Propuestas de Trabajos Fin de Máster. Curso 2026-2027

Índice de propuestas

1. Generación automática de modelos de características en UVL mediante LLMs ajustados con LoRA

Tutor/a: José A. Galindo

Descripción y objetivos

Los modelos de lenguaje generalistas producen UVL sintácticamente inválido o semánticamente incoherente cuando se les pide modelar la variabilidad de un dominio. Este TFM construirá un pipeline reproducible de ajuste fino (Qwen2.5-7B-Instruct + LoRA) sobre un corpus de modelos UVL multi-dominio, y evaluará la mejora frente al modelo base.

Objetivos:

  1. Consolidar y documentar el dataset de entrenamiento con control de calidad automático mediante flamapy.
  2. Implementar el pipeline de ajuste fino y de inferencia.
  3. Definir métricas de evaluación: validez sintáctica, satisfacibilidad, número de productos y distancia estructural al modelo de referencia.
  4. Comparar los resultados frente al modelo base y frente a estrategias de prompting few-shot.
  5. Publicar el modelo y los artefactos de forma reproducible.

Conocimientos previos

Python, PyTorch/HuggingFace y nociones de líneas de productos software. Deseable experiencia previa con entrenamiento en GPU.

Bibliografía

  • Sundermann et al. Universal Variability Language (UVL): especificación y ecosistema.
  • Documentación de flamapy (https://flamapy.github.io).
  • Hu et al. LoRA: Low-Rank Adaptation of Large Language Models. ICLR 2022.
  • Trabajos recientes sobre aplicación de LLMs al modelado de variabilidad (SPLC / MODELS).

Volver al índice

2. Redes neuronales sobre grafos (GNN) para el análisis de modelos de características

Tutor/a: José A. Galindo

Descripción y objetivos

El análisis automatizado de modelos de características depende de razonadores exactos cuyo coste crece rápidamente con el tamaño del modelo. Este TFM explora si una red neuronal sobre grafos puede aproximar propiedades de análisis directamente a partir de la estructura del modelo.

Objetivos:

  1. Definir una codificación de modelos de características como grafos etiquetados sobre PyTorch Geometric.
  2. Generar un dataset sintético y real etiquetado automáticamente mediante flamapy.
  3. Entrenar y comparar arquitecturas (GCN, GAT, GraphSAGE) sobre tareas a nivel de grafo: clasificación de la cardinalidad de configuraciones, predicción de satisfacibilidad y estimación del número de productos.
  4. Analizar la capacidad de generalización a modelos mayores que los de entrenamiento.
  5. Comparar el coste computacional frente a los razonadores exactos.

Conocimientos previos

Python, fundamentos de aprendizaje automático y nociones básicas de teoría de grafos.

Bibliografía

  • Benavides et al. Automated analysis of feature models 20 years later: a literature review.
  • Documentación de PyTorch Geometric y de flamapy.
  • Kipf & Welling. Semi-Supervised Classification with Graph Convolutional Networks. ICLR 2017.
  • Veličković et al. Graph Attention Networks. ICLR 2018.

Volver al índice

3. Un agente conversacional sobre flamapy: integración de MCP para el análisis de variabilidad

Tutor/a: José A. Galindo

Descripción y objetivos

Las operaciones de análisis de modelos de características requieren conocer una API concreta, lo que limita su uso a personas expertas. Este TFM desarrollará un servidor MCP (Model Context Protocol) que exponga las operaciones de flamapy como herramientas invocables por un modelo de lenguaje, permitiendo analizar modelos de variabilidad en lenguaje natural.

Objetivos:

  1. Diseñar el catálogo de herramientas a exponer y su contrato de entrada/salida.
  2. Implementar el servidor MCP sobre flamapy y flamapy-rest.
  3. Integrarlo con al menos dos clientes distintos, uno comercial y uno local.
  4. Evaluar la solución con un conjunto de tareas de análisis de dificultad creciente, midiendo tasa de acierto y número de invocaciones necesarias.
  5. Caracterizar los modos de fallo típicos: invención de operaciones inexistentes e interpretación errónea de los resultados.

Conocimientos previos

Python, desarrollo y consumo de APIs REST, e interés por las herramientas basadas en modelos de lenguaje.

Bibliografía

  • Especificación del Model Context Protocol (https://modelcontextprotocol.io).
  • Documentación de flamapy y flamapy-rest.
  • Yao et al. ReAct: Synergizing Reasoning and Acting in Language Models. ICLR 2023.
  • Schick et al. Toolformer: Language Models Can Teach Themselves to Use Tools. NeurIPS 2023.

Volver al índice

4. Razonamiento sobre variabilidad con Answer Set Programming: rendimiento y expresividad frente a SAT y BDD

Tutor/a: José A. Galindo

Descripción y objetivos

UVL incorpora construcciones (cardinalidades de grupo, atributos, restricciones complejas) cuya traducción a SAT resulta costosa o pierde expresividad. Answer Set Programming ofrece una alternativa declarativa que no ha sido explorada de forma sistemática en este contexto.

Objetivos:

  1. Definir una traducción completa de UVL a ASP sobre clingo.
  2. Implementar las operaciones de análisis clásicas sobre esa traducción como plugin de flamapy.
  3. Construir un banco de pruebas con modelos de tamaño y características variadas.
  4. Comparar empíricamente ASP frente a los solvers SAT y BDD de flamapy en tiempo de ejecución, memoria y expresividad soportada.
  5. Caracterizar en qué escenarios resulta preferible cada tecnología.

Conocimientos previos

Lógica y programación declarativa, Python. Deseable haber cursado asignaturas de razonamiento automático o programación lógica.

Bibliografía

  • Gebser et al. Answer Set Solving in Practice. Morgan & Claypool, 2012.
  • Documentación de clingo / Potassco.
  • Especificación de la Universal Variability Language (UVL).
  • Trabajos previos del grupo sobre integración de UVL y ASP.

Volver al índice

5. Un benchmark abierto y reproducible para el análisis automatizado de modelos de características

Tutor/a: José A. Galindo

Descripción y objetivos

La comparación entre herramientas de análisis de variabilidad se apoya hoy en conjuntos de modelos heterogéneos, mal documentados y difíciles de reproducir. Este TFM construirá una infraestructura de benchmarking abierta para el análisis automatizado de modelos de características.

Objetivos:

  1. Recopilar y normalizar a UVL modelos procedentes de repositorios existentes y de sistemas reales (kernel Linux, proyectos con feature flags).
  2. Caracterizar cada modelo mediante métricas estructurales.
  3. Diseñar una batería de operaciones de análisis y una infraestructura de ejecución containerizada (Docker e integración continua) que garantice la reproducibilidad.
  4. Evaluar varias herramientas del estado del arte sobre esa infraestructura.
  5. Publicar el dataset, los resultados y un portal de consulta.

Conocimientos previos

Python, Docker, Git e integración continua. Interés por la ciencia abierta y la reproducibilidad experimental.

Bibliografía

  • Knüppel et al. Is there a mismatch between real-world feature models and product-line research? ESEC/FSE 2017.
  • Documentación de flamapy y del ecosistema UVL.
  • ACM Artifact Review and Badging, versión 1.1.
  • Repositorios públicos de modelos de características (UVL Models Repository, LVAT).

Volver al índice

6. Extracción de variabilidad desde código real: de feature flags a modelos UVL

Tutor/a: José A. Galindo

Descripción y objetivos

Muchos sistemas industriales gestionan su variabilidad mediante feature flags dispersos por el código, sin un modelo explícito que permita razonar sobre qué configuraciones son válidas. Este TFM aborda la ingeniería inversa de esa variabilidad.

Objetivos:

  1. Analizar cómo se representan los flags en repositorios reales (LaunchDarkly, Unleash, condicionales de preprocesador).
  2. Implementar un extractor estático que identifique los flags y sus dependencias.
  3. Sintetizar un modelo UVL candidato, apoyándose opcionalmente en un modelo de lenguaje para la estructuración jerárquica.
  4. Validar la propuesta sobre proyectos de código abierto, midiendo cobertura y precisión frente a una referencia construida manualmente.
  5. Detectar configuraciones muertas o inalcanzables mediante flamapy.

Conocimientos previos

Python, análisis estático de código y manejo de Git.

Bibliografía

  • She et al. Reverse engineering feature models. ICSE 2011.
  • Meinicke et al. Mastering Software Variability with FeatureIDE. Springer, 2017.
  • Rahman et al. Feature toggles: practitioner practices and a case study. MSR 2016.
  • Documentación de flamapy y especificación UVL.

Volver al índice

7. Aprendizaje semi-supervisado para tareas de visión artificial

Tutor/a: Manuel Carranza García

Descripción y objetivos

Comparativa del rendimiento y adecuación de distintos algoritmos de aprendizaje semi-supervisado (pseudoetiquetado, regularización por consistencia, esquema teacher-student, etc.) en tareas como clasificación de imágenes o detección de objetos. Se podrán estudiar tanto datasets populares tipo benchmarks, como en otros dominios como imágenes médicas o vehículo autónomo.

