Proyectos Vigentes
Lista de Proyectos Vigentes
- Ir a:
- Estudio de la programación cerebral en problemas de reconocimiento a gran escala y sus aplicaciones en el mundo real – Gustavo Olague Caballero
- Redes Neuronales con Preservación de la Privacidad mediante Encriptación Homomórfica – Andrey Chernykh
- CERES, Creating an EdTech Research Ecosystem – Mónica Elizabeth Tentori Espinosa
- MOVIE: Modelado de la visión y la evolución – Gustavo Olague Caballero
- Navegación y Persecución/Evasión con Múltiples Robots – Ubaldo Ruiz López
- Desarrollo de Métodos de Inteligencia Artificial para la Reconstrucción de Escenas Dinámicas en el Espacio Tridimensional – Vitali Kober
- Algoritmos exactos, de IA y de ciencia de datos para problemas en grafos y de modelos de diseño de proteínas – Carlos Alberto Brizuela Rodríguez
- Métodos y herramientas para la optimización de aprendizaje federado con privacidad preservada para procesamiento de información en un ambiente no seguro – Andrey Chernykh
- Inteligencia Artificial Centrada en el Humano con Aplicación en Salud y Educación – Jesús Favela Vara
- Métodos Mixtos para el Análisis de Datos en Contextos de Dimensiones Variables – Mónica Elizabeth Tentori Espinosa
Estudio de la programación cerebral en problemas de reconocimiento a gran escala y sus aplicaciones en el mundo real
Descripción
El objetivo es extender la metodología de programación cerebral en el contexto de problemas de reconocimiento a gran escala. La meta general que estamos considerando en nuestra investigación presenta oportunidades en temas de computación visual como la recuperación de imágenes, el seguimiento de objetos, comportamientos visuales, atención visual, y el reconocimiento de objetos.
El principal objetivo es expandir las capacidades de una nueva metodología de computación evolutiva considerando los dominios de visión por computadora y reconocimiento de patrones. La meta es estudiar la relación entre el modelado basado en funciones y grandes bases de datos siguiendo el paradigma de programación cerebral. Estructuras jerarquicas son utilizadas de acuerdo a conocimiento de neurociencias de la estructura del cerebro. En el diseño, existen programas que evolucionan siguiendo algunas metas preescritas, sin embargo las implementaciones actuales no escalan bien para problemas de grandes bases de datos. La solución a dicha problemática será abordada redefiniendo el problema de aprendizaje de máquinas.
La infraestructura desarrollada dentro del proyecto nos ayuda a estudiar problemas del mundo real de gran escala con un alcance teórico y práctico. Dentro del proyecto esperamos dar soluciones a problemas del mundo real en múltiples dominios: Ciencias de la Tierra, Medicina, Robótica, y Oceanología. Para esto contamos con una red de colaboradores que actualmente participan ya que estan interesados en nuestros desarrollos teóricos. Los participantes de varias instituciones darán fuerza a la consecución de objetivos al fortalecer la cooperación científica y la unión de esfuerzos académicos.
El objetivo es extender la metodología de programación cerebral en el contexto de problemas de reconocimiento a gran escala. La meta general que estamos considerando en nuestra investigación presenta oportunidades en temas de computación visual como la recuperación de imágenes, el seguimiento de objetos, comportamientos visuales, atención visual, y el reconocimiento de objetos.
El principal objetivo es expandir las capacidades de una nueva metodología de computación evolutiva considerando los dominios de visión por computadora y reconocimiento de patrones. La meta es estudiar la relación entre el modelado basado en funciones y grandes bases de datos siguiendo el paradigma de programación cerebral. Estructuras jerarquicas son utilizadas de acuerdo a conocimiento de neurociencias de la estructura del cerebro. En el diseño, existen programas que evolucionan siguiendo algunas metas preescritas, sin embargo las implementaciones actuales no escalan bien para problemas de grandes bases de datos. La solución a dicha problemática será abordada redefiniendo el problema de aprendizaje de máquinas.
La infraestructura desarrollada dentro del proyecto nos ayuda a estudiar problemas del mundo real de gran escala con un alcance teórico y práctico. Dentro del proyecto esperamos dar soluciones a problemas del mundo real en múltiples dominios: Ciencias de la Tierra, Medicina, Robótica, y Oceanología. Para esto contamos con una red de colaboradores que actualmente participan ya que estan interesados en nuestros desarrollos teóricos. Los participantes de varias instituciones darán fuerza a la consecución de objetivos al fortalecer la cooperación científica y la unión de esfuerzos académicos.
Responsable:
Gustavo Olague Caballero
Proyecto Interno
Fecha Inicial: 25-02-2020
Fecha Final: 31-12-2025
Redes Neuronales con Preservación de la Privacidad mediante Encriptación Homomórfica
El modelado de redes neuronales (NN por sus siglas en inglés) demanda un alto poder de procesamiento y almacenamiento para el entrenamiento con grandes conjuntos de datos. Bajo esta premisa, el paradigma del cómputo en la nube ha desarrollado soluciones a fin de facilitar este proceso, sin embargo, su uso introduce retos inherentes a la privacidad y seguridad de datos sensibles. Si bien los criptosistemas convencionales pueden llegar a proteger información almacenada o en tránsito, estas técnicas no son capaces de proteger la información al ser procesada la extracción de valor de un conjunto de datos requiere un proceso de desencriptación, lo que recae en la problemática inicial.
La encriptación homomórfica (HE por sus siglas en inglés) permite el computo de datos cifrados y posibilita la delegación del procesamiento de datos confidenciales sin revelar información subyacente 13. Mediante un esquema de HE, una infraestructura no segura puede procesar información confidencial sin conocer la información original ni el resultado del cómputo, dado que dicha información permanece codificada en todo momento, previo, durante y posterior al procesamiento. De esta forma, el procesamiento homomórfico de NNs ha surgido como una consideración elemental en el área 47. No obstante, un esquema HE soporta un número limitado de operaciones aritméticas, por lo que la implementación de una NN con HE (NN-HE) requiere de la generación de funciones de reemplazo criptográficamente compatibles para operar sobre información codificada 810.
Este proyecto estudia la intersección de dos importantes áreas: criptografía y NNs, donde el objetivo primordial es diseñar e implementar métodos de procesamiento homomórfico para la construcción de modelos NN- HE precisos, eficientes y capaces de preservar la privacidad de información confidencial, habilitando el procesamiento homomórfico de operaciones de comparación, división, detección de signos etc. Un mayor espectro de operaciones evaluadas homomórficas.
