Comencé mi carrera científica en la Universidad de Deusto. Allí, no solo me forme como ingeniero informático especializado en transformación digital de la empresa, sino que, además, tuve la oportunidad de colaborar en el grupo de investigación Deustotech. Empecé a formarme en tecnología blockchain mientras estaba en mi tercer curso de la carrera y tenía claro que quería seguir formándome. El equipo que estuvimos trabajando en este proyecto consiguió publicar los resultados del trabajo en un congreso, siendo esa mi primera experiencia colaborando en un artículo. En cuarto de carrera, decidí cambiar de área para centrarme en la inteligencia artificial. Realicé mi trabajo fin de grado sobre este tema y, de nuevo, publiqué los resultados en un congreso.

Quería continuar mi formación y potenciar mi perfil científico, por ello escogí la Universidad Politécnica de Madrid, ya que era la que mejores oportunidades me proporcionaba para continuar mi carrera profesional e investigadora. Estudié el máster en Inteligencia Artificial y realicé mi trabajo fin de máster sobre modelado de tópicos en el Ontology Engineering Group (OEG). Con el apoyo y colaboración de las personas del grupo estamos adaptado los resultados para poder ser publicado en una revista.

La experiencia dentro del grupo ha sido muy positiva y los resultados han sido muy fructíferos. De hecho, ahora mismo estoy matriculado en el programa de Doctorado en Inteligencia Artificial por la Universidad Politécnica de Madrid para continuar con la línea de investigación que he estado siguiendo en el OEG. Considero que teniendo en cuenta la dinámica del grupo, conocimiento, personal y recursos no podría tener una mejor oportunidad para desempeñar mi investigación.

 B.1. Breve descripción del Trabajo de Fin de Grado (TFG) y puntuación obtenida Cada vez existen más limitaciones legales y éticas a la hora de gestionar datos personales. Esto supone un grave problema para los sistemas de recomendación (RS) o aplicaciones similares, ya que los datos personales (p. ej. socioeconómicos, demográficos, de comportamiento, etc.) son los más útiles para generar correlaciones y predicciones a medida. Para hacer frente a este problema, este trabajo propone un sistema de recomendación que salvaguarda la privacidad del usuario utilizando un enfoque de Aprendizaje Federado (FL). Para ello, este artículo toma como línea base un RS centralizado ya existente que utiliza todos los datos de los usuarios. Este RS base está basado en Factor Machines y tiene como objetivo emplear estrategias de persuasión adaptadas al usuario para aumentar la conciencia energética y cambiar sus hábitos de consumo en el entorno laboral.  Para probar el rendimiento del RS distribuido basado en FL, el conjunto de datos reales utilizado (N=678) se ha separado en cuatro subconjuntos que imitan una segmentación por país de origen (Austria, Reino Unido, España y Grecia). Cada país, puede crear un modelo de inteligencia artificial adecuado para sus usuarios que se enviará a un servidor central donde tendrá lugar la agregación de modelos y, el modelo global mejorado se devolverá a cada país. La simulación de esta estrategia FL se realiza con cuatro Raspberry Pi, que reflejan cada país, y se utiliza una NVIDIA Jetson Nano como servidor de agregación. El modelo generado no solo aumenta la privacidad de los usuarios, ya que no hay datos en bruto que viajen al servidor central, sino que también mejora la fiabilidad de las recomendaciones. Este trabajo fue evaluado con una nota de 8.6 sobre 10.B.2. Breve descripción del Trabajo de Fin de Máster (TFM) y puntuación obtenida El objetivo de este trabajo es estudiar el impacto del SARS-CoV-2 en la literatura sobre coronavirus. Queremos analizar cómo ha irrumpido este virus en una colección de artículos sobre coronavirus (CORD-19). Queremos saber cómo, si es que lo ha hecho, ha cambiado la dirección de la línea de investigación. Esta colección contiene artículos de todos los tipos de coronavirus. Queremos averiguar cómo ha evolucionado la investigación sobre coronavirus durante los tres acontecimientos más relevantes relacionados con los coronavirus: SARS-CoV-1, MERS-CoV y SARS-CoV-2. Esta tarea pertenece al ámbito del procesamiento del lenguaje natural, y para resolverla se utilizarán modelos de tópicos dinámicos. Utilizaremos tres modelos para resolverla y compararemos su rendimiento. Los modelos que utilizaremos son: Dynamic Topic Model, BERTopic y Dynamic Embedded Topic Model. Los modelos de tópicos dinámicos se utilizarán para generar la evolución de los distintos temas del corpus. De este modo, es posible observar qué palabras están relacionadas dentro del tema para determinar su relación entre sí. Además, también es posible ver las apariciones o desapariciones de palabras. Se analizarán los tópicos que contienen fármacos o tratamientos para estudiar las relaciones entre las palabras que generan los distintos modelos. El objetivo es ver si el tópico en el que se encuentran los fármacos está directamente relacionado con la enfermedad o los síntomas del mismo tópico. Este trabajo fue evaluado con una nota de 9.5 sobre 10.