Conocimientos previos

Python, Pytorch, redes neuronales

Volver al índice

8. Detección de anomalías en visión industrial mediante modelos fundacionales

Tutor/a: Manuel Carranza García

Descripción y objetivos

Estudio de modelos fundacionales de visión (DINOv2, CLIP, SAM, etc.) como extractores de características o detectores en escenarios de detección de anomalías con poca o ninguna supervisión (zero-shot y few-shot). Se compararán enfoques basados en embeddings preentrenados con métodos clásicos entrenados desde cero, sobre benchmarks industriales como MVTec AD 2 u otros dominios como imágenes médicas.

Conocimientos previos

Python, Pytorch, redes neuronales

Volver al índice

9. Adaptación eficiente de modelos fundacionales de series temporales

Tutor/a: Manuel Carranza García

Descripción y objetivos

Análisis de modelos fundacionales para series temporales (Chronos, TimesFM, Moirai, MOMENT, etc.) y de técnicas de ajuste eficiente en parámetros (LoRA, adaptadores) para predicción o detección de anomalías en datos de sensores industriales o energéticos.

Conocimientos previos

Python, Pytorch, redes neuronales

Volver al índice

10. Modelos fundacionales eficientes para edge computing

Tutor/a: Manuel Carranza García

Descripción y objetivos

Estudio de la viabilidad de llevar modelos fundacionales a dispositivos de edge computing de bajo consumo (tipo Jetson u otros aceleradores embebidos). Se explorarán técnicas de compresión (destilación de conocimiento, cuantización, poda) y se medirá el impacto en el rendimiento frente a la latencia, la memoria y el consumo energético.

Volver al índice

11. Can a Game Know How You Feel? Predicción de arousal a partir de telemetría de juego

Tutor/a: José María Luna Romera

Descripción y objetivos

El objetivo será estudiar hasta qué punto es posible estimar el nivel de activación o arousal de un jugador únicamente a partir de cómo está jugando. Se trabajará con el dataset público AGAIN, que contiene telemetría detallada, vídeos y anotaciones continuas realizadas por los propios jugadores en nueve videojuegos de géneros diferentes. El proyecto permitirá trabajar directamente con datos reales desde el comienzo, comparando distintos modelos de machine learning y estudiando qué acciones del jugador están más relacionadas con cambios en su experiencia.

Objetivos:

-Analizar y preparar las trazas de juego disponibles.

-Diseñar diferentes representaciones temporales de la telemetría.

-Entrenar modelos para estimar el arousal del jugador.

-Comparar modelos clásicos y, si procede, modelos temporales.

-Analizar qué características son más relevantes para las predicciones.

-Estudiar diferencias entre jugadores, juegos y géneros.

-Evaluar correctamente la generalización a jugadores no vistos.

Conocimientos previos

Conocimientos de Python y fundamentos de machine learning. Se valorarán conocimientos básicos de series temporales o análisis de datos. No requiere conocimientos de desarrollo de videojuegos ni recopilación propia de datos.

Volver al índice

12. PlayStyle Dota: descubrimiento automático de estilos de juego en Dota 2

Tutor/a: José María Luna Romera

Descripción y objetivos

¿Existen realmente diferentes formas de jugar a Dota 2 que puedan descubrirse automáticamente a partir de los datos? Este TFM utilizará información pública de partidas para construir perfiles de jugadores en función de aspectos como combate, economía, objetivos, visión, utilización de recursos o selección de héroes. A partir de esas características se aplicarán técnicas de clustering para descubrir grupos de comportamiento y estudiar si los estilos obtenidos son estables entre partidas o dependen del héroe, rol o versión del juego.

Objetivos

-Obtener automáticamente datos de partidas mediante OpenDota.

-Diseñar variables que describan el comportamiento de cada jugador.

-Aplicar y comparar diferentes técnicas de clustering.

-Caracterizar e interpretar los perfiles obtenidos.

-Analizar la estabilidad de los perfiles entre distintas partidas.

-Estudiar el efecto del héroe, rol o contexto sobre el estilo detectado.

-Crear visualizaciones de los perfiles de jugador.

Conocimientos previos

Conocimientos de Python y fundamentos de machine learning. Se valorará experiencia con clustering y análisis de datos. No es necesario jugar a Dota 2, aunque conocer el juego facilitará la interpretación de los resultados.

Volver al índice

13. CS2 Player Analytics: descubrimiento de patrones de comportamiento a partir de replays de Counter-Strike 2

Tutor/a: José María Luna Romera

Descripción y objetivos

Counter-Strike 2 almacena en sus replays información muy detallada sobre lo ocurrido durante una partida: posiciones, movimientos, orientación, disparos, muertes, estado del jugador y otros eventos. El objetivo de este trabajo será construir un pipeline para transformar estos replays en datos analizables y estudiar patrones de comportamiento entre jugadores. En lugar de intentar reconocer directamente etiquetas subjetivas como “jugador agresivo”, se buscarán primero patrones medibles que puedan caracterizar diferentes formas de participar en una ronda o partida.

Objetivos

-Construir un pipeline de extracción automática de información desde demos de CS2.

-Extraer características relacionadas con movimiento, combate, posición y decisiones.

-Representar el comportamiento por ronda, partida y jugador.

-Aplicar clustering y análisis exploratorio para detectar patrones recurrentes.

-Analizar la estabilidad de los patrones entre mapas y partidas.

-Visualizar espacialmente diferentes comportamientos.

-Estudiar si los patrones detectados permiten diferenciar jugadores o situaciones de juego.

Conocimientos previos

Conocimientos de Python y análisis de datos. Se valorará interés por machine learning y videojuegos competitivos. No es necesario disponer de CS2 ni jugar regularmente. Existen herramientas que permiten extraer directamente cientos de variables de los archivos .dem, y ya hay incluso datasets derivados disponibles públicamente.

Volver al índice

14. How Do Humans Play Minecraft? Descubrimiento de estrategias a partir de demostraciones humanas

Tutor/a: José María Luna Romera

Descripción y objetivos

Dos jugadores pueden recibir exactamente la misma tarea en Minecraft y resolverla de maneras completamente diferentes. Este TFM estudiará demostraciones humanas disponibles públicamente en MineRL/BASALT para identificar automáticamente estrategias y patrones de resolución. Se analizarán secuencias de acciones realizadas durante tareas concretas, por ejemplo, encontrar una cueva o construir una estructura, evitando la necesidad de desarrollar un juego o recopilar nuevas partidas.

Objetivos

-Seleccionar una o varias tareas del dataset MineRL/BASALT.

-Procesar las secuencias de acciones de demostraciones humanas.

-Diseñar representaciones compactas del comportamiento.

-Identificar patrones y estrategias mediante clustering o sequence mining.

-Comparar diferentes formas de representar una partida.

-Analizar variabilidad entre jugadores que resuelven una misma tarea.

-Visualizar ejemplos representativos de las estrategias descubiertas.

Conocimientos previos

Conocimientos de Python y fundamentos de machine learning. Se valorará experiencia con secuencias o clustering. El dataset completo es muy grande, pero las herramientas oficiales permiten descargar subconjuntos de demostraciones, por lo que no sería necesario trabajar con los cientos de gigabytes disponibles.

Volver al índice

15. Does a Player Model Transfer? Generalización de modelos entre jugadores, juegos y géneros

Tutor/a: José María Luna Romera

Descripción y objetivos

Un modelo puede funcionar muy bien si se prueba con datos similares a aquellos con los que fue entrenado y fallar por completo cuando aparece un nuevo jugador o cambia el videojuego. Este TFM estudiará precisamente hasta dónde puede generalizar un modelo de jugador. Se utilizará un dataset público con varios juegos y jugadores para comparar diferentes escenarios: nuevas sesiones del mismo jugador, jugadores desconocidos, juegos distintos del mismo género o videojuegos de géneros diferentes.

Objetivos

-Establecer diferentes escenarios de entrenamiento y evaluación.

-Comparar generalización entre ventanas, sesiones y jugadores.

-Evaluar transferencia entre juegos del mismo género.

-Estudiar transferencia entre géneros diferentes.

-Identificar qué variables resultan más robustas ante cambios de contexto.

-Comparar modelos específicos de cada juego frente a modelos generales.

-Analizar qué condiciones provocan una mayor degradación del rendimiento.

Conocimientos previos

Conocimientos de Python y machine learning. Se valorarán conocimientos de evaluación de modelos, validación cruzada o domain adaptation. No requiere desarrollar un videojuego ni realizar experimentos con participantes.

Volver al índice

16. Exploración estructurada en agentes de interfaz gráfica (GUI agents) para la reparación de automatizaciones fallidas mediante árboles de decisión controlados

Tutor/a: José González Enríquez

Descripción y objetivos

Los GUI Agents / computer-use agents basados en modelos de lenguaje (LLMs) se emplean para automatizar objetivos que requieren interactuar con interfaces de usuario, y cuyo camino no se conoce de antemano. Esto los hace ideales para resolver errores en sistemas de automatización basados en reglas cuando hay un cambio en el entorno, juntando las fortalezas del determinismo de este tipo de automatizaciones con la flexibilidad de los LLM, manteniendo bajos costes y minimizando los riesgos de tener a un agente actuando sobre sistemas de producción.

