Nanomáster en Algoritmos Verdes para a Intelixencia Artificial

Impulsa a túa carreira en IA cun enfoque sostible e multidisciplinar

O Nanomáster en Algoritmos Verdes para a Intelixencia Artificial é un programa formativo innovador deseñado para capacitar a profesionais, investigadores e estudantes no desenvolvemento e implementación de solucións de IA eficientes, sostibles e aliñadas cos desafíos tecnolóxicos e sociais actuais. A través de catro microcredenciais especializadas e complementarias, este nanomáster ofrece unha visión integral das tecnoloxías, aplicacións e marcos éticos que definen a nova xeración de intelixencia artificial:

Deseño e Implementación – Formación práctica en tecnoloxías punteiras como GPUs e TPUs, optimización de algoritmos e arquitecturas sostibles.
Aplicacións Prácticas – Estudo de casos reais e ferramentas no uso da intelixencia artificial para abordar desafíos ambientais.
Computación de Altas Prestacións e Robótica Sostible – Técnicas de HPC e robótica adaptadas a principios de eficiencia enerxética e sustentabilidade.
Dereito, Ética e Economía – Enfoque transversal sobre os marcos regulatorios, implicacións éticas e sustentabilidade económica da IA.

Este programa está orientado a perfís académicos, científicos e profesionais que desexen especializarse en IA cunha perspectiva responsable, tecnolóxica e aplicada. Poderase cursar cada microcredencial de forma individual para perfís interesados en obter unha especialización dentro desta área, obtendo unha certificación específica por cada unha delas. Ao completar as catro microcredenciais, o alumnado obterá un título de nanomáster, que certifica unha formación avanzada, multidisciplinar e aliñada cos Obxectivos de Desenvolvemento Sostible (ODS).

A quen vai dirixido?

Profesionais da IA, datos ou enxeñería interesados en sustentabilidade tecnolóxica.
Investigadores e académicos que queiran actualizar a súa formación en IA eficiente.
Estudantes de máster ou últimos cursos de grao con interese en tecnoloxías verdes.

Adiántate ao futuro da IA. Fórmate cunha visión ética, sostible e de alto impacto

Lista de microcredenciais

Microcredencial Algoritmos Verdes para a Intelixencia Artificial: Deseño e Implementación

Presentación

Esta microcredencial ofrece unha formación práctica e especializada no uso de tecnoloxías punteiras, como GPUs e TPUs, que aceleran o desenvolvemento de modelos de aprendizaxe automática. Ao longo do curso, tamén se ensinarán técnicas para optimizar arquitecturas e algoritmos, favorecendo unha implementación eficiente e sostible en contornas reais.

Esta formación está deseñada para dar resposta ás necesidades de diferentes perfís. Desde o ámbito académico, amplía a oferta formativa e impulsa enfoques tecnolóxicos máis respectuosos co medio ambiente. No contexto científico, capacita a investigadores para innovar no deseño de modelos de IA eficientes, combinando teoría e práctica. E desde unha perspectiva profesional, responde á crecente demanda de expertos en intelixencia artificial cunha sólida preparación técnica e unha visión clara dos retos da sustentabilidade.

Requisitos mínimos de acceso

Ter completado bacharelato, BUP, FPII ou un Ciclo Formativo Superior.
Coñecementos de programación.

Obxectivos

Esta microcredencial busca formar aos estudantes no uso da intelixencia artificial como unha ferramenta para promover a sustentabilidade ambiental e a eficiencia enerxética. Os estudantes aprenderán a desenvolver e xestionar solucións que optimicen o uso de recursos, reduzan a pegada ecolóxica e apoien iniciativas verdes en diversas industrias. De maneira específica, busca:

Comprender os fundamentos da IA verde e a súa importancia para un desenvolvemento tecnolóxico sostible e eficiente.
Deseñar e implementar modelos de aprendizaxe automática que optimicen o uso de recursos enerxéticos e computacionales.
Avaliar o impacto ambiental e técnico dos modelos de IA ao longo do seu ciclo de vida, aplicando criterios de sustentabilidade.
Aplicar estratexias e ferramentas de hardware eficiente, integrándoas en solucións prácticas en diversos contextos.
Comunicar e liderar proxectos de IA sostible, transmitindo os seus beneficios a públicos técnicos e non técnicos.
Traballar en contornas interdisciplinares e fomentar a aprendizaxe continua, adaptándose aos avances en IA verde e computación eficiente.

Datas clave

	Inicio	Finalización
Preinscrición	15 de maio de 2025	15 de xuño de 2025
Comunicación de admitidos	Xuño 2025
Matrícula	1 de xullo de 2025	15 de xullo de 2025
Sesiones lectivas	8 de setembro de 2025	17 de outubro de 2025
Prueba objetiva	Outubro de 2025

Contidos

Fundamentos de aprendizaxe automática e eficiencia computacional

Introdución aos conceptos clave da aprendizaxe automática e a aprendizaxe profunda. Tipos de algoritmos, fluxos de traballo comúns e retos actuais desde unha perspectiva de sustentabilidade. Exploración de contornas de desenvolvemento como Google Colab e ferramentas para experimentación reproducible e eficiente. Comparación de arquitecturas de hardware (CPU vs GPU vs TPU) desde o punto de vista do consumo enerxético e a escalabilidade.

