El programa se estructura en bloques progresivos que reproducen el flujo de trabajo de un ingeniero DevOps y Cloud profesional, desde los fundamentos de sistemas hasta la integración de IA en los pipelines de plataforma.

Módulo 0. Módulo de nivelación (acceso previo al inicio)

Un mes antes del inicio del máster, el alumno accede a contenidos de fundamentos para llegar al primer día con la base técnica necesaria:

• Fundamentos de Linux: sistema de archivos, permisos, procesos, gestión de paquetes.

• Línea de comandos avanzada y scripting básico en Bash.

• Fundamentos de redes: TCP/IP, DNS, HTTP/HTTPS, firewalls.

• Introducción a Python aplicado a automatización.

• Control de versiones con Git: comandos esenciales y flujos de trabajo.

Bloque 1. Fundamentos DevOps y administración de sistemas

• Cultura DevOps: principios, prácticas y métricas (DORA, SPACE).

• Administración avanzada de Linux: systemd, cron, tuning, troubleshooting.

• Networking aplicado: subredes, VPN, balanceadores de carga, proxies inversos.

• Scripting profesional con Bash y Python para automatización de tareas.

• Servidores web (NGINX, Apache) y aplicación de proxies inversos en producción.

Bloque 2. Control de versiones y colaboración

• Git avanzado: rebase, cherry-pick, bisect, hooks.

• Estrategias de branching: GitFlow, Trunk Based Development, monorepo.

• Code review, pull requests y gestión de releases.

• GitHub, GitLab y Bitbucket: ecosistemas y diferencias.

Bloque 3. Contenedores y orquestación

• Docker: imágenes, contenedores, volúmenes, redes, multi-stage builds.

• Optimización de imágenes y buenas prácticas de seguridad.

• Kubernetes: arquitectura, pods, deployments, services, ingress.

• Configuración avanzada: ConfigMaps, Secrets, Persistent Volumes, RBAC.

• Helm: gestión de paquetes y plantillas para Kubernetes.

• Operadores y CRDs: extensión de Kubernetes para casos avanzados.

Bloque 4. Infraestructura como Código (IaC)

• Terraform: providers, módulos, state management, workspaces.

• Ansible: playbooks, roles, inventarios dinámicos.

• Pulumi y CDK como alternativas modernas.

• Patrones de diseño en IaC: reusabilidad, versionado, gobernanza.

• Testing de infraestructura: Terratest, InSpec.

Bloque 5. CI/CD y automatización del ciclo de vida del software

• Pipelines CI/CD con Jenkins, GitLab CI y GitHub Actions.

• Estrategias de despliegue: blue/green, canary, rolling updates, feature flags.

• Integración de testing automatizado: unit, integration, e2e.

• Gestión de artefactos: Nexus, Artifactory, registries privados.

• Despliegue progresivo y rollback automatizado.

Bloque 6. Cloud Computing — AWS

• Servicios fundamentales: EC2, S3, VPC, IAM, RDS, Lambda.

• Networking avanzado en AWS: Route 53, CloudFront, Direct Connect.

• Servicios de contenedores: ECS, EKS, Fargate.

• Servicios serverless y arquitecturas event-driven.

• Preparación para certificación AWS Certified Solutions Architect.

Bloque 7. Cloud Computing — Azure y Google Cloud

• Microsoft Azure: AKS, App Services, Azure DevOps, Functions, ARM templates.

• Google Cloud Platform: GKE, Cloud Run, Cloud Functions, BigQuery.

• Multi-cloud y estrategias de portabilidad.

• Preparación para certificaciones Azure Administrator y Google Associate Cloud Engineer.

Bloque 8. Observabilidad y SRE

• Principios de Site Reliability Engineering (SRE): SLI, SLO, SLA, error budgets.

• Monitorización con Prometheus y Grafana.

• Logging centralizado con stack ELK (Elasticsearch, Logstash, Kibana) y Loki.

• Tracing distribuido: Jaeger, OpenTelemetry.

• Plataformas APM: Datadog, New Relic, Dynatrace.

• Gestión de incidentes y postmortems.

Bloque 9. DevSecOps y seguridad en la nube

• Integración de seguridad en pipelines CI/CD (shift left security).

• Análisis estático de código (SAST) y de dependencias (SCA).

• Gestión de secretos: Vault, AWS Secrets Manager, Azure Key Vault.

• Hardening de contenedores e imágenes (Trivy, Snyk).

• Compliance y normativas (CIS Benchmarks, ENS, ISO 27001).

Bloque 10. MLOps e IA en infraestructura

• Fundamentos de MLOps: ciclo de vida de un modelo de ML en producción.

• Despliegue de modelos: APIs REST, contenedores, servicios cloud (SageMaker, Vertex AI, Azure ML).

• Versionado de modelos y datos: MLflow, DVC.

• Monitorización de modelos: drift, performance, retraining automatizado.

• IA generativa para el trabajo del ingeniero DevOps: generación de manifiestos Kubernetes y plantillas Terraform con LLMs.

• Agentes de IA aplicados a SRE: troubleshooting asistido, generación automatizada de runbooks, postmortems con asistencia de LLMs.

Bloque 11. Trabajo Fin de Máster + Empleabilidad

• Desarrollo de un proyecto integrador end-to-end: diseño, despliegue y operación de una arquitectura cloud completa con CI/CD, observabilidad e integración de un modelo de IA.

• Defensa del proyecto ante tribunal con feedback profesional.

• Acompañamiento del Career Advisor: revisión de CV y LinkedIn, preparación de entrevistas técnicas, simulacros de pruebas técnicas (system design, troubleshooting).

• Acceso a la bolsa de empresas partner y a procesos reales de selección.