Este trabajo propone diseñar e implementar un mecanismo que imponga la exploración estructurada de dicha resolución mediante una estructura de datos en forma de árbol que incentive un registro y exploración de distintas alternativas de recuperación, evitando así que el agente se estanque en una vía equívoca cuando esta no da los resultados esperados. Esta técnica estaría basada en los principios de "Language Agent Tree Search".

Objetivos:

Diseñar, implementar y evaluar un mecanismo de control (harness) que fuerce a un agente de interfaz gráfica a explorar de forma sistemática y horizontal las rutas de interacción disponibles durante tareas de recuperación de automatizaciones, sustituyendo la dependencia del prompting por restricciones estructurales sobre las acciones disponibles al modelo en cada momento.

Tecnologías:

Recomendadas Python y Strands Agents SDK. El alumno podría elegir otras si las conoce.

Conocimientos previos

Fundamentos conceptuales de LLMs y Agentes basados en estos (tools, harness, prompting, etc.) Conocimientos sobre estructuras de datos basadas en árboles. Se recomienda haber trabajado previamente con algún framework de orquestación de agentes y prompting, aunque no es requisito.

Volver al índice

17. Modelos fundacionales multimodales para la integración y caracterización de isoformas biológicas en cáncer

Tutor/a: Belén Vega Márquez

Segundo/a tutor/a: María del Mar Martínez Ballesteros

Descripción y objetivos

Descripción:

Las isoformas son diferentes formas de ARN o proteínas que pueden derivarse de un mismo gen y que pueden presentar propiedades y funciones distintas, algunas muy relacionadas con el cáncer. Su caracterización requiere integrar información procedente de múltiples fuentes, como secuencias, estructuras, anotaciones funcionales, datos de expresión y literatura científica. Este trabajo estudiará el uso de modelos fundacionales multimodales para integrar estas fuentes de información y obtener representaciones más completas de las isoformas.

Objetivo:

Evaluar el potencial de los modelos fundacionales multimodales para integrar y caracterizar información sobre isoformas biológicas. En concreto, se persiguen los siguientes objetivos específicos.

Integrar diferentes fuentes de información asociadas a isoformas.

Explorar modelos fundacionales para generar representaciones multimodales.

Evaluar su aplicación en tareas de caracterización y análisis de isoformas.

Comparar las representaciones multimodales con aproximaciones basadas en fuentes de información individuales.

Volver al índice

18. Evaluación comparativa de modelos fundacionales de audio para la clasificación de género musical bajo protocolos de evaluación controlados

Tutor/a: Jorge García Gutiérrez

Descripción y objetivos

Descripción

La clasificación automática de género musical es una de las tareas más estudiadas en recuperación de información musical (MIR). Su dataset de referencia, GTZAN [Tzanetakis y Cook, 2002], se ha usado en al menos un centenar de trabajos publicados. Sin embargo, Sturm [2013/2014] documentó que contiene repeticiones, etiquetas erróneas y distorsiones que afectan de forma desigual a distintos sistemas, lo que compromete la comparabilidad de los resultados publicados. A esto se suma el uso heterogéneo de protocolos de partición entre trabajos, que dificulta determinar cuál es el estado del arte real.

En paralelo, el campo ha evolucionado hacia modelos fundacionales de audio preentrenados de forma autosupervisada o contrastiva, como MERT [Li et al., ICLR 2024] o CLaMP 3 [Wu et al., 2025, arXiv:2502.10362]. Estos modelos se evalúan mediante probing sobre representaciones congeladas en benchmarks unificados como MARBLE [Yuan et al., NeurIPS 2023], que emplea una partición filtrada de GTZAN y el subconjunto de género de MTG-Jamendo [Bogdanov et al., 2019].

Este TFM propone una comparativa sistemática y reproducible de representaciones preentrenadas de audio para la clasificación de género musical. El trabajo seguirá un protocolo de evaluación común y controlado, aplicado a varios datasets, y analizará en qué medida las decisiones de evaluación condicionan las conclusiones sobre el rendimiento de los modelos.

Objetivo general

Evaluar comparativamente el rendimiento de modelos fundacionales de audio en la clasificación de género musical bajo un protocolo de evaluación homogéneo y libre de fugas de información conocidas.

Objetivos específicos

- Realizar una revisión del estado del arte en clasificación de género musical, desde las aproximaciones basadas en características manuales hasta los modelos fundacionales actuales, identificando los datasets y protocolos de evaluación empleados.

- Extraer representaciones de al menos tres familias de modelos (autosupervisados, contrastivos audio-texto y una línea base convencional basada en espectrogramas) y evaluarlas con clasificadores ligeros sobre representaciones congeladas.

- Cuantificar el efecto de las decisiones de evaluación (partición aleatoria frente a partición por artista, dataset original frente a filtrado) sobre el rendimiento medido y el orden relativo de los modelos.

Conocimientos previos

Imprescindibles - Programación en Python con soltura, incluido el manejo de librerías científicas (NumPy, pandas, scikit-learn). - Fundamentos de aprendizaje automático: clasificación supervisada, validación cruzada, sobreajuste y métricas de evaluación (accuracy, F1 macro, ROC-AUC, matrices de confusión). - Fundamentos de aprendizaje profundo y experiencia básica con PyTorch. - Lectura fluida de artículos científicos en inglés.

Bibliografía

  • Tzanetakis, G. y Cook, P. (2002). Musical genre classification of audio signals. IEEE Transactions on Speech and Audio Processing, 10(5), 293–302. https://doi.org/10.1109/TSA.2002.800560 — Verificada: IEEE Transactions on Speech and Audio Processing, 10(5):293–302, julio 2002, DOI 10.1109/TSA.2002.800560.
  • bibbase
  • Sturm, B. L. (2014). The GTZAN dataset: Its contents, its faults, their effects on evaluation, and its future use. Journal of New Music Research. https://doi.org/10.1080/09298215.2014.894533 (preprint: arXiv:1306.1461) — Verificada: la página de arXiv enlaza el DOI relacionado 10.1080/09298215.2014.894533. No he confirmado volumen ni páginas; conviene completarlos desde la web de la revista.
  • arxiv
  • Defferrard, M., Benzi, K., Vandergheynst, P. y Bresson, X. (2017). FMA: A dataset for music analysis. En Proc. 18th International Society for Music Information Retrieval Conference (ISMIR). arXiv:1612.01840 — Verificada: cita oficial en el 18th ISMIR (2017), eprint arXiv 1612.01840. Curiosamente, el repositorio de la EPFL la clasifica como conference paper not in proceedings, así que la forma de citarla puede variar.
  • huggingface
  • epfl
  • Bogdanov, D., Won, M., Tovstogan, P., Porter, A. y Serra, X. (2019). The MTG-Jamendo dataset for automatic music tagging. Machine Learning for Music Discovery Workshop, ICML 2019, Long Beach, CA. https://hdl.handle.net/10230/42015 — Verificada: los autores piden citar su artículo del workshop ML4MD de ICML 2019, con handle 10230/42015. Es un workshop, no el congreso principal.
  • zenodo
  • Won, M., Ferraro, A., Bogdanov, D. y Serra, X. (2020). Evaluation of CNN-based automatic music tagging models. En Proc. 17th Sound and Music Computing Conference (SMC). arXiv:2006.00751 — Verificada: publicada en Proc. of 17th Sound and Music Computing, 2020. La añado como referencia para la línea base con espectrogramas (objetivo 3). Encaja también con el objetivo 4, porque argumenta que las diferencias en particiones y versiones de software dificultan comparar arquitecturas y propone una evaluación consistente en tres datasets.
  • replicate
  • alphaxiv
  • Yuan, R., Ma, Y., Li, Y., Zhang, G., Chen, X., Yin, H., et al. (2023). MARBLE: Music audio representation benchmark for universal evaluation. Advances in Neural Information Processing Systems, 36, 39626–39647. — Verificada: entrada BibTeX oficial en NeurIPS vol. 36, pp. 39626–39647, 2023.
  • GitHub
  • Li, Y., Yuan, R., Zhang, G., Ma, Y., Chen, X., Yin, H., et al. (2024). MERT: Acoustic music understanding model with large-scale self-supervised training. En International Conference on Learning Representations (ICLR 2024). arXiv:2306.00107 — Verificada: aparece en los proceedings de ICLR 2024. La lista de autores difiere entre la versión de arXiv y la de ICLR; usa la de ICLR.
  • iclr
  • Wu, S., Guo, Z., Yuan, R., Jiang, J., Doh, S., Xia, G., Nam, J., Li, X., Yu, F. y Sun, M. (2025). CLaMP 3: Universal music information retrieval across unaligned modalities and unseen languages. En Findings of the Association for Computational Linguistics: ACL 2025 (pp. 2605–2625). https://doi.org/10.18653/v1/2025.findings-acl.133 — Verificada: Findings of ACL 2025, Viena, pp. 2605–2625, DOI 10.18653/v1/2025.findings-acl.133.
  • aclanthology

Volver al índice

19. ¿Qué ven los modelos fundacionales? Análisis del espacio latente de Vision Transformers aplicados a citología cervical

Tutor/a: Jorge García Gutiérrez

Segundo/a tutor/a: Laura Macías García

Descripción y objetivos

Los modelos fundacionales de visión, preentrenados de forma autosupervisada sobre millones de imágenes, se han convertido en el punto de partida habitual para construir sistemas de análisis de imagen médica. En lugar de entrenar una red para cada tarea, se usan como extractores de características congelados y se entrena encima un clasificador ligero. Este enfoque asume que el espacio latente del modelo ya organiza las imágenes de forma coherente con las categorías diagnósticas, algo que pocas veces se comprueba de manera directa.

