Inicio   >   Miembros   >   TECNALIA

TECNALIA

Centro de investigación aplicada y desarrollo tecnológico

contacto
Pilar Ruiz
dirección
Derio
Provincia
Bizkaia

01. Quiénes Somos

TECNALIA es el primer Centro privado de Investigación aplicada de España, integrado por 1.382 personas (249 Doctores) de 27 nacionalidades. Nuestra misión es transformar la investigación tecnológica en prosperidad, siendo

02. Capacidades en habilitadores tecnológicos

Cloud y HPC

Quantum machine learning
Estudio de los enfoques algorítmicos cuánticos y su comparación con los enfoques tradicionales. Definición de soluciones cuánticas para problemas típicos de la industria, como el Job-Shop scheduling. Hibridación de enfoques cuánticos y clásicos para la resolución de problemas. Análisis de la ganancia de annealers frente a circuitos cuánticos para problemas de optimización.

Sectores

  • Manufactura
  • Transporte, almacenamiento y logística
Randomization-based neural networks
Clasificación de video e imagen mediante características visuales preentrenadas y modelos RVFL (Random Vector Functional Link). Aprendizaje semi-supervisado mediante ensembles de RVFL. Estrategias de pruning y construcción incremental para modelos Deep Echo State Network. Aplicación de computación neuronal basada en aleatorización a la predicción de energía renovable

Sectores

  • Manufactura
  • Salud
Desarrollo de soluciones en el Compute Continuum
Redespliegue de procesos en función de la monitorización de la salud de la infraestructura y las aplicaciones desplegadas en el Cloud Continuum. Trabajando en herramientas para la (re) configuración y optimización del tiempo de ejecución de los recursos federados.

Sectores

  • Manufactura
  • ND
GAIA-X: Federación de infraestructuras cloud y compartición de datos
Seguimiento de IDSA (Tecnalia es competence Center de IDS) y de GAIA-X. Participación en varios grupos de trabajo de GAIA-X AISBL (p.e. compliance, self-description, federated catalogue, MVG). Liderazgo y co-liderazgo de grupos de trabajo en el nodo nacional de Gaia-X. Implementación de demostradores de arquitectura IDS (componentes: Dataspace Connector, DAPS, Vocabulary Provider y Clearing House). Diseño de módulo de Data Usage Control, incorporando capacidades de gestión de datos personales.

Sectores

  • Manufactura
  • Turismo

Data Analytics

Mejora de la calidad de los datos en Aprendizaje Automático, incluyendo generación de datos sintéticos
1) Uso de técnicas de contrastive learning para resolver problemas en SHM y salud. El uso de este tipo de técnicas permite entre otras cosas el aprendizaje no supervisado mediante comparación de similitud entre datos sin necesidad de estar explícitamente etiquetados. Se plantea realizar trabajos a corto y medio plazo de pruebas de concepto en los problemas planteados para la validación de la metodología y SW para aprendizaje de características que mejor diferencian los datos. 2) Auto-Encoders para detección de anomalías. Actualmente se han realizados pruebas de concepto en problemas industriales con vibraciones, emisiones acústicas y sensores de desplazamiento (datos estructurados y no estructurados, usando STFTs y espectrogramas. Se plantean trabajos a corto y medio plazo para el desarrollo SW y validación del enfoque usando más datos y diferentes tipologías de AEs (variational, convolutional, etc).

Sectores

  • Construcción
  • Salud
Redes neuronales para transformación entre dominios
Aplicación de transfer learning de modelos aprendidos con datos públicos para otros dominios similares en los que originalmente no se disponen de datos. Una vez desplegado, se aplicarán estrategias de adaptive/incremental learning para ir ajustando el modelo. Actualmente se han realizado pruebas de concepto con un modelo sencillo basado en cubic splines y en unos datos de degradación de rodamientos de la NASA. Los trabajos a corto y medio plazo planteados son la validación de este modelo con datos reales y desarrollo de modelos más complejos y generalizables (e.g.: modelos deep o SVMs). Se espera tener un modelo con mayor capacidad de generalización y el desarrollo de una estrategia de transfer learning para adaptarlo a un entorno industrial similar con datos reales.

