El grupo NEO (Network Engineering and Optimization) participará en las próximas Jornadas de Networking de Prácticas Externas 2025-2026 organizadas por la ETSI Informática (Universidad de Málaga), un evento que permite a los estudiantes conocer de primera mano las oportunidades de prácticas ofrecidas tanto por empresas como por grupos de investigación de la Escuela.
Durante estas jornadas presentaremos varias líneas de trabajo en IA, optimización y su aplicación a diferentes dominios como ciudades inteligentes o Ingeniería del Software. Además, compartiremos propuestas de prácticas con un enfoque muy aplicado y formativo, pensadas para que el estudiante pueda participar en desarrollos reales de investigación y adquirir experiencia en tecnologías actuales.
A continuación se describen con más detalle las distintas propuestas de prácticas que ofrecerá el grupo. Para cualquier duda adicional, se incluye en cada una el responsable y su correo de contacto, de forma que los estudiantes interesados puedan consultar directamente cualquier aspecto antes de realizar su elección.
IP1. Reducción de la complejidad cognitiva mediante algoritmos evolutivos (Responsable: Francisco Chicano – chicano@uma.es)
El/la estudiante se integrará en el proyecto de investigación SOFIA, que busca mejorar la productividad del desarrollo de software mediante técnicas de inteligencia artificial. En particular, el problema que trabajará será el de la reducción de la complejidad cognitiva de código fuente usando algoritmos evolutivos. Esta complejidad cognitiva es un número entero que se asigna a cada método de software y que se relaciona con la dificultad de una persona para comprender el comportamiento del código. Las estructuras de control de flujo y el anidamiento de instrucciones contribuyen a aumentar la complejidad cognitiva. Una forma de reducir esta complejidad consiste en extraer código en nuevos métodos, y hacerlo de forma automática usando técnicas de inteligencia artificial y optimización.
En el grupo ya se han desarrollado herramientas para abordar este problema que se basan en técnicas exactas, en particular, en programación lineal entera. Estas herramientas tienen problemas de escalabilidad (cuando el software tiene muchas líneas de código pueden requerir demasiado tiempo). El objetivo de la práctica es explorar el uso de algoritmos evolutivos y otras heurísticas para encontrar buenas soluciones al problema de forma automática y en un intervalo de tiempo reducido.
IP2. Optimización multiobjetivo de infraestructuras para micromovilidad urbana (Responsable: Gabriel Luque – gluque@uma.es)
En esta práctica el/la estudiante se incorporará a un proyecto de investigación activo orientado al diseño de infraestructuras urbanas para micromovilidad (carriles bici y patinetes) mediante técnicas de optimización multiobjetivo e inteligencia artificial. El trabajo se centrará en analizar y proponer modelos que tengan en cuenta aspectos clave como seguridad, coste, conectividad y continuidad de las rutas, así como la implantación progresiva de la infraestructura, un requisito fundamental en entornos urbanos reales.
La práctica se desarrollará sobre redes urbanas y datos reales, explorando distintos enfoques de modelado (por ejemplo, selección de tramos frente a selección de rutas completas) y analizando cómo las decisiones de planificación afectan a la calidad del servicio y a la viabilidad de las soluciones propuestas.
La práctica se desarrollará principalmente con Python, utilizando algoritmos de optimización multiobjetivo, técnicas de análisis de grafos y redes urbanas, y datos abiertos procedentes de OpenStreetMap. A lo largo del trabajo, el estudiante reforzará conocimientos en IA y optimización aplicada a problemas urbanos reales y metodología de investigación en optimización y toma de decisiones.
IP3. Visualización interactiva de soluciones de IA para movilidad urbana (Responsable: Gabriel Luque – gluque@uma.es)
Esta práctica está orientada al desarrollo de herramientas de visualización interactiva para representar y analizar soluciones generadas por algoritmos de IA y optimización aplicados a movilidad urbana. El objetivo es crear mecanismos genéricos y reutilizables que permitan mostrar, sobre mapas urbanos, los resultados de distintos algoritmos y problemas.
El/la estudiante trabajará en la representación visual de infraestructuras, rutas y métricas asociadas, explorando formas de comparar múltiples soluciones, analizar patrones recurrentes (por ejemplo, calles más seleccionadas) y observar la evolución de las soluciones durante procesos de optimización. El enfoque será práctico y orientado a facilitar la interpretación de resultados tanto para investigadores como para gestores públicos.
La práctica se desarrollará usando Python y/o JavaScript, apoyándose en librerías de visualización y creación de dashboards, con especial énfasis en visualización geo-espacial y mapas interactivos a partir de datos urbanos abiertos. Durante el trabajo, el estudiante reforzará conocimientos en visualización avanzada de datos y resultados de IA, diseño de herramientas de apoyo a la decisión, integración de información geográfica real y desarrollo de soluciones reutilizables orientadas a investigación aplicada.
IP4. Desarrollo de pacientes virtuales para el aprendizaje de diagnóstico en entornos virtuales (Responsable: Christian Cintrano – cintrano@uma.es)
En esta práctica se emplearán modelos de lenguaje profundo para simular pacientes a partir de casos clínicos. El desarrollo se incluirá dentro de la aplicación SecondLife y será empleada dentro de asignaturas del departamento de Radiología y Medicina Física, Oftalmología y Otorrinolaringología.
IP5. Implementación y actualización de la biblioteca de IA Generativa Lipizzaner (Responsable: Jamal Toutouh – jamal@uma.es)
En esta práctica el/la estudiante se incorporará a una línea de investigación en modelos generativos profundos, trabajando sobre Lipizzaner, una biblioteca para el entrenamiento redes neuronales generativas antagónicas, GANs, (y modelos generativos afines). El objetivo es modernizar, estabilizar y ampliar la biblioteca para que sea utilizable en investigación actual, con una base de código mantenible y resultados reproducibles.
El trabajo incluirá: (i) auditoría del estado del repositorio (estructura, dependencias, puntos frágiles), (ii) actualización de compatibilidad con versiones recientes de Python/PyTorch y mejora de la gestión de entornos, (iii) refactorización de la API y módulos para facilitar configuración y extensión, y (iv) refuerzo de la reproducibilidad (semillas, configuración declarativa, logging) junto con tests e integración continua para evitar regresiones.
La práctica se desarrollará principalmente con Python, PyTorch, control de versiones con Git/GitHub, y herramientas de calidad de software (pytest, linters, CI), además de Docker/conda/poetry según la estrategia elegida. El/la estudiante reforzará competencias en IA Generativa, entrenamiento adversarial, metodologías reproducibles, y mantenimiento/ingeniería de librerías de investigación, dejando como resultado una base software actualizada y preparada para ser usada en trabajos fin de grado/máster y publicaciones.