Resumen
El objetivo es extender la metodología de programación cerebral en el contexto de problemas de reconocimiento a gran escala. La meta general que estamos considerando en nuestra investigación presenta oportunidades en temas de computación visual como la recuperación de imágenes, el seguimiento de objetos, comportamientos visuales, atención visual, y el reconocimiento de objetos.
El principal objetivo es expandir las capacidades de una nueva metodología de computación evolutiva considerando los dominios de visión por computadora y reconocimiento de patrones. La meta es estudiar la relación entre el modelado basado en funciones y grandes bases de datos siguiendo el paradigma de programación cerebral. Estructuras jerarquicas son utilizadas de acuerdo a conocimiento de neurociencias de la estructura del cerebro. En el diseño, existen programas que evolucionan siguiendo algunas metas preescritas, sin embargo las implementaciones actuales no escalan bien para problemas de grandes bases de datos. La solución a dicha problemática será abordada redefiniendo el problema de aprendizaje de máquinas.
La infraestructura desarrollada dentro del proyecto nos ayuda a estudiar problemas del mundo real de gran escala con un alcance teórico y práctico. Dentro del proyecto esperamos dar soluciones a problemas del mundo real en múltiples dominios: Ciencias de la Tierra, Medicina, Robótica, y Oceanología. Para esto contamos con una red de colaboradores que actualmente participan ya que estan interesados en nuestros desarrollos teóricos. Los participantes de varias instituciones darán fuerza a la consecución de objetivos al fortalecer la cooperación científica y la unión de esfuerzos académicos.
Redes Neuronales con Preservación de la Privacidad mediante Encriptación Homomórfica
El modelado de redes neuronales (NN por sus siglas en inglés) demanda un alto poder de procesamiento y almacenamiento para el entrenamiento con grandes conjuntos de datos. Bajo esta premisa, el paradigma del cómputo en la nube ha desarrollado soluciones a fin de facilitar este proceso, sin embargo, su uso introduce retos inherentes a la privacidad y seguridad de datos sensibles. Si bien los criptosistemas convencionales pueden llegar a proteger información almacenada o en tránsito, estas técnicas no son capaces de proteger la información al ser procesada la extracción de valor de un conjunto de datos requiere un proceso de desencriptación, lo que recae en la problemática inicial.
La encriptación homomórfica (HE por sus siglas en inglés) permite el computo de datos cifrados y posibilita la delegación del procesamiento de datos confidenciales sin revelar información subyacente 13. Mediante un esquema de HE, una infraestructura no segura puede procesar información confidencial sin conocer la información original ni el resultado del cómputo, dado que dicha información permanece codificada en todo momento, previo, durante y posterior al procesamiento. De esta forma, el procesamiento homomórfico de NNs ha surgido como una consideración elemental en el área 47. No obstante, un esquema HE soporta un número limitado de operaciones aritméticas, por lo que la implementación de una NN con HE (NN-HE) requiere de la generación de funciones de reemplazo criptográficamente compatibles para operar sobre información codificada 810.
Este proyecto estudia la intersección de dos importantes áreas: criptografía y NNs, donde el objetivo primordial es diseñar e implementar métodos de procesamiento homomórfico para la construcción de modelos NN- HE precisos, eficientes y capaces de preservar la privacidad de información confidencial, habilitando el procesamiento homomórfico de operaciones de comparación, división, detección de signos etc. Un mayor espectro de operaciones evaluadas homomórficas.
Descripción
El modelado de redes neuronales (NN por sus siglas en inglés) demanda un alto poder de procesamiento y almacenamiento para el entrenamiento con grandes conjuntos de datos. Bajo esta premisa, el paradigma del cómputo en la nube ha desarrollado soluciones a fin de facilitar este proceso, sin embargo, su uso introduce retos inherentes a la privacidad y seguridad de datos sensibles. Si bien los criptosistemas convencionales pueden llegar a proteger información almacenada o en tránsito, estas técnicas no son capaces de proteger la información al ser procesada la extracción de valor de un conjunto de datos requiere un proceso de desencriptación, lo que recae en la problemática inicial.
La encriptación homomórfica (HE por sus siglas en inglés) permite el computo de datos cifrados y posibilita la delegación del procesamiento de datos confidenciales sin revelar información subyacente 13. Mediante un esquema de HE, una infraestructura no segura puede procesar información confidencial sin conocer la información original ni el resultado del cómputo, dado que dicha información permanece codificada en todo momento, previo, durante y posterior al procesamiento. De esta forma, el procesamiento homomórfico de NNs ha surgido como una consideración elemental en el área 47. No obstante, un esquema HE soporta un número limitado de operaciones aritméticas, por lo que la implementación de una NN con HE (NN-HE) requiere de la generación de funciones de reemplazo criptográficamente compatibles para operar sobre información codificada 810.
Este proyecto estudia la intersección de dos importantes áreas: criptografía y NNs, donde el objetivo primordial es diseñar e implementar métodos de procesamiento homomórfico para la construcción de modelos NN- HE precisos, eficientes y capaces de preservar la privacidad de información confidencial, habilitando el procesamiento homomórfico de operaciones de comparación, división, detección de signos etc. Un mayor espectro de operaciones evaluadas homomórficas.
CERES, Creating an EdTech Research Ecosystem
Descripción
Entendiendo el potencial de la IA y la tecnología educativa en las escuelas mexicanas.
El sistema educativo en México enfrenta desafíos significativos, incluyendo la desigualdad educativa y la inaccesibilidad, disparidades de habilidades y la ausencia de herramientas estandarizadas para medir el progreso de los estudiantes y facilitar la detección temprana de discapacidades de aprendizaje.El potencial de la IA y la tecnología educativa en México es considerable, ofreciendo numerosas oportunidades para mejorar la accesibilidad, calidad y eficiencia de la educación en todo el país. En este proyecto, proponemos explorar el potencial del análisis de datos y el aprendizaje personalizado para entender el papel que juegan las plataformas educativas impulsadas por IA en las escuelas mexicanas. Creemos que este tipo de investigación puede ayudar a abordar las diversas necesidades de los estudiantes en México, donde existen disparidades educativas debido a varios factores como el estatus socioeconómico, la ubicación geográfica y el trasfondo cultural.
