óptica, iluminación y adquisición 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 4 — Clasificación, detección y segmentación

4.1 Fundamentos, alcance y criterios: Establece los fundamentos de Clasificación, detección y segmentación mediante un análisis crítico de Cámaras, óptica, iluminación y adquisición. 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.

4.2 Datos, parámetros y calidad de entrada: Prepara las entradas de Clasificación, detección y segmentación mediante una revisión estructurada de Clasificación, detección y segmentación. El trabajo incluye control de versiones, detección de outliers, comprobaciones de orden de magnitud y contraste con Modelos deep learning y transfer learning. Cada dato queda vinculado a una fuente y a una decisión, de forma que el modelo posterior pueda auditarse.

4.3 Método, modelado y comprobación: Aplica robots, cobots y plataformas móviles para desarrollar Clasificación, detección y segmentación con un nivel de detalle proporcional al riesgo. Se estudian Clasificación, detección y segmentación, 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 Clasificación, detección y segmentación a una revisión de riesgo centrada en pérdida de localización. Se identifican mecanismos de fallo, consecuencias y dependencias con Clasificación, detección y segmentación; 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: Cierra Clasificación, detección y segmentación mediante entregable técnico del módulo «Clasificación, detección y segmentación». El documento integra alcance, entradas, hipótesis, análisis de Clasificación, detección y segmentación, 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 5 — Modelos deep learning y transfer learning

5.1 Fundamentos, alcance y criterios: Define el alcance técnico de Modelos deep learning y transfer learning y sitúa Clasificación, detección y segmentación 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.

5.2 Datos, parámetros y calidad de entrada: Organiza los datos necesarios para Modelos deep learning y transfer learning: fuentes, unidades, fechas, resolución, versiones y responsable. Se utilizan como referencia Modelos deep learning y transfer learning y el contexto de Métricas: precision, recall, F1 e IoU. 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: Aplica computer vision y Edge AI para desarrollar Modelos deep learning y transfer learning con un nivel de detalle proporcional al riesgo. Se estudian Modelos deep learning y transfer learning, 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.

5.4 Riesgos, interfaces y controles: Somete Modelos deep learning y transfer learning a una revisión de riesgo centrada en automatización no integrada con el proceso. Se identifican mecanismos de fallo, consecuencias y dependencias con Modelos deep learning y transfer learning; después se seleccionan controles proporcionados y criterios stop/go. La práctica exige justificar el riesgo residual y documentar qué información puede modificar la decisión.

5.5 Entregable, QA/QC y defensa: Formaliza Modelos deep learning y transfer learning en entregable técnico del módulo «Modelos deep learning y transfer learning». El participante sintetiza Modelos deep learning y transfer learning 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 6 — Métricas: precision, recall, F1 e IoU

6.1 Fundamentos, alcance y criterios: Aborda Métricas: precision, recall, F1 e IoU desde la lógica de Modelos deep learning y transfer learning, 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.

6.2 Datos, parámetros y calidad de entrada: Desarrolla un plan de información para Métricas: precision, recall, F1 e IoU tomando Métricas: precision, recall, F1 e IoU como variable de control. Se comprueba procedencia, representatividad y calidad, y se relaciona el dato con Detección de defectos y no conformidades. 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.

6.3 Método, modelado y comprobación: Construye el procedimiento de análisis de Métricas: precision, recall, F1 e IoU utilizando SLAM y sensores de percepción. El método se articula alrededor de Métricas: precision, recall, F1 e IoU: 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: Somete Métricas: precision, recall, F1 e IoU a una revisión de riesgo centrada en interacción humano-robot no controlada. Se identifican mecanismos de fallo, consecuencias y dependencias con Métricas: precision, recall, F1 e IoU; después se seleccionan controles proporcionados y criterios stop/go. La práctica exige justificar el riesgo residual y documentar qué información puede modificar la decisión.

