{"id":4848,"date":"2021-11-25T11:37:21","date_gmt":"2021-11-25T10:37:21","guid":{"rendered":"https:\/\/telecomkh.info\/?p=4848"},"modified":"2021-11-25T11:43:17","modified_gmt":"2021-11-25T10:43:17","slug":"fujitsu-y-la-francesa-inria-desarrollan-una-nueva-tecnologia-de-ia-de-serie-temporal-para-identificar-las-causas-de-las-anomalias-en-los-datos","status":"publish","type":"post","link":"https:\/\/telecomkh.info\/?p=4848","title":{"rendered":"Fujitsu y la francesa Inria desarrollan una nueva Tecnolog\u00eda de IA de serie temporal para identificar las causas de las anomal\u00edas en los datos"},"content":{"rendered":"

Fujitsu Limited e Inria, el Instituto Nacional Franc\u00e9s de Investigaci\u00f3n en Ciencia y Tecnolog\u00eda digital, han anunciado el desarrollo de una nueva tecnolog\u00eda de IA que puede identificar los factores que contribuyen a las anomal\u00edas en las series temporales de datos (time series data)<\/strong><\/p>\n

En los \u00faltimos a\u00f1os, varios tipos de series temporales de datos recogidos en campos como la sanidad, las infraestructuras sociales y la fabricaci\u00f3n han sido aprovechados por la IA para realizar juicios de situaci\u00f3n y detectar anomal\u00edas. En el caso de los time-series data, sin embargo, hay una amplia gama de factores que pueden contribuir a la toma de decisiones de la IA. Esto significa que incluso a los expertos les resulta dif\u00edcil advertir qu\u00e9 tipo de cambios en los datos han contribuido a la detecci\u00f3n de una anomal\u00eda, lo que dificulta la adopci\u00f3n de medidas adecuadas para prevenir su aparici\u00f3n.
\nFujitsu e Inria, m\u00e1s concretamente el equipo del proyecto DATASHAPE de Inria, dirigido por Fr\u00e9d\u00e9ric Chazal en Francia, han desarrollado con \u00e9xito una nueva tecnolog\u00eda basada en el an\u00e1lisis topol\u00f3gico de datos (TDA) (1) que puede identificar los factores que contribuyen a la detecci\u00f3n de anomal\u00edas por parte de la IA para las series temporales de datos y visualizar las diferencias en las decisiones de la IA durante circunstancias normales, as\u00ed como en las an\u00f3malas.
\nAmbas compa\u00f1\u00edas creen que esto contribuir\u00e1 al an\u00e1lisis de las causas de las anomal\u00edas en los time-series data de diversos procesos, clarificando el mecanismo que rodea la ocurrencia de las anomal\u00edas, as\u00ed como el descubrimiento de nuevas soluciones para las mismas.
\nEsta tecnolog\u00eda se present\u00f3, entre el tan solo 3% del total de trabajos entregados, a modo de ponencia \u00abLong Talk\u00bb en la Trig\u00e9simo Octava Conferencia Internacional de Machine Learning (ICML), la principal conferencia internacional en el campo del aprendizaje autom\u00e1tico, que se inaugur\u00f3 virtualmente el pasado 18 de julio de 2021.<\/p>\n

Tecnolog\u00eda reci\u00e9n desarrollada<\/strong>
\nFujitsu e Inria han desarrollado una tecnolog\u00eda de IA que puede determinar la causa de las anomal\u00edas en las series temporales de datos, y que cuenta con las siguientes caracter\u00edsticas clave:<\/p>\n

1) Utilizando una tecnolog\u00eda de an\u00e1lisis desarrollada por Fujitsu que extrae las caracter\u00edsticas que afectan al juicio de los time-series data y detecta las anomal\u00edas (2), las caracter\u00edsticas que condujeron al juicio an\u00f3malo, as\u00ed como las caracter\u00edsticas no relacionadas con los datos que fueron juzgados como an\u00f3malos por la IA, se mapean en un plano (espacio TDA).<\/p>\n

2) La tecnolog\u00eda transforma los datos puntuales de la caracter\u00edstica que es la base m\u00e1s cercana al grupo de point data de la operaci\u00f3n an\u00f3mala.<\/p>\n

3) Las series temporales de datos se deforman bas\u00e1ndose en la conversi\u00f3n de las caracter\u00edsticas de los point data, y se generan los datos que se consideran normales.<\/p>\n