Lo haremos primero comprendiendo el potencial de la IA y la tecnología educativa para proporcionar experiencias de aprendizaje personalizadas, a través del diseño, desarrollo y pruebas piloto de tutores IA para apoyar la planificación de lecciones, creación de contenido, evaluación de estudiantes y la eficacia de tales herramientas en adaptarse al ritmo de aprendizaje, estilo y preferencias de cada estudiante. Un ejemplo de un proyecto en curso en esta área, es el catalizador de Amira dedicado a entender el efecto en mejorar las habilidades de lectura y reducir la ansiedad por leer en las escuelas mexicanas. Durante este proyecto hemos estado trabajando especialmente con investigadores de UC Irvine y con escuelas rurales locales en México para probar tanto la plataforma de aprendizaje Amira, como crear una plataforma de tecnología educativa impulsada por IA para facilitar la transferencia de conocimiento científico aprendiendo ciencia mientras se realizan actividades cotidianas (como aprender geofísica mientras se cultiva vino o aprender biomecánica bailando).
El sistema educativo en México enfrenta desafíos significativos, incluyendo la desigualdad educativa y la inaccesibilidad, disparidades de habilidades y la ausencia de herramientas estandarizadas para medir el progreso de los estudiantes y facilitar la detección temprana de discapacidades de aprendizaje.El potencial de la IA y la tecnología educativa en México es considerable, ofreciendo numerosas oportunidades para mejorar la accesibilidad, calidad y eficiencia de la educación en todo el país. En este proyecto, proponemos explorar el potencial del análisis de datos y el aprendizaje personalizado para entender el papel que juegan las plataformas educativas impulsadas por IA en las escuelas mexicanas. Creemos que este tipo de investigación puede ayudar a abordar las diversas necesidades de los estudiantes en México, donde existen disparidades educativas debido a varios factores como el estatus socioeconómico, la ubicación geográfica y el trasfondo cultural.
Lo haremos primero comprendiendo el potencial de la IA y la tecnología educativa para proporcionar experiencias de aprendizaje personalizadas, a través del diseño, desarrollo y pruebas piloto de tutores IA para apoyar la planificación de lecciones, creación de contenido, evaluación de estudiantes y la eficacia de tales herramientas en adaptarse al ritmo de aprendizaje, estilo y preferencias de cada estudiante. Un ejemplo de un proyecto en curso en esta área, es el catalizador de Amira dedicado a entender el efecto en mejorar las habilidades de lectura y reducir la ansiedad por leer en las escuelas mexicanas. Durante este proyecto hemos estado trabajando especialmente con investigadores de UC Irvine y con escuelas rurales locales en México para probar tanto la plataforma de aprendizaje Amira, como crear una plataforma de tecnología educativa impulsada por IA para facilitar la transferencia de conocimiento científico aprendiendo ciencia mientras se realizan actividades cotidianas (como aprender geofísica mientras se cultiva vino o aprender biomecánica bailando).
Complementaremos este entendimiento, explorando cómo los algoritmos de IA pueden analizar grandes cantidades de datos de interacción táctil relevantes para personalizar la capacitación o para ayudar en el cribado de trastornos y problemas de salud mental que podrían tener un impacto negativo en el aprendizaje.
El sistema educativo en México enfrenta desafíos significativos, incluyendo la desigualdad educativa y la inaccesibilidad, disparidades de habilidades y la ausencia de herramientas estandarizadas para medir el progreso de los estudiantes y facilitar la detección temprana de discapacidades de aprendizaje.El potencial de la IA y la tecnología educativa en México es considerable, ofreciendo numerosas oportunidades para mejorar la accesibilidad, calidad y eficiencia de la educación en todo el país. En este proyecto, proponemos explorar el potencial del análisis de datos y el aprendizaje personalizado para entender el papel que juegan las plataformas educativas impulsadas por IA en las escuelas mexicanas. Creemos que este tipo de investigación puede ayudar a abordar las diversas necesidades de los estudiantes en México, donde existen disparidades educativas debido a varios factores como el estatus socioeconómico, la ubicación geográfica y el trasfondo cultural.
Lo haremos primero comprendiendo el potencial de la IA y la tecnología educativa para proporcionar experiencias de aprendizaje personalizadas, a través del diseño, desarrollo y pruebas piloto de tutores IA para apoyar la planificación de lecciones, creación de contenido, evaluación de estudiantes y la eficacia de tales herramientas en adaptarse al ritmo de aprendizaje, estilo y preferencias de cada estudiante. Un ejemplo de un proyecto en curso en esta área, es el catalizador de Amira dedicado a entender el efecto en mejorar las habilidades de lectura y reducir la ansiedad por leer en las escuelas mexicanas. Durante este proyecto hemos estado trabajando especialmente con investigadores de UC Irvine y con escuelas rurales locales en México para probar tanto la plataforma de aprendizaje Amira, como crear una plataforma de tecnología educativa impulsada por IA para facilitar la transferencia de conocimiento científico aprendiendo ciencia mientras se realizan actividades cotidianas (como aprender geofísica mientras se cultiva vino o aprender biomecánica bailando).
Entendiendo el potencial de la IA y la tecnología educativa en las escuelas mexicanas.
El sistema educativo en México enfrenta desafíos significativos, incluyendo la desigualdad educativa y la inaccesibilidad, disparidades de habilidades y la ausencia de herramientas estandarizadas para medir el progreso de los estudiantes y facilitar la detección temprana de discapacidades de aprendizaje.El potencial de la IA y la tecnología educativa en México es considerable, ofreciendo numerosas oportunidades para mejorar la accesibilidad, calidad y eficiencia de la educación en todo el país. En este proyecto, proponemos explorar el potencial del análisis de datos y el aprendizaje personalizado para entender el papel que juegan las plataformas educativas impulsadas por IA en las escuelas mexicanas. Creemos que este tipo de investigación puede ayudar a abordar las diversas necesidades de los estudiantes en México, donde existen disparidades educativas debido a varios factores como el estatus socioeconómico, la ubicación geográfica y el trasfondo cultural.
Lo haremos primero comprendiendo el potencial de la IA y la tecnología educativa para proporcionar experiencias de aprendizaje personalizadas, a través del diseño, desarrollo y pruebas piloto de tutores IA para apoyar la planificación de lecciones, creación de contenido, evaluación de estudiantes y la eficacia de tales herramientas en adaptarse al ritmo de aprendizaje, estilo y preferencias de cada estudiante. Un ejemplo de un proyecto en curso en esta área, es el catalizador de Amira dedicado a entender el efecto en mejorar las habilidades de lectura y reducir la ansiedad por leer en las escuelas mexicanas. Durante este proyecto hemos estado trabajando especialmente con investigadores de UC Irvine y con escuelas rurales locales en México para probar tanto la plataforma de aprendizaje Amira, como crear una plataforma de tecnología educativa impulsada por IA para facilitar la transferencia de conocimiento científico aprendiendo ciencia mientras se realizan actividades cotidianas (como aprender geofísica mientras se cultiva vino o aprender biomecánica bailando).
