El aprendizaje automático es una disciplina científica del ámbito de la inteligencia artificial que crea sistemas capaces de aprender automáticamente de datos recogidos y de su propia experiencia
En TECNALIA contamos con casi un centenar de profesionales dedicados a las tecnologías de IA y Big Data. El equipo fomenta la creación de un ecosistema formado por una red de colaboradores con conocimientos complementarios en inteligencia artificial, arquitecturas de ingesta y gestión de datos de altas prestaciones. Su objetivo principal es apoyar el conocimiento humano para maximizar los procesos de transformación digital a los que se enfrenta la sociedad hoy en día, generando claras ventajas competitivas.
Participamos en distintos congresos científicos como es el caso de la conferencia europea referente en aprendizaje automático European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases.
El aprendizaje automático "Machine Learning" es una disciplina científica del ámbito de la inteligencia artificial que crea sistemas capaces de aprender automáticamente de datos recogidos y de su propia experiencia. De este modo, perfeccionan y facilitan procesos intensivos en generación de datos sin haber sido específicamente programados para ello.
Artículos de investigación
El artículo CURIE: a cellular automaton for concept drift Detection ha sidovpublicado en la revista Data Mining and Knowledge Discovery en su número especial Special Issue of the Journal Track of ECML PKDD 2021 (Journal Track). La investigación ha sido liderada por TECNALIA en colaboración con el clúster ParisTech (Francia), la Universidad de Waikato (Nueva Zelanda) y la Universidad de Granada.
Este trabajo se centra en la detección automática de cambios que a menudo se producen en los datos generados en tiempo real (fenómeno denominado concept drift). El objetivo es detectar el momento en que dichos cambios suceden para poder reentrenar los modelos de aprendizaje automático, de modo que estos mantengan su desempeño predictivo.
Bajo el título SLAYER: A Semi-supervised Learning Approach for Drifting Data Streams under Extreme Verification Latency este trabajo, llevado a cabo únicamente por TECNALIA, ha sido presentado en el workshop Interactive Adaptive Learning: aporta una solución alternativa al problema de la deriva de concepto, considerando la problemática adicional de la denominada latencia de verificación extrema.
Esta circunstancia está presente en muchos procesos de aprendizaje en tiempo real, en los que la anotación de los datos necesaria para actualizar el conocimiento del modelo de aprendizaje no está disponible de manera inmediata; haciendo mucho más compleja la detección de los cambios en los datos generados en tiempo real. La investigación ofrece un algoritmo novedoso para poder monitorizar la evolución de los datos a lo largo del tiempo aun no disponiendo de dicha anotación, alcanzando cotas de acierto en problemas de predicción.
El tercer trabajo de investigación Rank aggregation for non-stationary data streams, liderado por BCAM y con la colaboración de TECNALIA, ha sido presentado y publicado en la modalidad Research Track.
Se centra en resolver un problema presente en muchas disciplinas y campos de aplicación; el denominado rank aggregation problem (combinación de varias listas de rankings en una sola) presente en procesos de aprendizaje automático en tiempo real, y bajo la amenaza de cambios repentinos que se pueden producir en los datos (concept drift).
