Familia E · Ejes transversales · Próximamente
Machine Learner Certification™
Entre quien usa la inteligencia artificial y quien sabe construirla.
Aviso
Esta certificación no cuenta con reconocimiento regulatorio. Certifica conocimientos y competencias en machine learning e inteligencia artificial aplicada; no sustituye ninguna certificación exigida por un regulador.
MLC
01 — ABSTRACTMachine Learner Certification™
La inteligencia artificial dejó de ser un proyecto de innovación para convertirse en infraestructura de la industria financiera. Las diez mayores instituciones bancarias han puesto herramientas de IA en manos de más de 800,000 empleados y el gasto del sector en esta tecnología supera los USD 38,000 millones anuales. Lo que escasea no es el acceso a los modelos, sino la gente capaz de construirlos, adaptarlos, ponerlos en producción y responder por ellos ante un comité o un regulador.
La Machine Learner Certification™ acredita precisamente esa capacidad. Su cuerpo de conocimiento recorre catorce módulos en tres niveles: las matemáticas y la estadística que sostienen el aprendizaje automático, el machine learning clásico y profundo, los modelos de lenguaje y su adaptación a un dominio, los sistemas agénticos y, en la cima, la ingeniería de escala, seguridad y producción. Está escrito para quien construye el modelo, no para quien consume una API.
El RiskMathics Certificate Institute certifica; Quantum Computing Labs prepara. El programa de preparación arranca el 3 de noviembre de 2026 con 452 horas en catorce módulos y un capstone evaluable en código por módulo. El examen de certificación es un producto independiente: se presenta con o sin haber cursado el programa y se construye con los niveles 1, 2 y 3 de la taxonomía de Bloom. Esta certificación no cuenta hoy con reconocimiento regulatorio; certifica competencias.
MLC
02 — INDUSTRIALo que está pasando en la industria
El gasto en inteligencia artificial de los servicios financieros alcanzó USD 38,360 millones en 2024 y se proyecta en USD 190,330 millones para 2030, un crecimiento anual compuesto de 30.6 %. La banca es la segunda industria del mundo por inversión en IA. Un solo banco global cuenta con más de 2,000 especialistas en IA y ciencia de datos, y 125,000 de sus empleados usan a diario su asistente interno basado en modelos de lenguaje.
La regulación llega al mismo ritmo. El Reglamento de IA de la Unión Europea clasifica como de alto riesgo el scoring crediticio, la detección de fraude y el perfilamiento de lavado de dinero, con obligaciones plenas desde agosto de 2026 (una prórroga a diciembre de 2027 está en discusión) y sanciones de hasta 3 % de la facturación global. En Estados Unidos, la guía SR 11-7 sigue siendo el marco de riesgo de modelo para el machine learning en banca; en América Latina, Brasil y México avanzan leyes propias.
El talento no acompaña. Los profesionales con competencias de IA reciben una prima salarial de 56 %, dos tercios de los líderes empresariales declaran que no contratarían a alguien sin ellas y 73 % de los directivos de servicios financieros señalan la escasez de talento en IA como barrera crítica. La distancia entre creer que la IA debe usarse (65 %) y usarla en realidad (20 %) es, en el fondo, una brecha de formación verificable.
MLC
03 — POR QUÉPor qué esta certificación
Las credenciales disponibles resuelven una parte del problema. Las de gobierno de la IA acreditan a quien supervisa modelos sin exigir una línea de código. Las de proveedores de nube validan una plataforma, sin contexto financiero ni riesgo de modelo. El programa cuantitativo de referencia se diseñó antes de los modelos de lenguaje. En su revisión de más de treinta credenciales, el blueprint de IA y finanzas del grupo no encontró una que reúna, para los servicios financieros, el machine learning, los modelos de lenguaje y la exigencia de construir y desplegar: las que piden código carecen de contexto financiero y las que tienen contexto financiero no piden código.