En patología digital hay evidencia de que esa asunción no siempre se cumple. De Jong et al. [arXiv:2501.18055, 2025] mostraron que los modelos fundacionales de histología organizan su espacio de embeddings más por el centro de origen de las imágenes que por la categoría biológica, y propusieron una métrica basada en vecinos más cercanos para cuantificarlo. La citología plantea un escenario distinto: células aisladas en lugar de tejido estructurado. En los últimos meses han aparecido los primeros modelos fundacionales específicos de citología, como CROWN [Zheng et al., Nature Cancer, 2026] y UniCAS [Cell Reports Medicine, 2026], este último centrado en citología cervical. No se ha estudiado aún cómo estructuran internamente las categorías diagnósticas.

Este TFM propone analizar el espacio latente de CROWN y UniCAS sobre imágenes de células cervicales etiquetadas según el sistema Bethesda. El objetivo no es construir el mejor clasificador posible, sino caracterizar la geometría de las representaciones: si las células de una misma categoría forman regiones compactas, si el espacio respeta la gradación de gravedad entre categorías, y si la organización se debe a la categoría diagnóstica o a la fuente de los datos. El trabajo combina extracción masiva de embeddings, análisis de vecindarios en espacios de alta dimensión, métricas de estructura de clusters y visualización, sobre datos públicos y propios.

Objetivo general

Caracterizar cómo organizan los modelos fundacionales de citología las categorías diagnósticas del sistema Bethesda en su espacio latente, y cuantificar en qué medida esa organización refleja la categoría diagnóstica frente a factores de confusión como la fuente de los datos.

Objetivos específicos

- Revisar el estado del arte en modelos fundacionales de patología y citología, así como las métricas propuestas para evaluar la estructura y robustez de sus representaciones.

- Diseñar e implementar un pipeline reproducible de extracción de embeddings para CROWN y UniCAS, verificando la compatibilidad de las imágenes con las condiciones de preentrenamiento de cada modelo (resolución de entrada, magnificación, normalización).

- Cuantificar la cohesión y separación de cada categoría Bethesda mediante métricas de vecindario y de clustering, normalizadas por la frecuencia de cada clase para evitar el sesgo del desbalance.

Conocimientos previos

- Programación en Python con soltura, incluido el manejo de NumPy, pandas y scikit-learn. - Fundamentos de aprendizaje automático: clasificación supervisada, validación, métricas de evaluación y problemas derivados del desbalance de clases. - Fundamentos de aprendizaje profundo y experiencia básica con PyTorch, en particular cargar modelos preentrenados y ejecutar inferencia por lotes. - Lectura fluida de artículos científicos en inglés.

Bibliografía

  • Zheng, X., Zheng, K., Wang, J., et al. (2026). A universal visual foundation model for computational cytopathology. Nature Cancer. https://doi.org/10.1038/s43018-026-01240-0
  • Jiang, H., Cai, J., Shen, Z., et al. (2026). UniCAS: A foundation model for cervical cytology screening. Cell Reports Medicine. https://doi.org/10.1016/j.xcrm.2025.102570
  • de Jong, E. D., Marcus, E. y Teuwen, J. (2025). Current pathology foundation models are unrobust to medical center differences. arXiv:2501.18055
  • Kömen, J., de Jong, E. D., Hense, J., et al. (2026). Towards robust foundation models for digital pathology. Nature Communications, 17, 5218. https://doi.org/10.1038/s41467-026-73923-2
  • Nayar, R. y Wilbur, D. C. (Eds.) (2015). The Bethesda System for Reporting Cervical Cytology: Definitions, Criteria, and Explanatory Notes (3.ª ed.). Springer. https://doi.org/10.1007/978-3-319-11074-5

Volver al índice

20. Estimación del valor de empresas cotizadas en bolsa a partir de sus estados financieros: una comparación de técnicas inteligentes para análisis fundamental agnóstico y detección de oportunidades de negocio.

Tutor/a: Jorge García Gutiérrez

Descripción y objetivos

El análisis fundamental consiste en estimar cuánto debería valer una empresa a partir de la información de sus estados financieros (balance, cuenta de resultados), para compararlo con su precio en bolsa. Bartram y Grinblatt (2018) propusieron una versión "agnóstica", sin conocimiento financiero experto: un modelo de regresión aprende a predecir el valor de mercado de las empresas a partir de sus partidas contables, y la diferencia entre el valor estimado y el real se interpreta como señal de infravaloración o sobrevaloración. Trabajos posteriores han sustituido la regresión lineal por métodos de aprendizaje automático, como los ensembles de árboles (Hanauer et al., 2022), y la aparición de modelos fundacionales para datos tabulares, como TabPFN (Hollmann et al., 2025), abre una nueva familia de métodos aplicables al problema.

Este TFM propone un estudio comparativo de estas técnicas bajo un protocolo común, usando datos contables públicos procedentes de los reguladores bursátiles. El trabajo incluye la construcción del conjunto de datos, la implementación y evaluación de los modelos, y el análisis de su capacidad para identificar acciones infravaloradas.

Objetivo general

Comparar el rendimiento de técnicas de aprendizaje automático clásicas y modelos fundacionales tabulares en la estimación del valor de empresas cotizadas a partir de sus estados financieros.

Objetivos específicos

  1. Revisar el estado del arte en análisis fundamental agnóstico y en modelos fundacionales para datos tabulares.
  2. Construir un conjunto de datos contables homogéneo y libre de sesgo de anticipación a partir de fuentes públicas, validando su consistencia.
  3. Implementar y evaluar, con un protocolo temporal común, los métodos de referencia (regresión lineal, LASSO, random forest, gradient boosting) y al menos un modelo fundacional tabular.
  4. Comparar los métodos en precisión de la estimación del valor y en el rendimiento posterior de las acciones identificadas como infravaloradas.

Conocimientos previos

Imprescindibles - Programación en Python con soltura, incluido el manejo de pandas, NumPy y scikit-learn. - Fundamentos de aprendizaje automático: regresión, regularización, métodos basados en árboles, validación y métricas de error. - Lectura fluida de artículos científicos en inglés. Recomendables - Experiencia en ingeniería y limpieza de datos: consumo de APIs REST, procesamiento de JSON, integración de fuentes heterogéneas y control de calidad de datos. - Validación de modelos en series temporales (particiones por fecha, evaluación fuera de muestra) y conocimiento de los riesgos de fuga de información. - Nociones básicas de modelos fundacionales y aprendizaje en contexto. - Control de versiones con Git. No requeridos Formación en finanzas o contabilidad.

Bibliografía

  • 1. Bartram, S. M. y Grinblatt, M. (2018). Agnostic fundamental analysis works. Journal of Financial Economics, 128(1), 125–147. https://doi.org/10.1016/j.jfineco.2016.11.008
  • 2. Bartram, S. M. y Grinblatt, M. (2021). Global market inefficiencies. Journal of Financial Economics, 139(1), 234–259. https://doi.org/10.1016/j.jfineco.2020.07.011
  • 3. Hanauer, M. X., Kononova, M. y Rapp, M. S. (2022). Boosting agnostic fundamental analysis: Using machine learning to identify mispricing in European stock markets. Finance Research Letters, 48, 102856.
  • 4. Hollmann, N., Müller, S., Purucker, L., et al. (2025). Accurate predictions on small data with a tabular foundation model. Nature, 637, 319–326. https://doi.org/10.1038/s41586-024-08328-6

Volver al índice

21. Agentificación de Métodos de Deconvolución mediante Paper2Agent: Un Benchmark Autónomo para la Caracterización del Microambiente Tumoral en Glioblastoma usando sistemas multiagentes.

Tutor/a: Isabel A. Nepomuceno Chamorro

Segundo/a tutor/a: Nabil Haijji

Descripción y objetivos

Los avances en transcriptómica han consolidado la noción de que los gliomas de alto grado, como el glioblastoma (GBM), constituyen un ecosistema dinámico donde las células tumorales coexisten con el microambiente inmune y estromal. Sin embargo, evaluar y escalar la masa de algoritmos de deconvolución celular desarrollados para analizar datos bulk choca con una barrera crítica de la ingeniería de software: la falta de reproducibilidad y la fricción en la ejecución del código original.

Este TFM aborda este reto desde la frontera de los sistemas basados en agentes aplicando el marco Paper2Agent (Miao et al., 2026). El objetivo es automatizar la conversión de una cohorte masiva de decenas de publicaciones científicas en agentes interactivos de IA empaquetados como servidores MCP (Model Context Protocol). Mediante este ecosistema de agentes autónomos y colaborativos, se desplegará una canalización (pipeline) capaz de ejecutar, validar y benchmarking de los modelos sobre datasets de glioblastoma. El proyecto evalúa tanto la robustez de la agentificación del software científico como la convergencia analítica en la caracterización del microambiente tumoral.