Complementaremos este entendimiento, explorando cómo los algoritmos de IA pueden analizar grandes cantidades de datos de interacción táctil relevantes para personalizar la capacitación o para ayudar en el cribado de trastornos y problemas de salud mental que podrían tener un impacto negativo en el aprendizaje.
Responsable:
Mónica Elizabeth Tentori Espinosa
Proyecto Externo (Otras Instituciones)
Fecha Inicial: 20-02-2023
Fecha Final: 30-04-2025
Responsable:
Gustavo Olague Caballero
Proyecto Interno
Fecha Inicial: 26-02-2024
Fecha Final: 31-12-2026
MOVIE: Modelado de la visión y la evolución
Resumen
El objetivo es extender la metodología de programación cerebral en el contexto de problemas de reconocimiento a gran escala. La meta general que estamos considerando en nuestra investigación presenta oportunidades en temas de computación visual como la recuperación de imágenes, el seguimiento de objetos, comportamientos visuales, atención visual, y el reconocimiento de objetos.
El principal objetivo es expandir las capacidades de una nueva metodología de computación evolutiva considerando los dominios de visión por computadora y reconocimiento de patrones. La meta es estudiar la relación entre el modelado basado en funciones y grandes bases de datos siguiendo el paradigma de programación cerebral. Estructuras jerarquicas son utilizadas de acuerdo a conocimiento de neurociencias de la estructura del cerebro. En el diseño, existen programas que evolucionan siguiendo algunas metas preescritas, sin embargo las implementaciones actuales no escalan bien para problemas de grandes bases de datos. La solución a dicha problemática será abordada redefiniendo el problema de aprendizaje de máquinas.
La infraestructura desarrollada dentro del proyecto nos ayuda a estudiar problemas del mundo real de gran escala con un alcance teórico y práctico. Dentro del proyecto esperamos dar soluciones a problemas del mundo real en múltiples dominios: Ciencias de la Tierra, Medicina, Robótica, y Oceanología. Para esto contamos con una red de colaboradores que actualmente participan ya que estan interesados en nuestros desarrollos teóricos. Los participantes de varias instituciones darán fuerza a la consecución de objetivos al fortalecer la cooperación científica y la unión de esfuerzos académicos.
Extender la teoría y la práctica del estado de arte en las disciplinas de visión y evolución artificial. Los métodos clásicos de teoría de optimización, aprendizaje y modelado matemático tienen en común un análisis simbólico de los procesos que son una columna principal en la inteligencia artificial. Estos métodos tienen muchas ventajas entre las que se encuentran su simplicidad y explicabilidad. Sin embargo, la capacidad para resolver problemas del mundo real se ve limitada ante las nuevas teorías que están enfocadas en el modelado orientado a datos.
Para resolver este reto en nuestro proyecto de investigación desarrollamos un nuevo paradigma que llamamos, programación de cerebros, el cual toma como filosofía utilizar para su diseño una plantilla que sirve para definir una tarea de visión la cual pretender enfocar los métodos heurísticos de búsqueda de programas a partes especificas de la tarea que se pretende resolver sin delegar la tarea completa a un solo método de programación. La plantilla junto con los métodos de búsqueda de programas son una forma de combinar métodos clásicos junto a los métodos de inteligencia computacional.
En particular, nos interesamos a resolver problemas de planeación, movimiento, reconocimiento de objetos, reconstrucción tridimensional, seguimiento de objetos, entre otros. Ademas, los aplicamos en tareas del mundo real tal y como identificación de basura, reconocimiento de tipos de suelo, reconocimiento de emociones, o estrategias para la captura de criminales, por mencionar algunos.
MOVIE: Modelado de la visión y la evolución
Descripción
Extender la teoría y la práctica del estado de arte en las disciplinas de visión y evolución artificial. Los métodos clásicos de teoría de optimización, aprendizaje y modelado matemático tienen en común un análisis simbólico de los procesos que son una columna principal en la inteligencia artificial.
Estos métodos tienen muchas ventajas entre las que se encuentran su simplicidad y explicabilidad. Sin embargo, la capacidad para resolver problemas del mundo real se ve limitada ante las nuevas teorías que están enfocadas en el modelado orientado a datos. Para resolver este reto en nuestro proyecto de investigación desarrollamos un nuevo paradigma que llamamos, programación de cerebros, el cual toma como filosofía utilizar para su diseño una plantilla que sirve para definir una tarea de visión la cual pretender enfocar los métodos heurísticos de búsqueda de programas a partes especificas de la tarea que se pretende resolver sin delegar la tarea completa a un solo método de programación.
La plantilla junto con los métodos de búsqueda de programas son una forma de combinar métodos clásicos junto a los métodos de inteligencia computacional. En particular, nos interesamos a resolver problemas de planeación, movimiento, reconocimiento de objetos, reconstrucción tridimensional, seguimiento de objetos, entre otros. Ademas, los aplicamos en tareas del mundo real tal y como identificación de basura, reconocimiento de tipos de suelo, reconocimiento de emociones, o estrategias para la captura de criminales, por mencionar algunos.
Extender la teoría y la práctica del estado de arte en las disciplinas de visión y evolución artificial. Los métodos clásicos de teoría de optimización, aprendizaje y modelado matemático tienen en común un análisis simbólico de los procesos que son una columna principal en la inteligencia artificial. Estos métodos tienen muchas ventajas entre las que se encuentran su simplicidad y explicabilidad. Sin embargo, la capacidad para resolver problemas del mundo real se ve limitada ante las nuevas teorías que están enfocadas en el modelado orientado a datos.
Para resolver este reto en nuestro proyecto de investigación desarrollamos un nuevo paradigma que llamamos, programación de cerebros, el cual toma como filosofía utilizar para su diseño una plantilla que sirve para definir una tarea de visión la cual pretender enfocar los métodos heurísticos de búsqueda de programas a partes especificas de la tarea que se pretende resolver sin delegar la tarea completa a un solo método de programación. La plantilla junto con los métodos de búsqueda de programas son una forma de combinar métodos clásicos junto a los métodos de inteligencia computacional.
