RC

El principal objetivo del Grupo de Investigación en Robótica Cognitiva es hacer investigación, desarrollo e innovación de técnicas y formalismos del área de inteligencia artificial para proveer de capacidades cognitivas a robots o agentes de software de manera que puedan actuar en forma autónoma y sin intervención humana. Estos robots tienen que ser capaces de interactuar con el entorno en donde se desenvuelven, percibiendo información, razonando y actuando sobre dicho entorno. Además, se buscará contribuir al área de sistemas embebidos, utilizando inteligencia artificial para atacar problemas que se suelen resolver en forma ad-hoc en el área.
Los temas principales en los que se desarrollan actividades son:

  • Argumentación
  • Revisión de creencias
  • Planificación
  • Agentes y sistemas multi-agentes
  • Toma de decisión
  • Sistemas embebidos
  • Inteligencia artificial en sistemas de control
  • Percepción: recuperación de información a través de sensores complejos (cámaras, RFID, ultrasonido, infrarrojo, red, mensajes, etc.)
  • Actuadores

Miembros del Grupo

Director: Luciano H. Tamargo

Investigadores

  • Andrea Cohen,
  • Marcelo A. Falappa,
  • Alejandro J. García,
  • Diego R. García,
  • Sebastian Gottifredi,
  • Diego C. Martínez,
  • José H. Moyano,
  • Gerardo I. Simari,
  • Guillermo R. Simari,
  • Luciano H. Tamargo.

Becarios

  • Ramiro A. Agis,
  • Martín Buron B.,
  • Federico Joaquín,
  • Mariano Maisonnave,
  • Virginia Sabando,
  • Matías Selzer.

More

JuriSIA

Los objetivos del Grupo de Investigaciones Jurídico-Sociales e Inteligencia Artificial son la investigación para el desarrollo de teorías y formalismos para modelar el razonamiento jurídico, el desarrollo de prototipos de Software para brindar asistencia tecnológica a la práctica del razonamiento jurídico, y el dictado de seminarios y cursos de posgrado en la interdisciplina de la Inteligencia Artificial y el Derecho.

Nuestro desafío es construir un puente entre las Ciencias de la Computación y las Ciencias Jurídicas de forma que cada una se enriquezca por la perspectiva de la disciplina complementaria. Buscamos así, definir un lenguaje común para lograr una interacción fluida entre la inteligencia artificial y la filosofía del derecho. Además, las perspectivas de la sociología jurídica y las ciencias políticas nos permiten una mayor profundización sobre el análisis del funcionamiento de los sistemas legislativo y judicial en nuestro país.

Es incumbencia primordial lo relativo al análisis de correctitud y fortalecimiento de las justificaciones en la argumentación jurídica, mientras que, por el contrario, no será de interés la aplicación de herramientas probabilísticas que pretendan reemplazar el criterio humano en la toma de decisiones judiciales.

Principales áreas de investigación:

  • Argumentación formal, filosófica, jurídica y probatoria
  • Interpretación Jurídica
  • Razonamiento Hipotético
  • Dinámica del razonamiento y Revisión de Creencias
  • Representación de Conocimiento y lógicas no-clásicas: deónticas, descriptivas, multivaluadas, dinámicas, rebatibles, etc.
  • Minería de argumentos jurídicos y Procesamiento de Lenguaje Natural
  • Razonamiento Automatizado y Ontológico
  • Sociología Jurídica, Cs. Políticas, Social Choice, Judicial Politics
  • Derecho Constitucional, Penal, Procesal y Procesal Penal

Miembros del Grupo

Director: Martin O. Moguillansky

Investigadores

  • Gustavo Bodanza (Filosofía) – IIESS (UNS-CONICET),
  • Hernán G. Bouvier (Filosofía del Derecho) – CIJS (UNC-CONICET),
  • M. Laura Cobo (Inteligencia Artificial) – DCIC (UNS),
  • Juan Cumiz (Filosofía del Derecho) – Departamento de Derecho (UNS),
  • Eugenia Gastiazoro (Sociología Jurídica) – CIJS (UNC-CONICET),
  • Sebastián Linares Lejarraga (Ciencias Políticas) – IIESS (UNS-CONICET),
  • Diego C. Martínez (Inteligencia Artificial) – ICIC (UNS-CONICET),
  • Martín O. Moguillansky (Inteligencia Artificial y Derecho) – ICIC (UNS-CONICET),
  • Guillermo R. Simari (Inteligencia Artificial) – ICIC (UNS-CONICET),
  • Axel J. Soto (Inteligencia Artificial – Procesamiento de Lenguaje Natural) – ICIC (UNS-CONICET),
  • Luciano H. Tamargo (Inteligencia Artificial) – ICIC (UNS-CONICET).

Becarios

  • Federico A. Leiva (Filosofía y Derecho) – UNS.

More

VyCG

Las principales líneas de investigación del Grupo de Investigación y Desarrollo en Visualización y Computación Gráfica se centran en áreas temáticas de Analítica Visual y Visualización, Computación Gráfica y Visión Computacional.

Respecto a Visualización, la investigación y el desarrollo están orientados a Visualización basada en Semántica, Interacciones en Visualización y Análisis Visual de Grandes Conjuntos de Datos con especial énfasis en datos espaciales, temporales y espacio temporales provenientes de distintas áreas del conocimiento (Geología, Neurociencias, Estadísticas Sociales, Políticas y Económicas, etc.).

