Resumen resultados técnicos de AI4ES

Categoría: AI4ES
 
Autor:
EURECAT
Fecha:
22/12/2023
Compartir
Autor
eurecat
EURECAT
Newsletter

Suscríbete al newsletter para recibir todas las novedades de Inndromeda.

En el marco de AI4ES, se han alcanzado logros significativos en sus cuatro Objetivos Técnicos (OT) clave.

En el OT1: Data Analytics se han llevado a cabo trabajos destacados en modelos de aprendizaje para datos hereterogeneos, degradados y faltantes con un enfoque especial en la mejora de la calidad. Entre los logros más notables se encuentran la creación de una plataforma para automatizar el curado de datos, entrenamiento y explicabilidad de los modelos (autoML), así como el desarrollo del Imputations Quality Assessment, un software para asistir en la imputación de datos faltantes. Se ha explorado la síntesis de Nucleotidos, SNPs y fenotipos con datos escasos y muy complejos, utilizando datos sintéticos. Además, se ha trabajado en la síntesis de datos entre dominios, generando o utilizando datos provenientes de otros dominios para ampliar bases de datos y explorar nuevas aplicaciones como la reducción de adquisición, clonados de voz y aceleración de procesos creativos.

Rafa Redondo líder de la OT1 comparte sus perspectivas sobre el futuro de los Modelos Generativos en este vídeo.

En el OT2: IA Development.  Modelos y sistemas para aprendizaje continuo se han abordado cuatro grandes líneas de trabajo. Se destaca el desarrollo de modelos de Deep Learning que funcionan de manera incremental con adaptación a entornos no estacionarios. Estos modelos han encontrado aplicaciones en la caracterización de fake news, aplicaciones médicas para la detección de tumores, reconocimiento facial y detección de anomalías en imágenes.  Así mismo, se ha trabajado en el entrenamiento y despliegue de modelos de ML en entornos distribuidos destacando la importancia del aprendizaje federado en entornos donde se desean compartir conocimientos de modelos sin revelar los datos subyacentes. Además, se ha explorado el despliegue de modelos de Deep learning en infraestructuras cloud. La IA explicable, confiable y trazable ha sido una prioridad en escenarios complejos con múltiples fuentes de información, aplicándose en la clasificación de imágenes, en la estimación incertidumbre en la detección de modelos de trafico o de imagen médica, y en la explicabilidad de detección de objetos de video o recomendaciones. Por último, se ha trabajado en redes neuronales atencionales (transformes para procesado de largas secuencias de datos) con modelos destacados en la generación de resúmenes, detección de fake news en español, detección y seguimiento de objetos en imágenes,

En el OT3: CLoud y HPC se han explorado nuevos paradigmas de computación especializados para IA, centrándose 4 líneas principales. Destaca la creación de una plataforma para experimentación colaborativa en Quantum Machine Learning, modelos basados en aleatorización para dispositivos con computación limitada con una aplicación concreta de reconocimiento facial basada en modelos Echo state Network. Además, se han desarrollado herramientas para facilitar la implementación de metodología Edge OPS (DevOps. Edge computing y tinyML& EdgeAI), así como herramientas para facilitar la implementación de espacios de datos Gaia- X centrados en la gobernanza y en el establecimiento de confianza en espacios de datos.

Ana Isabel de la Torre comparte detalles sobre los trabajos realizados en el proyecto sobre Compute Continuum en este vídeo

En el OT4 Data Spaces dedicado al Diseño de Data Spaces, seguros, confiables y gobernables se ha llevado a cabo avances significativos en tres ejes clave. Se han desarrollado prototipos de pila tecnológica para la gobernanza, gestión y compartición de los datos mejorando la información disponible sobre los datos, con funcionalidades adicionales de gobernanza y calidad del dato, así como front-ends diseñados para usuarios no técnicos, facilitando su acceso a los datos. A lo largo de la duración de la red se han obtenido diferentes proyectos europeos, con la participación de diferentes centros. como Dates o Datamite. Se ha trabajado en el diseño e implementación de mecanismos de calidad para poder informar sobre la bondad de los datos, desarrollando librerías de indicadores informativos para diferentes tipos de datos y elaborando indicadores de contexto para las empresas, proporcionando una guía para su correcta elaboración.  Se destaca la realización de un demostrador de turismo usando conectores IDSA (Eclipse Data Space Connector) donde se parte de las diferentes pilas tecnológicas, desarrolladas por los centros, para lograr una compartición efectiva de Datos.

Jordi Arjona, líder del OT4, presenta un resumen completo de los avances de este OT en este video y un resumen del Demostrador de Turismo y sus casos de uso que puede encontrarse en este enlace. A su vez, en el Summit AI4ES se condensaron los logros de los cuatro objetivos tecnológicos en una presentación que puede seguirse aquí.