Blog

El proyecto AITANA MoMo pretende perfeccionar la capacidad predictiva de modelos para facilitar la toma de decisiones estratégicas en la empresa

El proyecto OpRa ofrece nuevas medidas de seguridad para los datos basadas en tecnologías de Inteligencia Artificial, potenciando proyectos de Big Data Analytics como RADIATUS.

El proyecto BIGSALUD4 pretende llevar la Inteligencia Artificial (IA) a la práctica hospitalaria ofreciendo apoyo al personal sanitario en el proceso de toma de decisiones

El proyecto Soroll-IA tiene como objetivo la creación de una base de datos de audios genéricos en un entorno portuario. Para ello, se han desplegado una serie de nodos acústicos en lugares estratégicos del mismo. Debido a la gran cantidad de datos que se esperan recolectar, será imposible etiquetarlos todos en un futuro cercano. Por tanto, en el marco de este proyecto, se pretenden investigar técnicas de aprendizaje activo (AL) o active learning en inglés

El proyecto se dirige a empresas industriales valencianas, que generan gran cantidad de datos con potencial de explotación, y a empresas tecnológicas capaces de procesar y explotar estos datos.  Aunque en general las empresas de la región son conscientes del valor de los datos, suele surgir dudas en cuanto al beneficio de participar en iniciativas de este tip

El proyecto AITANA-MOVEC tiene como objetivo desarrollar un conjunto de herramientas y librerías que permitirán la gestión y el control de versiones de experimentos de inteligencia artificial bajo la premisa de facilidad y flexibilidad de uso. En particular, la herramienta se integrará en la solución AITANA existente y permitirá el versionado de modelos y experimentos de IA guardando iterativamente las diferentes versiones y modificaciones realizadas, así como los resultados obtenidos en cada modelo e iteración.

El reingreso no programado se puede definir como el ingreso en el hospital pasado un tiempo tras el alta (normalmente 30 días). Estudios recientes cifran en un 27% los reingresos no programados que podrían predecirse, y en un 14% aquellos potencialmente evitables al tomar las medidas consecuentes[1].

Como se puede intuir, se trata de un problema relevante. Estos reingresos suponen una carga para los sistemas sanitarios por sus repercusiones tanto en la vida del paciente, que ve empeorar su salud, como en la calidad de los cuidados hospitalarios. Los factores que influyen en este reingreso son heterogéneos y elevados en número, lo que dificulta su detección por parte de los facultativos, que ya de por sí soportan una carga de trabajo elevada.

Una caracterización correcta de estos reingresos puede ayudar en el proceso de toma de decisiones, ayudando a mejorar la calidad de vida de los pacientes y optimizando el uso de recursos hospitalarios. Por ejemplo, se puede mantener ingresado unos días más al paciente con alto riesgo de reingreso o hacer un seguimiento más específico al alta, con el fin de evitar posteriormente su reingreso no programado.

La salud es un ámbito que puede beneficiarse sobremanera de las bondades de la Inteligencia Artificial (IA), en particular del aprendizaje automático (ML del inglés Machine Learning). En ITI no solo creemos en esta idea, sino que tratamos de llevarla a cabo. El desafío que tenemos por delante es conseguir modelos robustos que estiman algún patrón clínico, dado que un error del modelo puede tener consecuencias importantes para un paciente. Es por ello que, implementar buenas prácticas en el desarrollo de herramientas basadas en IA, así como buscar, a través de la investigación, métodos que permitan interpretar modelos de IA y mitigar la influencia de posibles fuentes de sesgo es clave para: (1) que el facultativo clínico pueda confiar y sacar rendimiento de la IA y (2) que los que nos dedicamos a defender las bondades de la IA podamos seguir mejorando y levantar la voz sin miedo.

Este proyecto pretende abordar la ciberdelincuencia desarrollando estrategias y herramientas preventivas con tecnologías Big Data, agilizando la identificación de ciberdelitos, con el fin de preparar y desplegar las contramedidas adecuadas contra los autores, basándose en los indicadores y las tendencias de delincuencia, aprovechando los servicios automatizados 24x7 y las aplicaciones novedosas basadas en el uso de modelos estadísticos multidimensionales junto a modelos basados en Deep Learning.

En el contexto de AIDA, ITI ha estado trabajando en varias herramientas analíticas que permiten observar cambios en los datos online. En estas herramientas se estudian y analizan anomalías en series temporales, se buscan patrones geográficos y se estudian tendencias en diferentes ámbitos de la delincuencia. Estas herramientas están pensadas para que las empresas sean capaces de ofrecer una rápida respuesta, gestionar de manera más eficiente los recursos e incluso puedan prever el comportamiento delictivo mediante la observación de patrones.

Es posible plantear actividades en RA que sucedan en el hogar del paciente, y que permitan trabajar situaciones que suceden fuera de la consulta.