IZENA Produktu eta prozesuetan txertatutako Adimen Artifizialaren Laborategia

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.

• Datusintentikoen sorrera: Eredu hibridoak eta GANs

  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.

• Datuetan oinarritutako modelatzea: 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 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 anitzak eta datuen kalitatea: Seinalea, Testua, GIS, Irudia...

  Datu iturri ezberdinetako datuen prozesamendua, datu iturri bakoitzerako egokitutako ezaugarri erauzketarekin. Hainbat arlo: Seinalea, Testua, GIS eta Irudia.

• Datuetan oinarritutako modelatzea: 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 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.

• Datusintentikoen sorrera: Eredu hibridoak eta GANs

  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.

• Hedapena: MLOps

  IA algoritmoen hedapena MLOps praktika onen jarraituz.

• Datu iturri anitzak eta datuen kalitatea: Seinalea, Testua, GIS, Irudia...

  Datu iturri ezberdinetako datuen prozesamendua, datu iturri bakoitzerako egokitutako ezaugarri erauzketarekin. Hainbat arlo: Seinalea, Testua, GIS eta Irudia.

• Hedapena: MLOps

  IA algoritmoen hedapena MLOps praktika onen jarraituz.

• 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.