La Machine Learner Certification™ ocupa ese lugar. No pregunta si el sustentante conoce los términos; pregunta si puede resolver el problema. Por eso el programa que la prepara cierra cada módulo con código que corre y una defensa ante panel, y por eso el examen —independiente del programa— se construye con reactivos de recordar, comprender y aplicar sobre un cuerpo de conocimiento publicado, cuya ponderación definitiva se fija antes de la primera aplicación.
- Cubre la cadena completa: de la optimización y la inferencia bayesiana a los agentes, el escalamiento y la producción.
- Incluye lo que un comité de riesgo revisará primero: evaluaciones, interpretabilidad, red-teaming y monitoreo de deriva.
- Distingue entre el usuario de una API y quien puede afinar, servir y controlar un modelo propio.
- Se evalúa con un examen independiente del programa; aprobarlo no es una constancia de asistencia.
- Está diseñada para un campo cuya vida media de conocimiento el blueprint estima en 12 a 18 meses; la vigencia y el esquema de actualización se publican antes de abrir la primera fecha.
MLC
04 — RESULTADOSPara qué prepara
- 01
Derivar y programar desde cero un optimizador por descenso de gradiente y demostrar su convergencia frente a la solución cerrada.
- 02
Construir un pipeline tabular completo —datos, features, boosting afinado, SHAP y calibración— con validación honesta y lectura de negocio de las variables.
- 03
Estimar un efecto causal con datos observacionales, controlar confusores y reportar la incertidumbre ante un comité.
- 04
Implementar una red neuronal con backpropagation propio en NumPy, replicarla en PyTorch y justificar cada decisión de arquitectura.
- 05
Afinar un modelo de lenguaje de código abierto a un dominio con LoRA, evaluarlo contra la línea base y defender el balance entre costo, calidad y control.
- 06
Construir un agente con RAG y herramientas expuestas vía Model Context Protocol que resuelva una tarea real de punta a punta, con evaluación y guardrails.
- 07
Optimizar la inferencia de un modelo —cuantización, destilación, serving— y medir latencia, costo y calidad antes y después.
- 08
Auditar un modelo con evaluaciones, red-teaming e interpretabilidad, documentar sus vulnerabilidades y desplegarlo con CI/CD, monitoreo de deriva y capacidad de rollback.
MLC
05 — INSTITUCIONESLa línea de corte
Una institución que exige esta certificación cambia la pregunta de la entrevista. Ya no pregunta si el candidato ha usado inteligencia artificial —hoy dos tercios de los empleados de los diez mayores bancos tienen herramientas de IA a su alcance— sino si puede construir, validar y sostener un sistema que toma decisiones con dinero ajeno. Esa diferencia se paga en riesgo de modelo, en costo de inferencia y en el tiempo que separa a un notebook de un servicio en producción.
El certificado también ordena el mercado interno. Permite distinguir, con el mismo estándar, al analista que aprendió a pedirle resultados a un modelo del ingeniero que puede explicar por qué el modelo no converge, qué datos lo mejorarían y qué revisará un auditor cuando el sistema se clasifique como de alto riesgo.
- Un cuerpo de conocimiento publicado por dominio, con una ponderación que se fija y se publica antes del primer examen, comparable entre candidatos y entre instituciones.
- Evidencia de capacidad para poner modelos en producción, no solo para entrenarlos.
- Competencias de seguridad, interpretabilidad y monitoreo alineadas con lo que exigen el Reglamento de IA europeo y la guía SR 11-7.
- Un examen aplicado por un tercero independiente de quien enseña y de quien contrata.
MLC
06 — PERFILPara quién es
Para quién es
- Quants, traders, gestores de riesgo y de portafolio, analistas de crédito, actuarios y tesoreros cuyo trabajo toca datos financieros.
- Científicos e ingenieros de datos, áreas de modelos y validación, y equipos de tecnología responsables de llevar modelos a producción.
- Ingenieros, matemáticos, físicos y economistas con base cuantitativa que quieren convertirse en practicantes completos de machine learning.
- Directores de tecnología, datos y transformación —y profesionales de legal, cumplimiento y salud— que necesitan entender el mecanismo, no solo el resultado.
