Diplomado en Inteligencia Artificial para Rutas Navales

1.1. Arquitectura de datos marinos: procesamiento de señales AIS, VTS, datos telemáticos de motor y boletines meteorológicos GRIB2/NetCDF4

1.2. Algoritmos de Aprendizaje Automático (Supervisado, No Supervisado y Por Refuerzo) aplicados a la náutica comercial

1.3. Infraestructura Cloud y Edge Computing a bordo: despliegue de modelos de IA en servidores de puente y pasarelas IoT marinizadas

1.4. Protocolos de intercambio y normalización de datos marítimos: normas S-100/S-102/S-104 de la OHI y APIs de tráfico naviero

1.5. Calidad de datos marítimos: limpieza, imputación de pérdida de señal satelital/AIS y detección de anomalías telemáticas

1.6. Marcos normativos de la OMI sobre ciberseguridad en sistemas autónomos de navegación y toma de decisiones algorítmicas

1.7. Infraestructura de datos geoespaciales (GIS) e integración de bibliotecas Python/R (GeoPandas, Folium, PyProj) para análisis náutico

2.1. Construcción de Gemelos Digitales (Digital Twins) de buques para la predicción de rendimiento y consumo de combustible

2.2. Algoritmos de Regresión Avanzada y Redes Neuronales Artificiales (ANN) para estimar la resistencia al avance del casco

2.3. Evaluación del efecto del ensuciamiento del casco (Biofouling) y degradación de la hélice mediante aprendizaje automático

2.4. Integración de modelos de Dinámica de Fluidos Computacional (CFD) reducidos mediante técnicas de Machine Learning

2.5. Sensores de fibra óptica e IoT para la medición en tiempo real de torque, potencia, calado y deformación estructural

2.6. Estimación de curvas de consumo energético en función del estado de la mar, viento y profundidad del fondo

2.7. Modelado predictivo del comportamiento del buque en aguas poco profundas (Squat) mediante modelos basados en datos

3.1. Asimilación de datos meteorológicos y oceanográficos en tiempo real mediante modelos de Redes Neuronales Convolucionales (CNN)

3.2. Algoritmos de optimización de rutas: Dijkstra avanzado, A* (A-Star), Algoritmos Genéticos (GA) y Programación Dinámica Estocástica

3.3. Predicción probabilística de oleaje significativo, mar de fondo (Swell), corrientes oceánicas y frentes de tormenta

3.4. Optimización multiobjetivo de travesías: minimización simultánea de consumo de combustible, emisiones de $CO_2$ y tiempo de travesía (ETA)

3.5. Modelos de IA para la prevención de fenómenos hidrodinámicos severos: resonancia paramétrica, balance violento y Pounding

3.6. Algoritmos de enrutamiento adaptativo para la navegación en latitudes altas y zonas con presencia de hielo (Polar Routing)

3.7. Validación contrafáctica de rutas: comparación del desempeño de la ruta optimizada por IA frente a la ruta ejecutada por la tripulación

4.1. Visión por Computadora (Computer Vision) aplicada al puente de navegación: modelos YOLO y R-CNN marinizados

4.2. Fusion de sensores (Sensor Fusion): integración algorítmica de imágenes ópticas/térmicas (FLIR), Radar/ARPA, Lidar y AIS

4.3. Detección automática de blancos de baja reflectividad: embarcaciones de madera, náufragos, contenedores a la deriva y hielo marino

4.4. Reconocimiento y clasificación automática de tipos de buques, patrones de maniobra y detección de comportamientos anómalos

4.5. Automatización del cálculo del Punto de Máxima Aproximación (CPA) y TCPA utilizando redes recurrentes (LSTM)

4.6. Procesamiento de imágenes satelitales SAR (Radar de Apertura Sintética) para el seguimiento de la flota y detección de derrames de petróleo

4.7. Sistemas de alerta temprana para la prevención de colisiones en zonas de alta densidad de tráfico y visibilidad reducida

5.1. Minería de datos AIS y análisis de patrones de movimiento mediante clustering no supervisado (DBSCAN, K-Means)

5.2. Predicción de tiempos estimados de llegada (ETA) en puertos mediante modelos Ensamble (XGBoost, Random Forest)

5.3. Algoritmos de estimación de congestión portuaria y tiempos de espera en fondeadero para la navegación Just-In-Time (JIT)

5.4. Simulación de tráfico denso en pasos estratégicos (Chokepoints) mediante Aprendizaje por Refuerzo Multiagente (MARL)

5.5. Predicción de cuellos de botella en canales interoceánicos (Panamá, Suez, Malaca) utilizando modelos de series temporales

5.6. Detección de anomalías en la señal AIS: identificación de manipulación de posición, apagamientot de transpondedores y Spoofing

5.7. Modelado predictivo de demanda de suministro de combustible (Bunkering) en nodos logísticos marinos

6.1. Grados de autonomía en Buques Mercantes Autónomos de Superficie (MASS) según la clasificación de la OMI

6.2. Algoritmos de toma de decisiones para el cumplimiento automático del Reglamento de Abordajes (COLREG Partes B y C)

6.3. Aprendizaje por Refuerzo Profundo (Deep Reinforcement Learning – DRL) para la planificación y ejecución de maniobras evasivas autónomas

6.4. Sistemas de control predictivo basados en modelos (MPC) para el gobierno dinámico del rumbo, velocidad y posición

6.5. Algoritmos de navegación autónoma y posicionado dinámico (DP) para maniobras de atraco y desatraco sin intervención humana

6.6. Arquitectura de fallos seguros (Fail-Safe) y sistemas de supervisión humana remota (Human-in-the-Loop)

6.7. Ética algorítmica y asignación de responsabilidad jurídica en decisiones automatizadas de maniobra en la mar

7.1. Modelos analíticos para la optimización y control del Índice de Intensidad de Carbono (CII) en tiempo real

7.2. Algoritmos de machine learning para el cumplimiento de las metas de descarbonización (EU ETS, FuelEU Maritime e iniciativas OMI)

7.3. Planificación predictiva de la potencia del motor principal (Power Limiting / Shaft Power Limiting) para reducción de emisiones

7.4. Optimización algorítmica del uso de tecnologías de propulsión asistida por viento (velas rígidas, rotores Flettner)

7.5. Predicción del consumo de energía eléctrica del buque y gestión inteligente de la microred de a bordo (Power Management System)

7.6. Modelado del impacto de combustibles alternativos (Metanol, Amoníaco, Hidrógeno) en las rutas operativas mediante IA

7.7. Cuantificación de la huella de carbono por milla náutica y certificación digital de rutas de bajas emisiones