Curso individual
Inicio 2 nov 2026
2, 4, 9, 11, 16, 18, 23 y 25 de noviembre de 2026
Lunes y miércoles, 20:00 a 21:30 hora de Chile
Inscripciones abiertasCloud y riesgo de créditoOnline en vivo
Cloud y MLOps para Riesgo de Crédito
Pipelines, scoring y monitoreo en GCP
Tu modelo no termina cuando funciona en un notebook. Aprende a convertir un modelo de riesgo de crédito existente en un flujo cloud reproducible, monitoreado y trazable.
Curso independiente de nivel intermedio aplicado. No forma parte de ninguna especialización. Comienza el lunes 2 de noviembre de 2026 a las 20:00, hora de Chile. Ocho clases los lunes y miércoles hasta el 25 de noviembre. Inscripciones abiertas para Chile y otros países.
Modelo ya entrenado
Datos 100% sintéticos
Proyecto batch reproducible
8 clases online en vivo
Inscribirme en este curso
Inversión
$249.990 CLP
US$300 para pagos internacionales
Precio final.
Primero completas los datos del estudiante y después eliges Mercado Pago, PayPal cuando esté disponible o transferencia.
Del modelo a una corrida trazable
01
Entrada controlada
Datos sintéticos, contrato y features predefinidas.
02
Scoring batch
Modelo entrenado, contenedor y ejecución programada en GCP.
03
Evidencia operacional
Scores, versiones, permisos, logs, monitoreo y costos.
Un flujo de referencia completo y acotado; no una plataforma bancaria productiva ni una certificación de Google Cloud.
Fechas
2, 4, 9, 11, 16, 18, 23 y 25 de noviembre de 2026
Horario
Lunes y miércoles, 20:00 a 21:30 hora de Chile
Duración
8 clases de 90 minutos · 4 semanas
Inversión
$249.990 CLP · US$300
Carga académica real
Las competencias requieren práctica entre clases.
Carga prevista de 24–28 horas: 12 horas en vivo (8 × 90 minutos; 2 clases por semana) y 12–16 horas de trabajo autónomo.
Conocimientos de entrada
Python básico (scripts, dependencias y funciones), terminal, Git elemental o disposición para completar prework y comprensión conceptual de scoring. Necesitas computador propio y conexión estable. No es programación desde cero.
Entregable aplicado
Flujo de scoring batch en GCP con ejecución programada, repositorio versionado, contrato de datos, logs, matriz de permisos, monitoreo, presupuesto y runbook de recuperación.
Laboratorio principal: GCP
Un stack acotado para completar el flujo, no un catálogo de nubes.
Los conceptos se explican de forma agnóstica, pero el laboratorio se implementa en Google Cloud. AWS y Azure aparecen solo como equivalencias conceptuales.
GitHub, BigQuery y Cloud Storage: código, contrato, datos y resultados.
Docker, Artifact Registry y Cloud Run Jobs: imagen versionada y scoring batch.
Cloud Scheduler: corridas programadas y recuperación controlada.
IAM, cuentas de servicio, Secret Manager y Audit Logs: permisos, secretos y evidencia.
Cloud Build: pruebas, build y despliegue acotado.
Cloud Logging/Monitoring, presupuestos y etiquetas: operación y costos.
Vertex AI Model Registry o metadatos equivalentes: versión identificable del modelo.
El consumo cloud y las suscripciones externas no están incluidos. La configuración del laboratorio se guía durante el curso; revisa la facturación antes de activar recursos. No se prometen créditos incluidos ni costo cero. Un presupuesto genera alertas: no detiene automáticamente el gasto.
Respaldo académico
Programa diseñado y operado por Academia Bayes. Operación comercial: NEXO LABS SPA · RUT 78.197.007-7.
Modalidad
Clases online en vivo con fechas y horario informados.
Aula y materiales
Acceso privado a enlaces, materiales y grabaciones cuando la edición las incluya.
Certificación
Certificado de aprobación: mínimo 70%, proyecto final y controles críticos cumplidos. No es una certificación de Google Cloud.
Inscripción individual
Elige la fecha en que quieres tomar este curso.
La compra cubre solo este curso. Si una fecha también forma parte de una especialización, los estudiantes comparten la misma cohorte, clases, cupos y aula.
