Carlos Gaitan Poyatos 

Mi formación incluye una Ingeniería informática, además de licenciarme en ITM por la UOC con un Postgrado en Machine Learning Aplicado por la Universidad de Columbia y especialización en Deep Learning. Además, Doctorado en Informática con la UGR con un trabajo enfocado en Modelos Generativos Profundos y redes GAN.

Actualmente trabajo en Endesa (Dentro del Grupo Enel) como responsable de innovación, especializado en gestión de proyectos de IoT, Big Data e IA. Tengo una larga experiencia en la implantación de proyectos de este tipo tanto en España como en Latinoamérica.

Colaboro con la UOC en diversas asignaturas: Master de Big Data e Inteligencia de negocio, además de en IOT e industria 4.0, grado de Ciencias de datos y el Master de IA desde hace varios años.

Contacto: cgaitan@uoc.edu 

Restricciones

No hay restricciones.

 

Descripción de las líneas del TFM

Linea 1: Aprendizaje automático para la detección de fraudes.

El objetivo será el análisis de información relativa a consumos eléctricos de clientes, así como otros datos disponibles para poder encontrar patrones sospechosos de fraude. Se proporciona para ello un dataset propio al alumno. Por tanto, contamos con un dataset desbalanceado que permite implementar un modelo de clasificación binario con datos reales.

Este problema de detección de fraude puede ser aplicado a otros campos. Por ejemplo, se pueden usar datasets de transacciones bancarias, para detectar posibles fraudes.

Linea 2: Análisis predictivo en Redes Eléctricas.

El objetivo será analizar un dataset compuesto por incidencias en la red eléctrica de Media Tensión, así como datos de diferentes magnitudes eléctricas (que se proporciona al alumno). A partir de estos datos se pide realizar una aplicación de mantenimiento predictivo, pudiendo devolver la probabilidad de avería de estos elementos eléctricos en el tiempo o su índice de degradación. Otro enfoque podría ser el hacer uso de series temporales para devolver una lista de los elementos con mayor probabilidad de avería y el plazo de tiempo para su reparación. En cualquier caso, se colaboraría con el alumno en adaptar la solución a aquellas herramientas en las que tenga mayor conocimiento.

Todo ello se puede complementar con una herramienta de visualización y/o generación de informes.

Linea 3: Clusterización de clientes.

A partir de los datos obtenidos de consumos y magnitudes eléctricas, elaborar una clusterización por perfil de consumo y/o de constantes eléctricas en las diferentes zonas a analizar (dataset proporcionado al alumno). La implementación de la solución y la herramienta puede ser elegida por el alumno, pudiendo realizarlo por ejemplo de manera práctica a través de un PCA o haciendo uso de un Autoencoder para extraer las características de manera automática.

Finalmente se puede elaborar una herramienta de visualización, para mostrar las componentes y los diferentes grupos de manera gráfica.

Linea 4: Herramienta de visualización interactiva.

Conectado con los anteriores, se propone una herramienta de visualización con un tablero elaborado en DASH que permite un seguimiento y evolución temporal de la congestión eléctrica en un área concreta, utilizando datos reales.

Este cuadro de mando se puede aplicar a cualquier otro campo en el que sea necesario realizar un seguimiento de una serie de actividades y valores.

Linea 5: Integración IoT - industria 4.0.

El objetivo será desarrollar alguna de las áreas de un proyecto de plataforma IoT industrial. Este puede centrarse en la parte operacional del IoT, con la realizando una herramienta de Dashboards o Synoptics, para realizar un seguimiento de los elementos físicos. Por otro lado, se puede optar por desarrollar la parte analítica y predictiva, en este caso se elaborará una herramienta de Business Intelligence o Business Analytics. En cualquier caso, se podrá acordar y decidir las herramientas a usar en cada caso siendo un campo bastante extenso y de gran aplicación actualmente.


Otras líneas

Otras líneas relacionadas con Deep Learning (computer vision), Sistemas de Recomendación y Análisis Multivariante que se defina conjuntamente con el alumno.

 

Otras consideraciones

El profesor colaborador puede atender a estudiantes en castellano, inglés e italiano.