Andrés Martínez Soto

Introducción: Un viaje de transformación digital

Hace exactamente dos años, defendí mi Trabajo Final de Máster (TFM) en el Máster en Big Data & Analytics de la Universitat Politècnica de València. Comencé este máster en 2019 con la ilusión de sumergirme de lleno en la ingeniería de datos, pero la pandemia de la Covid-19, junto con cambios profesionales y familiares, retrasó mis planes y pospuso la defensa de mi TFM hasta 2023. Esa espera me permitió aplicar en el mundo real todo lo aprendido —y mucho más— mientras cursaba las últimas asignaturas de forma híbrida. Lo que comenzó como un requisito académico se convirtió en el punto de partida de una evolución profesional y personal que me ha llevado desde el análisis de datos industriales hasta la transformación educativa con IA.

En este artículo, repasaré:

• Cómo mi TFM anticipó los retos actuales del Big Data y la IA.
• Mi experiencia liderando proyectos de datos en Fermax y su impacto en la industria.
• Mi transición al sector educativo y cómo los datos están revolucionando la formación.
• El impacto de la explosión de la IA generativa (GPT, Claude, Gemini) en mi trabajo diario.
• Lecciones aprendidas y hacia dónde creo que va el futuro de los datos y la IA.

1. El TFM que transformó datos en estrategia: Automatización, geolocalización y toma de decisiones basada en evidencia

El desafío: Datos caóticos, decisiones en la oscuridad

En Fermax, líder en porteros y videoporteros, existía un problema crítico: vendíamos miles de dispositivos, pero no sabíamos dónde terminaban instalados.

• Datos desestructurados: Más de 100 000 placas mapeadas en España, sin clasificación automatizada de fabricante, modelo y tecnología.
• Procesos manuales: Equipos dedicaban semanas a identificar placas en fotos y audios, con errores humanos.
• Oportunidad perdida: Sin datos consolidados, era imposible medir cuota de mercado, penetración por zona o priorizar campañas comerciales.

La solución: Un sistema de inteligencia geoespacial escalable

Desarrollé una arquitectura de microservicios que integraba:

• Clasificación automática: Modelo de IA (Solver ML) para identificar placas de Fermax frente a la competencia usando imágenes y audios.
• ETL robusto: Procesos paralelizados (Python, Docker, RabbitMQ) que enriquecían datos con:
  • Catastro (n.º de viviendas, año de construcción, metros cuadrados).
  • INE (secciones censales, datos demográficos).
  • OCR (extracción de texto de tablones de comunidad).
• Visor interactivo: Mapas (Leaflet) y dashboards que permitían analizar penetración por tecnología, zona o competidor.

Impacto real: De los datos a la acción

• ✅ Reducción del 90 % en tiempo de procesamiento (de semanas a horas).
• ✅ Primer mapa estratégico de instalaciones Fermax en España, con filtros por tecnología (4+N, VDS, MDS).
• ✅ Toma de decisiones basada en datos: Los equipos comerciales identificaron zonas infrarepresentadas y priorizaron campañas.

La lección clave: Datos limpios > modelos complejos

• El 80 % del esfuerzo fue ingeniería de datos: Limpieza, automatización y estructuración para que los modelos de IA funcionaran.
• La IA es solo una pieza: Sin una base de datos sólida y procesos ETL eficientes, los algoritmos fallan.
• El valor está en la usabilidad: Los equipos comerciales adoptaron el sistema porque les daba respuestas simples (no código ni teorías).

“Este proyecto me enseñó que en el mundo real, lo que importa no es la tecnología más avanzada, sino la que resuelve el problema con la menor fricción. Fermax pasó de actuar a ciegas a tener una brújula de datos.”