Máximo 25 estudiantes por cohorte
Una competencia distinta
Construir un modelo y operarlo son trabajos diferentes.
Modelador construye y calibra el modelo; IFRS 9 desarrolla componentes y cálculo de pérdida esperada; Validación evalúa desempeño y hallazgos; Agentes de IA para Riesgo trabaja con fuentes, herramientas y revisión humana. Este curso recibe un modelo cuantitativo existente y lo operacionaliza. A diferencia de Data Engineering o MLOps general, el caso central es scoring batch de crédito: conciliación, versiones de cada corrida y evidencia para riesgo y auditoría.
Problemas de operación
Un notebook correcto todavía necesita un proceso confiable.
Ejecutar datos nuevos, recuperar fallas y explicar cada resultado exige controles que conecten riesgo, datos y tecnología.
01
Ejecutar con datos nuevos
Recibe solicitudes sintéticas, valida el contrato de entrada, genera features predefinidas y concilia entradas, rechazos y scores.
02
Repetir sin duplicar
Programa corridas con identidad de servicio, claves de ejecución, reintentos y reproceso seguro después de una falla.
03
Detectar cambios
Revisa calidad de entrada, distribución de scores, fallas y costos. Una alerta orienta la investigación; no demuestra por sí sola deterioro del modelo.
04
Explicar una predicción
Relaciona la salida con datos de entrada, commit, imagen, modelo y run_id. Documenta controles y limitaciones para operación, validación y auditoría.
Contenido previsto
Ocho clases para operar un modelo existente
Recorrido con conceptos, implementación guiada y verificación en cada clase. Se trabaja desde una base preparada para concentrar la práctica en un flujo batch completo.
Pensado para
Analistas, científicos de datos y modeladores de riesgo de crédito que necesitan operar un modelo fuera del notebook.
Profesionales de riesgo, validación o analítica que coordinan con tecnología y necesitan revisar controles y evidencia.
Ingenieros de datos o ML y profesionales de tecnología que reciben modelos de equipos cuantitativos.
Consultores que implementan procesos analíticos para banca, fintech, cooperativas o retail financiero.
Líderes de riesgo y analítica con base técnica que necesitan evaluar arquitectura y controles.
Del modelo al sistema operacional
Notebook, batch, API y plataforma productiva; ciclo de vida y responsabilidades de riesgo, datos y tecnología; arquitectura GCP, ambientes, separación de funciones y contratos entre datos, features, modelo y salida. Práctica: revisar el caso sintético, identificar activos y configurar solo los servicios requeridos con una guía. Entrega: diagrama v1 y matriz de activos, responsables, riesgos y controles.
Datos, almacenamiento y contrato de entrada
BigQuery y Cloud Storage, zona bruta y curada, esquemas, particiones, identificadores y timestamps; calidad previa al scoring, features predefinidas y linaje mínimo. Práctica: cargar datos sintéticos y ejecutar validaciones de calidad y conciliación. Entrega: tabla curada, contrato de datos versionado y reporte automático básico de calidad.
Identidad, permisos, secretos y auditoría
IAM, usuarios, grupos y cuentas de servicio; mínimo privilegio, identidad humana frente a workload, Secret Manager, configuración y Audit Logs. Práctica: usar una identidad dedicada, roles mínimos y un secreto de laboratorio; verificar eventos de acceso. Entrega: matriz de acceso, ejecución sin claves en el repositorio y evidencia de auditoría. Nunca se suben datos bancarios reales.
Scoring batch en contenedor
Docker, dependencias y configuración; lectura, transformación de features, carga del modelo y escritura de scores y metadatos. Idempotencia, claves de corrida y validaciones antes y después del scoring. Práctica: publicar imagen en Artifact Registry, ejecutar Cloud Run Job y conciliar entradas, rechazos y salidas. Entrega: job ejecutable, tabla con run_id, versión y timestamp, y prueba de conciliación.
Orquestación, programación y resiliencia
Dependencias, Cloud Scheduler, reintentos, timeouts, fallas parciales, registro de errores y dead-letter conceptual; reproceso, alertas, responsables y dependencia de terceros. Práctica: programar una corrida, provocar una falla controlada, diagnosticarla y reprocesar sin duplicados. Entrega: ejecución programada, evidencia de recuperación y runbook v1.
