Hola,
¿eres nuevo aquí?

Registrate y conecta tu empresa con financiación pública, partners y proyectos.

PID2020-119894GB-I00

Financiado

APRENDIZAJE AUTOMATICO CON DATOS ESCASAMENTE ETIQUETADOS PARA LA INDUSTRIA 4.0

AUNQUE LOS BENEFICIOS DE LA IA SON CADA VEZ MAS ACEPTADOS, SU ADOPCION EN LA INDUSTRIA DISTA DE SER OPTIMA, ALGUNAS TECNICAS DE IA SI QUE HAN ENCONTRADO SU LUGAR, POR EJEMPLO LA LOGICA DIFUSA, OTRAS MAS RECIENTES TODAVIA NO HAN TE... ver más

01/01/2020

UBU

50K€

Presupuesto del proyecto: 50K€

Líder del proyecto

UNIVERSIDAD DE BURGOS No se ha especificado una descripción o un objeto social para esta compañía.

Total investigadores 370

Financiación concedida El organismo AGENCIA ESTATAL DE INVESTIGACIÓN notifico la concesión del proyecto el día 2020-01-01

0% 100%

Participantes

UBU

Lider

Proyectos interesantes

AutoML Unlocking the potential of machine learning for SMEs by auto... 150K€ Cerrado

PLANDEMAN - Sistema de planificación de la de... PLANDEMAN - Sistema de planificación de la demanda mediante... Rechazado

OPRA: OPtimizacion RApida basada en Deep Rein... OPRA: OPtimizacion RApida basada en Deep Reinforcement Learn... 154K€ Cerrado

CoDeFeL Control for Deep and Federated Learning 2M€ Cerrado

RTC2019-006871-7 INVESTIGACIÓN Y DESARROLLO DE METODOLOGÍA EN LA INTELIGENCIA... 1K€ Cerrado

PLANDEMAN - Sistema de planificación de la de... PLANDEMAN - Sistema de planificación de la demanda mediante... Rechazado

Últimas noticias

29-11-2024: IDAE En las últimas 48 horas el Organismo IDAE ha otorgado 4 concesiones

29-11-2024: ECE En las últimas 48 horas el Organismo ECE ha otorgado 2 concesiones

29-11-2024: CMVAMADRID En las últimas 48 horas el Organismo CMVAMADRID ha otorgado 37 concesiones

