Data Systems Academy

Aprende Data Engineering, ML Engineering y GenAI al construir sistemas reales

Domina diseño, arquitectura y operaciones con cursos prácticos, restricciones reales, revisión por pares y gamificación ética.
Lanzamiento a inicios de Q3 2026.


pipeline:
  ingest:
    source: kafka
    schema: avro
    sla: 500ms
  transform:
    type: dbt
    materialization: incremental
  quality_gate:
    tests: [unique, not_null]
    action: block_on_fail
            

El vacío: los cursos de Data Engineering enseñan herramientas. Los equipos necesitan ingenieros.

Aprende a diseñar, construir y operar sistemas reales con restricciones, validación y revisión.

  • Construye con restricciones de SLA, costo, privacidad, seguridad (no proyectos de juguete).
  • Prueba calidad con tests, evaluación y estándares de revisión.
  • Egresa con un portafolio versionado que parece trabajo real.

Checklist de realidad en producción

ADR y diagrama de arquitectura
Pipeline + tests (unique/not_null)
Presupuesto de costo y latencia
Monitoreo + alertas
Runbook + RCA
Revisión por pares > 80%

Una misión. De punta a punta. Como trabajan los equipos en producción.

Diseña, construye, valida, revisa, opera y sal con prueba real.

Casebook
Restricciones
Studio
Construir
Gates
Automatizado
Guilds
Revisión
Portfolio
Prueba

Entregables

  • Reporte de tests
  • Reporte de performance
  • Reporte de evaluación

Señales

  • Tests pasan
  • p95 < 200ms
  • Groundedness > 0.8

Restricciones

  • Costo por corrida
  • Presupuesto de latencia
  • Chequeos de PII
Misión ejemplo: sistema de monitoreo de listings
E-commerceCalidad de datos
Artefactos generados
ADR
Código
Dashboard
RCA
Gates superados
UniqueNotNullSLA
Resultado
Entrada de portafolio

Elige tu track de Data Engineering, ML Engineering o GenAI.

Cada track termina con un sistema listo y una entrada de portafolio revisada.

Data Engineering

Entrega un pipeline de ingesta, transformación y serving listo para producción.
ArtefactosADR, proyecto dbt, DAG, panel
GatesTests de DQ, presupuesto, latencia
LOS EMPLEADORES VERÁN:
  • Repo del sistema revisado por PR
  • Decisiones de arquitectura
  • RCA de incidentes

ML Engineering

Entrega un sistema de entrenamiento, features, deployment y monitoreo.
ArtefactosModel Card, Feature Store, Rollback Plan
GatesDrift, evaluación offline, seguridad
LOS EMPLEADORES VERÁN:
  • Código del pipeline de entrenamiento
  • Reporte de evaluación
  • Panel de deriva

GenAI Apps

Entrega una app RAG/agent con evaluación, guardrails y control de costos.
ArtefactosEval Harness, Golden Set, Guardrails
GatesGroundedness, latencia, costo/query
LOS EMPLEADORES VERÁN:
  • Resultados de evaluación
  • Código de guardrails
  • Reporte de optimización de costos

DSA no es contenido. Es un sistema de calidad.

No dependemos de motivación. Dependemos de mecanismos.

Aprende construyendo

Cada unidad produce un artefacto real. Sin teoría sin contexto.

Restricciones reales

SLA, costo, privacidad, escala. Tradeoffs como en producción.

Feedback primero

Gates automatizados + revisión humana con rúbricas claras.

Prueba de portafolio

Tu portafolio versionado y revisado es tu credencial.

El motor DSA

Gates automatizados
Tests de calidad, presupuestos de perf
Revisión humana
Rúbricas + feedback
Músculo operativo
Incidentes + RCA
Juego ético
Insignias, sin penalidades

Acceso beta + descuentos de fundador

Responde unas preguntas para construir las misiones correctas y priorizaremos tu invitación.

Entrada rápida: 30s Encuesta opcional: ~3m
1
Entrada rápida
2
Encuesta profunda (opcional)

Hoja de ruta

Discovery y construcción

Ahora

Lanzamiento beta (MVP)

Inicios de Q3 2026

Studio + Casebook

Q3 2026

Plataforma completa

Q4 2026+

Preguntas comunes

Todo lo que necesitas saber del producto, el método y la beta.

Producto y modelo de aprendizaje

¿Qué es Data Systems Academy (DSA)?

¿En qué se diferencia DSA de los cursos online?

¿Qué significa 'One Mission. End-to-End.'?

Para quién es

¿Es apto para principiantes?

¿Necesito base de matemáticas o ML?

Proyectos, portafolio y evidencia

¿Qué tendré en mi portafolio al terminar?

¿Los proyectos son 'toy' o reales?

Precios y planes

¿Cuál es el costo?

¿Cuándo se lanza la beta?

Tecnología y logística

¿Qué stack necesito?

¿Cuántas horas por semana?