Jorge Bruned Alamán

Mi TFM, centrado en modelos de Detección de Objetos y Segmentación de Instancias, tiene dos principales componentes:

• Componente académico: revisión del estado del arte sobre técnicas de Detección de Objetos y Segmentación de Instancias y comparativa de diversos arquitecturas.
• Componente aplicado: desarrollo de un modelo de Segmentación de Instancias para resolver un caso de uso real para la empresa Veridas.

Se abarcaron todas las etapas de un proyecto de Machine Learning: recopilación de datos, preprocesamiento, entrenamiento del modelo, evaluación, optimización, despliegue, etc.

Nota: los documentos de identidad que aparecen en la imagen de muestra son de dominio público y no contienen información sensible.

Esta web no deja de ser un proyecto más, que he desarrollado desde cero utilizando HTML, CSS y JavaScript, además de librerías como Bootstrap.

Además de aplicar buenas prácticas, he automatizado el despliegue de la web mediante pipelines. También es destacable el script de Python que he desarrollado para construir automáticamente la web a partir de información almacenada en ficheros JSON y Markdown, lo que me permite añadir nuevos proyectos y posts de forma sencilla y evitar código redundante y repetitivo.

Descarté usar un CMS como Wordpress o un framework/librería como React porque quería tener un mayor control sobre el código y la arquitectura de la web, creando una solución ad hoc. Además, uno de mis principales objetivos era poner en práctica y ampliar mis conocimientos; de hecho, incluso he creado mis propios scripts para construir y publicar la web.

Por último, pero no menos importante, ¡es open source! Es decir, que puedes ver todo el código fuente en el repositorio de GitHub.

En mi Trabajo de Fin de Grado, titulado A review of Active Learning methods for classification problems, tuve la oportunidad de investigar el estado del arte de Active Learning.

Active Learning es un conjunto de técnicas de Machine Learning últiles en situaciones donde no se dispone de suficientes datos etiquetados, cuyo objetivo es optimizar el proceso de obtención de nuevas etiquetas.

Como parte del Máster en Ingeniería Informática, he podido realizar proyectos de Computer Vision y Natural Language Processing de forma grupal.

• Clasificador de imágenes de frutas utilizando redes como ResNet o VGG, además de calcular mapas de atención, mapas de activación, etc.
• Aplicación de mejoras sobre un traductor de inglés a francés utilizando redes recurrentes seq2seq, obtención de métricas mediante BLEU score, ROUGE score...

Este proyecto consistió en el desarrollo desde cero de una página web a medida para reparto a domicilio de productos de alimentación.

Entre otras características, destacan la interconexión con el software de gestión utilizado por la empresa, actualización automática de precios, diseño "responsive" de modo que la página sea totalmente funcional en prácticamente cualquier dispositivo, desarrollo de una app para Android, implementación de servicio de notificaciones por correo electrónico y notificaciones push en los dispositivos, posicionamiento SEO, etc.

Este proyecto, desarrollado en grupo usando una metodología ágil, consistió en el desarrollo de una aplicación web basada en microservicios, con un sistema de CI/CD para despliegue automático en AWS.

La aplicación se compone de:

• Frontend: UI desarrollada en React
• Backend: API desarrollada en Python
• Base de datos relacional: PostgreSQL
• API Gateway: Kong
• Contenedores: Docker

Destaca el sistema automatizado de CI/CD, que realiza fases de linting, testing, build, publish y deploy de forma automática en diferentes entornos de AWS (desarrollo, preproducción y producción). Para ello, se hace uso de recursos como ECR, ECS, RDS, Balanceador de Carga ELB, CloudWatch, etc. Todo ello gestionado de forma centralizada mediante Terraform.

De forma alternativa, se puede desplegar la aplicación en local o en infraestructura propia, orquestando los contenedores mediante Docker Compose.

Por último, destaca la recogida de información en ADRs (Architectural Decision Records) y RFIs (Request for Information), así como la realización de demos en directo para el cliente.

Proyecto consistente en desplegar a lo largo de varias naves industriales una red local a 1 Gbps con armario rack, cableado Cat6 y alrededor de 20 dispositivos conectados.

Destacan el despliegue de redes WiFi (tanto red privada como red pública sin acceso a la red local, ambas con tecnología dual band), instalación de puntos de acceso, conexión mediante fibra óptica a 500Mbps, etc.

También configuré un servidor DHCP con direcciones estáticas para los dispositivos fijos, manteniendo la configuración de los servidores de impresión e instalé un servidor de archivos NAS con RAID 1 para aumentar la seguridad de los datos gracias a la redundancia.

