Produktu eta prozesuetan txertatutako Adimen Artifizialaren Laborategia
AZALPENA
Laborategiak hainbat hardware eta software ditu, AI algoritmoak produktu eta prozesuetan txertatzeko helburu nagusiarekin, garapen-prozesuko fase ezberdinetan lantzen delarik:
1) Datuen kalitatearen harrapaketa eta analisia
2) Datu sintetikoen etiketatzea eta sorkuntza
3) Arkitektura, algoritmoak, hiperparametroak eta ereduaren entrenamenduaren hautaketa
4) Hedapena
EKIPO ETA OSAGAI GARRANTZITSUENAK
Ordengalilu bidezko ikusmena: 2D, 3D, hiperespektrala. Hainbat hurbilketa: Sailkapena, lokalizazioa, detekzioa, segmentazioa, jarrera detekzioa.Ordenagailu bidezko ikusmena 2D, 3D eta hiperespektruko espektroetako irudien azterketa hartzen du barne, eszenak hainbat xehetasun mailatan interpretatzeko aukera emanez. Sailkapena, lokalizazioa, detekzioa, segmentazioa eta jarrera detekzioa bezalako teknika ezberdinak erabiltzen dira industria, medikuntza eta zientzia aplikazioetan informazio baliagarria ateratzeko.
Benetako datuen ezaugarriak imitatzen dituzten datuak artifizialki sortzea. Aplikazio ugaritan erabiltzen da, hala nola adimen artifizialeko ereduak trebatzeko, benetako datuak eskasak edo sentikorrak direnean.
Eredu hibridoak: Estatistikako, fisikako edo makina ikaskuntzako ikuspegiak konbinatzen dituzte datu sintetikoak sortzeko, benetako datuekin koherentzia eta errealismo handiagoz.
GAN (Generative Adversarial Networks): Sare neuronalak dira, non sortzaile bat eta diskriminatzaile bat lehiaketa-prozesu batean aritzen diren datu sintetikoak sortzeko. Hauek benetako datuak bereiztezina bihurtzen dituzte, eta irudietan, audios eta beste hainbat arlotan erabiltzen dira.
Datu eredu desberdinak arazo mota ezberdinetarako. Iragarpena (Forecasting), Diagnostikoa, Prognosia, Anomaliak detektatzea, Quantum Machine Learning, Deep Learning (MLP, RNN, CNN, Transformers, LLMak, Multimodal). Algoritmoen azalgarritasuna (XAI): LIME, SHAP, GRAD-CAM, DeepLift.
Datu iturri ezberdinetako datuen prozesamendua, datu iturri bakoitzerako egokitutako ezaugarri erauzketarekin. Hainbat arlo: Seinalea, Testua, GIS eta Irudia.
Datu eredu desberdinak arazo mota ezberdinetarako. Iragarpena (Forecasting), Diagnostikoa, Prognosia, Anomaliak detektatzea, Quantum Machine Learning, Deep Learning (MLP, RNN, CNN, Transformers, LLMak, Multimodal). Algoritmoen azalgarritasuna (XAI): LIME, SHAP, GRAD-CAM, DeepLift.
Benetako datuen ezaugarriak imitatzen dituzten datuak artifizialki sortzea. Aplikazio ugaritan erabiltzen da, hala nola adimen artifizialeko ereduak trebatzeko, benetako datuak eskasak edo sentikorrak direnean.
Eredu hibridoak: Estatistikako, fisikako edo makina ikaskuntzako ikuspegiak konbinatzen dituzte datu sintetikoak sortzeko, benetako datuekin koherentzia eta errealismo handiagoz.
GAN (Generative Adversarial Networks): Sare neuronalak dira, non sortzaile bat eta diskriminatzaile bat lehiaketa-prozesu batean aritzen diren datu sintetikoak sortzeko. Hauek benetako datuak bereiztezina bihurtzen dituzte, eta irudietan, audios eta beste hainbat arlotan erabiltzen dira.
IA algoritmoen hedapena MLOps praktika onen jarraituz.
Datu iturri ezberdinetako datuen prozesamendua, datu iturri bakoitzerako egokitutako ezaugarri erauzketarekin. Hainbat arlo: Seinalea, Testua, GIS eta Irudia.
IA algoritmoen hedapena MLOps praktika onen jarraituz.
Ordenagailu bidezko ikusmena 2D, 3D eta hiperespektruko espektroetako irudien azterketa hartzen du barne, eszenak hainbat xehetasun mailatan interpretatzeko aukera emanez. Sailkapena, lokalizazioa, detekzioa, segmentazioa eta jarrera detekzioa bezalako teknika ezberdinak erabiltzen dira industria, medikuntza eta zientzia aplikazioetan informazio baliagarria ateratzeko.
AKTIBOAK ESKAINTZEN DITUEN ZERBITZUAK
Bideragarritasun teknikoaren analisia
Frogapena/Hurbilketak
Formakuntza
Frogapena/Hurbilketak
Kontzeptu froga
Kontzeptu froga
Bideragarritasun teknikoaren analisia
Formakuntza
AKTIBOA KUDEATZEN DUEN ERAKUNDEA
FUNDACIÓN TEKNIKER
Harremanetarako pertsona: Jose Miguel Landeta
