CIENCIA DE DATOS ANTROPOCENTRICA PARA APLICACIONES GUIADAS POR EL APRENDIZAJE MA...
CIENCIA DE DATOS ANTROPOCENTRICA PARA APLICACIONES GUIADAS POR EL APRENDIZAJE MAQUINA
ESTA PROPUESTA SURGE COMO UNA RESPUESTA NATURAL A UN CONJUNTO DE NECESIDADES QUE HEMOS DETECTADO TRAS VARIOS AÑOS COLABORANDO COMO EXPERTOS EN MACHINE LEARNING (ML) EN EQUIPOS MULTIDISCIPLINARES ORIENTADOS A LA INNOVACION Y LA INV...
ver más
Fecha límite participación
Sin fecha límite de participación.
Financiación
concedida
El organismo AGENCIA ESTATAL DE INVESTIGACIÓN notifico la concesión del proyecto
el día 2020-01-01
No tenemos la información de la convocatoria
0%
100%
Características del participante
Este proyecto no cuenta con búsquedas de partenariado abiertas en este momento.
Información adicional privada
No hay información privada compartida para este proyecto. Habla con el coordinador.
¿Tienes un proyecto y buscas un partner? Gracias a nuestro motor inteligente podemos recomendarte los mejores socios y ponerte en contacto con ellos. Te lo explicamos en este video
Fecha límite de participación
Sin fecha límite de participación.
Descripción del proyecto
ESTA PROPUESTA SURGE COMO UNA RESPUESTA NATURAL A UN CONJUNTO DE NECESIDADES QUE HEMOS DETECTADO TRAS VARIOS AÑOS COLABORANDO COMO EXPERTOS EN MACHINE LEARNING (ML) EN EQUIPOS MULTIDISCIPLINARES ORIENTADOS A LA INNOVACION Y LA INVESTIGACION EN APLICACIONES DE SALUD Y FINANCIERAS. DESARROLLAR MODELOS DE ML EN ESTOS DOS CAMPOS ES DIFICIL DEBIDO A QUE LA ESCASEZ DE DATOS DEBE COMPLETARSE CON MUCHA INFORMACION DE DOMINIO, QUE A VECES ES DIFICIL DE ALINEAR CON LAS PARTICULARIDADES DE LOS MODELOS DE ML. ADEMAS, ESTOS DOS CAMPOS ESTAN FUERTEMENTE REGULADOS, LO QUE IMPONE DRASTICAS LIMITACIONES A LA NATURALEZA TIPO "CAJA NEGRA" QUE POSEEN LA MAYORIA DE LOS MODELOS DE ML. SIN EMBARGO, CADA VEZ QUE ESTAS COLABORACIONES MULTIDISCIPLINARES FRUCTIFICARON EN UN MODELO EXITOSO, Y LOS EXPERTOS DE CADA DOMINIO EXPERIMENTABAN SU POTENCIAL PARA AYUDARLES A MEJORAR SUS PROCESOS DE TOMA DE DECISIONES, ESTOS EXPERTOS PROFANOS EN ML CONSIDERABAN QUE EL COMPONENTE DE ML ERA UN HADA MADRINA QUE APORTABA EL INGREDIENTE MAGICO NECESARIO PARA EL EXITO DEL PROYECTO.ESTE PROYECTO PERSIGUE EL DESARROLLO DE UN MARCO PARA EL DISEÑO DE ML ANTROPOCENTRICO, ES DECIR, CUYO PRINCIPAL OBJETIVO SEA SER CONSUMIDO Y ENTENDIDO POR OPERADORES HUMANOS EXPERTOS EN CADA DOMINIO. HADA MADRINA ES UN MARCO BAYESIANO PARA EL DISEÑO DE COMPONENTES ML AJUSTADOS PARA CADA TAREA A RESOLVER DE UN MODO RAPIDO, ROBUSTO Y ANTROPOCENTRICO. NUESTRO PUNTO DE PARTIDA ES SSHIBA, UN MARCO QUE UNIFICA, DESDE UNA OPTICA BAYESIANA, MULTITUD DE COMPONENTES ML MUY ESPECIFICOS QUE HEMOS IDO DESARROLLANDO EN EL PASADO PARA TRABAJAR EN DIFERENTES INICIATIVAS EN SALUD Y FINANZAS. SSHIBA REALIZA UN ANALISIS BAYESIANO EN FACTORES CON MULTIPLES VISTAS DE CADA OBJETO, Y EL OBJETIVO DE ESTA PROPUESTA ES EXTENDERLO PARA ADMITIR VISTAS FORMADAS POR SEÑALES O DATOS SECUENCIALES; VISTAS DEFINIDAS CON KERNELS O CON EMBEDDINGS DE APRENDIZAJE PROFUNDO; TRATAR LA TRANSFERENCIA DE APRENDIZAJE Y LA SELECCION DE CARACTERISTICAS. ADEMAS, EL ANTROPOCENTRISMO SE RECOGE EN UN PLAN PARA DISEÑAR PRIORS INFORMATIVOS QUE FACILITEN EL AÑADIDO DE CONOCIMIENTO DE EXPERTOS AL MODELO. LOS FACTORES LATENTES PUEDEN TAMBIEN CONTROLAR EL COMPROMISO ENTRE LA PRECISION DE LOS MODELOS Y SU EXPLICABILIDAD. ESTOS FACTORES LATENTES SE USARAN PARA OBTENER EMBEDDINGS QUE FACILITEN EL DISEÑO DE HERRAMIENTAS DE VISUALIZACION PARA AYUDAR A LOS EXPERTOS PROFANOS EN ML A EXPLOTAR TODAS LAS POTENCIALIDADES DE HADA MADRINA.LA METODOLOGIA PROPUESTA SE APOYA EN COLABORACIONES MULTIDISCIPLINARES DEL EQUIPO DE INVESTIGACION CON EXPERTOS DE LOS DOMINIOS CLINICO Y FINANCIERO, QUE HAN ACORDADO PARTICIPAR CON SU AYUDA. DENTRO DE LAS APLICACIONES EN SALUD, LAS EXTENSIONES DE SSHIBA SE USARAN PARA CONSTRUIR HADAS MADRINAS PARA EL TESTEO AUTOMATICO DE SUSCEPTIBILIDAD DE ANTIBIOTICOS Y PARA LA CARACTERIZACION AUTOMATICA DE LA ESQUIZOFRENIA. LAS APLICACIONES FINANCIERAS ELEGIDAS SON ESTRATEGIAS DE GESTION DE PORTAFOLIOS MEDIANTE "ASSET ALLOCATION" Y EL DISEÑO DE INDICADORES INTELIGENTES PARA PREDICTORES DE TENDENCIA EN SEÑALES DE PRECIOS EN MERCADOS DE MATERIAS PRIMAS. EL MAYOR IMPACTO ESPERADO ES DAR UN PASO IMPORTANTE EN LA PENETRACION DE ML EN APLICACIONES CLINICAS Y DE FINANZAS COMO COMPONENTE CENTRAL DE SISTEMAS DE APOYO A LA DECISION CON "INTELIGENCIA AUMENTADA". ESTE PROYECTO REFORZARA LAS ANTERIORMENTE MENCIONADAS COLABORACIONES, ABRIENDO OPORTUNIDADES PARA TRANSFERENCIA DE TECNOLOGIA. PRENDIZAJE MAQUINA\FINANZAS\SALUD\INTERPRETABILIDAD\HETEROGENEIDAD\MULTIVISTA\CONOCIMIENTO EXPERTO\FACTORES LATENTES\BAYESIANO