Técnicas para o deseño eficiente de modelos de intelixencia artificial

Estudo de técnicas avanzadas para reducir o custo computacional do adestramento e despregamento de modelos de IA. Abordaranse estratexias como o knowledge distillation, a cuantización de modelos, o uso de modelos compactos e o deseño automatizado de arquitecturas (NAS). Exploración de modelos eficientes en visión por computador e procesamento da linguaxe natural (NLP), así como en sistemas de recomendación.

Procesamento da linguaxe natural con enfoque sostible

Aplicación de técnicas de IA verde en tarefas de linguaxe natural como tradución automática, clasificación e xeración de texto. Introdución ao prompt engineering e a métodos para a adaptación eficiente de modelos a tarefas específicas. Análise de modelos de linguaxe compactos e técnicas para reducir a súa pegada computacional en aplicacións do mundo real.

Arquitecturas especializadas e paradigmas emerxentes en IA eficiente

Análise de arquitecturas emerxentes como os Modelos Mixtos de Expertos (MoE) e a súa aplicabilidade en sistemas escalables e sostibles. Estudo de técnicas como a aprendizaxe por reforzo e o seu papel na eficiencia do adestramento. Introdución á xeración de datos sintéticos para IA mediante datasets anotados artificialmente, así como estratexias de data augmentation e domain adaptation para adestrar modelos con menos recursos.

Aplicacións gráficas e visión por computador con IA verde

Exploración do uso de IA en aplicacións gráficas avanzadas, incluíndo a síntese de vistas novas en 3D (3D Novel-view synthesis) e a xeración de datos sintéticos para adestramento de modelos de visión. Análise de ferramentas e arquitecturas que permiten reducir a carga computacional en tarefas de percepción visual e xeración de contido.

Criterios de selección

Terá preferencia o alumnado con titulacións da rama de Enxeñería e Arquitectura.

A valoración dos requisitos realizaraa a Comisión Académica do título, en función da forma de acceso, segundo os seguintes criterios:

– Rendemento académico demostrado durante a etapa de formación, no que respecta á aprendizaxe de coñecementos técnicos e competencias básicas e específicas (40%). Teranse en conta os expedientes académicos universitarios de carreiras afíns (30%), cursos de formación profesional (20%) ou bacharelato tecnolóxico (10%). No caso de presentar máis dun destes requisitos, terase en conta a media máis alta. O 10% restante reservarase a #máster universitarios.

– Coñecemento certificado de inglés como lingua de traballo (20 %).

Parámetro de valoración: desenvolvemento de destrezas lingüísticas de nivel avanzado, suficientes como para permitir unha comprensión lectora avanzada e unha comunicación fluída, oral e escrita, en contornas académicas ou profesionais.

Para medir devandito desempeño, tomaranse como referencia as certificacións de lingua inglesa de carácter oficial presentadas polas persoas candidatas (B1: 5 %, B2: 10 %, C1: 15 % e C2: 20 %).

– Excelencia profesional e motivación académica valoradas a partir do currículo (40 %).

Tipo de avaliación

O método de avaliación consistirá en:

– Proba teórica para avaliar a comprensión de conceptos e teorías.

– Avaliacións Prácticas: Proxectos e exercicios prácticos para demostrar a capacidade de aplicación dos coñecementos adquiridos. É obrigatorio asistir polo menos ao 60 % das actividades presenciais e obter unha nota superior a 5 en ambas as valoracións.

A cualificación final do curso componse de entre un 50-100% para a nota obtida no exame teórico e nun 0-50% para a parte de prácticas.

Ficha técnica

150 horas [6 ECTS] [1 ECTS = 25 horas]

Sesións ordinarias: luns e mércores, de 16:00 a 20:00 h

Exame final

Traballo individual de preparación de lecturas e casos de estudo con carácter previo ás sesións ordinarias e talleres prácticos.

Traballo individual de preparación do exame final.

Nanomáster en Algoritmos Verdes para a Intelixencia Artificial

Mínimo 12 – máximo 24

150 €

A admisión na Microcredencial en Algoritmos Verdes para a Intelixencia Artificial: Deseño e Implementación será definitiva unha vez a Unidade de Estudos Propios de Posgraduado verifique e informe favorablemente a solicitude e documentación remitidas. Terán preferencia aqueles alumnos que cursasen outras microcredenciales relacionadas co Nanomáster en Algoritmos Verdes para a Intelixencia Artificial.

CITIC, Universidade da Coruña

Campus de Elviña s/n – 15071 A Coruña

Brais Cancela Barizo, profesor titular de universidade, investigador da Cátedra UDC-Inditex de IA en Algoritmos Verdes.

catedra.inditex.algoritmos.verdes@udc.gal