Las virtudes de las DLTs han llevado a ampliar el abanico de sus escenarios de aplicación y a que cada vez sea más común su implantación en sistemas de ámbito empresarial, en los que un consorcio de organizaciones opera de acuerdo a una lógica de negocio común e inequívoca. Sin embargo, uno de los aspectos clave que penaliza la implantación de las DLTs es la complejidad de la interacción con ellas: a la implementación de los contratos inteligentes se suma la necesidad de desarrollar una aplicación cliente específica que, además de gestionar la autenticación ante los nodos de la red en nombre de una organización, sea capaz de interactuar correctamente con el código de los contratos inteligentes.

Los entornos de dispositivos IoT producen grandes cantidades de datos, que requieren entornos adecuados para su recepción y manipulación. Se necesitan arquitecturas potentes y flexibles, que puedan responder a las necesidades variables del ecosistema de dispositivos IoT productores de datos. Esto incluye unas infraestructuras hardware capaces de atender la demanda (conexiones de red, unidades de cómputo, volumen de memoria principal y unidades de almacenamiento persistente). Se puede recurrir a una solución cloud que delegue en terceras partes la gestión y provisión de los recursos necesarios.

Metaverso, hologramas, interacción remota, mundos virtuales… parece que últimamente las tecnologías de Realidad Extendida son la solución a todos nuestros problemas, pero ¿qué hay de realidad en todo este creciente interés?
Lo que sí sabemos es que la Realidad Extendida ha llegado para quedarse.

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.

El término de Sistema Ciber-Físico, también conocido por las siglas CPS (del inglés Cyber-Physical System), emergió alrededor del 2006 para referirse a la nueva generación de sistemas que disponían tanto de capacidades computacionales como físicas integradas. Generalmente estos sistemas disponen de distintos elementos que están conectados a través de redes de comunicaciones. Se ofrece de esta forma una solución distribuida que es capaz de interactuar con el mundo físico a través de dispositivos de entrada/salida. Podemos encontrarlos en una multitud de distintos dominios de aplicación, como pueden ser: sistemas de salud, sistemas aeroespaciales, sistemas de automoción, control de industria, etc.

En el proyecto MoTIA, financiado por  IVACE con número de expediente IMDDEA/2021/88,  ITI se ha propuesto desarrollar su propia tecnología para automatizar el sexado de mosquitos en una biofábrica destinada a la TIE. Utilizando tecnologías avanzadas de visión artificial y sonido basadas en IA, junto con sensores de última generación, el ITI busca aumentar la eficiencia y,fundamentalmente, el rendimiento del proceso de sexado de mosquitos en el contexto de una biofábrica destinada a la TIE. En particular se está trabajando en base a la especie de mosquito Aedes albopictus, también conocida como mosquito tigre.

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.

Durante años se ha asumido y promulgado la idea de que es importante almacenar enormes cantidades de datos, todos los que fueran posibles y unos pocos más si es necesario. Estos datos, después, se analizaban, procesaban y utilizaban para entrenar modelos que nos permitieran, no sólo entender como había evolucionado nuestro activo en los últimos tiempos, sino también entender hacia dónde iba y hacer predicciones o incluso establecer relaciones de causalidad con otros aspectos que no hubiéramos advertido antes. Como aclaración, hay que decir que hablamos de activo porque esto aplica tanto a las ventas de un negocio, al funcionamiento de una máquina cuando fabrica unos componentes, o a la aceptación de un político cuando hace unas u otras acciones.

Sin embargo, aunque los datos son la joya de la corona, acumular por acumular no es garantía de éxito. Hay dos aspectos clave que durante mucho tiempo no han gozado de su sitio en el escaparate, siendo relegados al rincón oscuro de nuestra joyería. Hablamos de la calidad y de la gobernanza del dato.

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

Está considerado que el 50% de los reingresos en los 30 días posteriores al alta hospitalaria podrían evitarse o preverse, por ejemplo, haciendo un seguimiento más frecuente del paciente con riesgo a reingresar de forma que su salud no se vea tan deteriorada. Pero para los equipos médicos puede ser complicado prever estas situaciones, debido a su elevada carga de trabajo y el alto número de factores a analizar. ¿Se podría ayudar al personal hospitalario en la predicción de estos episodios, alertándoles si un paciente es susceptible de reingresar?