No es para
- Quien busca una visión ejecutiva o conceptual de la inteligencia artificial sin escribir código.
- Quien necesita únicamente alfabetización en prompts o soltura con herramientas comerciales.
- Quien busca acreditar cómputo cuántico: esa competencia corresponde a la Quantum Financial Professional (QFP™), hoy en desarrollo.
MLC
07 — CONOCIMIENTOCuerpo de conocimiento
Siete dominios derivados de los catorce módulos del Core. Los pesos son orientativos: reflejan la proporción de horas de cada dominio dentro de las 452 horas del programa de preparación. La ponderación del examen está por confirmar y se publica antes de la primera aplicación.
01Fundamentos matemáticos y razonamiento probabilístico≈ 16 %
- Álgebra lineal, SVD, proyecciones y mínimos cuadrados
- Cálculo multivariable, gradientes y regla de la cadena
- Optimización: descenso de gradiente, convexidad, Lagrange y KKT
- Probabilidad, entropía y divergencia KL
- Inferencia bayesiana, MCMC y cuantificación de incertidumbre
- Inferencia causal: DAGs, propensity y diferencias en diferencias
02Python, datos y machine learning clásico≈ 16 %
- Python científico, entornos reproducibles y control de versiones
- Ingeniería de datos: ingestión, limpieza, features y pipelines
- Tokens, vectores y embeddings: cómo funciona un LLM por dentro
- Regresión, clasificación, regularización y métricas
- Árboles, ensembles y gradient boosting con ajuste de hiperparámetros
- Aprendizaje no supervisado, reducción de dimensión y detección de anomalías
- Validación robusta e interpretabilidad con SHAP
03Deep learning y modelos multimodales≈ 15 %
- Redes feedforward y backpropagation desde cero
- PyTorch: tensores, autograd y ciclos de entrenamiento
- Regularización, normalización y optimizadores
- CNN, transfer learning y redes recurrentes
- Vision Transformers, detección y segmentación
- GAN, modelos de difusión y sistemas visión-lenguaje
- Document AI y ética de los deepfakes
04Lenguaje: transformers, LLMs y adaptación de dominio≈ 15 %
- Tokenización, embeddings y mecanismo de atención
- Arquitecturas GPT y BERT; diseño de un LLM
- Escalamiento, decodificación y ventana de contexto
- Prompt engineering avanzado y evaluación de prompts
- Fine-tuning eficiente: LoRA, QLoRA y PEFT
- Alineamiento por preferencias: RLHF, DPO y modelos de recompensa
- Serving, guardrails y costo del modelo afinado
05IA agéntica, razonamiento y aprendizaje por refuerzo≈ 14 %
- RAG empresarial: bases vectoriales, chunking y evaluación
- Agentes: uso de herramientas, planeación, ReAct y memoria
- Model Context Protocol y sistemas multiagente
- Agentes en producción: costo, latencia, observabilidad y seguridad
- MDP, Q-learning, policy gradients y deep RL
- Modelos de razonamiento y cómputo en tiempo de inferencia
06Escalamiento, datos y sistemas en producción≈ 18 %
- Scaling laws, economía del cómputo y precisión mixta
- Entrenamiento distribuido: paralelismo de datos, modelo y pipeline
- Optimización de inferencia: cuantización, destilación y KV-cache
- Data-centric AI: curación, datos sintéticos y evaluación por slices
- Ciclo de vida: versionado, feature stores y reproducibilidad
- Despliegue con contenedores, CI/CD y entrenamiento continuo
- LLMOps: prompts como código, evaluaciones continuas y guardrails
- Monitoreo de deriva, registro de modelos y gobernanza
07Seguridad, interpretabilidad y evaluación de modelos≈ 6 %
- Alineamiento y especificación: RLHF, DPO y Constitutional AI
- Interpretabilidad mecanicista, probing y atribución
- Benchmarks, LLM-as-judge y contaminación de evaluaciones
- Red-teaming: jailbreaks, prompt injection y mitigaciones
MLC
08 — DOS PRODUCTOSPrograma de preparación · Examen de certificación
Programa de preparación
Programa de preparación
Programa impartido por Quantum Computing Labs
Lo imparte Quantum Computing Labs, el instituto del grupo dedicado a inteligencia artificial y cómputo cuántico. Cubre todo el temario del examen en catorce módulos y tres niveles —Foundations, Deep & Generative AI y Frontier AI Engineering—, con clases en vivo, laboratorios, un capstone evaluable en código por módulo y mock exams construidos con la misma receta del examen. Cursarlo no es requisito para presentar el examen.
