Presenta los aspectos técnicos de tu proyecto de forma clara para que financiadores especializados puedan evaluar su viabilidad y potencial.

¿Qué lograrás en este paso?

Este es el paso más importante del wizard (5-8 minutos). Aquí describes la sustancia técnica de tu proyecto:

✅ Objetivos científicos/técnicos - Qué quieres lograr exactamente
✅ Metodología - Cómo lo harás (fases, enfoque técnico)
✅ Equipo investigador - Quién lo hará (expertise, experiencia)
✅ Timeline y hitos - Cuándo se alcanzarán objetivos
✅ Resultados esperados - Qué se obtendrá al final
✅ Riesgos técnicos - Qué puede fallar y cómo lo mitigarás

✨ TIP: Este paso convence al financiador: El 92% de financiadores en 64bis.eus leen completo el Paso 3 antes de hacer una oferta. Los proyectos con Paso 3 detallado y claro consiguen financiación 3,1x más rápido.

Campo 1: Objetivos científicos/técnicos

Qué son objetivos científicos/técnicos

Son los logros técnicos específicos y medibles que tu proyecto alcanzará. Deben ser:

Específicos: No "mejorar el sistema", sino "reducir latencia a <100ms"
Medibles: Incluir métricas cuantificables
Técnicos: Enfocados en retos técnicos, no comerciales
Alcanzables: Ambiciosos pero realistas

Estructura recomendada

Objetivo Principal: [Qué quieres lograr en 1 frase]

Objetivos Específicos:
1. [Objetivo técnico 1 con métrica]
2. [Objetivo técnico 2 con métrica]
3. [Objetivo técnico 3 con métrica]
4. [Objetivo técnico 4 con métrica]

Estado del Arte Actual: [Qué existe hoy]
Gap que cubrimos: [Qué falta y tú vas a resolver]

Ejemplo bueno (Software ML) ✅

OBJETIVO PRINCIPAL:
Desarrollar sistema de detección de fraude bancario en tiempo real con 99% accuracy
y <100ms latencia, superando las soluciones actuales que logran 94% accuracy en 500ms.

OBJETIVOS ESPECÍFICOS:
1. Diseñar arquitectura híbrida CNN+Transformer optimizada para inferencia rápida
   → Métrica: Latencia <100ms en 99% de casos
2. Entrenar modelo con dataset de 50M transacciones etiquetadas
   → Métrica: Accuracy >99% en conjunto validación
3. Implementar sistema de reentrenamiento continuo sin degradar performance
   → Métrica: Mantener accuracy >98% tras 6 meses en producción
4. Desplegar en infraestructura distribuida con 99,99% disponibilidad
   → Métrica: SLA <100ms mantenido en 10.000 TPS

ESTADO DEL ARTE ACTUAL:
- Sistema A (competidor): 500ms, 94% accuracy
- Sistema B (paper académico): 200ms, 90% accuracy en benchmark
- Ninguno combina velocidad + accuracy requeridas

GAP QUE CUBRIMOS:
No existe solución comercial que logre simultáneamente <100ms Y >99% accuracy
en detección fraude bancario en producción.

Ejemplo bueno (Biotech) ✅

OBJETIVO PRINCIPAL:
Desarrollar biosensor basado en CRISPR para detección rápida (2h) de tuberculosis
resistente a fármacos, reduciendo tiempo diagnóstico actual de 48 horas.

OBJETIVOS ESPECÍFICOS:
1. Diseñar sgRNAs específicos para 5 cepas resistentes más prevalentes
   → Métrica: Especificidad >95% sin falsos positivos
2. Desarrollar sistema de detección fluorescente multiplexado
   → Métrica: Detectar 5 cepas simultáneamente en misma muestra
3. Optimizar protocolo amplificación isotérmica para muestras clínicas reales
   → Métrica: Sensibilidad 100 CFU/ml (detección temprana)
4. Integrar en dispositivo portátil de bajo coste (<500 € por unidad)
   → Métrica: Funcionamiento sin equipamiento laboratorio especializado

ESTADO DEL ARTE ACTUAL:
- Cultivo microbiológico: 48h, gold standard pero lento
- PCR convencional: 6-8h, requiere laboratorio equipado
- Tests rápidos: 30min pero solo detectan TB, no resistencia

GAP QUE CUBRIMOS:
Primera tecnología que detecta TB resistente en 2h con especificidad >95%
en punto de atención sin equipamiento especializado.

Errores comunes

❌ Demasiado vago:

Objetivo: Mejorar el sistema actual para que sea mejor

❌ Solo comercial, no técnico:

Objetivo: Conseguir 1.000 clientes en el primer año

❌ Sin métricas:

Objetivo: Desarrollar un algoritmo muy rápido y preciso

Campo 2: Metodología

Qué es la metodología

La metodología explica CÓMO vas a alcanzar tus objetivos técnicos. Debe incluir:

Fases del proyecto (cronológicas)
Enfoque técnico para cada fase
Herramientas/tecnologías que usarás
Validación de resultados

Estructura recomendada por fases

FASE 1: [Nombre fase] (Meses X-Y)
Objetivo: [Qué se logra en esta fase]
Enfoque técnico: [Cómo lo harás]
Herramientas: [Qué usarás]
Validación: [Cómo verificas éxito]

FASE 2: [Nombre fase] (Meses X-Y)
...