Versionamiento, registry y CI/CD
Git y ramas simples, pruebas unitarias y de contrato, identificadores inmutables, Artifact Registry y metadatos del modelo; build, despliegue con aprobación acotada y promoción entre ambientes. Práctica: ejecutar pruebas y Cloud Build, etiquetar imagen y registrar modelo en Vertex AI Model Registry o un registro liviano equivalente. Entrega: pipeline exitoso, relación commit–imagen–modelo–corrida y checklist de promoción.
Monitoreo de datos, scores, ejecución y costos
Logs estructurados, volumen, latencia, fallas y duración; faltantes, rangos, categorías nuevas, cambios de distribución, scores y segmentos. PSI como señal, desempeño con outcomes rezagados como diseño; diferencias entre alerta, investigación y recalibración. Práctica: consultas BigQuery, logs, tablero o evidencia equivalente, presupuesto y alertas. Entrega: monitoreo, umbrales justificados y plan de apagado; las alertas no son un límite duro de gasto.
Trazabilidad, auditoría y demostración final
Predicción desde entrada a salida, evidencia de versiones y permisos, rollback y reproceso, incidentes y decisiones; documentación, límites y camino a producción. Equivalencias conceptuales con AWS y Azure. Práctica: incidente breve, defensa técnica y de riesgo y revisión con rúbrica. Entrega: proyecto final, runbook, paquete de evidencias y presentación de arquitectura y controles.
Proyecto final obligatorio
Una nueva corrida. Un flujo que puedes reconstruir.
Con solicitudes de crédito sintéticas y un modelo ya entrenado, demostrarás scoring batch reproducible. No construirás PD, LGD, EAD ni un motor IFRS 9 desde cero.
Aprobación prevista: mínimo 70%, proyecto final entregado y controles críticos cumplidos (sin secretos en código, modelo identificado y corrida trazable). Rúbrica: funcionalidad y conciliación 25%; reproducibilidad 20%; seguridad 15%; monitoreo 15%; trazabilidad y documentación 15%; costos y recuperación 10%.
- 01
Validar esquema, campos obligatorios y calidad; generar las features requeridas por el modelo.
- 02
Recuperar una versión identificable del modelo y ejecutar scoring en un contenedor.
- 03
Escribir scores, segmentos y metadatos en BigQuery; conciliar entrada, rechazos y salida.
- 04
Demostrar una ejecución programada, una condición de error y recuperación sin duplicar resultados.
- 05
Reconstruir una predicción con código, imagen, modelo, datos y corrida; mostrar logs y métricas.
- 06
Explicar permisos y secretos, estimar costos y presentar presupuesto, apagado, rollback/reproceso y runbook.
4 checkpoints: 40%Proyecto final: 50%Defensa y preguntas: 10%
Recursos del programa
Herramientas para aplicar el método después de clases.
Materiales del laboratorio con datos sintéticos y modelo preparado. El consumo de nube y las suscripciones externas no están incluidos en la matrícula; revisa presupuestos, alertas y eliminación de recursos antes de habilitarlos.
Dataset sintético y modelo preentrenado versionado, previstos para el laboratorio.
Repositorio base y plantillas de configuración e infraestructura.
Contrato de datos, pruebas, rúbricas y guías de errores frecuentes.
Guías de preparación y cierre de recursos cloud; prework de Python, Git y terminal.
Diagrama, matriz de permisos y evidencias de ejecución y monitoreo como entregables.
Runbook final para operación, fallas, reproceso y apagado.
Enfoque profesional
Seguridad y evidencia antes de ampliar la arquitectura
El objetivo es aprender a diseñar y operar con controles aplicables a contextos regulados, sin confundir un laboratorio con una implementación productiva aprobada.
Laboratorios solo con datos sintéticos. No subir datos personales, confidenciales ni datasets de clientes o empresa.
Permisos mínimos y secretos fuera de notebooks, chats y repositorios.
Identificar código, imagen y modelo, y conservar evidencia de cada corrida.
API online, Vertex Pipelines, Terraform, redes privadas y feature store son posibles demostraciones o extensiones, no requisitos del MVP.
Sin plataforma multi-cloud, Kubernetes, reentrenamiento automático, canary/blue-green ni disponibilidad 24/7 obligatorios.
No sustituye validación independiente ni garantiza cumplimiento regulatorio o producción bancaria.