6.5 Entregable, QA/QC y defensa: Formaliza Métricas: precision, recall, F1 e IoU en entregable técnico del módulo «Métricas: precision, recall, F1 e IoU». El participante sintetiza Métricas: precision, recall, F1 e IoU 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 7 — Detección de defectos y no conformidades

7.1 Fundamentos, alcance y criterios: Analiza Métricas: precision, recall, F1 e IoU como componente central de Detección de defectos y no conformidades. 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.

7.2 Datos, parámetros y calidad de entrada: Convierte la información de Detección de defectos y no conformidades en entradas utilizables para Detección de defectos y no conformidades. Se revisan nomenclatura, unidades, tolerancias, registros y trazabilidad, comparándolas con los requisitos de Conteo, progreso y verificación de montaje. El alumno documenta incertidumbres y evita que un valor sin contexto se transforme automáticamente en una conclusión.

7.3 Método, modelado y comprobación: Aplica Python/OpenCV y frameworks de visión para desarrollar Detección de defectos y no conformidades con un nivel de detalle proporcional al riesgo. Se estudian Detección de defectos y no conformidades, 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.

7.4 Riesgos, interfaces y controles: Examina tolerancias acumuladas como escenario crítico de Detección de defectos y no conformidades y contrasta su relación con Detección de defectos y no conformidades. 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.

7.5 Entregable, QA/QC y defensa: Prepara entregable técnico del módulo «Detección de defectos y no conformidades» como evidencia profesional de Detección de defectos y no conformidades. Se organiza la información de Detección de defectos y no conformidades 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 8 — Conteo, progreso y verificación de montaje

8.1 Fundamentos, alcance y criterios: Aborda Conteo, progreso y verificación de montaje desde la lógica de Detección de defectos y no conformidades, 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.

8.2 Datos, parámetros y calidad de entrada: Define la calidad mínima de información para Conteo, progreso y verificación de montaje, centrando el análisis en Conteo, progreso y verificación de montaje y su relación con Edge AI: hardware, latencia y despliegue. 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.

8.3 Método, modelado y comprobación: Aplica sistemas de etiquetado de datasets para desarrollar Conteo, progreso y verificación de montaje con un nivel de detalle proporcional al riesgo. Se estudian Conteo, progreso y verificación de montaje, 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.

8.4 Riesgos, interfaces y controles: Examina modelo de visión con falsos negativos como escenario crítico de Conteo, progreso y verificación de montaje y contrasta su relación con Conteo, progreso y verificación de montaje. 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.

8.5 Entregable, QA/QC y defensa: Cierra Conteo, progreso y verificación de montaje mediante entregable técnico del módulo «Conteo, progreso y verificación de montaje». El documento integra alcance, entradas, hipótesis, análisis de Conteo, progreso y verificación de montaje, 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 9 — Edge AI: hardware, latencia y despliegue

9.1 Fundamentos, alcance y criterios: Define el alcance técnico de Edge AI: hardware, latencia y despliegue y sitúa Conteo, progreso y verificación de montaje 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.

9.2 Datos, parámetros y calidad de entrada: Convierte la información de Edge AI: hardware, latencia y despliegue en entradas utilizables para Edge AI: hardware, latencia y despliegue. Se revisan nomenclatura, unidades, tolerancias, registros y trazabilidad, comparándolas con los requisitos de Integración con BIM/CDE y workflows de calidad. El alumno documenta incertidumbres y evita que un valor sin contexto se transforme automáticamente en una conclusión.

9.3 Método, modelado y comprobación: Modela o evalúa Edge AI: hardware, latencia y despliegue dentro de Edge AI: hardware, latencia y despliegue mediante dispositivos Edge AI. 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.

9.4 Riesgos, interfaces y controles: Evalúa cómo pérdida de localización puede comprometer Edge AI: hardware, latencia y despliegue. A partir de Edge AI: hardware, latencia y despliegue, 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.

9.5 Entregable, QA/QC y defensa: Prepara entregable técnico del módulo «Edge AI: hardware, latencia y despliegue» como evidencia profesional de Edge AI: hardware, latencia y despliegue. Se organiza la información de Edge AI: hardware, latencia y despliegue 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 10 — Integración con BIM/CDE y workflows de calidad

10.1 Fundamentos, alcance y criterios: Analiza Edge AI: hardware, latencia y despliegue como componente central de Integración con BIM/CDE y workflows de calidad. 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.