En cuanto a Computación Gráfica se está trabajando en las líneas de Realidad Aumentada en interiores y en exteriores, Realidad Virtual, Analítica Visual del Movimiento y Modelado y Rendering de Volúmenes en Medicina. En lo que respecta a Visión computacional, la temática se refiere al estudio de marcadores biométricos para la detección de distintas patologías y a Reconstrucción 3D.

Miembros del Grupo

Director: Martín L. Larrea

Investigadores

  • Silvia Castro,
  • M. Luján Ganuza,
  • Nicolás Gazcón,
  • Dana K. Urribarri.

Becarios

  • Juan I. Larregui,
  • Matías Selzer,
  • Juan Manuel Trippel.

More

Grupo de investigación dedicado al diseño, implementación, aplicación y validación de herramientas Bioinformáticas para el análisis de datos ómicos en el estudio del Cáncer

En la actualidad existen diversos métodos para extraer información a partir de los datos de expresión de genes obtenidos con los experimentos de microarray o RNA-Seq por ejemplo, desde netamente estadísticos hasta métodos de inteligencia artificial. Nuestro objetivo es generar conocimiento a partir de estos datos combinando las dos áreas, apoyados por un grupo de biología molecular que aporta distintas necesidades provenientes de problemas reales relacionados con el cáncer, y que a su vez valida la coherencia de nuestros resultados.

Miembros del Grupo

Director: Jessica Carballido

Investigadores

  • Jessica Carballido – ICIC (UNS- CONICET),
  • Silvia Castro – ICIC (UNS- CONICET),
  • Rocío Cecchini – ICIC (UNS- CONICET),
  • Lucía Fernandez Chavez – (Farmacia),
  • Alejandro Curino – INIBIBB (UNS-CONICET),
  • Maria Marta Facchineti – INIBIBB (UNS-CONICET),
  • Ma. Luján Ganuza – ICIC (UNS- CONICET),
  • Marilina Mascaró – INIBIBB (UNS-CONICET).

More

ICBD

El objetivo del Grupo de Investigación en Ingeniería Cognitiva y Bases de Datos es el de hacer investigación, desarrollo e innovación en modelos formales y herramientas para el apoyo de los procesos cognitivos de los usuarios de sistemas de información; los temas principales en los que se desarrollan actividades son:

  • Razonamiento bajo incertidumbre
  • Manejo de inconsistencia
  • Razonamiento con preferencias
  • Lenguajes ontológicos para la Web Semántica
  • Revisión de creencias
  • Ciber-seguridad
  • Integración de información
  • Sistemas híbridos que combinan aprendizaje automático con modelos basados en lógica
  • Bases de conocimiento social

Los análisis de tratabilidad computacional (teóricos y prácticos) conducen una parte importante del I+D+i en todos estos temas.

Miembros del Grupo

Director: Gerardo I. Simari

Investigadores

  • Maximiliano Budán – UNSE (CONICET),
  • Paola Budán – UNSE,
  • Cristhian A. Deagustini – UNER (CONICET),
  • Marcelo A. Falappa – ICIC (UNS-CONICET),
  • Melisa Escañuela Gonzalez – UNSE (CONICET),
  • M. Vanina Martinez – ICC (UBA-CONICET),
  • Cristian Pacífico – UNER,
  • Federico Rosenzvaig – UNSE,
  • Gerardo I. Simari – ICIC (UNS-CONICET),
  • Guillermo R. Simari – ICIC (UNS-CONICET).

Becarios

  • Fabio Gallo,
  • Mario Leiva,
  • José Paredes.

More

RCR-SMA

Las líneas de investigación del Grupo de Investigación en Representación de Conocimiento y Razonamiento en Sistemas Multi-Agente (RCR-SMA) están orientadas desarrollar y mejorar las capacidades de agentes inteligentes que participan de Sistemas Multi-Agente (SMA). Se busca desarrollar e implementar técnicas que combinan los desarrollos de las áreas de programación lógica, argumentación, revisión de creencias, planificación automática, confianza y reputación, lenguajes de implementación de agentes, representación de conocimiento y razonamiento automático. Los resultados obtenidos y esperados buscan dar soluciones a problemas computacionales de estas y otras áreas de la ciencia y la tecnología.

Entre las líneas actuales de investigación se encuentran: Desarrollar nuevas técnicas de mantenimiento y revisión de los mecanismos computacionales de confianza y reputación en SMA, donde los agentes puedan recibir información de múltiples informantes. Desarrollar técnicas para mejorar la capacidad y eficiencia computacional de los sistemas argumentativos, incorporando una noción de soporte entre argumentos y relaciones de alto orden. Desarrollar métodos para equipar a los sistemas de argumentación con la posibilidad de tener en cuenta cambios dinámicos, integrando, de esta manera, técnicas de revisión de creencias a la argumentación rebatible. Desarrollar mecanismos para la toma de decisiones individuales o colectivas por parte de agentes inteligentes deliberativos de un SMA. Desarrollar técnicas para compartir conocimiento en un SMA.

Miembros del Grupo

Director: Alejandro J. García

Investigadores

  • Andrea Cohen,
  • Marcelo A. Falappa,
  • Alejandro J. García,
  • Diego R. García,
  • Sebastian Gottifredi,
  • Guillermo R. Simari,
  • Luciano H. Tamargo.

