Workshop: Data and Knowledge Engineering

Chair del Workshop: PhD. Claudio Meneses (UCN – cmeneses@ucn.cl) y Dr. Wilson Castillo (UDA – wilson.castillo@uda.cl)
Organización: Núcleo de Inteligencia Artificial y Data Science. Departamento de Ingeniería de Sistemas y Computación. Universidad Católica del Norte.
Fecha: Viernes 03 de Septiembre
Hora: 09:00 (Ver detalle en Programación)
Lista de reproducción: Youtube

El Workshop on Data and Knowledge Engineering (WDKE) es un espacio para la difusión de la actividad académica científica y profesional en el área de data and knowledge enginnering, incluyendo:

  • Presentaciones de trabajos cortos y/o posters
  • Charlas invitadas

Charlas

Clasificación de huellas dactilares mediante Redes Neuronales de Aprendizaje Extremo

Dr. Marco Mora Cofré

U. Católica del Maule, Talca, Chile

La huella dactilar se utiliza ampliamente en la identificación biométricos, debido a que permiten distinguir personas en forma robusta y por el bajo costo de la tecnología asociada a su captura. Es bien sabido que las huellas dactilares pueden clasificarse en cinco categorías principales: Arco, Arco de carpa, Lazo izquierdo, Lazo derecho, y Verticilo. El reconocimiento automático de las personas basado en las huellas dactilares requiere la comparación de una huella dactilar de entrada con un gran número de huellas dactilares en una base de datos. El agrupamiento de huellas según su clase permite reducir el tiempo de búsqueda en la base de datos, pues se realiza dicha búsqueda en grupos de huellas con menos muestras. Sin embargo, cuando se está en presencia de una base de datos enorme (por ejemplo, la base de datos del FBI contiene más de 70 millones de huellas dactilares), la clasificación de huellas es muy costosa en términos de memoria y tiempo. Por otro lado, las Redes Neuronales de Aprendizaje Extremo (ELM) están siendo ampliamente estudiadas debido a que tienen niveles de performance similares a los clasificadores tradicionales tales como las Redes de Retropropagación (MLP) y a las Máquinas de Soporte Vectorial (SVM), pero presentan un algoritmo de entrenamiento mucho más rápido. La presente charla muestra los primeros resultados científicos del proyecto Fondecyt Regular 2020 Very Large Finger Classification based on a Fast and Distributed Extreme Learning Machine Neural Network, el cual tiene como objetivo principal desarrollar un método de clasificación de huellas dactilares basado en una red ELM entrenada con millones de muestras. El método desarrollado permite entrenar un clasificador ELM con 18 millones de huellas en tiempos razonables y elevados niveles de performance.

El Dr. Marco Mora recibió el grado de Ingeniero en Electrónica y el grado de Magíster en Ingeniería Eléctrica en la Universidad de Concepción, Chile, en 1998 y 2004, respectivamente; y el grado de Doctor en Ciencias de la Computación del Instituto Nacional Politécnico de Toulouse (INPT), Universidad de Toulouse, Francia, en 2008. Actualmente es profesor del Departamento de las Ciencias de la Computación e Industria, Director del Laboratorio de Investigaciones Tecnológicas en Reconocimiento de Patrones LITRP, de la Universidad Católica del Maule, Chile, y Presidente de la Asociación Chilena de Reconocimiento de Patrones ACHIRP para el período 2021-2024. Sus intereses de investigación son el Procesamiento de Imágenes Digitales, Redes Neuronales, Biometría y aplicaciones del Reconocimiento de Patrones.

Introducción a la cuantificación de la incertidumbre en Deep Learning

Dr. Eduardo Aguilar Torres

U. Católica del Norte, Antofagasta, Chile.

Notables mejoras han sido evidenciadas en la última década con la aparición de modelos de aprendizaje profundo sobre una amplia diversidad de problemas. Como contraparte, el buen desempeño observado con este tipo de algoritmo no siempre se refleja al usarlos en entornos reales. Particularmente para problemas críticos, es obligatorio ser consciente de la confiabilidad dada a las predicciones generadas para evitar resultados catastróficos. En esta charla discutiremos la importancia de modelar la incertidumbre para entender qué aprendió o no aprendió nuestro modelo y también para poder asignar un grado de certeza a nuestras predicciones. Para ello, describiremos una de las técnicas más populares utilizadas en el marco de aprendizaje profundo, MC-Dropout, y mostraremos en la práctica su implementación en un problema bien definido.

Eduardo Aguilar Torres es Doctor en Matemáticas e Informática de la Universidad de Barcelona bajo la tutela de la Dra. Petia Radeva. Es Ingeniero Civil en Computación e Informática y Magister en Ingeniería Informática de la Universidad Católica del Norte. Actualmente es académico del Departamento de Ingeniería de Sistemas y Computación de la Universidad Católica del Norte. Su principal interés está en la investigación y aplicación de algoritmos de Deep Learning para el análisis visual de alimentos. Tiene como objetivo contribuir a mejorar la calidad de vida de las personas a través de la generación de soluciones tecnológicas basadas en Machine Learning y Computer Vision.

Un Framework para Identificar Emociones en Fake News.

Mg.(c) Luis Rojas Rubio

Universidad Tecnológica de Chile, INACAP, Copiapó, Chile.