Creación y mantenimiento de una página web para una PYME basada en HTML, CSS (con Bootstrap) y JavaScript (con jQuery). Uso de PHP en el backend para proporcionar contenido dinámico y datos actualizados y para la zona de clientes.

Este proyecto destaca por el posicionamiento SEO en buscadores (la página alcanzó el primer puesto en Google en apenas unas semanas), la creación de un servidor de correo con dominio propio, uso de certificado SSL para conexiones seguras mediante HTTPS...

Así mismo, mejoré la presencia de la empresa en Internet mediante el completado de las diferentes tiendas en Google Maps, técnicas SEO (tanto SEO técnico como on-page y off-page), etc.

Diseño, planificación y despliegue de una red de más de 20 cámaras de videovigilancia analógicas a lo largo de 3 naves industriales mediante cable UTP, además de cámaras IP en diferentes sucursales de la empresa.

Aunque las fases de diseño, adquisición de material y configuración las realicé de forma autónoma, trabajé junto con otra persona durante las fases de cableado y fijación de las cámaras a la pared. Así mismo, llevé a cabo la configuración del sistema NVR, protección mediante firewall, grabación de imágenes, acceso externo, etc.

Dentro del entorno universitario, destaca este proyecto que realicé de forma individual en la asignatura de Visión Artificial.

El proyecto, realizado en 2020, consistió en el desarrollo de una serie de modelos de inteligencia artificial capaces de detectar las señales de tráfico que aparezcan en imágenes reales y clasificarlas, distinguiendo entre 43 tipos diferentes de señales.

Aunque los modelos utilizados fueron relativamente básicos, fue una buena primera toma de contacto con el mundo de la visión artificial.

También como parte del grado universitario, he desarrollado una aplicación para Android de forma individual. La aplicación, llamada FitTastic, permite al usuario llevar un seguimiento de la ingesta y el consumo de calorías de forma sencilla e intuitiva.

Destaca el uso de la cámara para lectura de códigos de barras, la persistencia mediante un servidor REST basado en MongoDB y la librería ParseServer y el almacenamiento local mediante la API SharedPreferences.

Así mismo, cabe resaltar la conexión a la API de OpenFoodFacts para el autocompletado de la información nutricional de los productos solo con escanear el código de barras.

Como parte de la asignatura Ingeniería Web, desarrollé otra aplicación web para la publicación de recetas de cocina utilizando el patrón Modelo-Vista-Controlador.

Como parte de la asignatura Sistemas Multimedia y Diseño Centrado en el Usuario, desarrollé un dispositivo basado en una placa Arduino que permite controlar videojuegos de conducción de una forma más sencilla y divertida.

El dispositivo está compuesto por unos pedales impresos en 3D que se conectan por USB, y una aplicación para Android que utiliza el giroscopio para controlar el volante a través de una conexión WiFi.

En este proyecto se ha tenido especialmente en cuenta la usabilidad, accesibilidad, etc. La interfaz de usuario se ha desarrollado en Processing utilizando Java como lenguaje de programación.

El proyecto destaca por tener un fuerte componente de hardware y electrónica, ya que utiliza numerosos componentes como, por ejemplo, transistores.

Este proyecto, realizado de forma grupal con otros dos compañeros como parte de la asignatura Minería de Datos, consistió en la explotación de un dataset desbalanceado para predicción de ictus.

Para llevar a cabo esta tarea, aplicamos distintas fases del proceso conocido como KDD (Knowledge Discovery from Databases). Cabe destacar:

• Imputación de valores perdidos mediante modelos entrenados con el resto de variables
• Detección y tratamiento de outliers
• Normalización de datos
• Instance Selection para hacer frente al problema del desbalanceo: concretamente implementé de una variante de RMHC que incrementó el f-score drásticamente
• Optimización de hiperparámetros
• Integración en una pipeline
• Análisis de la importancia de las variables

De forma individual, desarrollé dos aplicaciones de juegos distribuidas en red, utilizando una arquitectura cliente-servidor.

• En primer lugar, desarrollé utilizando Java y el IDE NetBeans una sala de juegos distribuida en red, con una interfaz de usuario (GUI) basada en Java Swing. Esta aplicación destaca por la gran abstracción que permite implementar nuevos juegos de forma muy sencilla tan solo implementando los métodos pertinentes de interfaces y clases abstractas.
• Por otro lado, implementé un parchís en C que permite a los jugadores conectarse al servidor desde sus casas e iniciar partidas conforme se vayan conectando otros jugadores. Cabe destacar que programé este parchís desde cero, gestionando todo el envío de mensajes a través de buffers y tareas similares, con una estructura de código modularizada e intuitiva, emulando clases. Así mismo, diseñé una interfaz que permitía ver el tablero utilizando solo carácteres ASCII.