[Repetir para 3-5 fases]

Ejemplo bueno (Software ML) ✅

FASE 1: Investigación y diseño arquitectura (Meses 1-3)
Objetivo: Diseñar arquitectura CNN+Transformer optimizada para inferencia rápida
Enfoque técnico:
- Revisión exhaustiva de arquitecturas CNN (ResNet, EfficientNet) y Transformers (BERT, GPT)
- Análisis de trade-offs latencia vs accuracy en diferentes arquitecturas
- Diseño de arquitectura híbrida con atención selectiva para reducir computación
- Pruebas de concepto con subconjunto datos (1M transacciones)
Herramientas: PyTorch, ONNX Runtime, TensorRT para optimización inferencia
Validación: Prototipo alcanza <150ms en GPU T4, accuracy >95% en subset

FASE 2: Desarrollo y entrenamiento modelo (Meses 4-9)
Objetivo: Entrenar modelo completo con dataset 50M transacciones
Enfoque técnico:
- Pipeline de preprocesamiento datos distribuido (Apache Spark)
- Entrenamiento distribuido multi-GPU con estrategia data parallelism
- Técnicas de regularización avanzadas (Mixup, CutMix, label smoothing)
- Validación cruzada con splits temporales (no aleatorios)
Herramientas: PyTorch Lightning, Weights & Biases, Kubernetes para orquestación
Validación: Accuracy >99% en validation set temporal, precisión/recall balanceados

FASE 3: Optimización para producción (Meses 10-12)
Objetivo: Reducir latencia a <100ms manteniendo accuracy
Enfoque técnico:
- Quantización modelo (FP32 → INT8) con calibración post-training
- Pruning de pesos redundantes (40% reducción parámetros)
- Knowledge distillation de modelo grande a estudiante optimizado
- Optimización kernels custom con TensorRT/ONNX
Herramientas: TensorRT, ONNX Runtime, NVIDIA Nsight para profiling
Validación: Latencia <100ms en 99% casos, accuracy >98,5%

FASE 4: Validación piloto real (Meses 13-18)
Objetivo: Validar en producción con banco piloto
Enfoque técnico:
- Despliegue en infraestructura distribuida (AWS Lambda + API Gateway)
- Monitorización detallada de latencia, accuracy, false positives
- Sistema de reentrenamiento continuo con feedback operaciones
- A/B testing contra sistema legacy banco
Herramientas: AWS, Kubernetes, Prometheus+Grafana, MLFlow
Validación: Sistema supera KPIs acordados con banco durante 3 meses continuos

Campo 3: Equipo investigador

Qué incluir del equipo

Los financiadores quieren saber que tienes el equipo técnico capaz de ejecutar el proyecto. Incluye:

Para cada miembro clave:

Nombre completo y rol
Expertise relevante (años experiencia, especialización)
Logros/credenciales que demuestran capacidad
Dedicación al proyecto (% jornada)

Estructura recomendada

LÍDER TÉCNICO: [Nombre]
Rol: [CTO, Director I+D, etc.]
Expertise: [X años en Y tecnología/sector]
Logros relevantes: [Proyectos previos, publicaciones, patentes]
Dedicación: [X% jornada, Y horas/semana]

INVESTIGADOR SENIOR 1: [Nombre]
...

[Repetir para 3-6 miembros clave]

EQUIPO ADICIONAL:
- X ingenieros junior
- Y técnicos de laboratorio
- Z colaboradores externos

Ejemplo bueno (Software ML) ✅

LÍDER TÉCNICO: Dr. Jon Etxeberria
Rol: Director de I+D, Machine Learning Lead
Expertise: PhD Computer Science (UPV/EHU), 12 años en ML aplicado a fintech
Logros relevantes:
- Ex-Senior ML Engineer en Google (5 años, equipo TensorFlow)
- 8 papers en NeurIPS/ICML sobre optimización de modelos
- Líder técnico sistema fraude en fintech unicornio (Serie C)
Dedicación: 100% jornada (tiempo completo)

INVESTIGADOR SENIOR: Dra. Maite Albizu
Rol: Data Scientist especializada en NLP/Transformers
Expertise: PhD Matemáticas (UPV/EHU), 8 años en NLP y Transformers
Logros relevantes:
- Postdoc en Stanford NLP Group (2 años)
- Co-autora de arquitectura Transformer efficiency (paper citado 300+ veces)
- Experiencia previa en detección anomalías para compliance bancaria
Dedicación: 80% jornada (4 días/semana)