En particular, nos interesamos a resolver problemas de planeación, movimiento, reconocimiento de objetos, reconstrucción tridimensional, seguimiento de objetos, entre otros. Ademas, los aplicamos en tareas del mundo real tal y como identificación de basura, reconocimiento de tipos de suelo, reconocimiento de emociones, o estrategias para la captura de criminales, por mencionar algunos.
Responsable:
Gustavo Olague Caballero
Proyecto Interno
Fecha Inicial: 26-02-2024
Fecha Final: 31-12-2026
Navegación y Persecución/Evasión con Múltiples Robots
Descripción
Desarrollaremos algoritmos de planificación de movimientos y métodos de control para navegación robótica y persecución/evasión con múltiples robots. Se dará especial énfasis en analizar los efectos de incluir al humano como un componente en el lazo de control. Trataremos con sistemas robóticos para navegación y persecución/evasión, pero daremos especial atención a dos aspectos menos abordados: 1) sistemas múltiples robots 3,22,23 y 2) considerar al humano en el lazo de control 24,25,26,27,28.
En los sistemas multirobots el principal objetivo es repartir el trabajo entre varios robots, aprovechando las diferentes capacidades de robots heterogéneos, sin embargo, para el buen funcionamiento de estos sistemas es necesario coordinar el movimiento de los robots y distribuir el sensado y computo. El humano en el lazo de control se refiere a la interacción de controladores o sistemas autónomos con un operador humano. Varios sistemas de control que abordan aplicaciones criticas relativas a seguridad corresponden a esta interacción, por ejemplo, entre sistemas de piloto automáticos en aviones y pilotos humanos, o entre un conductor y un automóvil con capacidades automáticas de asistencia a la conducción.
La idea de estos sistemas es aumentar las capacidades humanas permitiendo a operadores no expertos controlar a sistemas con dinámicas complejas, garantizando la seguridad y asegurando el confort del usuario. Dichos sistemas consideran tanto simuladores, como controladores a bordo de vehículos o robots, y sistemas de percepción e interfaces humano-robot.
Desarrollaremos algoritmos de planificación de movimientos y métodos de control para navegación robótica y persecución/evasión con múltiples robots. Se dará especial énfasis en analizar los efectos de incluir al humano como un componente en el lazo de control. Trataremos con sistemas robóticos para navegación y persecución/evasión, pero daremos especial atención a dos aspectos menos abordados: 1) sistemas múltiples robots 3,22,23 y 2) considerar al humano en el lazo de control 24,25,26,27,28.
En los sistemas multirobots el principal objetivo es repartir el trabajo entre varios robots, aprovechando las diferentes capacidades de robots heterogéneos, sin embargo, para el buen funcionamiento de estos sistemas es necesario coordinar el movimiento de los robots y distribuir el sensado y computo. El humano en el lazo de control se refiere a la interacción de controladores o sistemas autónomos con un operador humano. Varios sistemas de control que abordan aplicaciones criticas relativas a seguridad corresponden a esta interacción, por ejemplo, entre sistemas de piloto automáticos en aviones y pilotos humanos, o entre un conductor y un automóvil con capacidades automáticas de asistencia a la conducción.
La idea de estos sistemas es aumentar las capacidades humanas permitiendo a operadores no expertos controlar a sistemas con dinámicas complejas, garantizando la seguridad y asegurando el confort del usuario. Dichos sistemas consideran tanto simuladores, como controladores a bordo de vehículos o robots, y sistemas de percepción e interfaces humano-robot.
Desarrollo de Métodos de Inteligencia Artificial para la Reconstrucción de Escenas Dinámicas en el Espacio Tridimensional
El número de aplicaciones en ciencia y tecnología que utilizan visión por computadora tridimensional (3D) está en constante crecimiento. Las nubes de puntos 3D son una fuente importante de datos para que los robots y vehículos autónomos perciban escenas 3D que cambian dinámicamente. El análisis y el procesamiento de nubes de puntos 3D desempeñan un papel fundamental en la robótica móvil y la conducción autónoma.
Para garantizar la formación de una escena tridimensional, el sensor genera una secuencia de resultados de escaneo dispersos, es decir, nubes de puntos en el espacio tridimensional, que cubren un área amplia alrededor del sensor. Las nubes de puntos vecinas en la secuencia resultante se superponen sólo parcialmente, es decir, son incongruentes y ruidosas. Para construir y analizar una escena tridimensional a partir de una secuencia de nubes, es necesario resolver una serie de problemas. Estos incluyen, algoritmos para el registro de nubes de puntos por pares, algoritmos para el refinamiento global de transformaciones por pares y algoritmos para predecir la transformación actual en una secuencia basada en información sobre transformaciones anteriores. Para evaluar la dinámica de escenas tridimensionales y rastrear objetos en ellas, se utilizan algoritmos que son similares en métodos a los algoritmos de registro. En los últimos años, para resolver problemas de procesamiento de nubes de puntos en el espacio tridimensional, además de los algoritmos de tipo clásico, se han utilizado cada vez más algoritmos de redes neuronales.
El principal objetivo del proyecto es desarrollar nuevos modelos de escenas dinámicas en el espacio tridimensional a partir de nubes de puntos, y también algoritmos de redes neuronales como algoritmos basados en el uso de funciones variacionales para la reconstrucción de escenas dinámicas. Se espera que las implementaciones de software de los métodos desarrollados en el proyecto resolverán los problemas de procesamiento de datos tridimensionales con mayor precisión que los sistemas existentes.
Resumen
El objetivo es extender la metodología de programación cerebral en el contexto de problemas de reconocimiento a gran escala. La meta general que estamos considerando en nuestra investigación presenta oportunidades en temas de computación visual como la recuperación de imágenes, el seguimiento de objetos, comportamientos visuales, atención visual, y el reconocimiento de objetos.
El principal objetivo es expandir las capacidades de una nueva metodología de computación evolutiva considerando los dominios de visión por computadora y reconocimiento de patrones. La meta es estudiar la relación entre el modelado basado en funciones y grandes bases de datos siguiendo el paradigma de programación cerebral. Estructuras jerarquicas son utilizadas de acuerdo a conocimiento de neurociencias de la estructura del cerebro. En el diseño, existen programas que evolucionan siguiendo algunas metas preescritas, sin embargo las implementaciones actuales no escalan bien para problemas de grandes bases de datos. La solución a dicha problemática será abordada redefiniendo el problema de aprendizaje de máquinas.