Conocimientos previos

python, R

Volver al índice

22. Integración de Aprendizaje por Transferencia de Célula Única y Deep Learning para la Reposición de Fármacos en Glioblastoma

Tutor/a: Isabel Nepomuceno Chamorro

Segundo/a tutor/a: Juan A. Nepomuceno

Descripción y objetivos

El objetivo será utilizar agentes IA para analizar a partir de datos públicos la reuti

Conocimientos previos

El glioblastoma (GBM) es el tumor cerebral primario más agresivo y letal en adultos, caracterizado por una marcada heterogeneidad intratumoral y un elevado índice de recurrencia frente a los tratamientos estándar. La reposición de fármacos (drug repurposing) surge como una estrategia crítica para acelerar el descubrimiento de terapias efectivas. Sin embargo, la predicción computacional de la sensibilidad farmacológica choca con la barrera de la resolución: la mayoría de los modelos entrenados con datos transcriptómicos masivos (bulk) no logran capturar la respuesta heterogénea de las subpoblaciones celulares individuales. Este TFM propone una canalización (pipeline) computacional innovadora que combina scDEAL (single-cell Deep Transfer Learning for Drug Response Prediction) y DeepTTA (Deep Learning for Transcriptomics and Chemical Structure-based Drug Response Prediction). Utilizando scDEAL, se transferirán los patrones de respuesta a fármacos aprendidos en datos de gran escala (bulk) a perfiles transcriptómicos de célula única (single-cell RNA-seq) de muestras de glioblastoma, resolviendo la heterogeneidad celular del microambiente tumoral. Posteriormente, mediante DeepTTA, se integrarán las representaciones moleculares de fármacos candidatos junto con las firmas transcriptómicas resultantes para predecir la susceptibilidad del tumor y proponer nuevos compuestos terapéuticos aprobados con potencial de ser reorientados contra el GBM. Para llevar a cabo este flujo de trabajo sin las barreras habituales de instalación, dependencias y configuración de entorno, todo el proceso analítico se desplegará mediante el marco de trabajo Paper2Agent (Miao et al., 2026). Las herramientas scDEAL y DeepTTA se empaquetarán y agentificarán como servidores MCP (Model Context Protocol) funcionales. Esto permitirá orquestar las etapas de entrenamiento, transferencia de datos single-cell y cribado in silico mediante un sistema de agentes de IA interactivos capaces de ejecutar los métodos de forma autónoma, reproducible y guiada por lenguaje natural, sirviendo además como un benchmark de la interoperabilidad del software científico en biomedicina computacional.

Volver al índice

24. Análisis de agentes de inteligencia artificial para la automatización de pruebas de software

Tutor/a: Sergio Segura

Descripción y objetivos

Los agentes de inteligencia artificial están transformando las pruebas de software, permitiendo automatizar tareas como la generación, ejecución y mantenimiento de pruebas, así como la detección de errores.

En este TFM, el estudiante realizará una revisión sistemática de los agentes de IA orientados al testing, incluyendo herramientas comerciales (ej. Testers.ai) y propuestas académicas. Se analizarán sus principales características, capacidades y limitaciones, considerando aspectos como el tipo de pruebas, el grado de autonomía, las técnicas utilizadas y su integración en los procesos de desarrollo.

Como complemento, se podrá realizar una evaluación experimental de distintas herramientas sobre proyectos de software, comparando métricas como la cobertura, los errores detectados, la estabilidad, el coste y la facilidad de configuración.

El resultado será una clasificación de las soluciones existentes y una guía para facilitar la selección de agentes de testing según las necesidades de cada proyecto.

Volver al índice

25. Optimización del coste de los agentes de inteligencia artificial para programación

Tutor/a: Sergio Segura

Descripción y objetivos

Los agentes de programación basados en inteligencia artificial permiten automatizar tareas de desarrollo de software, pero su utilización puede implicar un elevado consumo de recursos y costes económicos. Mejorar su eficiencia sin comprometer la calidad del código es uno de los principales retos de estas tecnologías.

En este TFM, el estudiante investigará técnicas para reducir el coste de los agentes de programación, como la selección dinámica de modelos, la compresión del contexto o el uso de modelos locales.

La parte práctica consistirá en desarrollar un entorno experimental que permita aplicar y comparar estas estrategias sobre distintas tareas de ingeniería del software. Se evaluarán aspectos como el coste, el consumo de tokens, el tiempo de ejecución, el porcentaje de tareas resueltas y la calidad del código generado.

Como resultado, se identificarán las técnicas más eficaces y se elaborarán recomendaciones para mejorar la eficiencia de los agentes de programación, manteniendo un equilibrio entre coste y calidad.

Volver al índice

26. Evaluación del desarrollo de software con agentes de IA mediante LLM-as-a-Judge

Tutor/a: Sergio Segura

Descripción y objetivos

Los grandes modelos de lenguaje (LLM) no solo permiten automatizar tareas de desarrollo de software, sino que también pueden utilizarse para evaluar la calidad de los resultados obtenidos. Este enfoque, conocido como LLM-as-a-Judge, ofrece nuevas posibilidades para evaluar aspectos del desarrollo de software que resultan difíciles de medir mediante métricas tradicionales.

En este TFM, el estudiante realizará una revisión sistemática de métodos, métricas y herramientas que utilizan LLM como evaluadores (LLMEvals), prestando especial atención a su aplicación en el desarrollo de software con agentes de IA. Se estudiarán herramientas como DeepEval y Promptfoo, así como las posibilidades de evaluar aspectos como la calidad del código, el cumplimiento de requisitos, la corrección de errores, la calidad de las pruebas, la documentación o el comportamiento de los agentes.

También se analizarán los principales retos de este tipo de evaluación, como la fiabilidad de los resultados, los sesgos de los modelos evaluadores, la reproducibilidad y el coste.

Como complemento, el trabajo podrá incluir una comparativa experimental de distintas técnicas y herramientas de LLMEvals sobre tareas de ingeniería del software.

Volver al índice

27. Patrones arquitectónicos para el desarrollo de software con agentes de IA

Tutor/a: Sergio Segura

Descripción y objetivos

El desarrollo de software mediante agentes de inteligencia artificial está dando lugar a nuevas soluciones arquitectónicas y buenas prácticas para organizar, coordinar y controlar su funcionamiento. Entre ellas destacan patrones como los LLM Gateways, los MCP Gateways, los agentes especializados o el uso de entornos aislados (sandboxes) para ejecutar código de forma segura.

En este TFM, el estudiante realizará un estudio sistemático de los patrones arquitectónicos que están surgiendo en el ámbito de la ingeniería de software agéntica. El objetivo será identificar, clasificar y documentar soluciones recurrentes que permitan abordar problemas relacionados con la coordinación de agentes, la integración de herramientas, la gestión del contexto, la seguridad, la observabilidad o la eficiencia.

A partir del análisis de propuestas académicas, herramientas y experiencias prácticas, se elaborará un catálogo de patrones que describa para cada uno su propósito, el problema que resuelve, su estructura, sus ventajas y limitaciones, y ejemplos de aplicación.

Como parte práctica, el estudiante seleccionará uno o varios patrones para implementarlos en un caso de estudio de desarrollo de software con agentes de IA, evaluando su utilidad y las implicaciones de su adopción.

Volver al índice

28. Diseño y Evaluación Empírica de Interfaces Web Optimizadas (AWI) mediante Gemelos Digitales Transaccionales

Tutor/a: Beatríz Pontes Balanza

Segundo/a tutor/a: Belén Vega Márquez

Descripción y objetivos

Este Trabajo de Fin de Máster plantea un cambio de paradigma: en lugar de adaptar la inteligencia artificial para que comprenda interfaces humanas complejas, se propone adaptar la web a las máquinas. El objetivo principal es diseñar, implementar y evaluar una Interfaz Web Optimizada para Agentes (AWI), estructurada semánticamente para maximizar la eficiencia y comprensión de los agentes autónomos.