INGENIERO ML SENIOR: Andoni Garmendia
Rol: ML Engineer especializado en inference optimization
Expertise: 10 años en sistemas distribuidos y optimización ML
Logros relevantes:
- Ex-ML Engineer en AWS SageMaker (4 años)
- Experto en TensorRT y ONNX Runtime
- Reducción 10x latencia en 3 proyectos previos
Dedicación: 100% jornada

INGENIERO ML: Ane Zubiaga
Rol: ML Engineer desarrollo y experimentación
Expertise: 5 años desarrollo ML, especialización en computer vision y fraud
Logros relevantes:
- Implementó sistema detección fraude en e-commerce (30M usuarios)
- Certificada Google Professional ML Engineer
Dedicación: 100% jornada

DEVOPS/MLOps: Iker Sagasti
Rol: MLOps Engineer, infraestructura y despliegue
Expertise: 7 años DevOps, 3 años específicamente MLOps
Logros relevantes:
- Diseñó pipeline CI/CD para ML en startup fintech (Series B)
- Experto Kubernetes, Kubeflow, MLFlow
Dedicación: 100% jornada

EQUIPO ADICIONAL:
- 2 ingenieros ML junior (soporte desarrollo)
- 1 QA Engineer especializado en testing ML
- Colaboración externa: Prof. Xavier Amatriain (Caser Professor, consultor)

Errores comunes

❌ No incluir nombres reales:

Equipo: 3 ingenieros y 1 data scientist

❌ CVs sin sustancia:

Jon: CTO con mucha experiencia en varios proyectos

❌ Equipo no especializado para el reto:

Proyecto biotech con CRISPR
Equipo: Desarrolladores web y diseñador UX

Campo 4: Timeline y hitos

Qué es el timeline

El timeline muestra la planificación temporal con hitos medibles que demuestran progreso.

Estructura recomendada

HITO 1 (Mes X): [Nombre hito]
Entregable: [Qué se habrá completado]
Métrica de éxito: [Cómo verificas que se logró]

HITO 2 (Mes Y): [Nombre hito]
...

[4-6 hitos típicamente para proyecto 12-24 meses]

Ejemplo bueno ✅

HITO 1 (Mes 3): Arquitectura diseñada y validada
Entregable: Prototipo arquitectura con pruebas de concepto
Métrica de éxito: Latencia <150ms, accuracy >95% en subset 1M transacciones

HITO 2 (Mes 9): Modelo completo entrenado
Entregable: Modelo entrenado con dataset completo 50M transacciones
Métrica de éxito: Accuracy >99% en validation set, F1-score >0,98

HITO 3 (Mes 12): Optimización producción completada
Entregable: Modelo optimizado para despliegue producción
Métrica de éxito: Latencia <100ms p99, accuracy mantenida >98,5%

HITO 4 (Mes 15): Piloto en banco real iniciado
Entregable: Sistema desplegado en entorno producción banco piloto
Métrica de éxito: 10.000 transacciones/día procesadas, SLA cumplido

HITO 5 (Mes 18): Validación piloto completada
Entregable: Informe validación con métricas reales 3 meses operación
Métrica de éxito: Sistema supera KPIs acordados, feedback positivo banco

HITO 6 (Mes 24): Producto comercializable
Entregable: Sistema listo para comercialización a escala
Métrica de éxito: 5 bancos adicionales en pipeline ventas

Campo 5: Resultados esperados

Qué incluir

Resultados tangibles que obtendrás al completar el proyecto:

Resultado técnico principal: Qué se habrá creado
Publicaciones científicas (si aplica)
Patentes (si aplica)
Prototipos/productos
Conocimiento/metodologías nuevas
Impacto cuantificable

Ejemplo bueno ✅

RESULTADOS TÉCNICOS:
1. Sistema ML producción detectando fraude bancario <100ms con 99% accuracy
2. Arquitectura híbrida CNN+Transformer optimizada documentada
3. Dataset curado de 50M transacciones etiquetadas (valor para comunidad)
4. Pipeline MLOps completo para reentrenamiento continuo

PUBLICACIONES CIENTÍFICAS:
1. Paper en conferencia tier-1 (NeurIPS/ICML) sobre arquitectura híbrida
2. Tech report detallando optimizaciones inference (open-source)

PROPIEDAD INTELECTUAL:
1. Patente sobre método de atención selectiva para reducción latencia
2. Software propietario registrado

IMPACTO CUANTIFICABLE:
1. Reducción 80% fraude detectado vs sistema actual banco piloto
2. Ahorro estimado 5M €/año para banco medio (50.000 transacciones/día)
3. Reducción 95% falsos positivos (mejora experiencia usuario)

CONOCIMIENTO TRANSFERIBLE:
1. Metodología aplicable a otros problemas detección anomalías tiempo real
2. Técnicas de optimización reutilizables en diferentes sectores

