Logo 34 años
Logo Info UNLP Logo CIC

Proyectos III-LIDI presentados a Facultad para el año 2021

  • ARQUITECTURAS MULTIPROCESADOR ACTUALES: TENDENCIAS, PLANIFICACIÓN, ANÁLISIS DE RENDIMIENTO Y CONSUMO ENERGÉTICO (Continuación)
    Responsables: Adrián Pousa / Leandro Libutti

  • APRENDIZAJE PROFUNDO APLICADO AL RECONOCIMIENTO DE LENGUA DE SEÑAS
    Responsables: Facundo Quiroga / Franco Ronchetti

  • DISEÑO Y DESARROLLO DE JUEGOS SERIOS EDUCATIVOS
    Responsables: Cecilia Sanz / Federico Archuby

Proyectos con Alumnos presentados por III-LIDI para 2021

  • JUEGO SERIO EDUCATIVO 3D CON INTERACCIÓN TANGIBLE
    Coordinadores: Verónica Artola / Federico Archuby / Cecilia Sanz

  • APLICACIONES MÓVILES 3D Y SENSORES INTELIGENTES
    Coordinadores: Sebastián Dapoto / Federico Cristina / Diego Encinas

  • APRENDIZAJE AUTOMÁTICO PARA SISTEMAS EMBEBIDOS
    Coordinador: César Estrebou

  • GPGPU APLICADO A ACELERAR UNA APLICACIÓN DE SIMULACIÓN
    Coordinador: Adrián Pousa

Tesis doctorales en Co-Tutela en desarrollo en el III-LIDI

Actualmente en el III-LIDI se desarrollan dos tesis doctorales en co-tutela.

Estas son

  • Tesista: Ing. María José Basgall
    Tesis: “Análisis y diseño de técnicas de preprocesamiento de instancias escalables para problemas no balanceados en Big Data. Aplicaciones en situaciones de emergencias humanitarias.”
    Títulos de Doctorado: Doctor en Ciencias Informáticas por la UNLP y el grado de Doctor por la UGR
    Directores: Dr. Marcelo Naiouf (UNLP) / Dr. Alberto Fernández Hilario (UGR)
  • Tesista: Mg.Ing. Patricia Jimbo Santana
    Título de la tesis: Obtención de Reglas de Clasificación Difusas utilizando Técnicas de Optimización
    Títulos de Doctorado: Doctor en Ciencias Informáticas por la UNLP y el grado de Doctor en Ingeniería Informática y Matemáticas de la Seguridad por la URV
    Directores: Dra. Laura Lanzarini (UNLP)/ Dr. Aurelio Fernández (URV).

Tesis Doctoral desarrollada en el III-LIDI obtiene un premio en el LATIN AMERICAN DOCTORAL THESIS CONTEST 2020 – CLEI 2020

El investigador del III-LIDI, Facundo Quiroga, obtuvo el tercer premio del concurso Latin American Doctoral Thesis Contest 2020”, del Centro de Estudios Latinoamericanos de Informática.

Su trabajo de tesis fue titulado, “Medidas de Invarianza y Equivarianza a trasformaciones en Redes Neuronales Convolucionales”.

En los últimos años las técnicas de inteligencia artificial han incrementado su potencialidad de forma significativa retomando el enfoque basado en lo que se llaman «redes neuronales artificiales», que ahora también se conoce como «Deep Learning» («Aprendizaje Profundo»). Este es el punto central de la Tesis.

Para entender la importancia de este campo, los sistemas de traducción automática, de reconocimiento del habla, de reconocimiento de personas o rostros, de autos que se manejan solos, y muchos más, hoy en día están todos basados en Redes Neuronales, tendencia que va a continuar al menos en los próximos años.

Las Redes Neuronales originalmente estaban basadas en modelos biológicos del cerebro, pero luego esa base se dejó un poco de lado. Hoy se pueden entender simplemente como un modelo matemático complejo que puede aprender una tarea y el modo de resolverla, en base a un análisis de datos y conocimiento previo.

Un problema importante de las redes es que al aprender a partir de ejemplos, nunca es posible cubrir todos los posibles casos o situaciones a la hora de generar la base de datos de aprendizaje. Entonces, la red debe aprender a realizar predicciones a partir de datos que nunca vio.

Por ejemplo, un reconocedor de rostros puede aprender en base a varias fotos nuestras de ejemplo, pero nuestra cara nunca se ve exactamente igual. La foto depende de la iluminación del día, del color de nuestra piel, de nuestra expresión facial, de la cámara usada, del ángulo y distancia a la cámara, etc.

Sumado a todo esto, las redes son modelos que se llaman de «caja negra», porque al ser muy complejos es difícil entender sus decisiones.

Precisamente, la tesis de Facundo orienta al desarrollo de herramientas para entender mejor a las redes y que permitan interpretar el modelo que emplean, lo que se denomina “de caja blanca».

Esto es importante tanto para poder mejorar las redes, como para aplicarlas en el contexto de lo que se llama «Justicia Algorítmica». Por ejemplo, en varios países del mundo se está avanzando con legislación para que los modelos de inteligencia artificial puedan explicar sus predicciones y probar que no tienen sesgos.

El caso paradigmático es el de un banco que quiere automatizar el análisis de los clientes para otorgar préstamos. En ese caso no puede simplemente aplicar un modelo de IA que luego descubre que está sesgado respecto al género del cliente o el lugar donde vive.

Las herramientas propuestas en la tesis pueden ayudar a determinar/corregir estos sesgos.