La infraestructura desarrollada dentro del proyecto nos ayuda a estudiar problemas del mundo real de gran escala con un alcance teórico y práctico. Dentro del proyecto esperamos dar soluciones a problemas del mundo real en múltiples dominios: Ciencias de la Tierra, Medicina, Robótica, y Oceanología. Para esto contamos con una red de colaboradores que actualmente participan ya que estan interesados en nuestros desarrollos teóricos. Los participantes de varias instituciones darán fuerza a la consecución de objetivos al fortalecer la cooperación científica y la unión de esfuerzos académicos.
Desarrollo de Métodos de Inteligencia Artificial para la Reconstrucción de Escenas Dinámicas en el Espacio Tridimensional
El número de aplicaciones en ciencia y tecnología que utilizan visión por computadora tridimensional (3D) está en constante crecimiento. Las nubes de puntos 3D son una fuente importante de datos para que los robots y vehículos autónomos perciban escenas 3D que cambian dinámicamente. El análisis y el procesamiento de nubes de puntos 3D desempeñan un papel fundamental en la robótica móvil y la conducción autónoma.
Para garantizar la formación de una escena tridimensional, el sensor genera una secuencia de resultados de escaneo dispersos, es decir, nubes de puntos en el espacio tridimensional, que cubren un área amplia alrededor del sensor. Las nubes de puntos vecinas en la secuencia resultante se superponen sólo parcialmente, es decir, son incongruentes y ruidosas. Para construir y analizar una escena tridimensional a partir de una secuencia de nubes, es necesario resolver una serie de problemas. Estos incluyen, algoritmos para el registro de nubes de puntos por pares, algoritmos para el refinamiento global de transformaciones por pares y algoritmos para predecir la transformación actual en una secuencia basada en información sobre transformaciones anteriores. Para evaluar la dinámica de escenas tridimensionales y rastrear objetos en ellas, se utilizan algoritmos que son similares en métodos a los algoritmos de registro. En los últimos años, para resolver problemas de procesamiento de nubes de puntos en el espacio tridimensional, además de los algoritmos de tipo clásico, se han utilizado cada vez más algoritmos de redes neuronales.
El principal objetivo del proyecto es desarrollar nuevos modelos de escenas dinámicas en el espacio tridimensional a partir de nubes de puntos, y también algoritmos de redes neuronales como algoritmos basados en el uso de funciones variacionales para la reconstrucción de escenas dinámicas. Se espera que las implementaciones de software de los métodos desarrollados en el proyecto resolverán los problemas de procesamiento de datos tridimensionales con mayor precisión que los sistemas existentes.
Descripción
El número de aplicaciones en ciencia y tecnología que utilizan visión por computadora tridimensional (3D) está en constante crecimiento. Las nubes de puntos 3D son una fuente importante de datos para que los robots y vehículos autónomos perciban escenas 3D que cambian dinámicamente. El análisis y el procesamiento de nubes de puntos 3D desempeñan un papel fundamental en la robótica móvil y la conducción autónoma.
Para garantizar la formación de una escena tridimensional, el sensor genera una secuencia de resultados de escaneo dispersos, es decir, nubes de puntos en el espacio tridimensional, que cubren un área amplia alrededor del sensor. Las nubes de puntos vecinas en la secuencia resultante se superponen sólo parcialmente, es decir, son incongruentes y ruidosas. Para construir y analizar una escena tridimensional a partir de una secuencia de nubes, es necesario resolver una serie de problemas. Estos incluyen, algoritmos para el registro de nubes de puntos por pares, algoritmos para el refinamiento global de transformaciones por pares y algoritmos para predecir la transformación actual en una secuencia basada en información sobre transformaciones anteriores. Para evaluar la dinámica de escenas tridimensionales y rastrear objetos en ellas, se utilizan algoritmos que son similares en métodos a los algoritmos de registro. En los últimos años, para resolver problemas de procesamiento de nubes de puntos en el espacio tridimensional, además de los algoritmos de tipo clásico, se han utilizado cada vez más algoritmos de redes neuronales.
El principal objetivo del proyecto es desarrollar nuevos modelos de escenas dinámicas en el espacio tridimensional a partir de nubes de puntos, y también algoritmos de redes neuronales como algoritmos basados en el uso de funciones variacionales para la reconstrucción de escenas dinámicas. Se espera que las implementaciones de software de los métodos desarrollados en el proyecto resolverán los problemas de procesamiento de datos tridimensionales con mayor precisión que los sistemas existentes.
Algoritmos exactos, de IA y de ciencia de datos para problemas en grafos y de modelos de diseño de proteínas
Descripción
El proyecto seguirá dos variantes que tienen intersección en el diseño de algoritmos con métodos exactos y heurísticos. La primera variante considera dos subproyectos y la segunda, un subproyecto que aborda cuatro problemas específicos.
El subproyecto 1 se enfoca en analizar la factibilidad de diseñar un algoritmo autoestabilizante para el problema del conjunto dominante total minimal en grafos outerplanares. El subproyecto 2 se enfoca en analizar la factibilidad de parametrizar un algoritmo (heurística) que resolver el problema del clique máximo de distancia k en un grafo cactus restringido. El subproyecto trata de lo siguiente.
La integración de la Inteligencia Artificial (IA) y la Ciencia de Datos en la investigación biomédica ha permitido avances revolucionarios en el diseño de proteínas y péptidos, facilitando el desarrollo de nuevos fármacos, vacunas, herramientas diagnósticas y aplicaciones en ciencia de materiales. Este subproyecto tiene como objetivo desarrollar algoritmos basados en IA para abordar cuatro desafíos clave en biomedicina: i) Diseño de proteínas para inhibir distintos blancos, ii) Diseño de clasificadores de epítopos para Dengue, iii) Diseño de un pool de péptidos para el diagnóstico de Tuberculosis, y iv) Desextinción de péptidos antimicrobianos.
El proyecto seguirá dos variantes que tienen intersección en el diseño de algoritmos con métodos exactos y heurísticos. La primera variante considera dos subproyectos y la segunda, un subproyecto que aborda cuatro problemas específicos.
El subproyecto 1 se enfoca en analizar la factibilidad de diseñar un algoritmo autoestabilizante para el problema del conjunto dominante total minimal en grafos outerplanares. El subproyecto 2 se enfoca en analizar la factibilidad de parametrizar un algoritmo (heurística) que resolver el problema del clique máximo de distancia k en un grafo cactus restringido. El subproyecto trata de lo siguiente.
