Nuevas técnicas y modelos eficientes, autónomos y autoconfigurables de Inteligencia Artificial para el análisis sostenible de datos

El proyecto ORLEG-IA desarrollará y validará nuevos métodos de aprendizaje automático sostenibles y eficientes por diseño. Su sostenibilidad se abordará con una perspectiva integral, desde la adquisición de datos a partir de sensores (Green Sampling) al aprendizaje continuo e incremental (Green Continual Learning) y el diseño automático de modelos con criterios de eficiencia (Green Model Design). Como ámbito de aplicación, los métodos desarrollados se pondrán a prueba en escenarios de monitorización continua de señales biológicas para la detección de patologías (e.g., arritmias sobre un electrocardiograma) o la caracterización del estado cognitivo de pacientes con sensores de movimiento.

Aplicabilidad/impacto de los resultados:
Desde el punto de vista industrial, ORLEG-IA mejorará el posicionamiento científico-tecnológico de sus instituciones integrantes, y la competitividad de las empresas vascas en diferentes sectores, permitiendo:

• Reducir el tiempo de desarrollo de soluciones basadas en IA por parte de los científicos de datos a través de la automatización de muchas tareas (limpieza y organización de la información, validación y seguimiento de los modelos, selección de atributos, configuración/afinamiento del modelo), aprovechando desarrollos y soluciones previas que son ajustadas de manera autónoma y desatendida para su uso en nuevas tareas.
• Simplificar la validación de los modelos, facilitando la adecuación de su configuración a las condiciones cambiantes de entornos no controlados, donde los datos y las tareas de modelización puedan variar a lo largo del tiempo.
• Reducir los riesgos operacionales asociados a errores en los datos, implementación, uso inadecuado o su adaptación a condiciones cambiantes bajo las que no han sido diseñados o entrenados los modelos.
• Avanzar en la calidad de los modelos, así como en su trazabilidad y comparabilidad a través de la automatización del mantenimiento de los algoritmos.
• Mejorar la eficiencia energética de los modelos, permitiendo su entrenamiento y ejecución en dispositivos de bajo coste, con recursos restringidos (wearables, dispositivos móviles) que requieren un menor consumo asociado a los modelos de IA que usan sus aplicaciones.
• Minimizar la dependencia en personal altamente cualificado en IA/ML en el despliegue de soluciones basadas en IA.

A nivel académico, a partir de los algoritmos y resultados conseguidos en este proyecto, buscaremos colaboraciones con la Universidad de Burdeos, que es parte de la Alianza de Burdeos para la Inteligencia Artificial, junto a otros agentes industriales. El enfoque en la inteligencia artificial, las temáticas abordadas, la pertenencia a Euskampus y los recursos disponibles hacen de esta colaboración una oportunidad excelente para avances tecnológicos en Green AI y su implementación en la industria regional.