2. Fermax: Especificando y desarrollando soluciones data-driven (2021-2023)

Como Analista de Software/Data Engineer en Fermax, evolucioné desde un enfoque técnico a un rol estratégico donde combinaba:

✔ Análisis funcional avanzado:

• Especificación detallada de requisitos con usuarios de fábrica, logística y comercial
• Documentación técnica completa de procesos y sistemas
• Traducción de necesidades de negocio a soluciones técnicas

✔ Desarrollo full-stack:

• Aplicaciones custom en PHP/Symfony y Python/Flask para:
  • Sistema de trazabilidad de devoluciones y garantías
  • Aplicación de trazabilidad de productos para fábrica, garantizando un perfecto encaje de los componentes que forman parte de un producto y enlazando con el sistema de devoluciones
  • Aplicación para el departamento de expediciones para trazar, automatizar y agilizar el control de los pedidos que envía Fermax a sus clientes.
• APIs REST para conexión entre sistemas heterogéneos

✔ Arquitectura de integraciones:

• Diseño de procesos ETL Oracle → Neo4J para trazabilidad de componentes
• Diseño y programación procesos ETL para incorporación de diferentes fuentes de datos a el DataWarehouse
• Diseño y programación de diferentes procesos automáticos para verificación de sistemas
• Modelado de base de datos

«En Fermax perfeccioné un enfoque holístico: primero entender profundamente los procesos operativos, luego especificar soluciones óptimas, y finalmente implementar la tecnología más adecuada – ya fuera una base de datos de grafos o una API de integración.»

Este periodo me enseñó que los sistemas más efectivos nacen de la perfecta alineación entre:

1. Las necesidades reales de los usuarios finales
2. Los requisitos técnicos del negocio
3. Las posibilidades tecnológicas disponibles

3. Entornos de Formación: cuando los datos transforman vidas

Del mapa de placas al aula digital

Después de años afinando pipelines industriales, en enero de 2024 sentí la llamada de un reto muy distinto: llevar la cultura del dato –y todo mi entusiasmo– al mundo de la educación. Me incorporé como CTO en Entornos de Formación S.L., una compañía edTech con sede en València que apuesta por un modelo híbrido de trabajo y aprendizaje.

Mi misión sigue la misma brújula que en Fermax –poner la tecnología al servicio de las personas–, pero ahora el sujeto del dato no es un dispositivo, sino un alumno, un docente, una trayectoria de aprendizaje.

Compartir conocimiento: guías y recursos clave

Para extender el impacto más allá de mi equipo, mantengo un blog técnico donde documento soluciones paso a paso y casos reales. Algunas de las entradas que más han ayudado a la comunidad edTech son:

• Instala Moodle en tu VPS Ubuntu – Guía paso a paso — ideal para docentes sin experiencia DevOps.
• Refuerza tu Moodle con MFA y buenas prácticas de seguridad — checklist de hardening y autenticación multifactor.
• Automatización avanzada en Moodle: cron jobs y tareas programadas — scripts listos para optimizar mantenimiento.
• Superpoderes IA para Moodle con Ollama — tutorial para integrar modelos locales y preservar privacidad.

Estas guías sintetizan mi filosofía de trabajo: compartir soluciones open‑source y prácticas replicables para que otros profesionales puedan mejorar sus proyectos sin empezar de cero.

Qué significa ser CTO aquí

👨‍💻 Con más de 18 años desarrollando software para entornos formativos, lidero la estrategia tecnológica, coordino equipos multidisciplinares y documento cada workflow para que el conocimiento sea compartible y escalable.

• Plataformas LMS e integraciones: orquesto Moodle, Canvas y Sakai, creando plugins propios, conectores LTI 1.3 y autenticaciones únicas para que todo fluya como una sola plataforma.

• IA y automatización educativa: combino Python, FastAPI y LangChain con GPT‑4 para generar resúmenes de clase, feedback automático y asistentes 24/7 que resuelven dudas frecuentes.

• Aplicaciones edTech propias: Aplicaciones edTech de sello propio. Dirijo el diseño y la evolución de dos soluciones clave:
  • EduID (eduid.tech) – plataforma de identidad educativa y credenciales verificables construida en PHP (Laravel) + Tailwind CSS. Funciona como pasarela única de acceso (OpenID Connect + JWT), administra roles, emite certificados digitales y ofrece analíticas de asistencia en tiempo real.
  • Guide Wizard (wizard.entornosdeformacion.com) – asistente de autoría basado en Java + React + Tailwind CSSque genera guías docentes interactivas. Permite partir de plantillas pedagógicas, incorporar rúbricas, sugerencias de IA y métricas de seguimiento por unidad didáctica.
  • Ambas aplicaciones se integran nativamente con Moodle, enriqueciendo el ecosistema formativo con autenticación unificada, trazabilidad y analítica impulsada por IA.
    
