Sistemas inteligentes

Las actividades del grupo de Sistemas Inteligentes se desarrollan en el campo del procesado inteligente de la información proveniente de múltiples fuentes y sensores y extraer valor de la información.

El grupo aplica los últimos avances en sus vertientes de Redes Neuronales, Mapas Autoorganizados, Random Forest, Computación Evolutiva… Estas técnicas permiten su aplicación a un conjunto relevante de dominios (mantenimiento predictivo, robótica, optimización, gestión de los recursos…) que representan las áreas más activas de investigación en IA.

Áreas de trabajo

Procesado de señal/imagen: En la actividad de AIN, el procesado de la información parte desde la captura. Esta señal capturada tiene que ser preprocesada, adaptada y preparada para la obtención de información. Incluye procesamientos en el dominio de tiempo, de frecuencia, wavelet… e imágenes en el visible, infrarrojo, multiespectral, lídar… Se incluyen las técnicas de fusión de datos.

Aprendizaje automático: el trabajo está enfocado a la minería de datos y el descubrimiento de conocimiento. Analizamos datos históricos y los convertimos en información predictiva y prescriptiva, creamos modelos complejos basados en datos y optimizamos sistemas complejos. Se utilizan numerosos algoritmos y métodos entre los que se encuentran la computación evolutiva, las redes neuronales, los métodos probabilísticos… Según la forma de aprendizaje, los métodos de aprendizaje supervisado y no supervisado. Y todos ellos con el fin de optimizar, clasificar, detectar patrones o analizar series temporales de datos.

Aprendizaje profundo: se trabajan con técnicas de aprendizaje profundo, que son un subconjunto de las técnicas del aprendizaje automático. Son las redes neuronales complejas entrenadas con ingentes cantidades de datos. Estas redes están desplegando todo su potencial por la mejora de la capacidad computacional de los sistemas informáticos, y permiten que el sistema autoaprenda la relevancia de los atributos de la información.

Inteligencia artificial: Esta línea de investigación se nutre de las anteriores, pero va un paso más allá, desarrollando algoritmos para interactuar con las máquinas/coches/robots en fábricas, hospitales, espacios abiertos… y con habilidades para actuar, reaccionar y aprender con la observación y experiencia.


Proyectos destacados

DATAI-PV: Investigación en nuevos modelos de Deep Learning y técnicas avanzadas de IA

DATAI-PV: Investigación en nuevos modelos de Deep Learning y técnicas avanzadas de IA

Investigación en nuevos modelos de Deep Learning y técnicas avanzadas de IA para la generación de un Gemelo Digital data – driven de plantas solares utility scale

DISENIA – DISEÑO DE METASUPERFICIES CON CAPACIDAD DE ENFRIAMIENTO RADIATIVO APLICANDO IA Y MODELOS SUBROGADOS

DISENIA – DISEÑO DE METASUPERFICIES CON CAPACIDAD DE ENFRIAMIENTO RADIATIVO APLICANDO IA Y MODELOS SUBROGADOS

isenIA es la continuación del proyecto AEVOMETA II desarrollado durante 2020-2022, que combinaba conceptos de computación evolutiva y metasuperficies nanofotónicas para desarrollar estructuras ultracompactas con características de enfriamiento radiativo pasivo.

BuildTwin – Gemelos digitales para la climatización eficientes de edificios

BuildTwin – Gemelos digitales para la climatización eficientes de edificios

El objetivo general del proyecto es investigar en el desarrollo de modelos digitales (digital twin) de climatización para edificación con diferentes aproximaciones.

MARS – Manufacturing Architecture for Resilience and Sustainability

MARS – Manufacturing Architecture for Resilience and Sustainability

MARS proporcionará a las PYMEs manufactureras europeas acceso a innovaciones en procesos de fabricación digitales impulsados por IA y en cadenas de procesos distribuidas geográficamente.

 
 

2024 © AIN Asociación de la Industria Navarra

Esta empresa ha recibido una ayuda del Gobierno de Navarra en virtud de la convocatoria de 2021 de «Fomento de la Empresa Digital de Navarra»

Logotipo DGIPYME Logotipo AEI CLUSTER Logotipo fEDER