Becarios

  • Ramiro A. Agis,
  • Martín Buron B.,
  • Federico Joaquín

More

GIGCRI

El Grupo de Investigación en Gestión de Conocimiento y Recuperación de Información estudia, diseña y evalúa métodos orientados a resolver problemas dentro de las áreas de minería de la web, búsqueda de información basada en contexto, búsqueda distribuida y sistemas de recomendación. Los métodos desarrollados combinan técnicas de aprendizaje automático y minería de texto. El objetivo, es desarrollar herramientas inteligentes para para facilitar la captura, refinamiento y organización de conocimiento en diferentes dominios.

Miembros del Grupo

Director: Ana G. Maguitman

Investigadores

  • Fernando Delbianco – INMABB (UNS-CONICET),
  • Rocío L. Cecchini – ICIC (UNS-CONICET),
  • Carlos I. Chesñevar – ICIC (UNS-CONICET),
  • Elsa C. Estevez – ICIC (UNS-CONICET),
  • Carlos M. Lorenzetti – ICIC (UNS-CONICET),
  • Ana G. Maguitman – ICIC (UNS-CONICET),
  • Ignacio Ponzoni – ICIC (UNS-CONICET),
  • Axel J. Soto – ICIC (UNS-CONICET),
  • Fernando Tohmé – INMABB (UNS-CONICET),
  • Eduardo Xamena – UNSa (CONICET).

Becarios

  • Cecilia Baggio,
  • Rocío B. Hubert,
  • Mariano Maisonnave,
  • Ana L. Nicolini.

More

BioChemTICs

El Grupo de Investigación en Bioinformática y Quimioinformática (BioChemTICs) pertenece a la Universidad Nacional del Sur, una universidad pública de Argentina. BioChemTICs es además parte del Instituto en Ciencias e Ingeniería de la Computación (ICIC), un instituto de investigación del Consejo Nacional de Ciencia y Tecnología de la Argentina (CONICET). BioChemTICs está integrado por seis miembros que trabajan en temáticas de aprendizaje maquinal y minería de datos grandes para abordar aplicaciones en Biología Computacional e Informática Molecular. Nuestras investigaciones se centran en el análisis de cantidades masivas de datos e involucre el uso de métodos de computación evolutiva, redes neuronales artificiales y analítica visual.