Sectores

  • Manufactura
  • ND
Mejora de la calidad de los datos en Aprendizaje Automático, incluyendo generación de datos sintéticos
1) Uso de diferentes arquitecturas GANs (DCGAN, cGAN, WGAN, AutoGAN) para aumento de datos en entornos industriales. Actualmente se han hecho varios desarrollos y pruebas de concepto realizadas en problemas industriales reales para data augmentation. Los trabajos a corto y medio plazo planteados son la publicación de un paper (Q1) con guías y lecciones aprendidas acerca del uso de GANs en diferentes problemas industriales. 2) Integración Auto-Encoders y Transformers en las GANs en entornos para el estudio de vibraciones en entornos industriales. Actualmente se han realizado pruebas de concepto en problemas industriales con vibraciones, emisiones acústicas y sensores de desplazamiento (datos estructurados y no estructurados, usando STFTs y espectrogramas). Los trabajos a corto y medio plazo son usar los embeddings generados por el encoder y añadir recurrencias a través de las capas de autoatención para que haya coherencia temporal en los datos, además de realizar pruebas de concepto con datos reales. Se espera mejorar las arquitecturas GANs para este tipo de problemas.

Sectores

  • Manufactura
  • ND

Data Spaces

Soberanía del dato y los servicios
Identidad soberana (SSI) y su aplicación a diferentes ámbitos (salud, industrial en dos fases: fabricación y operación). Nuevo concepto de herencia para poder dar respuesta a las necesidades identificadas respecto a las Verifiable Credencials. Nuevos métodos de comunicación/coordinación entre agentes. Seguimiento de Confidential Storage y posibles usos de pruebas de conocimiento cero

Sectores

  • ND
  • Salud
Fairness: transparencia, no discriminación y privacidad en inteligencia artificial sobre datos confidenciales.
Prototipado de plataforma de Privacy-Preserving Computing. Integración de los diferentes módulos criptográficos de las pruebas de concepto para la creación de flujos de trabajo complejos. Diseño del protocolo de comunicación entre los diferentes agentes participantes en la explotación de datos preservando la privacidad de las partes.

Sectores

  • Manufactura
  • Salud

IA Development

Deep learning incremental
1) Few-shot, zero-shot learning: Añadir nuevas clases o categorías de manera incremental, con pocos datos 2) Deep Learning incremental con adaptación a entornos no estacionarios y mediante aumentación de datos bio-inspirada. Evolving Spiking Neural Networks (eSNN) para predicción de polución Actualmente trabajando en: 1) Detección de anomalías online en series temporales mediante ensembles de OR-ELM. 2) Echo State Networks con aprendizaje incremental para detectar fake news. 3) Estimación de la incertidumbre a la salida del modelo en entornos no estacionarios mediante técnicas de predicción conformal. 4) Predicción online de polución con robustez mejorada usando ensembles de eSNNs. 5) Construcción incremental de modelos Reservoir Computing.

Sectores

  • Manufactura
  • ND
Framework para entrenamiento y despliegue de modelos de ML en entornos distribuidos
Pruebas de concepto con sparse rewards y aprendizaje basado en curiosity. Reforzar el cómputo en edge y profundizar en los sistemas de aprendizaje federado y por refuerzo. Social digital twins, con capacidades cognitivas y colaborativas (graph convolutional reinforcement learning), Elastic Computing, Edge AIOPS

Sectores

  • ND
  • Salud
Inteligencia Artificial explicable, confiable y trazable en escenarios de aplicación complejos y con múltiples fuentes de información
·Funcionamiento de modelos de predicción más allá de su desempeño predictivo: IA explicable, aplicación a series temporales, generación multi-criterio de contrafácticos, explicabilidad de Deep Echo State Networks, inserción de conocimiento experto en diseño de modelos DL. Actualmente trabajando en: Destilación de conocimiento de modelos de caja blanca a modelos de caja negra para generar explicaciones atribuibles. Transparencia algorítmica de modelos en tareas de aprendizaje composicional. Estimación de incertidumbre en modelos de predicción de tráfico. Aprendizaje semi-supervisado y explicabilidad en entornos con pocos datos anotados

Sectores

  • Salud
  • Transporte, almacenamiento y logística
Redes Neuronales Atencionales (Transformers) para procesado de largas secuencias de datos
Self-supervision para forecasting multivariable de series temporales. Se trabaja en pruebas de concepto y resultados de la comparativa con diferentes baselines, con el objetivo de obtener modelos de prognosis capaces de detectar tendencias multivariable a largo plazo (e.g. degradación o tiempo a fallo, RUL), con umbrales de confianza

Sectores

  • ND
  • Suministro de energía eléctrica, gas, agua

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.

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.