El Blog de Miguel Ángel García

En julio de este año 2018 finalicé el Máster en Investigación en Inteligencia Artificial que ha desarrollado la Asociación Española para la Inteligencia Artificial (AEPIA) y que gestiona la Universidad Internacional Menéndez Pelayo. Esta fue la segunda edición del máster que, en un área tan dinámica como la Inteligencia Artificial, ya ha incluido nuevas asignaturas en su tercera edición para el curso 2018/2019. En esta entrada os hablaré de qué es el máster, qué se aprende en él y os daré mi opinión y experiencia personal.

En primer lugar, hablemos de AEPIA, responsable del contenido y metodología del máster. AEPIA se define como una “asociación formada por docentes, investigadores y profesionales que comparten intereses en temas relacionados con la Inteligencia Artificial”. Entre sus socios se encuentran los principales investigadores y profesores de diferentes universidades y centros de investigación españoles, siendo sus metas la transferencia tecnológica, coordinar grupos de trabajo, facilitar la innovación, etc. Con estos mimbres, el nivel de profesorado del máster no puede ser bajo y no lo es.  Así, los profesores provienen de diferentes universidades españolas como la Universidad de Santiago de Compostela, Universidad de A Coruña, Universidad de Oviedo, Universidad Politécnica de Madrid, Universidad de Valencia, Universidad de Málaga, Universidad Autónoma de Barcelona, Universidad San Pablo CEU, Universidad de Granada y muchas más, incluyendo centros de investigación como el Consejo Superior de Investigaciones Científicas (el listado total de docentes es de 80). Luego, evidentemente, hay profesores mejores y peores, pero ninguno sin nivel ni resultados de investigación a sus espaldas que no lo acrediten como un experto en IA en su área de trabajo.

Por otro lado, las asignaturas de mi plan de estudios se dividían en 4 bloques: uno genérico de fundamentos, que incluye las bases en metaheurísticos, aprendizaje automático y representación del conocimiento, entre otras; otro bloque para la especialidad en aprendizaje y ciencia de datos (que es la que yo cursé), así como el bloque de inteligencia en la web y el de razonamiento y planificación, que conforman las otras dos especialidades del máster. No voy a dar el listado completo, puesto que se puede ver en la web del máster y puede cambiar ligeramente, pero sí que me gustaría explicar qué es lo que me han aportado. Antes tengo que aclarar que yo no inicié el máster sin conocimientos previos en la materia, al menos en lo que respecta a la Ciencia de Datos. Más o menos un año antes había finalizado la especialización en Data Science que la Universidad John Hopkins Bloomberg School of Public Health desarrolla en Coursera. Así que me matriculé en el máster con los deberes hechos, aunque con dudas de si cumpliría los criterios de selección, pues son bastante estrictos. Evidentemente, me admitieron e inicié el curso siguiendo el orden recomendado en la guía de estudio, por lo que la primera asignatura con la que me encontré fue “Introducción a la Investigación”. Siendo una asignatura relativamente fácil en cuanto a su contenido (no así en las entregas), me resultó interesante conocer los entresijos de la investigación: las revistas científicas, los congresos, el periplo del doctorando… Pero fue un inicio suave, porque el choque me lo llevé al comenzar con “Técnicas Avanzadas de Representación del Conocimiento y Razonamiento”, pues se trata de una asignatura completamente teórica, con una base matemática inmensa y que requiere un esfuerzo importante para seguirla con el ritmo adecuado. Eso sí, te mete realmente en el máster, por lo que una vez pasado el escollo, se puede disfrutar más. Y ahí me sorprendió el estado de los algoritmos metaheurísticos, uno de los pilares de la IA cuando lo que se busca es optimización. También me resultaron muy interesantes las redes bayesianas, de las cuales me habría gustado ver más. En cuanto al aprendizaje automático o machine learning, la especialidad incluyó métodos supervisados, no supervisados, detección de anomalías y series temporales, aunque eché de menos algo de aprendizaje con refuerzo (reinforcement learning) y aprendizaje profundo (deep learning), cosa que se ha resuelto este año con la inclusión de dos nuevas asignaturas. No puedo acabar este apartado sin mencionar Big Data, una asignatura impartida por Amparo Alonso, catedrática de la UDC y Presidenta de la AEPIA, que cubre tanto la parte de almacenamiento de datos distribuido con Hadoop y Spark, como el análisis de los mismos con Spark ML, incluyendo el envío y recepción de datos en streaming con Kafka y Storm.  Según el plan era una de las últimas asignaturas, pero al comenzar con ella me di cuenta de que había sido un error dejarla para el final. El motivo fue que, en realidad, incluye muchísimo material y unas entregas complejas que requieren mucho tiempo, así que fue el único caso en el que no conseguí entregar todos los trabajos, al quedarme pendiente una parte de data streaming. A pesar de todo, aprobé todas las asignaturas en la primera convocatoria, por lo que en junio ya tenía la posibilidad de presentar el Trabajo de Fin de Máster (TFM) en julio.

Poco más de un mes fue un tiempo muy justo para el TFM, habida cuenta de que se trata de un proyecto de investigación que engloba todo o buena parte de lo aprendido a lo largo del curso. Mi TFM no fue uno de los propuestos por los profesores, si no una propuesta basada en la problemática de uno de mis clientes, por lo que partía de un caso práctico sobre datos reales. Eso, a priori, le daba un punto de interés, aunque en realidad supuso mucha más carga de trabajo en las fases de extracción, transformación y carga de datos, aunque se vio compensada con la ayuda de mis tutores, Alberto Bugarín y Manuel Mucientes ambos del CiTIUS de la USC,  a los que estoy enormemente agradecido. Prometo dar más detalles al respecto en otro post.

La conclusión final, para mí, fue positiva. Quizá podría señalar, como aspectos negativos, la plataforma de e-learning que no facilitaba mucho las cosas, así como la gestión de la UIMP que es manifiestamente mejorable. Con todo ello, reconozco que he aprendido muchísimo, también he encontrado áreas que conocía poco y, sobre todo, me he dado cuenta de que en el ámbito de la IA en general y de la Ciencia de Datos en particular, hay muchísimo camino aún por recorrer, por lo que es muy fácil encontrar un área interesante y poco explorada en la que, por ejemplo, poder realizar una tesis. Si alguien me pregunta si mereció la pena, le diría que sí, a pesar de tener que sacrificar fines y fines de semana y de reducir mis interacciones familiares a la mínima expresión, sobre todo porque, aunque es posible realizar el Máster en Investigación en Inteligencia Artificial en dos años, opté por hacerlo en uno sólo y compatibilizarlo con los proyectos en marcha de mis clientes.