Conocimientos previos

Programación en Python, Desarrollo y Arquitectura Web Básica, Fundamentos de IA y LLMs

Volver al índice

29. Modelos Fundacionales 3D y Radiómica Peritumoral para la caracterización predictiva del Carcinoma Hepatocelular

Tutor/a: Beatriz Pontes Balanza

Segundo/a tutor/a: Belén Vega Márquez

Descripción y objetivos

El objetivo de este proyecto es predecir la agresividad del carcinoma hepatocelular a partir de imágenes de TAC preoperatorio mediante un pipeline de Inteligencia Artificial. Para ello, el trabajo se centrará en la integración de modelos fundacionales médicos tridimensionales para la extracción de características radiómicas volumétricas, la evaluación del impacto clínico del tejido peritumoral mediante la dilatación automática de máscaras de segmentación, y el entrenamiento de algoritmos de predicción para la clasificación binaria del riesgo oncológico (grado alto frente a grado bajo/intermedio) en escenarios con datos hospitalarios altamente desbalanceados

Conocimientos previos

Programación en Python, Fundamentos de IA

Volver al índice

30. Predicción y Optimización Traduccional mediante Deep y Machine Learning para la Producción de Enzimas Degradadoras de Biomasa

Tutor/a: Beatriz Pontes Balanza

Segundo/a tutor/a: Belén Vega Márquez

Descripción y objetivos

El objetivo de este TFM es comprender y modelar el control traduccional en Neurospora crassa para la producción de enzimas degradadoras de biomasa vegetal. Utilizando un amplio volumen de datos previos de perfiles ribosómicos, se desarrollarán modelos predictivos e interpretables de Machine Learning y Deep Learning. El reto principal es identificar los cuellos de botella en la síntesis proteica para, posteriormente, utilizar algoritmos generativos que rediseñen secuencias de mRNA. Esto permitirá optimizar la producción enzimática con aplicaciones directas en la industria biotecnológica

Conocimientos previos

Programación en Python o R, Fundamentos de ML/DL

Volver al índice

32. Recuperación de arquitecturas software de repositorios con agentes de IA

Tutor/a: Ana Belén Sánchez Jerez

Descripción y objetivos

¿Puede un agente de IA abrir un repositorio que nunca ha visto, explorarlo y explicar y documentar cómo está construido como lo haría un ingeniero? En este TFM construirás un agente que navega por el código de proyectos open source reales, consulta métricas de calidad y genera su documentación arquitectónica con diagramas. Después lo compararás con asistentes conversacionales y con equipos de estudiantes, usando los datos de un estudio científico previo de un grupo de investigación como línea base.

Objetivos:

  1. Diseñar e implementar un agente con herramientas (MCP, API de GitHub, SonarCloud, generación de diagramas UML) que recupere y documente la arquitectura de un repositorio.
  2. Evaluarlo sobre proyectos reales de distinto tamaño y dificultad.
  3. Compararlo con un asistente conversacional y con equipos humanos.
  4. Analizar qué herramientas del agente contribuyen más a la calidad del resultado, comparando versiones con y sin cada una de ellas.

Si los resultados son buenos, hay posibilidad de publicar los resultados.

Conocimientos previos

Soltura programando, e interés por la IA agéntica y la ingeniería del software.

Volver al índice

33. ¿Puede una IA corregir como un profesor? LLM como juez para evaluar documentación de arquitectura software

Tutor/a: Ana Belén Sánchez Jerez

Descripción y objetivos

Corregir 50 informes de arquitectura de 25 páginas lleva semanas. ¿Podría hacerlo una IA de forma fiable, justa y bien justificada? En este TFM construirás un evaluador basado en LLM que aplica una rúbrica real, explica cada nota con evidencias y genera retroalimentación útil para el estudiante. Lo validarás con un dataset real de informes corregidos por el profesorado, y estudiarás cuándo se puede confiar en la IA como evaluadora y cuándo no.

Objetivos:

  1. Construir un evaluador que aplique la rúbrica sección por sección y justifique cada puntuación.
  2. Comparar estrategias de evaluación: solo con la rúbrica, con ejemplos ya corregidos y con acceso al repositorio para comprobar lo que afirma el informe.
  3. Medir la fiabilidad del evaluador: concordancia con el profesorado; consistencia entre ejecuciones;

sesgos conocidos de los LLM como jueces.

  1. Generar retroalimentación formativa para el estudiante y valorarla con el profesorado.

Si los resultados son buenos, hay posibilidad de publicar el trabajo.

Conocimientos previos

Interés por la IA y la ingeniería del software. Nivel intermedio de programación.

Volver al índice

34. ¿Delegas o aprendes? Analítica inteligente del uso de la IA por estudiantes de Ingeniería del Software

Tutor/a: Ana Belén Sánchez Jerez

Descripción y objetivos

Los estudiantes usan ChatGPT o Gemini a diario, pero ¿los usan para aprender o para que la IA haga el trabajo por ellos? Un estudio científico previo de un grupo de investigación analizó a mano cientos de conversaciones reales entre estudiantes y modelos de IA, e identificó patrones como la "delegación acrítica". En este TFM automatizarás ese análisis: entrenarás y compararás modelos de PLN que clasifican cada conversación y crearás un panel que muestra cómo usa la IA cada equipo. Si los resultados son buenos, se podrá probar en una asignatura real durante el curso.

Objetivos:

  1. Entrenar y comparar clasificadores de intenciones a partir de un dataset real ya etiquetado por expertos: LLM con instrucciones frente a modelos ajustados con los datos.
  2. Detectar automáticamente el patrón de uso de cada conversación.
  3. Desarrollar un panel de analítica para el profesorado.
  4. Usarlo en una asignatura real de Ingeniería del Software

Conocimientos previos

Interés por la ciencia de datos, PLN o la IA, y nivel medio de Python. Se valora tener experiencia con machine learning.

Volver al índice

35. Snowballing en las revisiones sistemáticas de la literatura.

Tutor/a: Antonia Mª Reina Quintero

Descripción y objetivos

"Una revisión sistemática de la literatura es un procedimiento sistematizado para analizar el estado del arte o las publicaciones relacionadas con un área de conocimiento. En este contexto, el snowballing es una técnica que permite seleccionar estudios candidatos a ser incluidos en la revisiones sistemáticas analizando tanto las referencias de los artículos que ya forman parte del estudio como los artículos que citan a los mismos.

El objetivo del TfM es doble, por una parte, analizar las herramientas existentes para ayudar a los investigadores a realizar revisiones sistemáticas y ver cómo incorporan la técnica de snowballing, y por otra, desarrollar una herramienta para dar soporte al proceso de snowballing."

Conocimientos previos

* Consultas a API REST

Bibliografía

  • * Claes Wohlin. 2014. Guidelines for snowballing in systematic literature studies and a replication in software engineering. In Proceedings of the 18th International Conference on Evaluation and Assessment in Software Engineering (EASE '14). Association for Computing Machinery, New York, NY, USA, Article 38, 1–10. DOI:https://doi.org/10.1145/2601248.2601268
  • * Katia Romero Felizardo, Emilia Mendes, Marcos Kalinowski, Érica Ferreira Souza, and Nandamudi L. Vijaykumar. 2016. Using Forward Snowballing to update Systematic Reviews in Software Engineering. In Proceedings of the 10th ACM/IEEE International Symposium on Empirical Software Engineering and Measurement (ESEM '16). Association for Computing Machinery, New York, NY, USA, Article 53, 1–6. DOI:https://doi.org/10.1145/2961111.2962630";

Volver al índice

36. Estudio de frameworks y servicios para gestionar la identidad digital.

Tutor/a: Antonia Mª Reina Quintero

Segundo/a tutor/a: Rafael Z. Frantz

Descripción y objetivos

En la actualidad, el identificar a los usuarios para posteriormente darles acceso a distintos servicios digitales es una actividad clave para asegurar que los servicios se utilizan correctamente. Uno de los primeros servicios de identidad digital fue Passport, propuesto por Microsoft. Tras éste, las grandes compañías internacionales como Google, Twitter, o Facebook, y algunas organizaciones como IEEE u ORCID han creado servicios de identificación que pueden ser utilizados por otros servicios. Algunos países, como Brasil, tienen también este tipo de servicios, como GovBR and Login Cidad˜ao, y a nivel europeo se está trabajando en definir un eID [1] para la identificación digital de todos los ciudadanos europeos.

Recientemente, y a diferencia de los servicios de identidad digital anteriores, que son centralizados, han aparecido sistemas experimentales que abogan por servicios de identidad digital descentralizados, como Sovrim[2] y uPort[3].

En el TfM se espera que el alumno realice un trabajo de investigación de los frameworks y/o actuales para gestión de identidades digitales, analizando las características, los pros y los contras de cada uno de ellos, obteniendo como resultado un framework de comparación. Como prueba de concepto se puede generar una pequeña aplicación distribuida para gestionar la identidad digital.

Es un trabajo en colaboración con la Universidad Unijuí de Brasil.

Bibliografía

Volver al índice

37. Oráculos en la blockchain

Tutor/a: Antonia Mª Reina Quintero

Descripción y objetivos

En determinadas ocasiones los contratos inteligentes necesitan acceder a información que varía. Los oráculos se pueden ver como un puente entre la blockchain y el mundo real. El objetivo de este trabajo es realizar una revisión de la literatura para ver qué tipos de oráculos hay, cómo se están usando en las aplicaciones distribuidas y qué problemática presentan. Como prueba de concepto se desarrollará una pequeña aplicación distribuida que haga uso de oráculos.

Bibliografía

  • H. Al-Breiki, M. H. U. Rehman, K. Salah and D. Svetinovic, "Trustworthy Blockchain Oracles: Review, Comparison, and Open Research Challenges," in IEEE Access, vol. 8, pp. 85675-85685, 2020, doi: 10.1109/ACCESS.2020.2992698.

Volver al índice

40. Agentes de productividad personal

Tutor/a: Manuel Resinas

Descripción y objetivos

Este proyecto de trabajo final de máster tiene como objetivo explorar la aplicación de agentes que usan Large Language Models (LLMs) para proporcionar a los usuarios sugerencias personalizadas de buenas prácticas de productividad. Para eso, el trabajo debe:

- Realizar una revisión exhaustiva de las prácticas de productividad personal, analizando métodos como GTD (Getting Things Done), la matriz de Eisenhower, técnicas Pomodoro, entre otros.