La integración de la Inteligencia Artificial (IA) y la Ciencia de Datos en la investigación biomédica ha permitido avances revolucionarios en el diseño de proteínas y péptidos, facilitando el desarrollo de nuevos fármacos, vacunas, herramientas diagnósticas y aplicaciones en ciencia de materiales. Este subproyecto tiene como objetivo desarrollar algoritmos basados en IA para abordar cuatro desafíos clave en biomedicina: i) Diseño de proteínas para inhibir distintos blancos, ii) Diseño de clasificadores de epítopos para Dengue, iii) Diseño de un pool de péptidos para el diagnóstico de Tuberculosis, y iv) Desextinción de péptidos antimicrobianos.
Responsable:
Carlos Alberto Brizuela Rodríguez
Proyecto Interno
Fecha Inicial: 03-03-2025
Fecha Final: 03-03-2028
Métodos y herramientas para la optimización de aprendizaje federado con privacidad preservada para procesamiento de información en un ambiente no seguro
La enfermedad de Alzheimer (AD) es la forma más prevalente de demencia, y su incidencia aumenta a un ritmo cada vez más preocupante. La AD constituye un importante reto sanitario mundial, caracterizado por un deterioro cognitivo progresivo y un grave deterioro de la calidad de vida del paciente, debido a sus efectos perjudiciales sobre funciones cognitivas esenciales, como la memoria, la orientación y el lenguaje. El diagnóstico temprano de la AD es crucial para un tratamiento y pronóstico eficaces sin embargo, los métodos de diagnóstico convencionales tienen dificultades para ser precisos en las primeras fases de la enfermedad.
En este proyecto, estudiamos los modelos avanzados de redes neuronales convolucionales (CNN) para clasificar imágenes de resonancia magnética (MRI) de pacientes en las cuatro etapas de progresión de la AD. Comparamos la precisión de los modelos CNN más avanzados, como AlexNet, VGGNet, DenseNet, y modelos específicamente diseñados para detectar la enfermedad de Alzheimer, como AHANet, DEMNet y el modelo de Abdul. Proponemos un modelo de clasificación de EA basado en AHANet multietapa mejorado por un bloque de superconvergencia para mejorar la eficiencia del entrenamiento y el rendimiento del modelo.
Los resultados experimentales en el conjunto de datos de Alzheimer de Kaggle muestran que nuestro modelo supera a los modelos de propósito general y personalizados, logrando una mayor precisión al clasificar eficazmente las cuatro etapas de la enfermedad de Alzheimer. Los resultados de este estudio demuestran el potencial del uso de modelos de aprendizaje convolucional para diagnosticar con mayor precisión la enfermedad de Alzheimer.
Resumen
El objetivo es extender la metodología de programación cerebral en el contexto de problemas de reconocimiento a gran escala. La meta general que estamos considerando en nuestra investigación presenta oportunidades en temas de computación visual como la recuperación de imágenes, el seguimiento de objetos, comportamientos visuales, atención visual, y el reconocimiento de objetos.
El principal objetivo es expandir las capacidades de una nueva metodología de computación evolutiva considerando los dominios de visión por computadora y reconocimiento de patrones. La meta es estudiar la relación entre el modelado basado en funciones y grandes bases de datos siguiendo el paradigma de programación cerebral. Estructuras jerarquicas son utilizadas de acuerdo a conocimiento de neurociencias de la estructura del cerebro. En el diseño, existen programas que evolucionan siguiendo algunas metas preescritas, sin embargo las implementaciones actuales no escalan bien para problemas de grandes bases de datos. La solución a dicha problemática será abordada redefiniendo el problema de aprendizaje de máquinas.
La infraestructura desarrollada dentro del proyecto nos ayuda a estudiar problemas del mundo real de gran escala con un alcance teórico y práctico. Dentro del proyecto esperamos dar soluciones a problemas del mundo real en múltiples dominios: Ciencias de la Tierra, Medicina, Robótica, y Oceanología. Para esto contamos con una red de colaboradores que actualmente participan ya que estan interesados en nuestros desarrollos teóricos. Los participantes de varias instituciones darán fuerza a la consecución de objetivos al fortalecer la cooperación científica y la unión de esfuerzos académicos.
Métodos y herramientas para la optimización de aprendizaje federado con privacidad preservada para procesamiento de información en un ambiente no seguro
La enfermedad de Alzheimer (AD) es la forma más prevalente de demencia, y su incidencia aumenta a un ritmo cada vez más preocupante. La AD constituye un importante reto sanitario mundial, caracterizado por un deterioro cognitivo progresivo y un grave deterioro de la calidad de vida del paciente, debido a sus efectos perjudiciales sobre funciones cognitivas esenciales, como la memoria, la orientación y el lenguaje. El diagnóstico temprano de la AD es crucial para un tratamiento y pronóstico eficaces sin embargo, los métodos de diagnóstico convencionales tienen dificultades para ser precisos en las primeras fases de la enfermedad.
En este proyecto, estudiamos los modelos avanzados de redes neuronales convolucionales (CNN) para clasificar imágenes de resonancia magnética (MRI) de pacientes en las cuatro etapas de progresión de la AD. Comparamos la precisión de los modelos CNN más avanzados, como AlexNet, VGGNet, DenseNet, y modelos específicamente diseñados para detectar la enfermedad de Alzheimer, como AHANet, DEMNet y el modelo de Abdul. Proponemos un modelo de clasificación de EA basado en AHANet multietapa mejorado por un bloque de superconvergencia para mejorar la eficiencia del entrenamiento y el rendimiento del modelo.
Los resultados experimentales en el conjunto de datos de Alzheimer de Kaggle muestran que nuestro modelo supera a los modelos de propósito general y personalizados, logrando una mayor precisión al clasificar eficazmente las cuatro etapas de la enfermedad de Alzheimer. Los resultados de este estudio demuestran el potencial del uso de modelos de aprendizaje convolucional para diagnosticar con mayor precisión la enfermedad de Alzheimer.
Descripción
La enfermedad de Alzheimer (AD) es la forma más prevalente de demencia, y su incidencia aumenta a un ritmo cada vez más preocupante. La AD constituye un importante reto sanitario mundial, caracterizado por un deterioro cognitivo progresivo y un grave deterioro de la calidad de vida del paciente, debido a sus efectos perjudiciales sobre funciones cognitivas esenciales, como la memoria, la orientación y el lenguaje. El diagnóstico temprano de la AD es crucial para un tratamiento y pronóstico eficaces sin embargo, los métodos de diagnóstico convencionales tienen dificultades para ser precisos en las primeras fases de la enfermedad.
