En abril, Esther Ibáñez se incorporó al equipo de personal docente investigador de los Estudios de Informática, Multimedia y Telecomunicación de la Universitat Oberta de Catalunya (UOC). Su trayectoria es un híbrido entre las matemáticas, la ciencia de datos y la biología. Tiene un doctorado en Matemática Aplicada, en Biología Computacional y Matemática y un máster en Ingeniería Matemática, especialidad de Modelización de Ciencias Biomédicas, ambos cursados en la UPC, donde también se licenció en Matemáticas.
Su investigación se centra en dos grandes áreas: utilizar herramientas matemáticas para desvelar la información oculta de los datos —especialmente los biológicos— y comprobar hasta qué punto los modelos simples basados en redes y sistemas dinámicos pueden reproducir muchas de las características que aparecen en los datos biológicos reales. Ya había trabajado como profesora asistente en la UOC entre 2000 y 2023. En 2013 fue galardonada con el premio Évariste Galois de la Sociedad Catalana de Matemáticas por su proyecto de máster Expectation maximization for phylogenetic trees.
¿Cómo afrontas tu nueva etapa como profesora en la UOC?
Con mucha ilusión y con ganas de mejorar lo que está hecho, y de volver a hacer investigación. Hay que decir que justo ahora es un momento interesante y complicado en todo el sistema de evaluación y de enseñanza en general, dado el uso de las nuevas herramientas de inteligencia artificial (IA), por lo que se tienen que replantear muchas cosas como, por ejemplo, el sistema de evaluación. Esto, de la misma forma que genera mucho trabajo, también es un reto.
¿Cuál es el contenido de las asignaturas que impartes y qué salidas profesionales tienen?
Algunas asignaturas son de estadística, por ejemplo estadística matemática y probabilidad. Otras, de análisis de redes y grafos en el ámbito teórico y práctico. Y otras están relacionadas con la IA. La mayoría de asignaturas pertenecen al grado online de Ciencia de Datos Aplicada (Applied Data Science) o al grado online de Ingeniería Informática, por lo tanto, las salidas profesionales son las de analista de datos. La interacción con los mismos colaboradores del equipo ha sido muy buena, estoy con gente muy motivada. Aunque han sido pocos meses antes de mi baja de maternidad, ya he podido contribuir a que haya cambios en las asignaturas, puesto que algunas se pueden estructurar mejor.
Es un sector que todavía no atrae a muchas mujeres.
Todavía sigue siendo así. No he hecho un estudio de los tres meses que llevo en la UOC, pero en general, también habiendo trabajado como data scientist en la empresa, somos menos mujeres. Es una situación que viene de muchos años atrás, a pesar de que tengo que decir que ha ido creciendo, porque antes no había ninguna mujer y ahora cada vez hay más. No sé cuál es la tendencia ahora mismo, pero yo tengo esperanza.
La programación se está convirtiendo en parte de una nueva alfabetización, como herramienta que todo el mundo tiene que conocer profesionalmente.
Hoy en día, la programación ya está introducida en las escuelas de primaria; empiezan desde pequeños a programar pequeños robots con órdenes sencillas como, por ejemplo, hacer que se muevan tres cuadrados hacia delante, dos a hacia la derecha y cosas similares. Creo que eso sí que puede ayudar al hecho de que todo el mundo tenga unas bases desde una edad temprana, que después se pueden desarrollar o no. Eso sí que puede cambiar la tendencia anterior, que era que solo aprendían a programar los estudiantes que elegían informática, matemáticas o carreras de ingeniería.
Hay profesionales de más de cuarenta años que no dominan estas herramientas. ¿Se pueden aprender a esas edades?
Yo creo que sí. Obviamente, es cuestión de tener ganas, de ponerse, de la misma manera que ahora los niños y las niñas saben usar los móviles con cinco años o con quince ya saben programar. Yo aprendí a programar una vez ya estaba en la universidad. Más teniendo en cuenta que también hay muchas herramientas de IA —que pueden ser de gran ayuda— y Google o internet, que hace veinte años no existían. Considero que es mucho más fácil aprender ahora que hace veinte años, por lo que si la gente se quiere reciclar lo puede hacer.
¿En qué consiste el uso de herramientas matemáticas para desvelar datos biológicos?
La idea es aplicar algoritmos, métodos o técnicas a datos biológicos/biomédicos. Por ejemplo, se puede hacer con escáneres fMRI (functional magnetic resonance imaging), EEG (electroencefalograma) y estudiar los resultados. Es decir, este tipo de herramientas y algoritmos nos pueden ayudar a identificar a los sujetos enfermos de entre los sanos o el grado de la enfermedad. Eso no quiere decir que si usamos este tipo de herramientas siempre tendrán una solución al problema inicial, pero es una herramienta más para afrontar el problema, por ejemplo, en la detección de enfermedades neurodegenerativas.
¿Puedes explicar los aspectos más destacados de tu trayectoria?
Se puede decir que es un CV híbrido, puesto que he estado haciendo investigación mucho tiempo, pero también trabajando en empresa, y en cuanto a la investigación he hecho muchas cosas aplicadas y he trabajado con datos reales. El hecho de ver «los dos mundos», investigación y empresa, creo que es muy enriquecedor, ya que son formas de trabajar un poco diferentes y creo que se complementan bien. Creo que debería haber más interacción entre la universidad y la empresa, ya que se aportan mucho mutuamente.
La ciencia de datos es una de las profesiones más demandadas de cara al futuro. ¿Cómo nos hacen avanzar en el campo de la neurociencia y la biología?
La existencia y la recopilación de datos con el desarrollo de las nuevas tecnologías nos permiten tener material para aplicar técnicas de ML (machine learning), IA o, simplemente, hacer estadísticas más sencillas que pueden desvelar información que de otra forma sería imposible de conocer. Por ejemplo, un neurólogo puede ver a cien pacientes y quizás no puede establecer ciertas relaciones porque no ha visto suficientes casos de ciertas enfermedades. En cambio, si tenemos una base con datos de 10.000 pacientes y podemos aplicar ciertos algoritmos, quizás podremos detectar y clasificar a los pacientes según enfermedades o identificar una característica particular de cierta enfermedad que puede ayudar a entender el funcionamiento de esa enfermedad o bien a enfocar su cura.
El hecho de que haya un sistema de internet más globalizado, que todo el mundo pueda compartir datos, ya te da la opción de poder hacer cosas a gran escala y, por lo tanto, avanzar en la detección de enfermedades. También está el problema de la limpieza de datos, porque hay muchos, pero no todos son de buena calidad. Eso nos posiciona en otro campo de procesamiento de datos, el de la limpieza de datos, y en cuantificar si son válidos o no.
La IA es parte de tu ámbito docente. Se ve como un reto, pero también como una oportunidad.
Yo creo que se tiene que ver como una herramienta, igual que cuando salió Google. Antes lo consultabas todo en libros y, una vez tenemos Google, ya no hace falta. Yo creo que no hay que tener miedo, pero se debe tener cierto control, se tiene que educar sobre cómo usar estas tecnologías, al igual que se debe educar a los niños sobre cómo usar el móvil o cómo usar internet. Es una herramienta que es muy útil y puede ahorrar mucho tiempo, pero se necesita también formación. A ciertas profesiones parece que les asuste, pero yo creo que no les quitará el trabajo, sino que esas profesiones pueden usar estas herramientas para hacer su trabajo más eficiente. No siempre dicen la verdad, por lo tanto, es la persona la que tiene que supervisar.
Fuente: Universitat Oberta de Catalunya