Líder del proyecto

UNIVERSIDAD DE BURGOS

Total investigadores 370

Presupuesto del proyecto 50K€

Descripción del proyecto AUNQUE LOS BENEFICIOS DE LA IA SON CADA VEZ MAS ACEPTADOS, SU ADOPCION EN LA INDUSTRIA DISTA DE SER OPTIMA, ALGUNAS TECNICAS DE IA SI QUE HAN ENCONTRADO SU LUGAR, POR EJEMPLO LA LOGICA DIFUSA, OTRAS MAS RECIENTES TODAVIA NO HAN TENIDO SUFICIENTE PENETRACION, EN ESTE PROYECTO NOS CENTRAREMOS EN LA RESOLUCION DE PROBLEMAS EN EL CONTEXTO DE LA INDUSTRIA MANUFACTURERA, Y EN CONCRETO EN AQUELLOS PROBLEMAS PARA LOS QUE NO HAY SUFICIENTES DATOS ETIQUETADOS, DONDE FALLAN LOS METODOS CLASICOS, Y SON POR TANTO NECESARIOS METODOS MAS RECIENTES DE APRENDIZAJE AUTOMATICO,DENTRO DE LA IA, EL APRENDIZAJE AUTOMATICO SE CENTRA EN LA CREACION DE ALGORITMOS QUE «APRENDEN» UTILIZANDO EL ANALISIS DE DATOS HISTORICOS, SIENDO CAPACES DE DESCUBRIR TENDENCIAS Y PATRONES OCULTOS, QUE AYUDAN EN LOS PROCESOS DE TOMA DE DECISIONES, TRADICIONALMENTE SE DIFERENCIA ENTRE EL APRENDIZAJE SUPERVISADO Y NO SUPERVISADO, EN EL PRIMERO ES NECESARIO TENER REGISTRADOS DATOS EN LOS QUE SE CONOCEN TANTO LOS VALORES DE LAS VARIABLES DE ENTRADA COMO LOS DE SALIDA QUE SE DESEA PREDECIR (SI LA VARIABLE SALIDA TOMA UN VALOR DE UN CONJUNTO FINITO DE VALORES POSIBLES, ESTARIAMOS ANTE UN PROBLEMA DE CLASIFICACION, SI LA SALIDA ES UN VALOR CONTINUO, TENDRIAMOS UN PROBLEMA DE REGRESION), EL RESULTADO DEL PROCESO DE APRENDIZAJE ES UN MODELO CAPAZ DE PREDECIR EL VALOR DE SALIDA PARA NUEVOS VALORES DE ENTRADA, EN UN CONTEXTO INDUSTRIAL ESTO ES MUY UTIL PORQUE LOS VALORES DE SALIDA QUE SE APRENDEN A PREDECIR PODRIAN SER COSAS COMO EL TIEMPO ANTES DEL PROXIMO FALLO DE UN DISPOSITIVO (LO QUE AYUDARIA A TOMAR LA DECISION DE LLEVAR A CABO UNA ACCION DE MANTENIMIENTO) O LA RUGOSIDAD DE UNA PIEZA QUE SE ESTE MECANIZANDO (LO QUE PERMITIRA CAMBIAR LOS PARAMETROS DEL PROCESO PARA PODER OBTENER LA RUGOSIDAD DESEADA), POR OTRO LADO, EN EL APRENDIZAJE NO SUPERVISADO NO SE TIENE UNA VARIABLE A PREDECIR, SINO QUE SE QUIEREN DESCUBRIR OTROS TIPOS DE PATRONES, COMO POR EJEMPLO LA SIMILARIDAD ENTRE LOS DATOS, O EL HECHO DE QUE UN CONJUNTO DE MEDIDAS SE CORRESPONDA CON UN DATO ATIPICO (LO QUE PODRIA SER UN INDICIO DE MAL FUNCIONAMIENTO DE LA MAQUINA), EL PROBLEMA DEL APRENDIZAJE SUPERVISADO ES QUE CON FRECUENCIA LOS DATOS HISTORICOS DE QUE SE DISPONE TIENEN QUE SER ETIQUETAS DE FORMA MANUAL, LO QUE HACE LA OBTENCION DE DATOS DE ENTRENAMIENTO SEA UN PROCESO MUY LABORIOSO Y COSTOSO, PARA ALIVIAR ESTE PROBLEMA, RECIENTEMENTE HAN SURGIDO LOS METODOS DE APRENDIZAJE SEMI-SUPERVISADO, EN LOS QUE PARTIENDO DE UN CONJUNTO LIMITADO DE DATOS ETIQUETAS SE APROVECHAN TAMBIEN DE LA ESTRUCTURA EXISTENTE EN LOS DATOS NO ETIQUETADOS PARA APRENDER MODELOS MAS ROBUSTOS QUE LOS QUE SE HABRIAN OBTENIDO UTILIZANDO SOLO EL PEQUEÑO CONJUNTO DE DATOS ETIQUETADOS DISPONIBLES,NUESTRO GRUPO HA TENIDO SU ORIGEN EN EL DISEÑO DE ALGORITMOS DE CLASIFICACION, EN DISTINTOS PROYECTOS HEMOS SIDO CAPACES DE ADAPTARLOS A OTROS TIPOS DE PROBLEMAS, COMO LOS PROBLEMAS DE REGRESION (VARIABLE DE SALIDA CONTINUA) O A PROBLEMAS MULTI-ETIQUETA O MULTI-SALIDA (DONDE SE APRENDEN SIMULTANEAMENTE VARIAS VARIABLES DE SALIDA EXPLOTANDO LA RELACION QUE PUEDA HABER ENTRE ELLAS), EN ESTE PROYECTO NOS PROPONEMOS ADAPTAR ESTOS ALGORITMOS A PROBLEMAS EN LOS QUE EL NUMERO DE DATOS ETIQUETADOS ES LIMITADO, ES DECIR, QUEREMOS DISEÑAR NUEVOS ALGORITMOS DE APRENDIZAJE SEMI-SUPERVISADO Y UTILIZARLOS PARA RESOLVER PROBLEMAS INDUSTRIALES, APRENDIZAJE SEMISUPERVISADO\APRENDIZAJE AUTOMATICO\CLASIFICACION\REGRESION\PROCESAMIENTO DE IMAGENES\APLICACIONES INDUSTRIALES\MACHINE LEARNING AS A SERVICE\BIG DATA

Conecta tu I+D

Entra hoy

Financiación

Empresas

CTIs/Universidades

Proyectos

Investigadores