Campo 6: Riesgos técnicos y mitigación

Por qué es crítico

Declarar riesgos técnicos aumenta confianza del financiador (demuestra que has analizado a fondo). Incluye:

Riesgo identificado (qué puede fallar)
Probabilidad (baja/media/alta)
Impacto (bajo/medio/alto)
Plan de mitigación (cómo lo evitarás o resolverás)

Estructura recomendada

RIESGO 1: [Descripción del riesgo técnico]
Probabilidad: [Baja/Media/Alta]
Impacto: [Bajo/Medio/Alto]
Mitigación: [Plan específico para evitar o resolver]

[Repetir para 3-5 riesgos principales]

Ejemplo bueno ✅

RIESGO 1: Arquitectura híbrida no alcanza latencia objetivo <100ms
Probabilidad: Media (40%)
Impacto: Alto (objetivo principal del proyecto)
Mitigación:
- Diseño modular permite probar 3 arquitecturas candidatas en paralelo
- Benchmarking continuo en hardware target desde Fase 1
- Plan B: Si latencia es 120-150ms, aún supera competencia significativamente
- Colaboración con NVIDIA para acceso a optimizaciones avanzadas TensorRT

RIESGO 2: Dataset insuficiente para alcanzar 99% accuracy
Probabilidad: Baja (20%)
Impacto: Alto (accuracy es requisito crítico)
Mitigación:
- Acuerdo firmado con 3 bancos para acceso a 50M transacciones etiquetadas
- Técnicas de data augmentation específicas para fraude (synthetic minority oversampling)
- Transfer learning desde modelos pre-entrenados en datasets públicos
- Plan B: 98% accuracy ya es mejora significativa vs 94% actual

RIESGO 3: Reentrenamiento continuo degrada performance
Probabilidad: Media (30%)
Impacto: Medio (afecta operación long-term)
Mitigación:
- Sistema de validación automática antes de desplegar modelos reentrenados
- Shadow mode para probar nuevo modelo vs actual antes de switch
- Rollback automático si métricas degradan >2%
- Investigación específica en Fase 3 sobre continual learning

RIESGO 4: Equipo clave deja el proyecto
Probabilidad: Baja (15%)
Impacto: Medio-Alto (retraso 3-6 meses)
Mitigación:
- Documentación exhaustiva de todo el desarrollo
- Pair programming y knowledge sharing continuo
- 2 miembros senior formados en cada área crítica (redundancia)
- Red de contactos para contratación rápida si necesario (partners universitarios)

RIESGO 5: Banco piloto cancela colaboración
Probabilidad: Baja (10%)
Impacto: Medio (retraso validación, no técnico)
Mitigación:
- Cartas de intención firmadas con 2 bancos adicionales como backup
- Acuerdo piloto incluye cláusulas de compensación por cancelación unilateral
- Desarrollo diseñado para ser agnóstico al banco específico (fácil migración)

Editor rich text

Todos los campos del Paso 3 usan un editor rich text que permite:

✅ Formato: negrita, cursiva, listas
✅ Links: a papers, documentación, etc.
✅ Código: snippets técnicos formateados
✅ Tablas: comparativas, métricas
✅ Imágenes: diagramas, arquitecturas (opcional)

No abuses del formato: Legibilidad > estética

Checklist antes de continuar a Paso 4

Objetivos son específicos y medibles (con métricas cuantificadas)
Metodología describe claramente CÓMO alcanzarás objetivos
Equipo tiene expertise demostrable para el reto técnico
Timeline incluye 4-6 hitos medibles
Resultados esperados son tangibles y cuantificados
Has identificado 3-5 riesgos técnicos principales con plan de mitigación
Todo el texto es comprensible para no-experto del sector
Has evitado jerga innecesaria
Total ~800-1200 palabras (5-8 minutos lectura)

Siguiente paso: Paso 4: Deducción fiscal →

Paso anterior: ← Paso 2: Tipo de proyecto

Última actualización: 5 octubre 2025 | Tiempo de lectura: 12 minutos

Presenta los aspectos técnicos de tu proyecto de forma clara para que financiadores especializados puedan evaluar su viabilidad y potencial.

¿Qué lograrás en este paso?

Este es el paso más importante del wizard (5-8 minutos). Aquí describes la sustancia técnica de tu proyecto:

✅ Objetivos científicos/técnicos - Qué quieres lograr exactamente
✅ Metodología - Cómo lo harás (fases, enfoque técnico)
✅ Equipo investigador - Quién lo hará (expertise, experiencia)
✅ Timeline y hitos - Cuándo se alcanzarán objetivos
✅ Resultados esperados - Qué se obtendrá al final
✅ Riesgos técnicos - Qué puede fallar y cómo lo mitigarás

✨ TIP: Este paso convence al financiador: El 92% de financiadores en 64bis.eus leen completo el Paso 3 antes de hacer una oferta. Los proyectos con Paso 3 detallado y claro consiguen financiación 3,1x más rápido.

