Premio Kowalski 2026

Alberto J. Ferrer Riquelme, catedrático del Departamento de Estadística Aplicada, Investigación Operativa y Calidad de la Universitat Politècnica de València (UPV), ha sido reconocido con el Premio Kowalski 2026 por su artículo “Regresión multibloque dinámica para la modelización de procesos”, realizado junto a Marco Cattaldo, doctor por la UPV, y a la investigadora del Instituto Noruego de Investigación sobre Alimentación, Pesca y Acuicultura (NOFIMA), Ingrid Måge, en el marco del proyecto DIGIFOODS.

Dotado con 500 dólares, el Premio Kowalski es una de las distinciones más prestigiosas en el ámbito de la quimiometría. Lleva el nombre de Bruce R. Kowalski, uno de los padres de la quimiometría moderna y editor fundador de la revista Journal of Chemometrics, publicación que otorga un galardón que goza de gran prestigio en la comunidad científica por su reconocimiento de avances significativos —tanto metodológicos como aplicados— en el análisis multivariante de datos, la estadística, el aprendizaje automático y áreas afines aplicadas a la química y a la ciencia de los procesos.

¿Cómo aprovechar de forma conjunta la información procedente de distintos sensores, etapas o fuentes de datos cuyas relaciones evolucionan con el tiempo?

“Nuestro artículo”, explica Alberto J. Ferrer Riquelme, “aborda un problema muy común en la industria: cómo aprovechar de forma conjunta la información procedente de distintos sensores, etapas o fuentes de datos cuyas relaciones evolucionan con el tiempo para comprender mejor un proceso y predecir su comportamiento”.

“Para ello”, añade, “desarrollamos nuevas herramientas que no solo mantienen una elevada capacidad predictiva, sino que también ayudan a identificar qué información es realmente relevante y cómo influyen los cambios a lo largo del tiempo. Esto permite construir modelos más sencillos, transparentes y útiles para apoyar la toma de decisiones y la mejora de procesos industriales”, afirma.

Primer español que lo logra en los últimos 15 años y tercero de la historia

Con la consecución del premio, Alberto Ferrer se convierte en el tercer español de la historia en el palmarés de un galardón en el que, previamente, solo figuraban otros dos investigadores españoles, Anna de Juan y Romà Tauler, reconocidos en 2009.

“Para nosotros”, señala el catedrático de la UPV, “este premio es un estímulo para seguir poniendo en valor las tremendas oportunidades que los métodos estadísticos multivariantes tienen para resolver problemas reales con un fuerte impacto en la mejora de la calidad, la seguridad y la productividad en la industria y, por tanto, en la sociedad”.

Próximos retos

Así, como reconoce el profesor Ferrer, “ahora mismo seguimos desarrollando investigación en técnicas estadísticas multivariantes combinadas con algoritmos de aprendizaje automático para generar modelos interpretables que ayuden a la toma de decisiones, y así poder transferirlos a la sociedad a través de nuestras dos spin-off UPV, Kenko Imalytics, dedicada al desarrollo de biomarcadores de imagen de ayuda al diagnóstico y seguimiento del cáncer, y Kensight Solutions, enfocada a la consultoría y desarrollo de software de análisis de datos para la mejora de procesos industriales”.

Box Medal 2025

Ganador de la Box Medal -galardón otorgado por la European Network for Business and Industrial Statistics (ENBIS)- hace exactamente un año, Alberto Ferrer se formó como ingeniero agrónomo en la UPV, donde posteriormente se doctoró en Estadística bajo la supervisión del profesor Rafael Romero-Villafranca, uno de los mejores estadísticos industriales españoles.

Posteriormente, Ferrer Riquelme amplió su formación académica en el extranjero como profesor visitante en la Universidad de McMaster, donde conoció al profesor John F. MacGregor, también galardonado con la Box Medal en 2014.

En la actualidad, Alberto Ferrer dirige el Grupo de Investigación en Ingeniería Estadística Multivariante (GIEM-UPV), centrado en la investigación y desarrollo de técnicas estadísticas multivariantes para la mejora de la calidad y productividad de procesos, así como en el análisis de grandes estructuras de datos.