Miembros del Grupo

Director: Ignacio Ponzoni

Investigadores

Becarios

Publicaciones

  • Cravero, F., Schustik, S., Martínez, M.J., Barranco, C.D., Díaz, M.F., Ponzoni, I. “Computer-Aided Design of Polymeric Materials: Characterization of Databases for Prediction of Mechanical Properties under Polydispersity”. Chemometrics and Intelligent Laboratory Systems, Vol. 191, pp. 65-72 (2019). Elsevier. ISSN: 0169-7439. [doi: 10.1016/j.chemolab.2019.06.006]
  • Ponzoni I., Sebastian-Pérez V., Martínez M.J., Roca C., De la Cruz, C., Cravero F., Vazquez, G.E., Páez J.A., Díaz M.F., Campillo N.E. “QSAR Classification Models for Predicting the Activity of Inhibitors of Beta-Secretase (BACE1) Associated with Alzheimer’s Disease”. Scientific Reports, Vol. 9:9102, (2019). Nature Pub. Group. ISSN: 2045-2322. [doi: 10.1038/s41598-019-45522-3]
  • Díaz–Montaña, J.J., Díaz–Díaz, N., Barranco, C.D., Ponzoni, I. “Development and use of a Cytoscape app for GRNCOP2”, Computer Methods and Programs in Biomedicine. Vol. 177, pp. 211–218 (2019). Elsevier. ISSN: 0169-2607. [doi: 10.1016/j.cmpb.2019.05.030]
  • Sebastián-Pérez, V., Martínez, M.J., Gil, C., Campillo, N.E., Martínez, A., Ponzoni, I. “Inference of QSAR Models for identifying LRRK2 inhibitors for the treatment of Parkinson’s Disease”, Journal of Integrative Bioinformatics. Vol. 16, Issue 1 (2019). De Gruyter. ISSN: 1613-4516. [doi: 10.1515/jib-2018-0063]
  • Martínez, M.J., Razuc, M., Ponzoni I. “MoDeSuS: A Machine Learning Tool for Selection of Molecular Descriptors in QSAR Studies applied to Molecular Informatics”, BioMed International Research. Vol. 2019, Article number 2905203 (2019). Hindawi. ISSN: 2314-6133. [doi: 10.1155/2019/2905203]
  • Cecchini, R.L., Lorenzetti, C.M., Maguitman, A.G., Ponzoni, I. “Topic Relevance and Diversity in Information Retrieval from Large Datasets: A Multi-Objective Evolutionary Algorithm Approach”, Applied Soft Computing. Vol. 69, pp. 749-770 (2018). Elsevier. ISSN: 1568-4946. [doi: 10.1016/j.asoc.2017.11.016]
  • Martínez M.J., Dussaut J.S., Ponzoni, I. “Biclustering as Strategy for Improving Feature Selection in Consensus QSAR Modeling”, Electronic Notes in Discrete Mathematics, Vol. 69, pp. 117-124 (2018). Elsevier. ISSN: 1571-0653. [doi: 10.1016/j.endm.2018.07.016]
  • Dussaut J.S., Cecchini, R.L., Gallo, C.A., Ponzoni, I., Carballido, J.A. “A Review of Software Tools for Pathway Crosstalk Inference”, Currents Bioinformatics, 13 (1), pp. 64-72 (2018). Bentham Science.ISSN: 1574-8936. [doi: 10.2174/1574893611666161123123204]
  • Carballido, J.A., Latini M.A., Ponzoni, I., Cecchini, R.L. “An Evolutionary Algorithm for Automatic Recommendation of Clustering Methods and its Parameters”, Electronic Notes in Discrete Mathematics, Vol. 69, pp. 229-236 (2018). Elsevier. ISSN: 1571-0653. [doi: 10.1016/j.endm.2018.07.030]
  • Dussaut J.S., Gallo, C.A., Martínez M.J., Cravero F., Carballido, J.A., Ponzoni, I. “GeRNet: A Gene Regulatory Network Tool”, Biosystems. Vol. 162, pp. 1-11, (2017). Elsevier. ISSN: 0303-2647. [doi: 10.1016/j.biosystems.2017.08.006]
  • Ponzoni I., Sebastian-Pérez, Requena C., Roca C., Martínez M.J., Cravero F., Díaz M.F., Páez J.A., Gomez Arrayas R., Adrio J., Campillo N.E. “Hybridizing Feature Selection and Feature Learning Approaches in QSAR Modeling for Drug Discovery”, Scientific Reports. Vol. 7:2403, (2017). Nature Pub. Group. ISSN: 2045-2322. [doi: s41598-017-02114-3]
  • Cravero F., Martínez M.J., Vázquez G., Díaz M., Ponzoni I. “Feature Learning applied to the Estimation of Tensile Strength at Break in Polymeric Material Design”, Journal of Integrative Bioinformatics. Vol. 13, No. 2, 286 (2016). De Gruyter. ISSN: 1613-4516. [doi: 10.2390/biecoll-jib-2016-286]
  • Romero J.R., Carballido J.A., Garbus I., Echenique V.C., Ponzoni I. “A Bioinformatics Approach for Detecting Repetitive Nested Motifs using Pattern Matching”, Evolutionary Bioinformatics. Vol. 12, pp. 247-251, (2016). SAGE Publishing. ISSN: 1176-9343. [doi: 10.4137/EBO.S40138]
  • Gallo, C.A., Cecchini, R.L., Carballido, J.A., Micheletto, S., Ponzoni, I. “Discretization of gene expression data revised”, Briefings in Bioinformatics. Vol. 17 (5), pp. 758-770, (2016). Oxford University Press. ISSN: 1467-5463. [doi: 10.1093/bib/bbv074]
  • Dussaut J.S., Gallo, C.A., Cecchini, R.L., Carballido, J.A., Ponzoni, I. “Crosstalk Pathway Inference using Topological Information and Biclustering of Gene Expression Data”, Biosystems, Vol.150, pp. 1-12, (2016). Elsevier. ISSN: 0303-2647.[doi: 10.1016/j.biosystems.2016.08.002]
  • Martínez, M.J., Ponzoni, I., Díaz, M.F., Vazquez, G.E., Soto, A.J. “Visual analytics in cheminformatics: user‑supervised descriptor selection for QSAR methods”, Journal of Cheminformatics, Vol. 7, Paper 39, (2015). Springer. ISSN 1758-2946. [doi: 10.1186/s13321-015-0092-4]
  • Carballido, J.A., Gallo, C.A., Dussaut J.S., Ponzoni, I. “On Evolutionary Algorithms for Biclustering of Gene Expression Data”, Currents Bioinformatics, Vol. 10, No. 3, pp. 259-267, (2015). Bentham Science.ISSN: 1574-8936. [doi: 10.2174/1574893609666140829204739].
  • Ponzoni I., Nueda M.J., Tarazona S., Götz S., Montaner D., Dussaut J.S., Dopazo J., Conesa A. “Pathway network inference from gene expression data”, BMC Systems Biology, Vol. 8, S7. Springer Nature, (2014).ISSN: 1752-0509.[doi: 10.1186/1752-0509-8-S2-S7]
  • Romero, J.R., Roncallo, P.F., Akkiraju, P.C., Ponzoni, I., Echenique, V.C., Carballido, J.A. “Using classification algorithms for predicting durum wheat yield in the province of Buenos Aires”, Computers and Electronics in Agriculture, Vol. 96, pp. 173-179. Elsevier, (2013). ISSN: 0168-1699. [doi: 10.1016/j.compag.2013.05.006]
  • Palomba, D., Martínez, M.J., Ponzoni, I., Díaz, M.F., Vazquez, G.E., Soto, A.J. “QSAR models for predicting log Pliver on volatile organic compounds combining statistical methods and domain knowledge”, Molecules, Vol. 17, No. 12, pp. 14937-14953. MDPI AG, (2012). ISSN 1420-3049. [doi: 10.3390/molecules171214937]
  • Cecchini, R.L., Ponzoni, I., Carballido, J.A. “Multi-objective evolutionary approaches for intelligent design of sensor networks in the petrochemical industry”, Expert Systems with Applications, Vol. 39, pp. 2643-2649, Elsevier, (2012). ISSN: 0957-4174. [doi: 10.1016/j.eswa.2011.08.119]
  • Soto, A.J., Vazquez, G.E., Strickert, M., Ponzoni, I. “Target-driven subspace mapping methods and their applicability domain estimation”, Molecular Informatics, Vol. 30, pp. 779–789, Wiley, (2011). ISSN: 1868-1751. [doi: 10.1002/minf.201100053]
  • Gallo, C.A., Carballido, J.A., Ponzoni, I. “Discovering Time-Lagged Rules from Microarray Data using Gene Profile Classifiers”, BMC Bioinformatics. Vol. 12, paper 123, Springer Nature, (2011). ISSN: 1471-2105. [doi: 10.1186/1471-2105-12-123]
  • Soto, A.J., Cecchini, R.J., Vazquez, G.E., Ponzoni, I. “Multi-Objective Feature Selection in QSAR/ QSPR using a Machine Learning Approach”, QSAR & Combinatorial Science. Vol. 28, No. 11-12, pp. 1509-1523. Wiley, (2009). ISSN: 1611-020X. [doi: 10.1002/qsar.200960053]
  • Carballido, J.A., Ponzoni, I., Brignole, N.B. “SID-GA: an Evolutionary Approach for improving Observability and Redundancy Analysis in Structural Instrumentation Design”. Computers & Industrial Engineering. Vol. 56, No. 4, pp. 1419-1428, (2009). Elsevier. ISSN: 0360-8352. [doi: 10.1016/j.cie.2008.09.001]
  • Domancich, A.O., Durante, M., Ferraro, S., Hoch, P., Brignole N.B., Ponzoni I. “How To Improve the Model Partitioning in a DSS for Instrumentation Design”, Industrial & Engineering Chemistry Research. Vol. 48, No. 7, pp. 3513-3525, (2009). American Chemical Society. ISSN: 0888-5885. [doi: 10.1021/ie800449t]
  • Ponzoni, I., Azuaje, F.J., Augusto, J.C., Glass, D.H. “Inferring adaptive regulation thresholds and association rules from gene expression data through combinatorial optimization learning”. IEEE/ACM Transactions on Computational Biology and Bioinformatics. Vol. 4, No. 4, pp. 624-634 (2007). IEEE Computer Society. ISSN: 1545-5963. [doi: 10.1109/tcbb.2007.1049]
  • Carballido, J.A., Ponzoni, I., Brignole, N.B. “CGD-GA: A Graph-based Genetic Algorithm for Sensor Network Design”. Information Sciences. Vol. 177, No. 22, pp. 5091–5102 (2007). Elsevier. ISSN: 0020-0255. [doi: 10.1016/j.ins.2007.05.036]