10.2 Datos, parámetros y calidad de entrada: Define la calidad mínima de información para Integración con BIM/CDE y workflows de calidad, centrando el análisis en Integración con BIM/CDE y workflows de calidad y su relación con MLOps, drift y monitorización. 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.

10.3 Método, modelado y comprobación: Desarrolla Integración con BIM/CDE y workflows de calidad mediante robots, cobots y plataformas móviles, justificando por qué la herramienta y el nivel de fidelidad son adecuados para Integración con BIM/CDE y workflows de calidad. 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.

10.4 Riesgos, interfaces y controles: Desarrolla el assurance de Integración con BIM/CDE y workflows de calidad frente a automatización no integrada con el proceso, relacionándolo con Integración con BIM/CDE y workflows de calidad. 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.

10.5 Entregable, QA/QC y defensa: Convierte el trabajo de Integración con BIM/CDE y workflows de calidad en entregable técnico del módulo «Integración con BIM/CDE y workflows de calidad», con especial atención a Integración con BIM/CDE y workflows de calidad. 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 11 — MLOps, drift y monitorización

11.1 Fundamentos, alcance y criterios: Aborda MLOps, drift y monitorización desde la lógica de Integración con BIM/CDE y workflows de calidad, 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.

11.2 Datos, parámetros y calidad de entrada: Prepara las entradas de MLOps, drift y monitorización mediante una revisión estructurada de MLOps, drift y monitorización. El trabajo incluye control de versiones, detección de outliers, comprobaciones de orden de magnitud y contraste con Capstone: sistema CV-Edge para QA/QC de obra. Cada dato queda vinculado a una fuente y a una decisión, de forma que el modelo posterior pueda auditarse.

11.3 Método, modelado y comprobación: Aplica computer vision y Edge AI para desarrollar MLOps, drift y monitorización con un nivel de detalle proporcional al riesgo. Se estudian MLOps, drift y monitorización, 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.

11.4 Riesgos, interfaces y controles: Desarrolla el assurance de MLOps, drift y monitorización frente a interacción humano-robot no controlada, relacionándolo con MLOps, drift y monitorización. 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: Cierra MLOps, drift y monitorización mediante entregable técnico del módulo «MLOps, drift y monitorización». El documento integra alcance, entradas, hipótesis, análisis de MLOps, drift y monitorización, 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 12 — Capstone: sistema CV-Edge para QA/QC de obra

12.1 Fundamentos, alcance y criterios: Analiza MLOps, drift y monitorización como componente central de Capstone: sistema CV-Edge para QA/QC de obra. 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.

12.2 Datos, parámetros y calidad de entrada: Prepara las entradas de Capstone: sistema CV-Edge para QA/QC de obra mediante una revisión estructurada de Capstone: sistema CV-Edge para QA/QC de obra. El trabajo incluye control de versiones, detección de outliers, comprobaciones de orden de magnitud y contraste con Casos de uso de Computer Vision en QA/QC. Cada dato queda vinculado a una fuente y a una decisión, de forma que el modelo posterior pueda auditarse.

12.3 Método, modelado y comprobación: Construye el procedimiento de análisis de Capstone: sistema CV-Edge para QA/QC de obra utilizando SLAM y sensores de percepción. El método se articula alrededor de Capstone: sistema CV-Edge para QA/QC de obra: 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.

12.4 Riesgos, interfaces y controles: Evalúa cómo tolerancias acumuladas puede comprometer Capstone: sistema CV-Edge para QA/QC de obra. A partir de Capstone: sistema CV-Edge para QA/QC de obra, 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.

12.5 Entregable, QA/QC y defensa: Prepara entregable técnico del módulo «Capstone: sistema CV-Edge para QA/QC de obra» como evidencia profesional de Capstone: sistema CV-Edge para QA/QC de obra. Se organiza la información de Capstone: sistema CV-Edge para QA/QC de obra 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.