La tesis defendida en la Universidad Pública de Navarra “Mejoras a la Capacidad de Generalización de la Inteligencia Artificial”, elaborada por Javier Fumanal Idocin, estudia cómo mejorar los sistemas actuales de análisis de grandes cantidades de datos procedentes de fuentes diversas. La fusión de información, que implica precisamente la integración de múltiples fuentes de datos para obtener una comprensión más completa y precisa de un tema determinado y ayudar así a una mejor toma de decisiones, constituye un “aspecto crucial” en campos como la informática, la ingeniería o las ciencias naturales, como asevera el autor de la investigación. La tesis se enmarca en el “Programa de Doctorado en Ciencias y Tecnologías Industriales” y está dirigida por Humberto Bustince Sola, investigador del Instituto Smart Cities, y Óscar Cordón García.
Desde el punto de vista matemático, una forma de estudiar el problema planteado es a través de la idea de funciones de fusión, que toman como entrada un vector de números y devuelven uno solo, representativo de ellos. Sin embargo, a medida que la heterogeneidad, la estructura y el volumen de los datos adquiere más relevancia, han surgido otros enfoques para abordar este problema. “Cuando se trata de datos no estructurados, como texto, audio e imagen, los enfoques de aprendizaje profundo han tenido mucho éxito en la transformación de este tipo de datos en representaciones vectoriales de números reales utilizando series de transformaciones afines”, indica Javier Fumanal. Sin embargo, como se ha señalado, “el problema de combinar eficazmente fuentes de información diversas y heterogéneas sigue siendo un área de investigación abierta y activa”, asegura.
Javier Fumanal, en la UPNA.
En este contexto, en la tesis se proponen un conjunto de funciones y algoritmos para tener en cuenta las posibles interacciones, heterogeneidades e incertidumbres cuando se trabaja con distintas fuentes de información. “Lo hacemos mediante la teoría de agregaciones y el análisis de redes sociales, y nos centramos especialmente en aquellos casos en los que los enfoques de aprendizaje profundo no tienen tanto éxito. Aplicamos nuestros nuevos métodos a una amplia gama de problemas incluyendo la clasificación de señales de interfaz cerebro-ordenador, la clasificación de datos tabulares estándar y el análisis de redes sociales”, explica el doctor por la UPNA.
Algunos de los resultados más relevantes aplicados de la tesis incluyen la mejora de los sistemas actuales de interfaz cerebro-ordenador que utilizan múltiples frecuencias de onda; la cuantificación numérica de los diversos aspectos que puede tener una relación interpersonal (egoísmo, generosidad, amistad, etc.) y cómo afecta a las dinámicas sociales de los seres humanos; y, por último, el cálculo de lo parecidos que son los símbolos y sus significados en distintas colecciones de historias mitológicas: “esto nos permite entender mejor en qué se parecen o difieren los universos simbólicos de cada una de estas culturas”, concluye el autor de la tesis.
Breve CV de Javier Fumanal
Javier Fumanal Idocin es graduado en Informática por la Universidad de Zaragoza y Máster en Ciencias de datos e Ingeniería de Computadores por la Universidad de Granada. Ha publicado un total de 11 artículos en distintas revistas consideradas de prestigio en el área de Ciencias de la Computación e Inteligencia Artificial como “IEEE Transactions on Cybernetics”, “IEEE Transactions on Fuzzy Systems”, “Pattern Recognition” o “Information Fusion”. Sus intereses de investigación incluyen inteligencia artificial, lógica difusa, análisis de redes sociales y visión por computador.