More

Instrucciones para expositores

Audiencia

Están invitados a participar de este evento los investigadores y becarios del ICIC Conicet-UNS, docentes-investigadores del DCIC UNS así como alumnos y becarios avanzados de las carreras del DCIC UNS.

Contenidos de la presentación

Se espera que la presentación brinde una visión sintética de su trabajo de investigación que pueda ser comprensible para una audiencia general que tenga formación en Cs. de la Computación. El contenido de la presentación en transparencias debería cubrir (a modo de sugerencia) al menos los siguientes aspectos:

  • Contexto (¿qué tipo de beca tiene? ¿quiénes son sus directores? ¿Cuánto hace que está trabajando en el tema? Además de la beca, ¿desarrolla actividad docente? ¿en qué asignatura(s)? )
  • Descripción del problema (¿cuál es el tema en el que desarrolla su investigación? ¿cuáles son los interrogantes que está intentando responder?)
  • Resultados obtenidos hasta el momento (publicaciones en congresos, revistas, etc.; trabajos en preparación).
  • Desafíos para continuar la investigación (¿qué escollos son los que está enfrentando para poder avanzar en su trabajo? ¿qué caminos está ensayando para resolverlos?)
  • Planes a futuro (¿cuándo piensa terminar su tesis? ¿Qué expectativas, interrogantes o dudas tiene hacia el futuro?)

El formato de la presentación es libre, a fin de que cada becario pueda decidir el que considere más apropiado (transparencias Powerpoint, Prezi, videos, etc.).

Duración de la presentación:

Cada becario dispondrá de 10 minutos para hacer su presentación, seguida de unos minutos para preguntas y comentarios del público.

Pueden verse las presentaciones de la 1era edición como ejemplos.

More

Primer Maratón Académico de Becarios

Apertura del MARATÓN

El Director del ICIC, el Dr. Carlos Iván Chesñevar, da por iniciado el evento, acompañado por el Dr. Guillermo Simari.


Representación de conocimiento y razonamiento en sistemas argumentativos: soporte y derrota

El objetivo general de esta investigación concierne el estudio y formalización de herramientas de representación de conocimiento y razonamiento en sistemas argumentativos donde interactúan las nociones de soporte y derrota entre argumentos. Este estudio involucra tanto sistemas de argumentación abstracta como sistemas argumentativos estructurados o basados en reglas. La importancia de esta investigación radica en que la creación de formalismos argumentativos que contemplan el uso de soporte contribuirá a expandir las capacidades representacionales de este tipo de sistemas, significando un aporte a las Ciencias de la Computación.