- Evaluar el conocimiento sobre buenas prácticas de productividad que tienen los LLM actuales, eligiendo al menos dos de los más conocidos.

- Crear una prueba de concepto que permita a los usuarios introducir sus tareas pendientes o sus tareas realizadas de forma que el sistema le ayude a entender sus problemas de productividad y a planificar sus acciones. Esta prueba de concepto puede extenderse para añadir la capacidad de adaptarse a preferencias individuales, integrarse con calendarios, recordatorios o generar informes de progreso.

- Realizar pruebas con usuarios reales para evaluar la eficacia y utilidad de las recomendaciones generadas por el LLM.

Beneficios Esperados:

- Contribución a la creación de herramientas inteligentes que mejoren la productividad personal.

- Desarrollo de habilidades en la implementación de soluciones basadas en IA para el bienestar y la eficiencia personal.

- Potencial para presentar los resultados en conferencias académicas o revistas especializadas.

Conocimientos previos

Es deseable: experiencia en implementación de soluciones con LLMs y conocimiento previo de técnicas de productividad personal

Volver al índice

41. Process GitHub: una mirada a los procesos reales del desarrollo de software

Tutor/a: Manuel Resinas

Descripción y objetivos

Cada issue, pull request, revisión o release en GitHub deja un rastro. Los repositorios de código abierto acumulan así un registro muy detallado de cómo trabajan realmente los equipos de software: quién propone qué, cuánto se discute, cuántas rondas de revisión hacen falta, dónde se atascan los cambios y qué camino sigue una modificación hasta llegar a una release.

Ese rastro está repartido entre issues, commits, pull requests, ejecuciones de CI y releases, y rara vez se analiza como un proceso completo. Además, lo que los proyectos dicen que hacen (guías de contribución, flujos de trabajo, tableros) no siempre coincide con lo que ocurre en la práctica.

Este TFM consiste en reconstruir el proceso real de desarrollo de proyectos de código abierto a partir de sus repositorios, entenderlo y contrastarlo con el proceso que declaran seguir.

Qué se va a hacer

- Plantear preguntas sobre el proceso: cuánto tarda en resolverse un issue y de qué depende, cómo es la revisión de código, si el conocimiento se concentra en pocas personas, si el flujo real se parece al documentado.

- Extraer y enlazar datos de proyectos populares (por ejemplo, en Python o Java) mediante la API de GitHub o datasets como GH Archive, resolviendo los vínculos entre artefactos y las identidades de los desarrolladores.

- Analizar y visualizar cómo fluye el trabajo, cómo colaboran las personas, dónde hay esperas, retrabajo o cuellos de botella, y cómo difieren unos proyectos de otros.

- Desarrollar scripts y flujos de análisis reproducibles, integrables con herramientas como PM4Py u OCEL-PM si resulta útil.

Qué aporta

- Trabajo con datos reales de proyectos que probablemente ya conoces o utilizas.

- Una visión empírica de cómo funcionan en la práctica la colaboración, la revisión de código, la integración continua y la gobernanza de proyectos.

- Competencias demandadas: minería de repositorios, análisis de datos, automatización y visualización.

- Resultados útiles para la comunidad investigadora y para equipos que quieran mejorar sus prácticas ágiles, sus tableros Kanban o su proceso de revisión.

- Posibilidad de publicar, ya que el tema conecta con líneas de investigación activas.

Conocimientos previos

Interés por el desarrollo de software y por los datos, soltura con Python (o ganas de adquirirla) y curiosidad por cómo trabajan los equipos.

Volver al índice

42. ProcessMind: Un servidor MCP para analizar logs de procesos con IA

Tutor/a: Manuel Resinas

Descripción y objetivos

El Model Context Protocol (MCP) es un estándar abierto que permite a los modelos de lenguaje conectarse a servidores que exponen datos, herramientas y recursos de forma segura y estructurada. Con él, un modelo no se limita a generar texto: puede consultar información, ejecutar funciones y trabajar con datos reales a través de un canal interoperable.

Por otro lado, la minería de procesos trabaja con logs de eventos que describen cómo se ejecutan realmente los procesos de una organización o de un sistema de software. Son datos ricos, pero su análisis suele requerir herramientas especializadas y conocimientos técnicos.

Este TFM consiste en unir ambos mundos: construir un servidor MCP que exponga logs de procesos y capacidades de análisis, de modo que un agente o un LLM pueda interactuar con ellos en lenguaje natural. Por ejemplo, preguntar qué variante del proceso es la más frecuente, resumir un caso concreto, calcular métricas de rendimiento o comprobar la conformidad con un modelo. El trabajo explora la integración entre minería de procesos e IA agéntica, como base para asistentes capaces de comprender, explicar y optimizar procesos reales.

Qué aporta

- Experiencia práctica con MCP y con el desarrollo de agentes, una de las áreas de más actividad en IA actualmente.

- Un producto tangible: un servidor funcional que se puede conectar a un asistente y probar con preguntas reales.

- Competencias en minería de procesos, diseño de APIs y seguridad aplicada a sistemas basados en LLM.

- Resultados con recorrido, tanto para la comunidad de minería de procesos como para quienes trabajan en copilotos y asistentes organizativos.

Conocimientos previos

Interés por la IA aplicada y el desarrollo de software, y conocimientos de Python o TypeScript. No se requieren conocimientos previos de minería de procesos ni de MCP.

Volver al índice

43. Modelado predictivo mediante IA para el análisis masivo de cambios de isoforma transcripcional en envejecimiento y cáncer

Tutor/a: Beatriz Pontes Balanza

Descripción y objetivos

Desarrollo de un pipeline que integre tecnologías de Big Data y modelos de Inteligencia Artificial, para automatizar la identificación de cambios de isoforma predominante asociados al envejecimiento y su paralelismo con la transición normal-tumor. El objetivo es diseñar una arquitectura computacional eficiente que procese matrices masivas de transcriptómica, entrenando algoritmos de Machine Learning para aislar la señal biológica de variables técnicas de confusión y detectar perfiles de riesgo tumoral o clones preneoplásicos.

Se procesarán matrices de expresión a nivel de transcrito de los consorcios públicos GTEx y TCGA, que incluyen decenas de miles de características (transcritos) a lo largo de miles de muestras. Se integrarán también complejos metadatos técnicos (como el tiempo de isquemia y la calidad del ARN) y bases de datos relacionales de anotación funcional, requiriendo el uso de procesamiento distribuido en un entorno HPC para gestionar la alta dimensionalidad de la información.

Conocimientos previos

Experiencia práctica en entrenamiento y evaluación de modelos de Machine Learning Dominio de Python

Volver al índice

44. Diseño e implementación de un motor de ajedrez con evaluación heurística y arquitectura extensible

Tutor/a: Juan Antonio Álvarez

Descripción y objetivos

• Diseñar e implementar un motor de ajedrez completo (generación de movimientos legales, reglas especiales: enroque, al paso, promoción) con arquitectura modular y extensible.

• Implementar búsqueda mediante negamax con poda alfa-beta, profundización iterativa, quiescence search y tabla de transposición.

• Diseñar una función de evaluación heurística (material, tablas posicionales, estructura de peones) y una interfaz gráfica mínima o soporte del protocolo UCI.

• Evaluar objetivamente la fuerza de juego del motor mediante partidas automatizadas contra motores de referencia y estimar su ELO aproximado.

Bibliografía

  • Chess Programming Wiki: referencia central de bitboards, alfa-beta, tablas de transposición y quiescence search: https://www.chessprogramming.org
  • Serie "Coding Adventure: Chess" de Sebastian Lague (YouTube): introducción visual a motores de ajedrez
  • MediocreChess: guía paso a paso de búsqueda alfa-beta: https://mediocrechess.sourceforge.net/guides/alphabetasearch.html
  • TSCP (Tom Kerrigan's Simple Chess Program) y Sunfish: motores minimalistas de referencia para estudiar código real
  • cutechess-cli: herramienta estándar para enfrentar motores UCI y estimar ELO relativo

Volver al índice

45. Framework ligero de agentes LLM con planificación, memoria y uso de herramientas

Tutor/a: Juan Antonio Álvarez

Descripción y objetivos

• Implementar desde cero (sin frameworks como LangChain) un bucle de razonamiento-acción tipo ReAct sobre un LLM.

• Diseñar un mecanismo de gestión de memoria (corto y largo plazo) y un sistema de invocación de herramientas externas (APIs, búsqueda web, calendario).

• Construir un caso de uso concreto y evaluable (p. ej. asistente de tareas o de investigación) sobre el framework desarrollado.

• Evaluar cuantitativamente la tasa de éxito del agente en un conjunto de tareas predefinidas.

Bibliografía

Volver al índice

46. Implementación de un modelo de lenguaje transformer desde cero con fines didácticos

Tutor/a: Juan Antonio Álvarez

Descripción y objetivos

• Implementar desde cero (sin frameworks de alto nivel de NLP) un modelo transformer tipo GPT: tokenizador, mecanismo de atención, bloques transformer y cabeza de lenguaje.

• Entrenar el modelo en un corpus reducido en español y evaluar su comportamiento frente a modelos preentrenados de tamaño equiparable.