Campo 1: Objetivos científicos/técnicos

Qué son objetivos científicos/técnicos

Son los logros técnicos específicos y medibles que tu proyecto alcanzará. Deben ser:

Específicos: No "mejorar el sistema", sino "reducir latencia a <100ms"
Medibles: Incluir métricas cuantificables
Técnicos: Enfocados en retos técnicos, no comerciales
Alcanzables: Ambiciosos pero realistas

Estructura recomendada

Objetivo Principal: [Qué quieres lograr en 1 frase]

Objetivos Específicos:
1. [Objetivo técnico 1 con métrica]
2. [Objetivo técnico 2 con métrica]
3. [Objetivo técnico 3 con métrica]
4. [Objetivo técnico 4 con métrica]

Estado del Arte Actual: [Qué existe hoy]
Gap que cubrimos: [Qué falta y tú vas a resolver]

Ejemplo bueno (Software ML) ✅

OBJETIVO PRINCIPAL:
Desarrollar sistema de detección de fraude bancario en tiempo real con 99% accuracy
y <100ms latencia, superando las soluciones actuales que logran 94% accuracy en 500ms.

OBJETIVOS ESPECÍFICOS:
1. Diseñar arquitectura híbrida CNN+Transformer optimizada para inferencia rápida
   → Métrica: Latencia <100ms en 99% de casos
2. Entrenar modelo con dataset de 50M transacciones etiquetadas
   → Métrica: Accuracy >99% en conjunto validación
3. Implementar sistema de reentrenamiento continuo sin degradar performance
   → Métrica: Mantener accuracy >98% tras 6 meses en producción
4. Desplegar en infraestructura distribuida con 99,99% disponibilidad
   → Métrica: SLA <100ms mantenido en 10.000 TPS

ESTADO DEL ARTE ACTUAL:
- Sistema A (competidor): 500ms, 94% accuracy
- Sistema B (paper académico): 200ms, 90% accuracy en benchmark
- Ninguno combina velocidad + accuracy requeridas

GAP QUE CUBRIMOS:
No existe solución comercial que logre simultáneamente <100ms Y >99% accuracy
en detección fraude bancario en producción.

Ejemplo bueno (Biotech) ✅

OBJETIVO PRINCIPAL:
Desarrollar biosensor basado en CRISPR para detección rápida (2h) de tuberculosis
resistente a fármacos, reduciendo tiempo diagnóstico actual de 48 horas.

OBJETIVOS ESPECÍFICOS:
1. Diseñar sgRNAs específicos para 5 cepas resistentes más prevalentes
   → Métrica: Especificidad >95% sin falsos positivos
2. Desarrollar sistema de detección fluorescente multiplexado
   → Métrica: Detectar 5 cepas simultáneamente en misma muestra
3. Optimizar protocolo amplificación isotérmica para muestras clínicas reales
   → Métrica: Sensibilidad 100 CFU/ml (detección temprana)
4. Integrar en dispositivo portátil de bajo coste (<500 € por unidad)
   → Métrica: Funcionamiento sin equipamiento laboratorio especializado

ESTADO DEL ARTE ACTUAL:
- Cultivo microbiológico: 48h, gold standard pero lento
- PCR convencional: 6-8h, requiere laboratorio equipado
- Tests rápidos: 30min pero solo detectan TB, no resistencia

GAP QUE CUBRIMOS:
Primera tecnología que detecta TB resistente en 2h con especificidad >95%
en punto de atención sin equipamiento especializado.

Errores comunes

❌ Demasiado vago:

Objetivo: Mejorar el sistema actual para que sea mejor

❌ Solo comercial, no técnico:

Objetivo: Conseguir 1.000 clientes en el primer año

❌ Sin métricas:

Objetivo: Desarrollar un algoritmo muy rápido y preciso

Campo 2: Metodología

Qué es la metodología

La metodología explica CÓMO vas a alcanzar tus objetivos técnicos. Debe incluir:

Fases del proyecto (cronológicas)
Enfoque técnico para cada fase
Herramientas/tecnologías que usarás
Validación de resultados

Estructura recomendada por fases

FASE 1: [Nombre fase] (Meses X-Y)
Objetivo: [Qué se logra en esta fase]
Enfoque técnico: [Cómo lo harás]
Herramientas: [Qué usarás]
Validación: [Cómo verificas éxito]

FASE 2: [Nombre fase] (Meses X-Y)
...

