INTELIGENCIA ARTIFICIAL
La investigación en esta área se centra en la teoría, algoritmos, modelos y aplicaciones del Aprendizaje Automático (Machine Learning en inglés) en problemáticas reales que requieran extraer conocimientos de los datos digitales. El objetivo es comprender los fenómenos y mecanismos científicos subyacentes en la aplicación de los modelos de aprendizaje automático y desarrollar nuevos enfoques basados en estos conocimientos.
Integrantes del grupo
Dra. Silvana Vanesa Aciar - Investigadora Adjunta CONICET
Dr. Emilio Donoso - Investigador Adjunto CONICET
Lic. Marcelo Iván Balmaceda Castro - Becario Doctoral CONICET
Lic. Claudio Antonio López Cortez - Becario Doctoral CONICET
Lic. Fernando Gunella - CPA Profesional Adjunto CONICET
Colaboradores externos
Lic. Diego Alejandro Medel Canales. Becario Doctoral
Martín Facundo Gómez Peralta. Estudiante
Gabriel Sebastián Clevers Millán. Estudiante
Líneas de investigación
Inteligencia Artificial y astronomía
Los conjuntos de datos en astronomía se están volviendo extremadamente grandes y complejos, y en muchos casos la riqueza de los datos supera el nivel de sofisticación de los modelos teóricos. Por lo tanto, el aprendizaje automático es un medio para el procesamiento de datos astronómicos para inferir información valiosa de carácter astrofísico como masas estelares de galaxias, tasas de formación estelar, masas de agujeros negros, distancias cosmológicas, identificación de galaxias activas por variabilidad, entre otros.
El ICATE participa en proyectos nacionales e internacionales como el Legacy Survey of Space and Time (LSST), un revolucionario survey fotométrico del hemisferio sur celeste que observará 37.000 millones de objetos a lo largo de 10 años y cuyo análisis depende crucialmente de la aplicación del aprendizaje automático para determinar distancias y propiedades físicas de galaxias y agujeros negros. Los modelos de predicción de aprendizaje automático para dominios donde la variabilidad de los datos es importante, como en dominios de observaciones espaciales derivadas de satélites y telescopios no pueden cuantificar adecuadamente la incertidumbre inherente a esta característica de los datos. Desde el ICATE se trabaja en nuevos enfoques y métodos de medición y reducción de la incertidumbre asociada a la variación de los datos en los modelos de aprendizaje automático.
Inteligencia Artificial y Medio Ambiente
El descubrimiento de información desde el procesamiento de imágenes satelitales y pronósticos climáticos puede ayudar al planeamiento de acciones tendientes a mitigar daños medioambientales, optimización de recursos hídricos, desertificación, etc. Si bien los modelos de aprendizaje automático están avanzando exitosamente en el procesamiento de esta información en laboratorio, aún son pocos los aplicados en escenarios reales debido a la compleja relación, muchas veces desconocida, entre los múltiples factores que contribuyen a la aparición de fenómenos ambientales. Así mismo, aún no se ha identificado ningún modelo o método único para capturar el comportamiento de dichos fenómenos debido a la escasez y variación de los datos de entrenamiento particulares de cada región.
Desde el ICATE estudiamos técnicas promisorias para avanzar en mejoras cruciales del conjunto de datos disponible para el entrenamiento, las cuales incluyen modelos basados en Redes Neuronales Transformer, Redes Adversarias Generativas (GAN), Flujos Spline Neuronales (NSF), y el Transfer Learning para mitigar la escasez y alta discontinuidad los datos de entrenamiento.