Machine Learner Certification™ Core
452 h · 14 módulos · 150 clasesLos catorce módulos obligatorios en tres niveles, del 3 de noviembre de 2026 al 7 de diciembre de 2027. Cierra con el Proyecto Integrador y un Demo Day ante jurado de industria. Es el formato que cubre el cuerpo de conocimiento completo del examen.
MLC Full Stack
788 h · 262 clasesEl Core más las cuatro verticales de especialización del primer grupo —finanzas y mercados, salud y ciencias de la vida, deep tech y cómputo cuántico, y ciberseguridad—, cursadas en paralelo entre enero y mayo de 2028. Las verticales amplían la aplicación por industria; no forman parte del temario del examen.
À la carte y certificados por nivel
24 a 40 h por módulo · 136 a 172 h por nivelCada módulo del Core puede cursarse por separado a USD 100 por hora más IVA, y cada nivel completo como certificado independiente: AI Foundations (144 h), Generative AI Builder (136 h) y Frontier AI Engineering (172 h). A quien prepara el examen de certificación le conviene cubrir los tres niveles.
- 150 sesiones en vivo: lunes, martes y jueves de 19:00 a 22:00, y hasta dos sábados presenciales al mes de 9:00 a 14:00
- Grabaciones de todas las sesiones, con 72 horas de acceso para alumnos activos
- Un capstone evaluable en código por módulo, defendido ante un panel de industria, en equipos que rotan
- Proyecto Integrador y Demo Day ante jurado
- Mock exams por dominio construidos con los niveles 1, 2 y 3 de Bloom
- Office hours semanales, sistema de pares y política de pausa de hasta un módulo
Del 3 de noviembre de 2026 al 7 de diciembre de 2027 para el Core; verticales en paralelo de enero a mayo de 2028. Receso del 11 de diciembre de 2026 al 11 de enero de 2027, Semana Santa y Pascua completas, una semana libre cada dos meses y días inhábiles de la CNBV.
Examen de certificación
Examen de certificación
Lo aplica el RiskMathics Certificate Institute como tercero independiente de quien imparte el programa. Se presenta con o sin haber cursado el programa. El blueprint maestro del Instituto no fija todavía la longitud ni la estructura de este examen; ambas se publican antes de abrir la primera fecha.
Si no se aprueba
El Consejo de Certificación tiene en definición la política de reprobación y reintento: cuántos intentos admite cada ventana, qué espera mínima corre entre uno y otro, qué cuota se cobra por volver a presentarlo y qué ocurre con los niveles ya aprobados. Se publica aquí en cuanto quede aprobada; entretanto, el dato puede solicitarse en growth@riskmathics.com. Gobierno del examen →
Los reactivos se construyen con los niveles 1, 2 y 3 de la taxonomía de Bloom: recordar, comprender y aplicar. Cada dominio aporta una cantidad fija de reactivos por nivel, de modo que dos sustentantes enfrentan la misma exigencia. Taxonomía de Bloom →
MLC
09 — MOCK EXAMSMock exams
Los mock exams del programa siguen la receta del examen: la misma distribución por dominio y los mismos tres niveles de Bloom. No son cuestionarios de repaso; son ensayos con reactivos calibrados que permiten al participante saber, dominio por dominio, dónde recuerda, dónde comprende y dónde todavía no aplica.
Se presentan a lo largo del programa y antes del examen, con retroalimentación por dominio. Los mock exams no reproducen reactivos del examen; replican su dificultad y su estructura.