[Repetir para 3-5 fases]

Ejemplo bueno (Software ML) ✅

FASE 1: Investigación y diseño arquitectura (Meses 1-3)
Objetivo: Diseñar arquitectura CNN+Transformer optimizada para inferencia rápida
Enfoque técnico:
- Revisión exhaustiva de arquitecturas CNN (ResNet, EfficientNet) y Transformers (BERT, GPT)
- Análisis de trade-offs latencia vs accuracy en diferentes arquitecturas
- Diseño de arquitectura híbrida con atención selectiva para reducir computación
- Pruebas de concepto con subconjunto datos (1M transacciones)
Herramientas: PyTorch, ONNX Runtime, TensorRT para optimización inferencia
Validación: Prototipo alcanza <150ms en GPU T4, accuracy >95% en subset

FASE 2: Desarrollo y entrenamiento modelo (Meses 4-9)
Objetivo: Entrenar modelo completo con dataset 50M transacciones
Enfoque técnico:
- Pipeline de preprocesamiento datos distribuido (Apache Spark)
- Entrenamiento distribuido multi-GPU con estrategia data parallelism
- Técnicas de regularización avanzadas (Mixup, CutMix, label smoothing)
- Validación cruzada con splits temporales (no aleatorios)
Herramientas: PyTorch Lightning, Weights & Biases, Kubernetes para orquestación
Validación: Accuracy >99% en validation set temporal, precisión/recall balanceados

FASE 3: Optimización para producción (Meses 10-12)
Objetivo: Reducir latencia a <100ms manteniendo accuracy
Enfoque técnico:
- Quantización modelo (FP32 → INT8) con calibración post-training
- Pruning de pesos redundantes (40% reducción parámetros)
- Knowledge distillation de modelo grande a estudiante optimizado
- Optimización kernels custom con TensorRT/ONNX
Herramientas: TensorRT, ONNX Runtime, NVIDIA Nsight para profiling
Validación: Latencia <100ms en 99% casos, accuracy >98,5%

FASE 4: Validación piloto real (Meses 13-18)
Objetivo: Validar en producción con banco piloto
Enfoque técnico:
- Despliegue en infraestructura distribuida (AWS Lambda + API Gateway)
- Monitorización detallada de latencia, accuracy, false positives
- Sistema de reentrenamiento continuo con feedback operaciones
- A/B testing contra sistema legacy banco
Herramientas: AWS, Kubernetes, Prometheus+Grafana, MLFlow
Validación: Sistema supera KPIs acordados con banco durante 3 meses continuos

Campo 3: Equipo investigador

Qué incluir del equipo

Los financiadores quieren saber que tienes el equipo técnico capaz de ejecutar el proyecto. Incluye:

Para cada miembro clave:

Nombre completo y rol
Expertise relevante (años experiencia, especialización)
Logros/credenciales que demuestran capacidad
Dedicación al proyecto (% jornada)

Estructura recomendada

LÍDER TÉCNICO: [Nombre]
Rol: [CTO, Director I+D, etc.]
Expertise: [X años en Y tecnología/sector]
Logros relevantes: [Proyectos previos, publicaciones, patentes]
Dedicación: [X% jornada, Y horas/semana]

INVESTIGADOR SENIOR 1: [Nombre]
...

[Repetir para 3-6 miembros clave]

EQUIPO ADICIONAL:
- X ingenieros junior
- Y técnicos de laboratorio
- Z colaboradores externos

Ejemplo bueno (Software ML) ✅

LÍDER TÉCNICO: Dr. Jon Etxeberria
Rol: Director de I+D, Machine Learning Lead
Expertise: PhD Computer Science (UPV/EHU), 12 años en ML aplicado a fintech
Logros relevantes:
- Ex-Senior ML Engineer en Google (5 años, equipo TensorFlow)
- 8 papers en NeurIPS/ICML sobre optimización de modelos
- Líder técnico sistema fraude en fintech unicornio (Serie C)
Dedicación: 100% jornada (tiempo completo)

INVESTIGADOR SENIOR: Dra. Maite Albizu
Rol: Data Scientist especializada en NLP/Transformers
Expertise: PhD Matemáticas (UPV/EHU), 8 años en NLP y Transformers
Logros relevantes:
- Postdoc en Stanford NLP Group (2 años)
- Co-autora de arquitectura Transformer efficiency (paper citado 300+ veces)
- Experiencia previa en detección anomalías para compliance bancaria
Dedicación: 80% jornada (4 días/semana)

INGENIERO ML SENIOR: Andoni Garmendia
Rol: ML Engineer especializado en inference optimization
Expertise: 10 años en sistemas distribuidos y optimización ML
Logros relevantes:
- Ex-ML Engineer en AWS SageMaker (4 años)
- Experto en TensorRT y ONNX Runtime
- Reducción 10x latencia en 3 proyectos previos
Dedicación: 100% jornada

INGENIERO ML: Ane Zubiaga
Rol: ML Engineer desarrollo y experimentación
Expertise: 5 años desarrollo ML, especialización en computer vision y fraud
Logros relevantes:
- Implementó sistema detección fraude en e-commerce (30M usuarios)
- Certificada Google Professional ML Engineer
Dedicación: 100% jornada

DEVOPS/MLOps: Iker Sagasti
Rol: MLOps Engineer, infraestructura y despliegue
Expertise: 7 años DevOps, 3 años específicamente MLOps
Logros relevantes:
- Diseñó pipeline CI/CD para ML en startup fintech (Series B)
- Experto Kubernetes, Kubeflow, MLFlow
Dedicación: 100% jornada

