Hacemos Inteligencia Artificial aplicada.
Nuestra misión
El procesamiento cuidadoso de los datos obtenidos de sensores instalados en satélites puede proveer información útil respecto a diferentes fenómenos naturales y artificiales relacionados con la Tierra. La detección de forestación y el estudio de diferentes areas de la superficie terrestre es útil en diferentes problemas como la detección de desertificación, análisis de salud de la forestación, simulación de inundaciones, etc. Diferentes técnicas han sido propuestas proveyendo máscaras de vegetación o forestación basadas en datos de satélite, presentando diferentes problemas como la necesidad de intervención humana para correcciones o la falta de flexibilidad. En este trabajo se abordan dichos problemas aplicando algoritmos de Machine Learning para la detección automática de forestación usando datos de satelites. La presente propuesta es validada a traves de experimentos usando Modelos de Superficie Digitales, firmas espectrales ópticas y térmicas y máscaras de forestación, obtenidas de los proyectos SRTM, Landsat-8 y JAXA en diversas regiones.
La importancia de la producción de ganao caprino ha aumentado durante las últimas décadas en todo el mundo, predominantemente en países con condiciones ambientales duras. Esto se debe, entre otros factores, a que las cabras tienen numerosas ventajas sobre otras especies de animales domésticos, que les permiten adaptarse y mantener su producción en condiciones climáticas duras. Argentina cuenta con aproximadamente 4,8 millones de cabras, de las cuales alrededor del 52% se distribuyen en la región del Desierto del Monte. El presente proyecto tiene como objetivo construir un sistema de clasificación basado en la información proporcionada por los sensores inerciales para identificar el comportamiento de pastoreo de del ganado caprino. En particular, el estudio del comportamiento de pastoreo ayudaría a entender cómo los animales utilizan la vegetación y permitiría ajustar el manejo del rebaño de acuerdo con la disponibilidad y las condiciones de los pastizales naturales. El tiempo que los animales dedican a actividades como el pastoreo, la rumia y el descanso, refleja las condiciones climáticas y de las pasturas, y por lo tanto está altamente relacionado con el rendimiento productivo de los animales. Por lo tanto, los conocimientos generados por los estudios del comportamiento animal adquieren una gran importancia ya que pueden ser utilizados para mejorar la eficiencia de los sistemas de producción animal. El proyecto se lleva a cabo junto con el Instituto Argentino de Investigaciones en Zonas Áridas (IADIZA) perteneciente al CONICET.
El Servicio de Nombres de Dominio (DNS) es una parte central del funcionamiento normal de Internet. Tal importancia, sumado a su escasa seguridad, lo ha convertido en un blanco común de diferentes comportamientos maliciosos como la aplicación de Algoritmos de Generación de Dominio (DGA) para comandar y controlar un grupo de ordenadores infectados o técnicas de Tunneling para eludir las restricciones del administrador del sistema. El presente proyecto explota las características lexicográficas presentes en dominios normales, DGA y Tunneling mediante un modelo de Deep Learning multi-clase, basado en redes convolucionales (CNN), capaz de capturar combinaciones de caracteres que son importantes para discriminar dominios maliciosos de dominios no maliciosos. La investigaciones se centran no solo en el desarrollo de la red neuronal, sino también su implementación para la detección de tráfico de red en tiempo real.
El reconocimiento de comportamiento malicioso en el tráfico red demanda gran cantidad de recursos tanto de índoles computacionales como humanos. Durante los últimos años, se han aplicado un gran número de enfoques con la intención de aligerar las tareas de análisis y reconocimiento. Estos enfoques apuntan fundamentalmente a facilitar la tarea del personal de seguridad de la red, mejorando su capacidad de detección e intentando elevar el nivel de automatización en el proceso de reconocimiento y análisis de comportamiento malicioso. Para ello este proyecto estudia sistemas de recomendación y su aplicación para asistir la identificación de amenazas a la seguridad en la red. En la etapa de etiquetado, la meta es asistir a la construcción del modelo de comportamiento con un compendio de patrones compilado a partir de la actividad de expertos utilizando herramientas visuales. Además, en la etapa de aprendizaje, se investigarán algoritmos de aprendizaje supervisado dedicados a asistir el proceso de recomendación y la creación del modelo.
Jefe
Doctor en Ciencias de la Computación (Universidad Nacional del Centro de la Provincia de Buenos Aires). Activista del software Libre.
Intereses: Machine Learning aplicado a sistemas de navegacion, agricultura, ganaderia, seguridad informática, sistemas distribuidos, redes de datos.
Jefe adjunto
Doctor en Ingeniería (Universidad Nacional de Cuyo). Master Design Global (Université de Lorraine).
Intereses: Machine Learning, Agentes Inteligentes, Metaheurísticas, Optimización, Innovación, Aplicaciones Industriales
Investigador
Doctor en Inteligencia Artificial (Universidad Politécnica de Madrid).
Intereses: Inteligencia Artificial aplicada, Planificación y Scheduling, Logística y Sistemas Industriales.
Investigador
Doctor en Ciencias de la computación (Universidad Nacional del Centro de la Provincia de Buenos Aires). Licenciado en Ciencias de la Computación (Universidad de la Habana).
Intereses: Machine Learning, Analisis de datos, Visualización, Seguridad Informatica y Analisis de Secuencias.
Investigador
Doctor en Ingeniería de Sistemas de Control (Universidad Nacional de San Juan).
Intereses: Predicción de series de tiempo, Análisis de Datos, Aprendizaje Automático, Aprendizaje Profundo, Fusion de Información, Filtro de Kalman.
Estudiante de doctorado
Ingeniero en Sistemas de Información (Universidad Tecnológica Nacional). Estudiante del Doctorado en Ciencias de la Computación (Universidad Nacional del Centro de la Provincia de Buenos Aires).
Intereses: Visión Artificial, Procesamiento de Señales Remotas, Análisis de Datos, Machine Learning, Deep Learning
Estudiante de Doctorado
Licenciada en Ciencias Básicas con orientación en Matemáticas. (Universidad Nacional de Cuyo). Becaria de posgrado CONICET 2021-26.
Intereses: Redes Complejas, Machine Learning, Deep Learning, Analisis de datos.
Estudiante de Doctorado
Licenciado en Física (Universidad Nacional de
Cuyo, Instituto Balseiro) Magister en Ciencias Físicas (Universidad Nacional de
Cuyo, Instituto Balseiro. Estudiante del programa de doctorado en Ciencias de
la Computación de UNICEN)
Intereses: Análisis de Datos, Machine Learning, Deep Learning, Scaling y Scheduling, Sistemas Distribuidos
Estudiante de grado
Estudiante de Licenciatura en Ciencias de la Computación (Universidad Nacional de Cuyo). Becario EVC-CIN 2021-22
Intereses: Machine Learning, Analisis de datos.
Dirección
Facultad de Ingeniería
Universidad Nacional de Cuyo
Centro Universitario. Parque Gral. San Martín
Mendoza. Argentina.
Teléfono
(0261) 4135000 int. 2128
Email Address
labsin@ingenieria.uncuyo.edu.ar
También te puede interesar nuestro repositorio de código y publicaciones.
Te interesa desarrollar investigación con nosotros?
Necesitas capacitación o consultoría?
Tienes proyectos que requieren Inteligencia Artificial?
Contáctanos!