• ETL y analítica educativa: un conjunto de scripts Python orquestados por cron extrae cada noche datos de siete fuentes (matriculación, LMS, evaluaciones, CRM, encuestas…), los normaliza en un Data Lake y los convierte en informes listos en dos horas, sustituyendo maratones de copia-pega por un proceso totalmente automatizado.

• Apps & Asistentes móviles: desarrollo aplicaciones híbridas con Ionic y modelos LLM locales orquestados con Ollama, LangChain y agentes IA, para que alumnos y docentes dispongan de la plataforma en el bolsillo y de un mentor inteligente sin depender de servicios externos.

Desafíos y logros en el primer año

• Fragmentación a integración: pasé de sistemas en silos a un ecosistema unificado; los informes que tardaban tres días ahora se generan en dos horas.
• Decision‑making basado en datos: dashboards en Tableau revelan rendimiento, abandono y eficacia metodológica casi en tiempo real.
• Impacto humano medible:
  • 📈 −20 % de tiempo en tareas administrativas → más horas para enseñar.
  • 🎓 +15 % en retención estudiantil gracias a alertas tempranas.
  • 🚀 Asistente virtual 24/7 que absorbe un 30 % de las consultas repetitivas.

“Un dato no es solo un número: es un estudiante que necesita apoyo, un docente que puede mejorar, una decisión que cambia trayectorias.”

Rol y responsabilidades clave

Stack principal: PHP · Python · Vue 3 · Leaflet · FastAPI · · LTI 1.3 · Moodle · SQLite

Desafíos iniciales

• ❌ Datos fragmentados: sistemas de matriculación, LMS, evaluaciones y CRM en silos.
• ❌ Procesos manuales: informes académicos tardaban días en compilarse.
• ❌ Sin métricas de impacto: difícil medir retención, abandono o eficacia pedagógica.

Soluciones implementadas

1. Unificación de datos educativos
   • ETL en Python + Airflow → 7 fuentes consolidadas en un Data Lake.
   • Informes automáticos: antes 3 días → ahora 2 horas.
2. Dashboards para docentes y gestores
   Tableau con KPIs de rendimiento, abandono y eficacia metodológica.
3. IA aplicada al aula
   • Resúmenes automáticos de clases con GPT‑4.
   • Alertas tempranas de abandono mediante regresión logística.

Impacto real en 12 meses

• 📈 20 % menos tiempo en tareas administrativas → docentes más centrados en enseñar.
• 🎓 15 % de mejora en retención estudiantil gracias a intervenciones basadas en datos.
• 🚀 Lanzamiento de un asistente virtual 24/7 que responde dudas de alumnos y reduce un 30 % las consultas a secretaría.

“Un dato no es solo un número: es un estudiante que necesita apoyo, un docente que puede mejorar, una decisión que cambia trayectorias.”

4. La revolución de la IA generativa: ¿todo ha cambiado?

2023 vs. 2025: un salto cuántico

Cuando defendí mi TFM, entrenar un modelo de visión artificial suponía semanas de ajuste y GPUs alquiladas a precio de oro. Los LLMs (GPT‑3) eran caros y su acceso estaba limitado; la IA multimodal —capaz de entender texto, imagen y audio— era un lujo reservado a grandes laboratorios.

Dos años después, el panorama ha dado un giro radical:

• ⚡ GPT‑4, Claude, Gemini y sus homólogos open source (Llama 3, Mistral) resuelven en horas lo que antes tomaba meses.
• 🌍 La IA se ha convertido en infraestructura digital: tan invisible y ubicua como el correo electrónico o la fibra óptica.
• 💸 Barrera de entrada casi nula: Hugging Face pone a un clic modelos que caben en una GPU de sobremesa.
• 🛠 El reto ha pasado de construir IA a usinla con ética y propósito, diseñando buen prompt‑engineering, guardrails y evaluaciones.