EQUIPO ADICIONAL:
- 2 ingenieros ML junior (soporte desarrollo)
- 1 QA Engineer especializado en testing ML
- Colaboración externa: Prof. Xavier Amatriain (Caser Professor, consultor)

Errores comunes

❌ No incluir nombres reales:

Equipo: 3 ingenieros y 1 data scientist

❌ CVs sin sustancia:

Jon: CTO con mucha experiencia en varios proyectos

❌ Equipo no especializado para el reto:

Proyecto biotech con CRISPR
Equipo: Desarrolladores web y diseñador UX

Campo 4: Timeline y hitos

Qué es el timeline

El timeline muestra la planificación temporal con hitos medibles que demuestran progreso.

Estructura recomendada

HITO 1 (Mes X): [Nombre hito]
Entregable: [Qué se habrá completado]
Métrica de éxito: [Cómo verificas que se logró]

HITO 2 (Mes Y): [Nombre hito]
...

[4-6 hitos típicamente para proyecto 12-24 meses]

Ejemplo bueno ✅

HITO 1 (Mes 3): Arquitectura diseñada y validada
Entregable: Prototipo arquitectura con pruebas de concepto
Métrica de éxito: Latencia <150ms, accuracy >95% en subset 1M transacciones

HITO 2 (Mes 9): Modelo completo entrenado
Entregable: Modelo entrenado con dataset completo 50M transacciones
Métrica de éxito: Accuracy >99% en validation set, F1-score >0,98

HITO 3 (Mes 12): Optimización producción completada
Entregable: Modelo optimizado para despliegue producción
Métrica de éxito: Latencia <100ms p99, accuracy mantenida >98,5%

HITO 4 (Mes 15): Piloto en banco real iniciado
Entregable: Sistema desplegado en entorno producción banco piloto
Métrica de éxito: 10.000 transacciones/día procesadas, SLA cumplido

HITO 5 (Mes 18): Validación piloto completada
Entregable: Informe validación con métricas reales 3 meses operación
Métrica de éxito: Sistema supera KPIs acordados, feedback positivo banco

HITO 6 (Mes 24): Producto comercializable
Entregable: Sistema listo para comercialización a escala
Métrica de éxito: 5 bancos adicionales en pipeline ventas

Campo 5: Resultados esperados

Qué incluir

Resultados tangibles que obtendrás al completar el proyecto:

Resultado técnico principal: Qué se habrá creado
Publicaciones científicas (si aplica)
Patentes (si aplica)
Prototipos/productos
Conocimiento/metodologías nuevas
Impacto cuantificable

Ejemplo bueno ✅

RESULTADOS TÉCNICOS:
1. Sistema ML producción detectando fraude bancario <100ms con 99% accuracy
2. Arquitectura híbrida CNN+Transformer optimizada documentada
3. Dataset curado de 50M transacciones etiquetadas (valor para comunidad)
4. Pipeline MLOps completo para reentrenamiento continuo

PUBLICACIONES CIENTÍFICAS:
1. Paper en conferencia tier-1 (NeurIPS/ICML) sobre arquitectura híbrida
2. Tech report detallando optimizaciones inference (open-source)

PROPIEDAD INTELECTUAL:
1. Patente sobre método de atención selectiva para reducción latencia
2. Software propietario registrado

IMPACTO CUANTIFICABLE:
1. Reducción 80% fraude detectado vs sistema actual banco piloto
2. Ahorro estimado 5M €/año para banco medio (50.000 transacciones/día)
3. Reducción 95% falsos positivos (mejora experiencia usuario)

CONOCIMIENTO TRANSFERIBLE:
1. Metodología aplicable a otros problemas detección anomalías tiempo real
2. Técnicas de optimización reutilizables en diferentes sectores

Campo 6: Riesgos técnicos y mitigación

Por qué es crítico

Declarar riesgos técnicos aumenta confianza del financiador (demuestra que has analizado a fondo). Incluye:

Riesgo identificado (qué puede fallar)
Probabilidad (baja/media/alta)
Impacto (bajo/medio/alto)
Plan de mitigación (cómo lo evitarás o resolverás)

Estructura recomendada

RIESGO 1: [Descripción del riesgo técnico]
Probabilidad: [Baja/Media/Alta]
Impacto: [Bajo/Medio/Alto]
Mitigación: [Plan específico para evitar o resolver]

[Repetir para 3-5 riesgos principales]

Ejemplo bueno ✅

RIESGO 1: Arquitectura híbrida no alcanza latencia objetivo <100ms
Probabilidad: Media (40%)
Impacto: Alto (objetivo principal del proyecto)
Mitigación:
- Diseño modular permite probar 3 arquitecturas candidatas en paralelo
- Benchmarking continuo en hardware target desde Fase 1
- Plan B: Si latencia es 120-150ms, aún supera competencia significativamente
- Colaboración con NVIDIA para acceso a optimizaciones avanzadas TensorRT

