Inicio   >   Miembros   >   EURECAT

EURECAT

Eurecat Centre Tecnològic de Catalunya

Eurecat Centre Tecnològic de Catalunya
contacto
Lurdes Burés
dirección
Av Universitat Autónoma, 23 08290
Provincia
Barcelona

01. Quiénes Somos

Proveedor de tecnología innovadora y diferencial para dar respuesta a sus necesidades de innovación e impulsar su competitividad tecnológica en el mundo empresarial.

02. Capacidades en habilitadores tecnológicos

Cloud y HPC

Quantum machine learning
El objetivo de eurecat con la adopción de esta línea de investigación es capacitarse para implementar y desarrollar aplicaciones de software cuántico a distintos problemas de visión por computador, machine learning, problemas de optimización y Quantum Natural Language Processing (QNLP) para la generación de Threat Intelligence

Sectores

  • ND
  • Otros (especificar en observaciones)
Desarrollo de soluciones en el Compute Continuum
Ddesarrollo y avance de arquitecturas autoadaptables y gestionables a partir de la investigación en servicios de computación intensivos en el extremo como complemento a la elaboración de servicios AI de computación en la nube. Adicionalmente investigará técnicas de inteligencia artificial para el provisionamiento y ajuste dinámico de estas arquitecturas en base a los recursos de computación necesitados y disponibles.

Sectores

  • ND
  • Otros (especificar en observaciones)
GAIA-X: Federación de infraestructuras cloud y compartición de datos
Investigación de nuevas arquitecturas de integración y exploración de datos. Para ello, EURECAT investigará técnicas de exploración y federación de la información (a través de los context-brokers que formaran parte de los Open Data Spaces) además de nuevos modelos y técnicas de representación de la información de forma enlazada, abierta e integra (razonamiento semántico, permutabilidad de los datos, etc.)

Sectores

  • ND
  • Otros (especificar en observaciones)

Data Analytics

Mejora de la calidad de los datos en Aprendizaje Automático, incluyendo generación de datos sintéticos
Generación de datos sintéticos a partir de distintas fuentes (utilizando matrices de covarianza, o a partir de imágenes etiquetadas, etc.)

Sectores

  • Otros (especificar en observaciones)
Redes neuronales para transformación entre dominios
Desarrollo de modelos de Aprendizaje Profundo basado en la transformación entre dominios (texto a audio, música a video) para enriquecer el contenido audiovisual y desarrollar nuevas herramientas creativas de generación de contenido basadas en DL. 

Sectores

  • ND
  • Otros (especificar en observaciones)
Mejoras de la calidad de los Modelos Generativos (GANs)
Incorporar e investigar nuevas arquitecturas para la mejora de modelos generativos profundos especialmente para la mejora de la calidad visual y acústica de datos sintéticos en redes profundas multimodales para la transformación entre dominios. 

Sectores

  • ND
  • Otros (especificar en observaciones)

Data Spaces

Diseño y concepción de espacios de datos y su gobernanza
Recopilatorio de conocimiento sobre diferentes ecosistemas y mecanismos de interoperabilidad, gobernanza y de seguridad contemplados en los data spaces para la capacitaciòn a nivel de diseño y desarrollo de data spaces para poder contribuir en la definición y arquitectura (N capas) necesaria para el data space del AI4ES.

Sectores

  • ND
  • Otros (especificar en observaciones)
Soberanía del dato y los servicios
La líea de investigación se focalizará entorno al concepto de Confidential Storage y Blockchain, con el objetivo de desarrollar una primera versión de los componentes definidos de un Confidential Storage, haciendo énfasis en la investigación y aplicación de diferentes técnicas criptográficas.  

Sectores

  • ND
  • Otros (especificar en observaciones)
Acceso, protección y calidad del dato
En cuanto al acceso a los datos, la investigación se centrará en la identificación de voz, analizando las amenazas y riesgos existentes. En cuanto a la calidad de los datos, se investigará el campo de automatización de procesos de evaluación continua de los datos, tanto su calidad, credibilidad, o reputación de la fuentes de origen. Por último, en cuanto a la protección, se realizará investigación de mecanismos de detección y protección de sistemas basados en voz, con el objetivo de evitar la suplantación de identidad o fraude al acceso de a los datos.

Sectores

  • ND
  • Otros (especificar en observaciones)
Fairness: transparencia, no discriminación y privacidad en inteligencia artificial sobre datos confidenciales.
I+D enfocada al descubrimiento y detección automático de posibles bias en los modelos predictivos mediante técnicas de “fairness” y no discriminación que informen de las mismas existentes en las distribuciones de las particiones de los datos.

Sectores

  • Otros (especificar en observaciones)
  • Salud

IA Development

Deep learning incremental
Deep Learning Incremental aplicado en autenticación biométrica, detección de intrusos/sabotaje o fraude, sistemas de defensa activa, o Natural Language Processing para Threat Intelligence (TRL1). Definición y diseño de arquitecturas para los casos de uso indicados anteriormente (TRL2). Aplicado en salud el objetivo es su uso para detección, diagnosis y pronóstico.

Sectores

  • ND
  • Otros (especificar en observaciones)
Framework para entrenamiento y despliegue de modelos de ML en entornos distribuidos
Modelos de aprendizaje federado con aprendizaje automático robusto con un conjunto de datos heterogéneos para mejorar la potencia de cálculo y mejora de resultados. La línea de +D incluye también investigación en detección de intrusiones y defensa ante ataques dirigidos, despliegue de modelos de aprendizaje automático en los end-points, y la colaboración entre todos ellos en un entorno distribuido  

Sectores

  • ND
  • Otros (especificar en observaciones)
Inteligencia Artificial explicable, confiable y trazable en escenarios de aplicación complejos y con múltiples fuentes de información
Desarrollar una metodología que permita seleccionar de manera óptima los métodos y algoritmos de explicabilidad más adecuados para aplicar tanta para casos de clasificación como para modelos regresivos.  Análisis de métodos de visualización (attribution maps), métodos basados en perturbación y métodos de destilación.   

Sectores

  • ND
  • Otros (especificar en observaciones)
Redes Neuronales Atencionales (Transformers) para procesado de largas secuencias de datos
Diseño y ajuste de modelos basados en redes atencionales para la generación de texto basados y mecanismos de fine-tuning de redes existentes como GPT-3, T5, MT5, etc. Aplicación específica casos de text summarization y síntesis de opiniones. Analizar la dependencia idiomática, así como mecanismos alternativos de entrenamiento multilingüe y traducción posterior. Aplicación a campos no explorados como forecasting multivariable de series temporales en contraposición con los resultados obtenidos con redes profundas de memoria larga (LSTMs, etc.) y redes recurrentes.

Sectores

  • Otros (especificar en observaciones)

03. Proyectos I+D+I

04. Patentes

05. Personal

06. Formación

Demostradores

Los Demostradores son espacios habilitados por cada centro para mostrar ejemplos de aplicación y prototipos de las Tecnologías Habilitadoras.

Ver demostradores de EURECAT

Infraestructuras

Accede a las diferentes infraestructuras y equipamientos que cada miembro pone a disposición de las empresas y de otros centros relacionados con cada tecnología.

Ver infraestructuras de EURECAT