En este proyecto, estudiamos los modelos avanzados de redes neuronales convolucionales (CNN) para clasificar imágenes de resonancia magnética (MRI) de pacientes en las cuatro etapas de progresión de la AD. Comparamos la precisión de los modelos CNN más avanzados, como AlexNet, VGGNet, DenseNet, y modelos específicamente diseñados para detectar la enfermedad de Alzheimer, como AHANet, DEMNet y el modelo de Abdul. Proponemos un modelo de clasificación de EA basado en AHANet multietapa mejorado por un bloque de superconvergencia para mejorar la eficiencia del entrenamiento y el rendimiento del modelo.
Los resultados experimentales en el conjunto de datos de Alzheimer de Kaggle muestran que nuestro modelo supera a los modelos de propósito general y personalizados, logrando una mayor precisión al clasificar eficazmente las cuatro etapas de la enfermedad de Alzheimer. Los resultados de este estudio demuestran el potencial del uso de modelos de aprendizaje convolucional para diagnosticar con mayor precisión la enfermedad de Alzheimer.
Inteligencia Artificial Centrada en el Humano con Aplicación en Salud y Educación
Descripción
El proyecto propone varias actividades de investigación relacionadas con el área de inteligencia artificial centrada en el usuario en los entornos de salud y educación, incluyendo el desarrollo y evaluación de terapias de regulación emocional, el reconocimiento de lengua de señas, la evaluación de agentes conversacionales y el diseño de tutores inteligentes para la enseñanza de programación.
El proyecto propone varias actividades de investigación relacionadas con el área de inteligencia artificial centrada en el usuario en los entornos de salud y educación, incluyendo el desarrollo y evaluación de terapias de regulación emocional, el reconocimiento de lengua de señas, la evaluación de agentes conversacionales y el diseño de tutores inteligentes para la enseñanza de programación.
Responsable:
Monica Elizabeth Tentori Espinosa
Proyecto Interno
Fecha Inicial: 04-03-2025
Fecha Final: 04-03-2028
Métodos Mixtos para el Análisis de Datos en Contextos de Dimensiones Variables
Este proyecto de investigación explora el análisis de datos diversos, como interacciones táctiles móviles y contenidos multimedia, que se almacenan en matrices de gran escala, abordando los desafíos asociados con la eficiencia y la precisión en su procesamiento. Para procesar estos datos, se utilizan métodos de reducción de características, que pueden ser automáticos, mediante algoritmos, o manuales, guiados por el conocimiento experto.
El objetivo principal es comparar estos enfoques en términos de interpretabilidad, adaptabilidad y viabilidad en aplicaciones prácticas. A través de estudios concretos, se evaluará cómo cada método influye en el análisis y cuáles son sus ventajas y limitaciones según el contexto. Este trabajo busca aportar claridad sobre qué enfoque resulta más adecuado dependiendo del tipo de datos y los objetivos específicos de cada escenario.
Resumen
El objetivo es extender la metodología de programación cerebral en el contexto de problemas de reconocimiento a gran escala. La meta general que estamos considerando en nuestra investigación presenta oportunidades en temas de computación visual como la recuperación de imágenes, el seguimiento de objetos, comportamientos visuales, atención visual, y el reconocimiento de objetos.
El principal objetivo es expandir las capacidades de una nueva metodología de computación evolutiva considerando los dominios de visión por computadora y reconocimiento de patrones. La meta es estudiar la relación entre el modelado basado en funciones y grandes bases de datos siguiendo el paradigma de programación cerebral. Estructuras jerarquicas son utilizadas de acuerdo a conocimiento de neurociencias de la estructura del cerebro. En el diseño, existen programas que evolucionan siguiendo algunas metas preescritas, sin embargo las implementaciones actuales no escalan bien para problemas de grandes bases de datos. La solución a dicha problemática será abordada redefiniendo el problema de aprendizaje de máquinas.
La infraestructura desarrollada dentro del proyecto nos ayuda a estudiar problemas del mundo real de gran escala con un alcance teórico y práctico. Dentro del proyecto esperamos dar soluciones a problemas del mundo real en múltiples dominios: Ciencias de la Tierra, Medicina, Robótica, y Oceanología. Para esto contamos con una red de colaboradores que actualmente participan ya que estan interesados en nuestros desarrollos teóricos. Los participantes de varias instituciones darán fuerza a la consecución de objetivos al fortalecer la cooperación científica y la unión de esfuerzos académicos.
Métodos Mixtos para el Análisis de Datos en Contextos de Dimensiones Variables
Este proyecto de investigación explora el análisis de datos diversos, como interacciones táctiles móviles y contenidos multimedia, que se almacenan en matrices de gran escala, abordando los desafíos asociados con la eficiencia y la precisión en su procesamiento. Para procesar estos datos, se utilizan métodos de reducción de características, que pueden ser automáticos, mediante algoritmos, o manuales, guiados por el conocimiento experto.
El objetivo principal es comparar estos enfoques en términos de interpretabilidad, adaptabilidad y viabilidad en aplicaciones prácticas. A través de estudios concretos, se evaluará cómo cada método influye en el análisis y cuáles son sus ventajas y limitaciones según el contexto. Este trabajo busca aportar claridad sobre qué enfoque resulta más adecuado dependiendo del tipo de datos y los objetivos específicos de cada escenario.
Descripción
Este proyecto de investigación explora el análisis de datos diversos, como interacciones táctiles móviles y contenidos multimedia, que se almacenan en matrices de gran escala, abordando los desafíos asociados con la eficiencia y la precisión en su procesamiento. Para procesar estos datos, se utilizan métodos de reducción de características, que pueden ser automáticos, mediante algoritmos, o manuales, guiados por el conocimiento experto.
El objetivo principal es comparar estos enfoques en términos de interpretabilidad, adaptabilidad y viabilidad en aplicaciones prácticas. A través de estudios concretos, se evaluará cómo cada método influye en el análisis y cuáles son sus ventajas y limitaciones según el contexto. Este trabajo busca aportar claridad sobre qué enfoque resulta más adecuado dependiendo del tipo de datos y los objetivos específicos de cada escenario.
Responsable:
Monica Elizabeth Tentori Espinosa
Proyecto Interno
Fecha Inicial: 04-03-2025
Fecha Final: 04-03-2028