Verónica Álvarez Castro se graduó en Matemáticas en la Universidad de Salamanca en 2019. Actualmente, es doctoranda en el Basque Center for Applied Mathematics (BCAM), donde desarrolla técnicas de inteligencia artificial con garantías teóricas para resolver problemas reales como las predicciones de consumo de energía. Verónica Álvarez trabaja en técnicas de clasificación supervisada basadas en online learning que se adaptan a las variantes en la distribución de los datos. Recientemente, su proyecto de investigación ha sido galardonado con uno de los Premios de Estadística SEIO-Fundación BBVA 2022, realizado junto con sus directores de tesis Santiago Mazuelas y José A. Lozano, que podría contribuir a la predicción de consumo de energía.
Pregunta.- ¿Cuál fue el camino que te llevó hasta el BCAM? ¿Por qué elegiste estudiar matemáticas?
Verónica Álvarez.- Elegí estudiar matemáticas porque era una asignatura que me gustaba desde pequeña. En esta época entablé una buena relación con mi profesor que me dio a conocer una nueva perspectiva de las matemáticas. Al finalizar mis estudios, una profesora de mi universidad envió una oferta de BCAM, me gustaba la propuesta y decidí aplicar. Comencé con unas prácticas de 3 meses con ellos y finalmente me quedé desarrollando mi tesis. No tenía claro a qué parte de las matemáticas dedicarme, siempre me he ido dejando llevar por los problemas y las curiosidades que me surgían.
P.- Recientemente, en el BCAM, has desarrollado un proyecto que ha tenido un alto impacto sobre predicción de consumo de energías. ¿Podrías comentarnos por qué es tan útil dicha predicción?
V. A.- Las predicciones de energía precisas son fundamentales para planificar la gestión de energía y que la demanda sea siempre satisfecha. Esta relevancia ha aumentado en los últimos años debido, por ejemplo, a la integración de las energías renovables. En ese caso es posible que necesites energía en un momento en el que no la puedas generar, por ello, es muy útil dicha planificación. Predicciones precisas y fiables pueden ayudar de manera significativa a una mejor gestión de los recursos energéticos.
P.- A nivel general, ¿podrías contarnos en qué consiste tu proyecto de predicción de consumo de energía?
V. A.- En el artículo (2011.14721.pdf (arxiv.org)) Probabilistic Load Forecasting Based on Adaptive Online Learning presentamos técnicas de machine learning para la predicción del consumo de energía. Estos métodos predicen con cientos de modelos que aprenden siempre utilizando la información más reciente, es decir, cada vez que se conocen datos reales de consumo todos los modelos son actualizados y los consumos futuros se predicen con dichos modelos. Una de las ventajas del algoritmo presentado es que también calculamos las incertidumbres de las predicciones y, por tanto, ofrecemos un resultado ligado con la probabilidad del mismo. Es decir, no solo facilitamos el dato de cuánto consumo habrá sino también la probabilidad de dicha predicción.
P.- ¿Cuáles son las matemáticas que se esconden detrás de tu modelo?
V. A.- Modelamos la relación entre el consumo de energía y las variables que le afectan utilizando Hidden Markov Models (HMMs). Asumimos que la relación entre los consumos y esas variables siguen distribuciones gaussianas. Obtenemos los parámetros de las distribuciones maximizando la weighted log-likelihood de manera recursiva. Además, desarrollamos técnicas que obtienen secuencialmente predicciones probabilísticas usando los parámetros más recientes del HMM.
P.- Actualmente, ¿el algoritmo se encuentra implementado en algún lugar? ¿Cuál se pretende que sea su utilidad? ¿Hay alguna empresa u organismo público interesado en el proyecto o aportando financiación a tu investigación?
V. A.- El código está subido a la plataforma Git Hub por lo que quien quiera puede descargarlo y utilizarlo. La investigación está financiada por BCAM a través de los proyectos que se describen en el artículo.
P.- ¿Este es tu principal proyecto o también abarcas otras líneas de investigación?
V. A.- Actualmente estoy trabajando en mi tesis. Concretamente, ahora estoy desarrollando técnicas de clasificación supervisada en entornos donde la distribución de datos cambia con el tiempo. Por ejemplo, este verano estuvimos en el congreso internacional de aprendizaje máquina (International Conference on Machine Learning) presentando un artículo que obtiene predicciones de forma adaptativa y ofrece garantías de rendimiento. Los métodos que presentamos en ese trabajo pueden ser utilizados en múltiples aplicaciones como, por ejemplo, la detección del fraude, la predicción de retrasos en los aviones o la predicción de subidas de precios de la energía.
P.- ¿Qué crees que pueden aportar las matemáticas y, en concreto, el machine learning a nuestra sociedad actual?
V. A.- La investigación en disciplinas como la estadística, la inteligencia artificial y el aprendizaje máquina puede resolver numerosos problemas prácticos con un alto impacto en el mundo real. En la actualidad existen multitud de aplicaciones basadas en técnicas desarrolladas en esas disciplinas, por ejemplo, sistemas de recomendación, traducción automática y automatización de procesos industriales. En el caso de la energía, predecir de manera precisa consumos futuros tiene un impacto directo en la economía y en la reducción de emisiones de carbono, pero hay otros muchos ejemplos.
P.- ¿Cómo has vivido el cambio de estudiar matemáticas a hacer matemáticas? Cuando empezaste la carrera, ¿te veías trabajando en algo así?
V. A.- Bueno, a día de hoy sigo estudiando y aprendiendo y espero que siga siendo así mucho tiempo. Cuando comencé la carrera no tenía claro a qué me quería dedicar. Sin embargo, ahora estoy muy contenta con la decisión, también porque mis directores me apoyan y me motivan.
P.- ¿Crees que la gente en general entiende en qué consisten las predicciones probabilísticas? ¿O hay un gran desconocimiento de la probabilidad y la estadística? ¿Crees que haría falta más formación en estadística y probabilidad desde edades más tempranas?
V. A.- Es importante que la sociedad sepa que campos matemáticos como la estadística y la inteligencia artificial son esenciales para el desarrollo de aplicaciones en múltiples ámbitos. Por ejemplo, las técnicas desarrolladas mediante la investigación en inteligencia artificial nos ayudan en la toma de decisiones o nos permiten conocer el riesgo asociado con dichas decisiones. Ciertos conocimientos en dichas disciplinas o en matemáticas generales pueden ayudar a cualquier ciudadano en su día a día. Conocer el impacto de dichas disciplinas en problemas reales podría aumentar el número de jóvenes que se formen en estos campos, lo cual sería de gran utilidad en la actualidad.
P.- Y para concluir, ¿qué consejo le darías a alguien que duda en estudiar la carrera de matemáticas porque quizá no tiene claras cuáles son las salidas profesionales o cuál es el aporte de las matemáticas a la sociedad?
V. A.- Hace unos años las salidas de la carrera de matemáticas eran más limitadas. Hoy en día, basta con abrir un periódico para ver las múltiples salidas y la relevancia que tienen las matemáticas en la actualidad. Diría que estudiar el Grado de Matemáticas siempre es un acierto ya que, te guste lo que te guste, encontrarás la manera de aplicar matemáticas a ello.
