¡Transforma el futuro del mantenimiento con inteligencia artificial! Con nuestro Diploma de Especialización en Gestión Inteligente del Mantenimiento de Activos: de los Datos a los Agentes de Inteligencia Artificial, desarrollarás competencias para optimizar la gestión de activos mediante el análisis de datos, Machine Learning e inteligencia artificial generativa. Aprenderás a anticipar fallas, mejorar la confiabilidad de los equipos y automatizar procesos utilizando chatbots y agentes inteligentes. Potencia tu perfil profesional con herramientas innovadoras que te permitirán tomar decisiones estratégicas, incrementar la eficiencia operativa y liderar la transformación digital del mantenimiento en tu organización.
Objetivos
Objetivos específicos:
- Analizar datos de mantenimiento aplicando criterios de calidad, ISO 14224, indicadores de confiabilidad y métodos estadísticos para la toma de decisiones.
- Diseñar e integrar bases de datos relacionales y no relacionales, conectando sistemas CMMS, historiadores e inspecciones mediante SQL, gobierno de datos y Business Intelligence.
- Desarrollar modelos de machine learning para predecir fallas, detectar anomalías y estimar la vida útil remanente, considerando el impacto económico de las decisiones.
- Aplicar IA generativa mediante prompting, asistentes personalizados, análisis multimodal y RAG para consultar documentación técnica, interpretar inspecciones y generar informes trazables.
- Automatizar procesos de mantenimiento mediante herramientas low-code, chatbots, agentes y sistemas multiagente integrados vía MCP, incorporando seguridad, gobierno de IA y supervisión humana.
- Esta versión conserva los cinco ejes formativos y su progresión técnica, desde la gestión del dato hasta la automatización inteligente, con una redacción más breve y adecuada para un programa académico, diplomado o curso de especialización.
Perfil del Participante
Puestos de trabajo :
- Gerentes, jefes, supervisores y planificadores de mantenimiento, confiabilidad o activos.
- Ingenieros de mantenimiento predictivo, monitoreo de condición e integridad de activos.
- Jefes y supervisores de operaciones, producción, infraestructura o equipamiento.
- Responsables de CMMS/EAM, de gestión de la información técnica o de transformación digital de operaciones.
- Consultores y proyectistas en gestión de mantenimiento y gestión de activos.
Carreras profesionales :
- Ingeniería Mecánica, Mecánica Eléctrica y Mecatrónica. Ingeniería Eléctrica, Electrónica y de Control y Automatización.
- Ingeniería Industrial y de Producción.
- Ingeniería Civil, de Minas, Metalúrgica, Química y Petroquímica.
- Ingeniería Biomédica, de Sistemas y afines con responsabilidad sobre activos o infraestructura.
Empresas :
- Minería, energía y electricidad, hidrocarburos y gas.
- Manufactura, agroindustria, pesca y alimentos.
- Agua y saneamiento, transporte, logística y telecomunicaciones.
- Salud y redes hospitalarias con gestión de equipamiento médico.
- Empresas de servicios de mantenimiento, contratistas y consultoras de gestión de activos.
Certificación
Los participantes que cumplan satisfactoriamente con todos los requisitos del programa recibirán un certificado por haber aprobado y concluido satisfactoriamente los estudios correspondientes al Diploma de Especialización en Inteligencia Artificial Aplicada a la Gestión del Mantenimiento, expedido por la Universidad ESAN.
- Fundamentos del dato de mantenimiento y entorno de trabajo
- Calidad y limpieza de datos
- Análisis exploratorio e indicadores de mantenimiento
- Inferencia estadística para decisiones de mantenimiento
- Preparación del dataset para modelado y caso integrador
- Modelo de datos del mantenimiento y diseño relacional
- Construcción de la base de datos relacional
- SQL, calidad del dato e indicadores de gestión
- Bases de datos no relacionales para mantenimiento
- Gobierno del dato y explotación con Business Intelligence
- Formulación del problema y proceso de modelado
- Modelos supervisados de regresión aplicados a mantenimiento
- Clasificación de fallas y métricas de decisión
- Aprendizaje no supervisado y detección de anomalías
- Series temporales para mantenimiento de activos
- Fundamentos de los modelos de lenguaje y prompt engineering
- Asistentes de IA personalizados sin programar
- IA generativa multimodal para inspección y documentación
- RAG de mantenimiento: del corpus técnico a la operación
- Otros paradigmas de IA: harness engineering, loop engineering y Jev
- Fundamentos de automatización de procesos de mantenimiento
- Automatización con agentes de IA para mantenimiento
- Chatbot para mantenimiento de activos
- Orquestación de sistemas multiagente en la automatización del mantenimiento
- Integración vía MCP, seguridad y gobierno de la IA
-
Eduardo
Toledo Ponce
Perú
Exsubgerente de mantenimiento en EsSalud
Máster en ingeniería biomédica - Politécnico de Milán, Italia. Consultor experto en gestión de mantenimiento de equipamiento hospitalario. Investigador principal de proyectos financiados por instituciones nacionales e internacionales, en el campo de la instrumentación biomédica y biomecánica. Socio fundador de la Sociedad Peruana de Ingeniería Biomédica. Ha sido subgerente de mantenimiento en EsSalud.
-
Julio Omar
Santisteban Pablo
Perú
Doctor en Ciencias de la Computación
Doctor en Ciencia de la Computación por la Universidad Nacional de San Agustín, Perú. MSc. in Internetworking por la University of Technology Sydney, Australia. GradCert. in Internetworking por la University of Technology, Australia. Dip. in Information Technology-Applications Programming por la South Western Sydney Institute, Australia. Se incorporó a la Universidad Católica San Pablo en 2010 como profesor de la Escuela Profesional de Ciencia de la Computación. Anteriormente se incorporó como Snr. Analista programador en Qantas Airways Australia (2000-2009) y, anteriormente, programador en la Australian Red Cross (1997-1999). Sus líneas de investigación se centran en el diseño y la optimización de arquitecturas basadas en Transformers, el desarrollo de sistemas embebidos orientados al procesamiento del lenguaje natural (NLP) y la aplicación de técnicas de aprendizaje profundo (Deep Learning) a tareas de NLP, en particular la traducción automática neuronal (Neural Machine Translation).