Esto permite comparar la forma de onda de los time-series data normales, as\u00ed como los an\u00f3malos y permite al usuario investigar visualmente la causa de la irregularidad.
\nLa tecnolog\u00eda reci\u00e9n desarrollada se aplic\u00f3 para probar la posibilidad de detectar s\u00edntomas de delirio (3) utilizando datos reales de electroencefalograf\u00eda (EEG) (4) recogidos en estricto cumplimiento de las directrices \u00e9ticas. Utilizando la tecnolog\u00eda reci\u00e9n desarrollada, se confirm\u00f3 que las caracter\u00edsticas de la onda cerebral de los time-series data coincid\u00edan con el fen\u00f3meno de \u00abralentizaci\u00f3n\u00bb (5) que a veces acompa\u00f1a al estado de delirio. Estos resultados ofrecen la posibilidad de ayudar a los profesionales de la medicina a interpretar los datos para ayudar a determinar la causa de estos s\u00edntomas. Esto podr\u00eda contribuir alg\u00fan d\u00eda, a importantes avances m\u00e9dicos, como la capacidad de descubrir posibles precursores de enfermedades que han sido dif\u00edciles de identificar con t\u00e9cnicas convencionales, as\u00ed como el descubrimiento de tratamientos preventivos. La tecnolog\u00eda tambi\u00e9n podr\u00eda aplicarse para arrojar luz sobre los mecanismos de enfermedades que a\u00fan no se conocen bien.
\nPara el Dr. Gen Shinozaki, profesor asociado de psiquiatr\u00eda y ciencias del comportamiento, Facultad de Medicina de la Universidad de Stanford, \u201cdebido a la naturaleza de las se\u00f1ales aleatorias, ha resultado dif\u00edcil utilizar los datos del EEG de forma cuantitativa y precisa para identificar determinados trastornos. En los \u00faltimos a\u00f1os, los avances en las tecnolog\u00edas de procesamiento de datos, como la IA, han permitido comprender mejor los cambios caracter\u00edsticos de las sutiles ondas cerebrales. Estos avances son importantes no s\u00f3lo para diagnosticar diversos trastornos, sino tambi\u00e9n para comprender la respuesta al tratamiento y el mecanismo fisiopatol\u00f3gico. La tecnolog\u00eda desarrollada por Fujitsu e Inria ha captado con \u00e9xito las caracter\u00edsticas \u00fanicas de las ondas cerebrales de los pacientes que sufren delirios. Adem\u00e1s de comprobarlo, prevemos que el perfeccionamiento y el uso pr\u00e1ctico de esta tecnolog\u00eda ofrecer\u00e1n, en \u00faltima instancia, la posibilidad de lograr un diagn\u00f3stico preciso, el seguimiento de la respuesta al tratamiento y la elucidaci\u00f3n de la fisiopatolog\u00eda de otros trastornos\u201d.<\/p>\n

Planes futuros<\/strong>
\nFujitsu e Inria tienen previsto fomentar el uso de la tecnolog\u00eda desarrollada conjuntamente en trabajos de campo y experimentos en empresas e institutos de investigaci\u00f3n, y proceder a la verificaci\u00f3n de la tecnolog\u00eda.<\/p>\n

Notas<\/strong>
\n[1] An\u00e1lisis de datos topol\u00f3gicos (TDA): M\u00e9todo de an\u00e1lisis de datos en el que los mismos se disponen en un cl\u00faster de puntos en el espacio y se extraen datos geom\u00e9tricos.<\/p>\n

[2] tecnolog\u00eda de an\u00e1lisis desarrollada por Fujitsu que clasifica las time-series data por caracter\u00edsticas y detecta las anomal\u00edas: Fujitsu y la francesa Inria desarrollan conjuntamente una tecnolog\u00eda para crear autom\u00e1ticamente modelos de IA de detecci\u00f3n de anomal\u00edas (Comunicado de prensa: 2020\/3\/16)<\/p>\n

[3] delirio: un s\u00edndrome, o grupo de s\u00edntomas, causado por una alteraci\u00f3n en el funcionamiento normal del cerebro.<\/p>\n

[4] datos reales de EEG: la tecnolog\u00eda reci\u00e9n desarrollada se aplic\u00f3 a los datos electroencefalogr\u00e1ficos de aproximadamente 600 pacientes, que consintieron en participar en la investigaci\u00f3n con el Dr. Shinozaki, en la Universidad de Iowa. El profesor Shinozaki es profesor asociado de la Universidad de Stanford desde junio de 2021.<\/p>\n

[5] fen\u00f3meno de ralentizaci\u00f3n: un fen\u00f3meno que se produce con frecuencia en los datos del EEG de los pacientes que sufren delirios.<\/p>\n

Arriba, en la infograf\u00eda, tecnolog\u00eda basada en TDA para identificar las causas que detectan las anomal\u00edas \/ cortes\u00eda de Fujitsu<\/em><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"

Fujitsu Limited e Inria, el Instituto Nacional Franc\u00e9s de Investigaci\u00f3n en Ciencia y Tecnolog\u00eda digital, han anunciado el desarrollo de una nueva tecnolog\u00eda de IA que puede identificar los factores que contribuyen a las anomal\u00edas en las series temporales de datos (time series data) En los \u00faltimos a\u00f1os, varios tipos de series temporales de datos … <\/p>\n

Continue reading \u00abFujitsu y la francesa Inria desarrollan una nueva Tecnolog\u00eda de IA de serie temporal para identificar las causas de las anomal\u00edas en los datos\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":4849,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":[],"categories":[11,9],"tags":[],"_links":{"self":[{"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/posts\/4848"}],"collection":[{"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/telecomkh.info\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=4848"}],"version-history":[{"count":2,"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/posts\/4848\/revisions"}],"predecessor-version":[{"id":4851,"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/posts\/4848\/revisions\/4851"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/media\/4849"}],"wp:attachment":[{"href":"https:\/\/telecomkh.info\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=4848"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/telecomkh.info\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=4848"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/telecomkh.info\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=4848"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}