- Nivel 1 · Recordar: definir, identificar, listar; por ejemplo, reconocer qué es un token o qué mide la divergencia KL.
- Nivel 2 · Comprender: explicar por qué un modelo no converge o qué hace una fuga de datos con la validación.
- Nivel 3 · Aplicar: elegir el optimizador, la técnica de fine-tuning o la métrica correcta ante un caso concreto.
MLC
10 — RUTARuta de aprendizaje
- Fase 1
Foundations · Learn144 h · noviembre de 2026 a abril de 2027
Matemáticas para ML, Python y fundamentos de IA, ML probabilístico y causal, y ML clásico. Cuatro capstones: del optimizador desde cero al pipeline tabular de producción.
- Fase 2
Deep & Generative AI · Apply136 h · abril a julio de 2027
Deep learning, modelos multimodales y generativos, NLP y LLMs, y fine-tuning con RLHF y prompt engineering. Cada módulo produce un capstone de grado producción.
- Fase 3
Frontier AI Engineering · Create172 h · julio a diciembre de 2027
Agentes, RAG y MCP; razonamiento y aprendizaje por refuerzo; escalamiento e inferencia; data-centric AI; seguridad, interpretabilidad y evaluaciones; MLOps y LLMOps.
- Fase 4
Proyecto Integrador, Demo Day y mock examsAl cierre del Core · fecha por confirmar
El capstone de producción alimenta el Proyecto Integrador que se defiende ante jurado. Los mock exams por dominio cierran la preparación.
- Fase 5
Examen de certificaciónFecha por confirmar
Aplicado por el RiskMathics Certificate Institute. Las verticales electivas del programa continúan en paralelo de enero a mayo de 2028 para quien opte por el Full Stack.
Inversión
11Programa y examen, por separado
Cuotas en dólares estadounidenses; el IVA se aplica conforme a la facturación. Programa y examen se contratan por separado; ninguna cifra incluye a la otra.
MLC
12 — PREGUNTAS FRECUENTESPreguntas frecuentes
¿Se puede presentar el examen sin cursar el programa?
Sí. El examen es un producto independiente del RiskMathics Certificate Institute. El programa de Quantum Computing Labs cubre todo el temario e incluye mock exams, pero no es requisito de admisión.
¿Quién imparte el programa y quién certifica?
Quantum Computing Labs, el instituto del grupo RiskMathics dedicado a inteligencia artificial y cómputo cuántico, imparte el programa de preparación. El RiskMathics Certificate Institute construye, audita y aplica el examen como tercero independiente.
¿Qué preparación previa se necesita?
Los requisitos formales de admisión están por confirmar. El programa está pensado para perfiles con base cuantitativa —ingeniería, matemáticas, física, economía, datos— y también para quien viene de negocio, legal o salud: su Nivel 1 construye desde cero las matemáticas, el Python científico y los fundamentos de la IA, y el temario señala el módulo de Python y fundamentos como imprescindible para quien no viene de un perfil técnico.
¿Incluye cómputo cuántico?
El cuerpo de conocimiento del examen no. Dentro del programa existe una vertical electiva de deep tech y cómputo cuántico, y la competencia cuántica se certifica aparte, en la Quantum Financial Professional (QFP™), hoy en desarrollo.
¿Se puede cursar por partes?
Sí. Cada módulo se cursa à la carte a USD 100 por hora más IVA, y cada nivel como certificado independiente: AI Foundations (144 h, USD 14,200 con IVA), Generative AI Builder (136 h, USD 13,400 con IVA) y Frontier AI Engineering (172 h, USD 16,950 con IVA). El Core completo tiene el mejor precio por hora.
¿Tiene reconocimiento regulatorio y cuánto dura la vigencia?
No tiene reconocimiento regulatorio: certifica conocimientos y competencias. La vigencia y el esquema de actualización están por confirmar; el blueprint de IA y finanzas del grupo contempla educación continua en ciclos cortos, porque estima la vida media del conocimiento en IA en 12 a 18 meses.
Machine Learner Certification™
Entre quien usa la inteligencia artificial y quien sabe construirla.