Las redes sociales se han convertido en uno de los principales canales de información del ser humano debido a la inmediatez e interactividad social que ofrecen, permitiendo en algunos casos publicar lo que cada usuario considere pertinente. Esto ha traído consigo la generación de noticias falsas o Fake News, publicaciones que solo buscan generar incertidumbre, desinformación o sesgar la opinión de los lectores. Se ha evidenciado que el ser humano no es capaz de identificar en su totalidad si un artículo es realmente un hecho o bien una Fake News, debido a esto es que surgen modelos que buscan caracterizar e identificar artículos basados en minería de datos y machine learning. El propósito de esta charla es exponer parte del trabajo de tesis realizado, el cual se enfoca en la caracterización de emociones e intenciones en Fake News. En particular se expondrá un framework que permite identificar las emociones presentes en un conjunto de publicaciones de un dominio determinado.

Luis Rojas Rubio es Ingeniero Civil en computación e Informática y Licenciado en Ciencias de la Ingeniería de la Universidad Católica del Norte. Actualmente es docente del área de Tecnologías de Información y Ciberseguridad de la Universidad Tecnológica de Chile INACAP y candidato a Magister de Ingeniería en Informática de la Universidad Católica del Norte, cuyo objetivo de investigación es contribuir a la caracterización y reconocimiento de Fake News.

Análisis de Opiniones en Redes Sociales. Caso de Estudio Covid-19 en Chile.

Ing. Pablo Julio Vitalic

U. Católica del Norte, Antofagasta, Chile.

Esta ponencia trata sobre el análisis de redes sociales, en particular Twitter, para modelar las opiniones y percepciones de la población chilena ante el fenómeno de la pandemia producto del Covid-19 que afectó y sigue afectando al país a partir de marzo de 2020. El conocimiento derivado de estos análisis y modelos sirve para entender la dinámica del fenómeno, e.g., sentimientos expresados y puede ser utilizado para la toma de decisiones, en particular en el ámbito público. Para ello se utilizó un método adaptado desde el método científico y técnicas de procesamiento del lenguaje natural, data mining y machine learning.

Pablo Julio Vitalic es Ingeniero Civil en computación e Informática y Licenciado en Ciencias de la Ingeniería de la Universidad Católica del Norte. Actualmente se desempeña como profesor tiempo parcial del Departamento de Ingeniería de Sistemas y Computación de la UCN, sede Antofagasta, Chile.

Fundamentos de Criptografía Neuronal y Ciberseguridad

Dr. Iván Jirón Araya

U. Católica del Norte, Antofagasta, Chile.

En esta ponencia se presentan los fundamentos de la criptografía de llave pública o asimétrica, el concepto de ciberseguridad y de redes neuronales artificiales. A continuación, se explica cómo se utilizan las redes neuronales artificiales para implementar el protocolo de intercambio de llave Diffie-Hellman.

Iván Jirón Araya es profesor tiempo completo del Departamento de Matemáticas de la UCN, sede Antofagasta, Chile. El obtuvo el grado de Doctor en Ingeniería, mención Automática, desde la Universidad de Santiago de Chile, el grado de Licenciado en Matemáticas y el grado de Magíster en Ciencias mención Matemáticas desde la Universidad Católica del Norte. Sus intereses de investigación están relacionados con criptografía, ciberseguridad y redes neuronales artificiales.

Aplicación de Modelos Lineales en Plantas de Osmosis Inversa.

Mg. Diego Urrutia Astorga

U. Católica del Norte, Antofagasta, Chile.

En esta charla se expondrá el work in progress del proyecto Vertientes del Desierto, el cual busca proponer un modelo de regresión que permita predecir las distintas variables operacionales que influyen en el rendimiento de una planta de osmosis inversa. Se expondrá la aplicación del ciclo de vida de la ciencia de datos, los resultados obtenidos y las distintas áreas que se están explorando.

Diego Urrutia Astorga es profesor tiempo completo del Departamento de Ingeniería de Sistemas y Computación de la UCN, sede Antofagasta, Chile. El obtuvo el grado de Magíster en Ingeniería Informática y el título de Ingeniero de Ejecución en Computación e Informática, ambos desde la Universidad Católica del Norte. Sus intereses de investigación están relacionados con la Ingeniería de Software, la Computación de Alto Rendimiento y Big Data.

Integración de Modelos Psicométricos y Machine Learning en el diagnóstico de demencia

Dr. Carlos Calderón Carvajal

U. Católica del Norte, Antofagasta, Chile.

La demencia considera una gran variedad de cuadros que se caracterizan por un deterioro progresivo de la capacidad cognitiva. Estudios previos han mostrado importantes beneficios asociados a su detección y tratamiento temprano. Dentro de las principales dificultades se encuentra el desarrollo instrumentos de tamizaje que sean sencillos, económico y de amplia utilización, y su capacidad de diferenciar el deterioro natural producto del envejecimiento de fases iniciales de desarrollo del cuadro clínico. Esta ponencia muestra las ventajas de la integración de modelos psicométricos logístico y técnicas de machine learning en la detección de patrones de curso del deterioro, a partir de test cognitivos, para el desarrollo de herramientas de diagnóstico cognitivo de fácil aplicación y amplia utilización tanto en atención primaria, como en contextos no clínicos.

Carlos Calderón Carvajal es Director de Investigación y Análisis de la Producción Científica de la Universidad Católica del Norte. Es Doctor en Metodología de las Ciencias del Comportamiento y de la Salud por la Universidad Autónoma de Madrid. Sus trabajos consideran el desarrollo y aplicación de modelos Psicométricos y de Ecuaciones Estructurales a una amplia variedad de campos, como la educación, la psicología, la salud, entre otros.