{"id":8384,"date":"2025-08-01T15:13:03","date_gmt":"2025-08-01T15:13:03","guid":{"rendered":"https:\/\/bdih.spri.eus\/adimen-artifizialeko-laborategia\/"},"modified":"2025-12-22T05:11:02","modified_gmt":"2025-12-22T05:11:02","slug":"artificial-intelligence-laboratory","status":"publish","type":"post","link":"https:\/\/bdih.spri.eus\/en\/artificial-intelligence-laboratory\/","title":{"rendered":"Adimen artifizialeko laborategia"},"content":{"rendered":"<p>TECNALIAren Adimen Artifizialeko laborategiak hau eskaintzen du:<br \/>\n\u2022Datuak\/irudiak prozesatzeko eta analizatzeko gaitasun aurreratua.<br \/>\n\u2022AA ereduak prestatzea, eraikitzea, entrenatzea, paketatzea, hedatzea eta monitorizatzea, bai eta fase horiek automatizatzea ere, DataOps eta MLOps tekniken bidez. Gainera, pipelin analitiko konplexuen kudeaketa adimenduna egiten du, eta zenbait gailutan modu optimizatuan hedatu daiteke.<br \/>\n\u2022AA ereduen segurtasuna eta fidagarritasuna: anomaliak detektatzea, ahultasunak ebaluatzea, sartze-probak, eta mehatxuak etengabe monitorizatzeko teknikak, segurtasun-politikak behar bezala ezartzeko.<br \/>\nAIOps: Erresilientzia eta softwarearen bizi-zikloaren operazionalizazioa adimen artifizialeko tekniken bidez.<br \/>\n\u2022Konputazio-problema konplexuak ebaztea<br \/>\n\u2022Datu-bolumen handiak modu seguru eta eraginkorrean kudeatzeko eta partekatzeko arkitekturak eta paradigmak: Big Data, Data Mesh, Cloud Continuum, Fog\/Edge computing, Data Spaces.<br \/>\n\u2022Zibersegurtasuna IAko inguruneetarako: zibersegurtasunaren ebaluazioak eta IAren aplikazioa, sistemen zibersegurtasuna eta datuen babesa\/pribatutasuna hobetzeko. Kontrako taktikak emulatzea, ingurune baten defentsak hobetzeko. Trebakuntza- eta kontzientziazio-jarduerek lagundutako ekintzak.<br \/>\n\u2022IAren egokitzapen eta hedapen automatikoa Edge-n txertatutako gailuetan (Embedded Edge AI). Baita benchmarking automatizatua ere, modelo jakin baterako gailu egokiena aukeratzeko.<br \/>\n\u2022Datuen kudeaketa inpaktu-domeinuetan: bioinformatika eta sport analytics<br \/>\n\u2022LLMak hedatzea eta garatzailearen bizi-zikloa handitzea LLMen bidez: garapena, testing-a, debugging-a, etab.<\/p>\n<p>Horretarako, baliabide hauek ditugu:<br \/>\n1)Katea Research Cloud (KRC): Plataforma ireki eta dinamikoa da, proiektu bakoitzaren behar espezifikoetara egokitu daitekeen hodei-azpiegitura pertsonalizatua sortzeko aukera ematen duena. Plataforma, sistema eta zerbitzu desberdinak integratzeko aukera ematen du.<br \/>\n2)Katea Data Lab (KDL): Datu-plataforma komuna da, hodeian oinarritutako hub batean informazioa integratzen duena, eta handik gobernatzen, sartzen eta ematen zaizkie datuak erabiltzaileei, aplikazioei eta\/edo beste teknologia batzuei. Hainbat iturritako informazioa sendotzean, erabakiak hartzeko prozesu kolaboratiboagoa eta eraginkorragoa ahalbidetzen dio KDLk erakundeari.<br \/>\n3)Katea Compute Platform (KCP): KATEren superkonputazio zentroa, Mikeletegi 2n (Donostia) kokatua<br \/>\n4) Katea Data Spaces: esperimentazio-ingurunea, datu-espazioen inplementazio desberdinetako teknologiak esploratzeko eta haiekin interakzioan aritzeko.<br \/>\n5) 5GEdge laborategia, 5G sareak automatikoki operatzeko aukera ematen duten gailu-zenbakiz eta gailu txertatuz osatua. Gailu horiek adimen artifizialeko hainbat teknika aztertzeko erabiltzen dira, eta latentzia baxuko egoerak sustatzen dituzte erabakiak azkar hartzeko, pribatutasun handiko egoerak eta konektibitaterik gabeko inguruneak. Hiru familia ezberdinetako mikrokontrolagailuak daude, system on chip \/ system on module eta FPGA.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>TECNALIAren Adimen Artifizialeko laborategiak hau eskaintzen du: \u2022Datuak\/irudiak prozesatzeko eta analizatzeko gaitasun aurreratua. \u2022AA ereduak prestatzea, eraikitzea, entrenatzea, paketatzea, hedatzea eta monitorizatzea, bai eta fase horiek automatizatzea ere, DataOps eta MLOps tekniken bidez. Gainera, pipelin analitiko konplexuen kudeaketa adimenduna egiten du, eta zenbait gailutan modu optimizatuan hedatu daiteke. \u2022AA ereduen segurtasuna eta fidagarritasuna: anomaliak detektatzea,&hellip;<\/p>\n","protected":false},"author":0,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"class_list":["post-8384","post","type-post","status-publish","format-standard","hentry"],"acf":[],"_links":{"self":[{"href":"https:\/\/bdih.spri.eus\/en\/wp-json\/wp\/v2\/posts\/8384","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/bdih.spri.eus\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/bdih.spri.eus\/en\/wp-json\/wp\/v2\/types\/post"}],"replies":[{"embeddable":true,"href":"https:\/\/bdih.spri.eus\/en\/wp-json\/wp\/v2\/comments?post=8384"}],"version-history":[{"count":3,"href":"https:\/\/bdih.spri.eus\/en\/wp-json\/wp\/v2\/posts\/8384\/revisions"}],"predecessor-version":[{"id":9667,"href":"https:\/\/bdih.spri.eus\/en\/wp-json\/wp\/v2\/posts\/8384\/revisions\/9667"}],"wp:attachment":[{"href":"https:\/\/bdih.spri.eus\/en\/wp-json\/wp\/v2\/media?parent=8384"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}