RIESGO 2: Dataset insuficiente para alcanzar 99% accuracy
Probabilidad: Baja (20%)
Impacto: Alto (accuracy es requisito crítico)
Mitigación:
- Acuerdo firmado con 3 bancos para acceso a 50M transacciones etiquetadas
- Técnicas de data augmentation específicas para fraude (synthetic minority oversampling)
- Transfer learning desde modelos pre-entrenados en datasets públicos
- Plan B: 98% accuracy ya es mejora significativa vs 94% actual

RIESGO 3: Reentrenamiento continuo degrada performance
Probabilidad: Media (30%)
Impacto: Medio (afecta operación long-term)
Mitigación:
- Sistema de validación automática antes de desplegar modelos reentrenados
- Shadow mode para probar nuevo modelo vs actual antes de switch
- Rollback automático si métricas degradan >2%
- Investigación específica en Fase 3 sobre continual learning

RIESGO 4: Equipo clave deja el proyecto
Probabilidad: Baja (15%)
Impacto: Medio-Alto (retraso 3-6 meses)
Mitigación:
- Documentación exhaustiva de todo el desarrollo
- Pair programming y knowledge sharing continuo
- 2 miembros senior formados en cada área crítica (redundancia)
- Red de contactos para contratación rápida si necesario (partners universitarios)

RIESGO 5: Banco piloto cancela colaboración
Probabilidad: Baja (10%)
Impacto: Medio (retraso validación, no técnico)
Mitigación:
- Cartas de intención firmadas con 2 bancos adicionales como backup
- Acuerdo piloto incluye cláusulas de compensación por cancelación unilateral
- Desarrollo diseñado para ser agnóstico al banco específico (fácil migración)

Editor rich text

Todos los campos del Paso 3 usan un editor rich text que permite:

✅ Formato: negrita, cursiva, listas
✅ Links: a papers, documentación, etc.
✅ Código: snippets técnicos formateados
✅ Tablas: comparativas, métricas
✅ Imágenes: diagramas, arquitecturas (opcional)

No abuses del formato: Legibilidad > estética

Checklist antes de continuar a Paso 4

Objetivos son específicos y medibles (con métricas cuantificadas)
Metodología describe claramente CÓMO alcanzarás objetivos
Equipo tiene expertise demostrable para el reto técnico
Timeline incluye 4-6 hitos medibles
Resultados esperados son tangibles y cuantificados
Has identificado 3-5 riesgos técnicos principales con plan de mitigación
Todo el texto es comprensible para no-experto del sector
Has evitado jerga innecesaria
Total ~800-1200 palabras (5-8 minutos lectura)

Siguiente paso: Paso 4: Deducción fiscal →

Paso anterior: ← Paso 2: Tipo de proyecto

Última actualización: 5 octubre 2025 | Tiempo de lectura: 12 minutos

Paso 3: Detalles Técnicos del Proyecto

¿Qué lograrás en este paso?

Campo 1: Objetivos científicos/técnicos

Qué son objetivos científicos/técnicos

Estructura recomendada

Ejemplo bueno (Software ML) ✅

Ejemplo bueno (Biotech) ✅

Errores comunes

Campo 2: Metodología

Qué es la metodología

Estructura recomendada por fases

Ejemplo bueno (Software ML) ✅

Campo 3: Equipo investigador

Qué incluir del equipo

Estructura recomendada

Ejemplo bueno (Software ML) ✅

Errores comunes

Campo 4: Timeline y hitos

Qué es el timeline

Estructura recomendada

Ejemplo bueno ✅

Campo 5: Resultados esperados

Qué incluir

Ejemplo bueno ✅

Campo 6: Riesgos técnicos y mitigación

Por qué es crítico

Estructura recomendada

Ejemplo bueno ✅

Editor rich text

Checklist antes de continuar a Paso 4

Paso 3: Detalles Técnicos del Proyecto

¿Qué lograrás en este paso?

Campo 1: Objetivos científicos/técnicos

Qué son objetivos científicos/técnicos

Estructura recomendada

Ejemplo bueno (Software ML) ✅

Ejemplo bueno (Biotech) ✅

Errores comunes

Campo 2: Metodología

Qué es la metodología

Estructura recomendada por fases

Ejemplo bueno (Software ML) ✅

Campo 3: Equipo investigador

Qué incluir del equipo

Estructura recomendada

Ejemplo bueno (Software ML) ✅

Errores comunes

Campo 4: Timeline y hitos

Qué es el timeline

Estructura recomendada

Ejemplo bueno ✅

Campo 5: Resultados esperados

Qué incluir

Ejemplo bueno ✅

Campo 6: Riesgos técnicos y mitigación

Por qué es crítico

Estructura recomendada

Ejemplo bueno ✅

Editor rich text

Checklist antes de continuar a Paso 4