Objetivo
La monitorización de sistemas informáticos en entornos profesionales se apoya en dashboards de Grafana (paneles de visualización que muestran en tiempo real el estado de servidores, aplicaciones y servicios). Sin embargo, su creación sigue siendo una tarea lenta y técnicamente exigente: requiere experiencia en el dominio de la monitorización, conocimiento del lenguaje de consulta específico de la plataforma y dominio del formato de configuración propio de Grafana, lo que puede prolongar el proceso durante horas incluso para casos relativamente sencillos.
Este proyecto propone automatizar ese proceso mediante inteligencia artificial. A partir de una descripción sencilla en lenguaje natural, el sistema genera automáticamente la configuración completa del dashboard, lista para importar directamente en Grafana. Para ello, se aplican técnicas de ajuste fino sobre un modelo de lenguaje de código abierto, entrenado específicamente con cientos de dashboards reales aportados por la comunidad de Grafana, de modo que el modelo interioriza las convenciones y la estructura del formato objetivo.
El sistema funciona de forma completamente local sobre hardware propio, sin depender de servicios comerciales externos de inteligencia artificial, lo que lo hace reproducible y adecuado para entornos con requisitos de privacidad. La calidad de los dashboards generados se evalúa de forma automática mediante un conjunto de modelos de lenguaje que actúan como jueces, comparando los resultados del modelo especializado frente al modelo base sin ajuste.
Los objetivos específicos son:
– Construir un dataset de entrenamiento a partir de dashboards reales aportados por la comunidad de Grafana.
– Desarrollar un pipeline de ajuste fino eficiente, ejecutable en hardware de consumo sin infraestructura de nube.
– Diseñar un marco de evaluación automática multi-juez para valorar la calidad de los dashboards generados.
– Comparar cuantitativamente el rendimiento del modelo especializado frente al modelo base sin ajuste.
– Analizar en qué medida el sistema reduce el tiempo necesario para obtener dashboards utilizables respecto a la creación manual.
TRABAJO FIN DE GRADO DE:
ALBERTO PENAS DÍAZ
Experiencia Académica
- Grado en Ingeniería Informática, Universidad Carlos III de Madrid (septiembre 2021 – septiembre 2026)
Experiencia Laboral
Artificial Intelligence Researcher, Applied Artificial Intelligence Group (GIAA) · UC3M — Madrid, Spain (July 2025 – present)
– Fine-tuning large language models with QLoRA for structured output generation, targeting automated Grafana dashboard construction from natural-language clinical descriptions.
– Accepted oral presentation at IWINAC 2026 (Springer LNCS): Estimating MMSE Scores from Conversational Transcripts Using Quantized LLMs.
– Conducted systematic literature reviews on state-of-the-art ML, RL, and explainable AI methods to inform the design of clinically grounded AI frameworks.
Project Manager, Thinger.io — Madrid, Spain (May 2025 – present)
- Designed and developed hardware-specific firmware frameworks for IoT devices using MQTT, LoRaWAN, and NB-IoT protocols across heterogeneous device fleets.
- Collaborated with firmware engineering teams to integrate OTA update mechanisms with versioned image management and automatic rollback on failed flashing cycles.
- Monitored field device telemetry, identified throughput bottlenecks through performance profiling, and delivered targeted optimisations that measurably increased message throughput.
HPC Researcher — Number Theory & Supercomputation, Spanish National Research Council (CSIC) · PNRG Group — Madrid, Spain (Jan 2025 – May 2025)
- Developed high-performance algorithms in C++ for computational number theory, executed at scale on the HPC-DRAGO Spanish supercomputer.
- Implemented hybrid parallelism (MPI + OpenMP) for both distributed and shared-memory execution models, achieving significant reductions in wall-clock time for large-scale primality and factorisation workloads.
- Designed memory-efficient data structures to handle the volume and precision requirements of extended-range mathematical computations.