• Documentar el proceso capítulo a capítulo con fines docentes, generando material reutilizable para la asignatura.

• Explorar opcionalmente técnicas de fine-tuning ligero (LoRA) sobre el modelo entrenado.

Bibliografía

Volver al índice

47. ¿En qué estamos trabajando? Identificación automática de actividades digitales mediante inteligencia artificial

Tutor/a: Adela del Río Ortega

Descripción y objetivos

Las herramientas de seguimiento de ventanas activas (Active Window Tracking, AWT) permiten registrar la interacción de las personas con las aplicaciones de su ordenador. Sin embargo, interpretar estos registros e identificar las actividades de trabajo que representan sigue siendo un reto.

Este TFM propone investigar el uso de técnicas de inteligencia artificial, especialmente modelos de lenguaje (LLMs), para identificar y clasificar automáticamente actividades a partir de trazas digitales. Se explorará cómo aprovechar información contextual y ejemplos previamente etiquetados para mejorar la precisión de la clasificación y reducir la intervención manual.

El trabajo partirá de investigaciones y herramientas existentes, como Work Tagger, e incluirá el diseño e implementación de una solución y su evaluación experimental mediante datos disponibles públicamente.

Objetivos principales:

Analizar técnicas de identificación y clasificación de actividades digitales.

Investigar estrategias basadas en LLMs y aprovechamiento del contexto.

Desarrollar un prototipo de clasificación automática.

Comparar las estrategias propuestas utilizando métricas de precisión y esfuerzo de etiquetado.

Conocimientos previos

Conocimientos de programación, preferentemente en Python. Se valorarán conocimientos de inteligencia artificial, aprendizaje automático y análisis de datos. No se requiere experiencia previa en minería de procesos.

Bibliografía

  • Beerepoot et al. (2023). A Window of Opportunity: Active Window Tracking for Mining Work Practices. ICPM.
  • Beerepoot (2024). A Month’s Worth of Labelled Active Window Tracking Data. BPM.
  • Resinas et al. (2024). Work Tagger: A Labelling Companion. ICPM Demos.
  • Work Tagger: https://github.com/project-pivot/worktagger

Volver al índice

48. Descubriendo nuestros hábitos de trabajo: análisis de patrones de actividad digital mediante minería de procesos

Tutor/a: Adela del Río Ortega

Descripción y objetivos

Este TFM propone investigar técnicas de minería de procesos y análisis de datos para identificar y caracterizar patrones de trabajo a partir de registros de actividad digital (Active Window Tracking, AWT). Se estudiarán aspectos como los cambios de contexto, la fragmentación de la actividad, la duración de las sesiones de trabajo y los patrones temporales recurrentes.

El trabajo incluirá la definición de indicadores, el desarrollo de técnicas de análisis y su evaluación utilizando conjuntos de datos disponibles, con el objetivo de comprender mejor los hábitos de trabajo digitales.

Conocimientos previos

Conocimientos de programación, preferentemente en Python, y fundamentos de análisis de datos. Se valorarán conocimientos de minería de procesos, aprendizaje automático y visualización de información.

Bibliografía

  • Beerepoot et al. (2023). A Window of Opportunity: Active Window Tracking for Mining Work Practices. ICPM.
  • Beerepoot et al. (2024). Interruptibility during Scientific Research Collaborations: The Effect of Pressure, Proximity and Quiet Time. CSCW Companion.
  • Alman et al. (2024). Tiramisù: Making Sense of Multi-Faceted Process Information Through Time and Space. Journal of Intelligent Information Systems.
  • Beerepoot et al. (2025). Understanding Distributed Cooperative Work through Data Traces. ECSCW.
  • Beerepoot (2024). A Month’s Worth of Labelled Active Window Tracking Data. BPM.

Volver al índice

49. ¿Puede la inteligencia artificial ayudarnos a organizar mejor nuestro trabajo? Recomendaciones personalizadas y explicables

Tutor/a: Adela del Río Ortega

Descripción y objetivos

Este TFM propone investigar técnicas de inteligencia artificial para generar recomendaciones personalizadas y explicables que ayuden a organizar y priorizar tareas. Se explorarán estrategias basadas en modelos de lenguaje (LLMs), algoritmos de planificación y enfoques híbridos, considerando información contextual como calendarios, fechas límite y preferencias personales. El trabajo incluirá el desarrollo de un prototipo experimental y la comparación de diferentes estrategias mediante escenarios simulados, evaluando la calidad, consistencia y explicabilidad de las recomendaciones generadas.

Conocimientos previos

Conocimientos de programación, preferentemente en Python. Se valorarán conocimientos de inteligencia artificial, modelos de lenguaje, algoritmos de planificación y desarrollo de aplicaciones.

Volver al índice

50. Un laboratorio virtual para evaluar asistentes inteligentes: simulación de tareas, calendarios y hábitos de trabajo

Tutor/a: Adela del Río Ortega

Descripción y objetivos

Este TFM propone diseñar y desarrollar un entorno de simulación que permita generar escenarios sintéticos de trabajo personal, incluyendo tareas, calendarios, preferencias y eventos imprevistos. El objetivo es facilitar la evaluación reproducible de asistentes inteligentes para la organización del trabajo, sin depender de la disponibilidad de datos personales reales. El trabajo incluirá el diseño de un generador configurable de escenarios, la definición de métricas de evaluación y la validación del entorno mediante la comparación de diferentes estrategias de planificación y recomendación.

Conocimientos previos

Conocimientos de programación, preferentemente en Python, y fundamentos de ingeniería del software. Se valorarán conocimientos de simulación, generación de datos, pruebas de software y análisis de datos.

Bibliografía

  • Beerepoot et al. (2023). A Window of Opportunity: Active Window Tracking for Mining Work Practices. ICPM.
  • Beerepoot (2024). A Month’s Worth of Labelled Active Window Tracking Data. BPM.
  • Documentación de SimPy: https://simpy.readthedocs.io/
  • Documentación de Faker: https://faker.readthedocs.io/

Volver al índice

51. TFM para alumnos que estén desarrollando trabajo en empresas.

Tutor/a: Juan Antonio Ortega

Descripción y objetivos

El alumno realizará una reunión con el tutor donde se definirá un TFM a partir de los trabajos que esté realizando en la empresa. La idea de este TFM es que el alumno realice un trabajo académico dirigido basado en su experiencia profesional, permitiéndole abordar la solución a un problema real centrado en los contenidos del Máster.

Volver al índice

52. Inteligencia Artificial explicable. Un enfoque práctico

Tutor/a: Juan Antonio Ortega

Descripción y objetivos

La inteligencia artificial explicable se refiere a métodos y técnicas en la aplicación de tecnología de inteligencia artificial por los que el ser humano es capaz de comprender las decisiones y predicciones realizadas por la inteligencia artificial. Son múltiples las opciones y herramientas que existen, en este trabajo el estudiante debe evaluar alguna de las más utilizadas y aplicarla a un caso práctico.

Volver al índice

53. Modelos para la Predicción de Ruido y Detección de Fallos en Procesadores Cuánticos NISQ

Tutor/a: Alfonso E. Márquez Chamorro

Descripción y objetivos

Se propone el diseño e implementación de un modelo predictivo, basado en aprendizaje automático, capaz de anticipar la ocurrencia y tipo de errores cuánticos (decoherencia, crosstalk...) en tiempo real. El objetivo es optimizar la mitigación de errores mediante la caracterización dinámica de patrones de ruido en dispositivos reales (NISQ).

Bibliografía

  • Temme, K., Bravyi, S., & Gambetta, J. M. (2017). Error mitigation for short-depth quantum circuits. Physical Review Letters, 119(18), 180509. DOI: 10.1103/PhysRevLett.119.180509.
  • Kim, Y., Lee, Y., Palkar, P. N., Choi, K., Das, A., & Chung, H. S. (2023). Learning-based quantum error mitigation for near-term quantum devices. Nature Communications, 14(1), 589. DOI: 10.1038/s41467-023-36319-3

Volver al índice

54. Aproximación a las Redes Neuronales Cuánticas: Principios, Diseño de Circuitos Variacionales y Aplicación en Tareas de Clasificación.

Tutor/a: Alfonso E. Márquez Chamorro

Descripción y objetivos

Este trabajo explora los fundamentos teóricos de las Redes Neuronales Cuánticas (QNN) y los Circuitos Variacionales Cuánticos (Quantum Variational Circuits). Se enfoca en el diseño práctico de circuitos cuánticos para tareas de clasificación binaria o multiclase. El objetivo es proporcionar una guía práctica de implementación, destacando las diferencias y el potencial de aceleración respecto a los modelos neuronales clásicos.

Bibliografía

  • Biamonte, J., Wittek, P., Pancotti, N., Rebentrost, P., Wiebe, N., & Lloyd, S. (2017). Quantum machine learning. Nature, 549(7671), 195–202. DOI: 10.1038/nature23474
  • Cerezo, M., Arrasmith, A., Babbush, R., Cincio, S., Chen, L., Du, Y., ... & Coles, P. J. (2021). Variational Quantum Algorithms. Nature Reviews Physics, 3(9), 625–646. DOI: 10.1038/s42254-021-00348-9

Volver al índice