Uso de Realidad Aumentada en exteriores y Visualización en Contexto. Caso de uso: trabajo de campo en las Ciencias Geológicas

La Realidad Amentada (RA) puede integrarse con la Visualización para constituir visualizaciones con RA que extienden y enriquecen el área de la Visualización tradicional, ampliando su potencial. Sin embargo, su éxito depende de cuán bien puedan comprenderse las escenas generadas e interactuar en ellas. El carácter complejo de determinados entornos de RA requiere de técnicas de visualización que no aíslen las estructuras ni generen presentaciones ambiguas. Existen diversas alternativas tanto para integrar espacialmente los elementos virtuales a las escenas del mundo real como para permitir la manipulación de los objetos virtuales en los ambientes de RA. Mediante la RA, ya sea en entornos exteriores con lo que se conoce como RA móvil o en interiores con la utilización de computadoras de escritorio, se puede contribuir al desarrollo de aplicaciones que integren el mundo real con el mundo virtual generando soluciones en el contexto de la Geología. Si bien estas relaciones constituyen un gran desafío, las interacciones que se pueden lograr con la visualización de datos en tiempo real pueden contribuir efectivamente a esta disciplina, aportando soluciones y resultados en base al entendimiento de los datos y a sus relaciones, siendo además de interés tanto para la comunidad geológica como a otras comunidades científicas.


Caracterización de extensiones conservativas en ontologías potencialmente inconsistentes interpretadas en argumentación rebatible

El objetivo general de este plan de trabajo involucra investigar mejoras en las capacidades de representación de conocimiento y razonamiento de agentes inteligentes interactuando en el contexto del acceso a recursos en la Web Semántica. El conjunto de objetivos particulares de este plan de trabajo comprende la investigación de las extensiones conservativas en ontologías expresadas en Lógicas Descriptivas ( Description Logics) cuando las mismas son interpretadas en Description Logic Programming. Este conjunto integra los objetivos particulares de: (i) estudiar los límites de cuándo este problema se puede decidir; (ii) bajo qué condiciones se puede realizar (en relación a los requerimientos sobre el conjunto de información considerada); (iii) cuál es la interacción entre los argumentos que surgen de los programas rebatibles que provienen de la interpretación de las ontologías involucradas; (iv) determinar las propiedades lógicas del acercamiento; (iv) determinar las posibilidades de una implementación computacional con la intención de mejorar el desarrollo de las tareas mencionadas previamente, en relación a la ingeniería de conocimiento de ontologías OWL-DL1 en el contexto de la iniciativa de la Web Semántica.


Desarrollo de mecanismos de representación y razonamiento con preferencias bajo incertidumbre con aplicaciones a Big Data

El estudio de la representación y el razonamiento acerca de preferencias se ha llevado a cabo en áreas tan dispares como filosofía, lógica matemática, y economía, entre otras. Esta propuesta se relaciona con la perspectiva adoptada en BD, donde las preferencias se establecen entre tuplas y en general especifican cómo deben ordenarse los resultados de una consulta. Paralelamente, también se ha investigado en la intersección entre BD y Representación de Conocimiento y Razonamiento, tales como en los programas lógicos de preferencia, la incorporación de preferencias en formalismos como programación con la semántica de Answer Sets, y mecanismos de respuesta de consultas top-k en lenguajes ontológicos. Aunque existen algunos trabajos que representan una aproximación inicial a problemas específicos, no se tiene conocimiento de trabajos que combinen razonamiento probabilístico con representaciones lógicas como las propuestas aquí para razonar acerca de preferencias. Un proceso de razonamiento que aún no ha sido aplicado en el razonamiento acerca de preferencias es el de Argumentación. El proceso de argumentación refleja una forma de razonamiento donde, tanto la conclusión como la forma de llegar a ella pueden ser cuestionadas y que permite razonar con información incompleta e incierta, y permite manejar inconsistencias en los sistemas basados en conocimiento, tomando sistemas concretos que han sido desarrollados en la última década. El objetivo general de este plan de trabajo es investigar los aspectos computacionales del razonamiento acerca de preferencias bajo la existencia de incertidumbre, con un enfoque particular en la tratabilidad computacional para poder aplicar los resultados a grandes datos.


Confianza y reputación de agentes en sistemas Multi-agente para entornos dinámicos

La investigación que se propone realizar se enfoca en el área de confianza y reputación de agentes en sistemas multi-agente. Su objetivo general es el análisis, desarrollo y formalización de la dinámica de la confianza y reputación de los agentes, a partir de la interacción con sus pares en el marco de un sistema multi-agente (SMA). Esto involucra el desarrollo y formalización de técnicas de representación y actualización del grado de confianza y de reputación de un agente, y también, la integración de estas técnicas con mecanismos de razonamiento automático y dinámica de creencias. Para lograr estos objetivos se planea el estudio y desarrollo de formalismos para aplicaciones de naturaleza dinámica y distribuida, que combinen mecanismos de confianza, dinámica de creencias y argumentación. Esto permitirá mejorar las capacidades de razonamiento y representación de conocimiento de agentes de software. Para ello, se estudiarán las relaciones entre estas áreas y se aplicarán a sistemas multi-agente, donde diferentes agentes informantes proveen información que puede ser incompleta y/o contradictoria. Las investigaciones en el área de confianza y reputación se orientan principalmente a desarrollar mecanismos computacionales para medir la confianza y reputación que mantienen los agentes integrantes de un SMA. Si bien el interés en esta temática es reciente y está fuertemente impulsado por la aparición de complejos sistemas de información social, su importancia general para las aplicaciones de SMA es creciente, siendo un ejemplo significativo el comercio electrónico. Una característica sobresaliente de estos sistemas es la dinámica que debe existir en la confianza y/o reputación asignadas a un agente. Por ejemplo, la reputación de un agente que no cumple con sus compromisos asumidos debería verse decrementada. Además, este tema resulta de sumo interés en todos aquellos problemas donde los agentes dependan de la valoración de la información brindada por otros agentes.


