Dos estudiantes de doctorado se han integrado este año al IA Research Lab con sede en París mediante convenios CIFRE de tres años. Su incorporación busca combinar la rigurosidad académica del doctorado con acceso directo a datos y recursos industriales, y situar los resultados de investigación en contextos productivos. El proyecto central en el que trabajan gira en torno a Toto, un modelo base para series temporales distribuido como proyecto de código abierto y que acumula más de 9 millones de descargas; su desarrollo implica tanto mejoras en la infraestructura como experimentos que extienden el modelo a problemas concretos de observabilidad.
El programa CIFRE, financiado por el Estado francés, financia tesis vinculadas a empresas mediante contratos industriales de tres años y mantiene a los doctorandos vinculados a una universidad. En este caso, el formato permite a los estudiantes abordar preguntas académicas exigentes con datos reales de producción, acceso a equipos de ingeniería y soporte operativo que no suelen estar disponibles en entornos puramente académicos. Esa mezcla reduce la brecha entre publicaciones científicas y soluciones desplegables, aunque exige diseñar protocolos experimentales que funcionen con la diversidad y el ruido propios de datos de producción.
Una de las incorporaciones, Viktoriya Zhukova, combina una formación en matemáticas por la Novosibirsk State University con un máster en ciencias de la computación por Télécom Paris. Su trabajo de tesis investiga cómo enriquecer valores de series temporales con modalidades adicionales para mejorar la predicción: es decir, cómo integrar información heterogénea para obtener mejores estimadores temporales. Zhukova reparte su tiempo entre la oficina del laboratorio en París y la Université Paris — Saclay, donde se reúne semanalmente con su director académico para coordinar avances y experimentos.
El otro doctorando, Salahidine Lemaachi, proviene del sistema de Classes préparatoires y cursó un máster en ingeniería en CentraleSupélec con especialización en inteligencia artificial. Antes de iniciar su tesis realizó pasantías en las que aplicó IA a control de diseño de componentes de motores y a la generación de imágenes sintéticas con realismo semántico; ambos trabajos culminaron en solicitudes de patentes y orientaron su interés hacia el desarrollo de modelos de mundo aplicables a problemas de observabilidad. Esa experiencia previa le llevó a explorar cómo modelos generativos y predictivos pueden acelerar diagnósticos y pruebas sin intervenir físicamente en procesos productivos.
En términos técnicos, las aportaciones de ambos estudiantes se sitúan en dos frentes: fortalecimiento de la infraestructura del modelo base para hacerlo escalable y reproducible, y ejecución de experimentos que adaptan el modelo a aplicaciones reales de observabilidad. Entre las aplicaciones citadas figuran la previsión del consumo de GPU para planificación de capacidad — un caso de uso inmediato que permite optimizar recursos en centros de cómputo— y la detección temprana de degradaciones de calidad en procesos productivos, donde métodos basados en aprendizaje lograron predicciones más rápidas que técnicas clásicas invasivas.
El laboratorio opera como un equipo interdisciplinario de aproximadamente 20 personas repartidas entre sedes en París y Nueva York, con una dinámica de colaboración entre investigación, ingeniería y producto. Esa estructura facilita el traspaso de prototipos a entornos de prueba y, en su caso, a producción. Los responsables del laboratorio señalan que la disponibilidad y diversidad de datos de observabilidad empujan la investigación hacia modalidades múltiples en series temporales y obligan a diseñar experimentos robustos ante variabilidad real; esa presión metodológica diferencia los proyectos industriales de los experimentos controlados exclusivamente en entornos académicos.
Las trayectorias individuales de Zhukova y Lemaachi ilustran cómo la exposición a problemas operativos redefine prioridades de investigación: mientras un mentor se centra en el núcleo del modelo base, uno de los doctorandos experimenta con capas adicionales y casos de uso concretos para adaptar la arquitectura a señales multimodales; el otro aporta técnicas de generación sintética y modelado del mundo para crear datos de entrenamiento más realistas cuando las observaciones reales son escasas o costosas de obtener. Esa complementariedad hace viable tanto la validación científica como el despliegue práctico.
La combinación de recursos industriales, programas públicos de financiación y un modelo base abierto contribuye a que la investigación doctoral pueda probarse y validarse en entornos de producción, con potencial de retorno tanto para usuarios comerciales como para la comunidad de código abierto. Existen, sin embargo, límites claros: los convenios CIFRE duran tres años y obligan a compaginar obligaciones académicas con tareas operativas en la empresa; además, las pruebas en producción requieren controles adicionales de seguridad y privacidad. Viktoriya ha manifestado su intención de proseguir en un laboratorio industrial tras completar su doctorado, y la experiencia subraya también el papel del ecosistema tecnológico parisino en facilitar la interacción entre universidades y equipos industriales.
La información difundida proviene de una entrada de blog de la organización sobre su laboratorio de IA, que detalla los proyectos, las trayectorias de los investigadores y las metas de integración entre investigación y producto.
Fuentes
Respuestas (0)
Aún no hay respuestas en este tema.