Cómo la IA está redefiniendo mi trabajo

Nuevas competencias que he adoptado

1. Prompt‑Engineering de precisión: saber conversar con el modelo es hoy tan valioso como saber SQL.
2. Evaluación basada en rúbricas: medir sesgos, toxicidad y precisión antes de poner un modelo en producción.
3. Orquestación de agentes: combinar LLMs con herramientas externas (LangChain, OpenAI Functions) para flujos completos.

Desafíos éticos y de calidad

• Alucinaciones y veracidad: no todo lo que dice un modelo es cierto; implemento verificación con fuentes (RAG) y métricas de confianza.
• Privacidad: en educación, los datos personales son sagrados; aplico anonimización y PII‑scrub en cada pipeline.
• Inclusión: modelos multilingües para que ningún alumno quede fuera por cuestión de idioma o accesibilidad.

“El riesgo no es que la IA nos reemplace, sino que deleguemos nuestro criterio. Herramientas poderosas exigen preguntas poderosas y contexto.”

5. Lecciones aprendidas y la hoja de ruta que se dibuja

Durante estos dos años —del mapeo industrial a la tutoría inteligente— he confirmado tres verdades que guían cada línea de código y cada decisión estratégica:

1. Los datos son un medio, no un fin.
   • Ejemplo: En Fermax, el éxito no fue el mapa interactivo en sí, sino que el equipo comercial dejara de “volar a ciegas” y doblara ventas en zonas infraexplotadas.
   • Traducción hoy: Si un docente no entiende un dashboard en 30 segundos, el proyecto ha fallado.
2. La IA no sustituye el pensamiento crítico.
   • Ejemplo: Un resumen GPT‑4 puede condensar 50 páginas, pero si no validamos las fuentes, solo empaquetamos ruido en celofán.
   • Aplicación práctica: Siempre combino LLM + verificación RAG + revisión humana; tres capas para un deliverable confiable.
3. El futuro es híbrido: Datos + IA + criterio humano.
   • Ejemplo: La alerta temprana de abandono dispara un aviso —el mentor decide cómo intervenir. Tecnología y empatía en tandem.

Cuatro focos estratégicos para 2026

1. IA multimodal en tiempo real
   Analizar voz, expresión facial y escritura manuscrita para adaptar la enseñanza al estado emocional del alumno.
2. Agentes autónomos de flujo completo
   Bots que matriculan, configuran curso, generan syllabus y notifican a docentes desde un chat. Yo orquesto, el agente ejecuta.
3. Small Language Models especializados
   Reducción de costes y latencia: fine‑tuning de modelos locales entrenados con nuestro corpus pedagógico.
4. Governance & ética del dato
   Desde DPIAs hasta paneles de transparencia: convertir la privacidad en ventaja competitiva.

Cierro con tres compromisos personales

• Seguir aprendiendo: micro‑certificaciones en IA explicable y accesibilidad digital.
• Compartir el conocimiento: publicar casos open source y dar charlas en comunidades edTech.
• Mentorizar: porque los profesionales de mañana merecen empezar con mejores mapas que los que tuve yo.

Lo que haría distinto hoy

1. Diseñar desde el principio con RAG para reducir alucinaciones en los LLMs.
2. Medir impacto antes de escalar: un pequeño piloto bien instrumentado vale más que un despliegue masivo sin KPIs.
3. Invertir en gobernanza de datos a la par que en modelos; sin catálogo ni linaje, la IA pierde valor.

Conclusión

Hace dos años, mi TFM era una tesis encuadernada y un sueño por cumplir. Hoy es la columna vertebral de mi carrera: me enseñó que un mapa de datos puede guiar a una empresa industrial, que un dashboard puede salvar a un estudiante del abandono y que la IA, bien dirigida, es un amplificador de propósito humano.

Los datos solo son poderosos cuando cuentan historias que importan y mueven a la acción.

Si algo he aprendido en este viaje es que la innovación no se mide en líneas de código, sino en vidas mejoradas, decisiones valientes y comunidades conectadas.