Reconstrucción 3D en tiempo real mediante dispositivos móviles

Actualmente hay una creciente demanda para la generación sencilla y confiable de modelos 3D correspondientes a objetos del mundo real; la generación de este tipo de modelos ha sido uno de los objetivos a largo plazo de la visión computacional. El objetivo del tema de investigación es contribuir al desarrollo de tecnología de base para la generación de modelos 3D en tiempo real sobre dispositivos móviles y, en particular, obtener un sistema automático e interactivo que permita la generación de modelos 3D a escala de objetos del mundo real, llevando a cabo todo el proceso en dicho dispositivo.


Recuperación de la información con algoritmos inteligentes en redes P2P

Trabajo en diseño, desarrollo y verificación de algortimos inteligentes para el ruteo eficiente de consultas en sistemas peer-to-peer(P2P). También me interesan distintas herramientas para la recuperación de información y aspectos empíricos de la argumentación.


Algoritmos de Aprendizaje Automático Enriquecidos con Conceptos de Econometría

El objetivo del plan de trabajo es familiarizarse con técnicas de aprendizaje automatizado del área de computación y con herramientas de análisis de causalidad del área de econometría. Luego de esta etapa se plantea como objetivo proponer una nueva herramienta de aprendizaje automatizado que combine ideas de ambas áreas para predecir las posibles salidas de una variable económica. Para la entrada del algoritmo se pretende realizar una etapa de extracción y análisis automático de múltiples fuentes de información: portales de noticias, páginas con indicadores económicos, etc. Se propone también la incorporación de múltiples estrategias para filtrar y preprocesar los datos de entrada, de forma de incorporar la mayor información posible para la predicción y de esta manera facilitarle el trabajo a la herramienta (selección y generación automática de atributos). Durante el transcurso del periodo de la beca se analizarán distintas estrategias del estado del arte para cada etapa, con el objetivo de entender las mejores herramientas para el dominio trabajado, y en particular para estar en condiciones de proponer mejoras en los casos en los que fuere posible. Como ejemplo de métodos considerados podemos mencionar tf-idf, LSA, topic modelling, sentiment analysis, granger causality y bayesian networks, entre otras.


Herramientas para el análisis de grandes volúmenes de datos en iniciativas de participación ciudadana

El objetivo general de esta tesis es definir un modelo de infraestructura de software que incluya una caja de herramientas computacionales para organizaciones de gobierno, que permitan la búsqueda, procesamiento y visualización de información relacionada con opiniones, quejas y reclamos de ciudadanos volcadas en diferentes plataformas, como por ejemplo, redes sociales y plataformas propietarias de gobierno, y que sea relacionada con problemas de desarrollo sostenible de entornos urbanos.


Charla ¿Qué es hacer una Tesis en el DCIC / ICIC?

Charla breve qué cosas tener en cuenta al hacer un doctorado en el DCIC / ICIC. Papel del director y co-director. Problemas potenciales que surgen durante una beca.


Toma de decisiones individuales y colectivas para sistemas multi-agente en entornos distribuidos

El plan de investigación propuesto está enfocado en mejorar las capacidades para la toma de decisiones individuales y colectivas de agentes en sistemas multi-agente. Dentro de este enfoque, se planea estudiar y desarrollar como mejorar en los agentes los siguientes aspectos: la capacidad de representación de conocimiento individual y colectivo, la capacidad de realizar inferencias, la capacidad de interacción e intercambio de información, y la capacidad de integrar esos elementos para tomar decisiones tanto individuales como colectivas. El aporte de esta investigación está orientado al desarrollo de formalismos y mecanismos para la toma de decisiones, por parte de agentes inteligentes deliberativos, en el contexto de un sistema multi-agente. Por lo tanto, se buscará aplicar los resultados de la investigación al desarrollo de agentes (tanto de software como robots físicos) que se desenvuelvan en ambientes distribuidos y dinámicos, y en donde los agentes puedan ejecutarse en paralelo. En particular, esta investigación busca mejorar la capacidad de los agentes para razonar cuando se intenta tomar decisiones al resolver problemas de manera conjunta; y además, mejorar la capacidad de aprovechar, de la mejor manera posible, la información que reciben de los demás agentes con los cuales interactúa al tomar decisiones.


Tecnología de base para la generación de visualizaciones interactivas 3D de RA en exteriores

El objetivo es contribuir al desarrollo de tecnología de base para la generación de visualizaciones interactivas 3D de RA en exteriores en tiempo real sobre dispositivos móviles. Se pretende integrar, en una vista unificada, un ambiente real de campo con información virtual registrada sobre el mismo. La información a superponer consiste en datos a nivel de sub-superficie. Así se generará una visualización unificada de información geológica geo-referenciada que se halla en el subsuelo, superpuesta al ambiente real en el que un geólogo desarrolla sus tareas de campo.