Resultado esperado
Diseñar y operar un flujo batch de referencia para un modelo existente.
Programar corridas, diagnosticar errores y reprocesar con conciliación.
Monitorear datos, scores, ejecución y consumo sin confundir alertas con decisiones automáticas.
Documentar versiones, permisos y trazabilidad para revisión técnica y de riesgo.
Inscripciones abiertas
Reserva tu cupo en esta edición.
Completa tus datos, elige tu forma de pago y conserva el código de inscripción. El acceso al aula se habilita cuando el pago queda confirmado.
Inversión
$249.990 CLP
US$300 para pagos internacionales. El medio exacto disponible se mostrará antes de salir de Academia Bayes.
Precio final.
Preguntas frecuentes
Antes de inscribirte
La fecha, el horario y el valor están definidos. Antes de pagar verás el resumen completo de tu inscripción.
¿Ya puedo matricularme?
Sí. Las inscripciones están abiertas para la edición del 2 al 25 de noviembre de 2026. Las ocho clases son los lunes y miércoles, de 20:00 a 21:30 hora de Chile. Primero registras tus datos y luego eliges uno de los medios habilitados en el checkout; registrar los datos no realiza un cobro.
¿Cuál es el precio?
$249.990 CLP final, IVA incluido, para Chile, o US$300 para pagos internacionales. El checkout muestra los medios efectivamente habilitados. No se incluyen consumo ni créditos cloud; las cuotas, si están disponibles, dependen del medio de pago y tu banco.
¿Necesito saber programar?
Sí, Python básico, terminal y Git elemental o disposición para completar prework. También debes comprender qué es un scoring. Es nivel intermedio aplicado, no programación desde cero; la preparación y nivelación se detallarán antes del inicio.
¿Construiremos un modelo de riesgo?
No. Recibirás un modelo ya entrenado para concentrarte en scoring, despliegue, versiones, monitoreo, seguridad y trazabilidad. No se desarrollan PD, LGD, EAD, scorecards ni motores IFRS 9 desde cero.
¿Trabajaremos con datos bancarios reales?
No. Todos los laboratorios usan datos sintéticos. No debes subir datos personales, confidenciales ni información de clientes o de tu empresa.
¿Veremos AWS y Azure?
GCP será el laboratorio principal. AWS y Azure solo se revisarán como equivalencias conceptuales, no como laboratorios completos en tres nubes.
¿Construiremos una API?
El proyecto obligatorio es scoring batch. Una API online, Vertex Pipelines, Terraform y despliegues avanzados pueden aparecer como demostración o extensión, sin ser una promesa obligatoria ni requisito de aprobación.
¿Es una certificación de Google Cloud?
No. El certificado de aprobación es de Academia Bayes: mínimo 70%, proyecto final obligatorio y controles críticos cumplidos. No es un curso oficial, no usa acreditación del proveedor y no garantiza aprobar una certificación Google Cloud.
¿Queda listo para producción bancaria?
No automáticamente. Es un flujo de referencia con datos sintéticos. La producción real requiere seguridad, privacidad, arquitectura, integración, validación, gobierno y aprobaciones de cada institución; no se garantiza cumplimiento normativo ni aprobación de auditoría.
¿Habrá costos de nube?
Puede existir consumo cloud y no está incluido en la matrícula. Se revisarán configuración, facturación, presupuesto, alertas y eliminación de recursos para controlar el laboratorio. No se promete costo cero ni créditos incluidos. Un presupuesto alerta, pero no corta automáticamente el gasto.
¿Cuánto tiempo requiere?
Cuatro semanas: ocho sesiones de 90 minutos (12 horas en vivo), los lunes y miércoles de 20:00 a 21:30 hora de Chile, del 2 al 25 de noviembre de 2026. Considera además 12–16 horas de trabajo autónomo para implementar y documentar el proyecto.
¿Qué acompañamiento incluye?
Implementación guiada y espacio de preguntas en las clases, materiales de laboratorio y revisión del proyecto según su rúbrica. No incluye consultoría para tu empresa, soporte 24/7 ni una implementación productiva delegada.
¿Pertenece a una especialización?
No. Es un curso independiente, distinto de Modelador, IFRS 9, Validación, Data Engineering/MLOps general y Agentes de IA para Riesgo. No exige matrícula en ninguna especialización, pero sí los prerrequisitos técnicos indicados.