Conocimiento Compartido y Razonamiento Argumentativo Colaborativo para Entornos de Múltiples Agentes en Ambientes Distribuidos

En un sistema multi-agente (SMA) los distintos agentes pueden percibir o inferir información diferente (y potencialmente contradictoria e incompleta) sobre el entorno en el que se encuentran. El razonamiento colaborativo consiste en que los agentes puedan combinar entre todos dicha información para realizar nuevas inferencias difíciles de realizar individualmente, con el objetivo de resolver colaborativamente problemas complejos. Unir las bases de conocimiento de todos los agentes involucrados resulta impracticable por eficiencia, consistencia y privacidad. El tema propuesto se enfoca en mejorar las capacidades de razonamiento, representación de conocimiento, e interacción de agentes que participan en SMA, los cuales colaboran y comparten su conocimiento en entornos dinámicos. En particular, se busca explotar los beneficios de la argumentación y DeLP (Defeasible Logic Programming) para equipar a los agentes de un SMA con mecanismos que les permitan razonar exitosamente de manera conjunta y colaborativa en diferentes contextos, aprovechando la información que reciben de sus pares.


Desarrollo de formalismos de argumentación probabilística y operadores de revisión de creencias con aplicaciones a ciberseguridad y ciberguerra

Esta propuesta tiene como objetivo general investigar los aspectos de representación de conocimiento y algorítmicos asociados con formalismos que combinan sistemas argumentativos, razonamiento probabilístico, y operaciones de revisión de creencias. El enfoque particular será en su aplicación en entornos relacionados con ciberseguridad y ciberguerra; por lo tanto, la tratabilidad computacional es un aspecto central en la propuesta. Uno de los problemas más difíciles de resolver en estos entornos del mundo real es el llamado “problema de la atribución”: dado un acto cometido en el ciberespacio (como un acceso no autorizado a una base de datos), se busca encontrar la parte responsable de llevarlo a cabo. Su dificultad surge de muchos factores, pero uno de los más importantes es que las partes responsables suelen dejar (adrede) pistas que engañan a los investigadores que trabajarán para descubrir su responsabilidad. Otro factor importante es la necesidad de considerar múltiples fuentes de información posiblemente inconsistente entre sí para alcanzar una solución. Es entonces evidente que un sistema capaz de ayudar a un analista a resolver problemas de atribución disponga de la posibilidad de llevar a cabo operaciones de revisión de creencias. A su vez, un aspecto interesante de aplicar razonamiento argumentativo es que las soluciones obtenidas incluyen explicaciones de por qué se llegó a una conclusión dada. Los objetivos particulares de este Plan son: (a) Desarrollar herramientas novedosas que combinen formalismos de argumentación con modelos probabilísticos, con especial énfasis en la capacidad para considerar múltiples fuentes de información que pueden contener elementos engañosos. Para ello será necesario el desarrollo de nuevos operadores de revisión de creencias no priorizada. El estudio teórico de estas herramientas y operadores incluirá el análisis de la complejidad computacional y los factores que influyen en ella, lo cual permitirá la identificación de aquellos formalismos que exhiban un buen balance entre expresividad y tratabilidad. (b) La evaluación experimental de las herramientas desarrolladas, con un enfoque particular tanto en su capacidad para representar datos que ocurren en escenarios reales como en su escalabilidad, es decir su capacidad para manejar grandes bases de conocimiento.


Diseño de técnicas de aprendizaje automático y análisis multivariado para la inferencia de redes biológicas jerárquicas a partir de datos de expresión génica

El objetivo de esta investigación es diseñar nuevas técnicas bioinformáticas que ayuden a descubrir cómo las conexiones y equilibrios entre los sistemas moleculares se establecen en la célula, y cómo estas asociaciones cambian en situaciones de enfermedad. El desarrollo de metodologías con estas características podría resultar de suma utilidad en la investigación de la Biología de Sistemas, dado que ayudaría a comprender como se ven afectadas las vías biológicas y/o genes de un organismo en presencia de distintos tipos de anomalías celulares. Se busca desarrollar y mejorar algoritmos y sistemas de software para asistir a biólogos en la reconstrucción de la estructura relacional existente entre las proteínas que regulan los distintos procesos. Al respecto, el análisis de expresión de genes mediante el modelado de redes de asociación permite distintos tipos de abstracción: a nivel de genes y a nivel de vías biológicas (“pathways”)


Métricas de inmersión para sistemas de Realidad Virtual

La Realidad Virtual (RV) es una aplicación de la tecnología computacional cuyo objetivo es generar representaciones visuales que simulan mundos reales o ficticios, en donde nuestros sentidos también son el canal de comunicación con los estímulos dentro del mundo virtual. En RV es clave lograr que el usuario tenga la sensación de estar inmerso en el mundo virtual. Un sistema de RV inmersivo reemplaza la información sensorial del mundo real con estímulos sintéticos como imágenes 3D, sonido espacial, e interacciones táctiles. Se busca que los usuarios experimenten un mundo generado por computadora como si fuera real, produciendo una sensación de presencia en la mente del usuario. Hasta el momento, no existe una manera estandarizada de medir qué tan real o inmersivo es un sistema de RV dado. El objetivo general de esta tesis es la exploración de todos aquellos aspectos esenciales de cada uno de los sentidos con los que el usuario interactúa con la RV y la elaboración de métricas que permitan cuantificar el nivel de inmersión de cualquier sistema y aplicación de RV.


More