El matemático Mikel Sesma Sara (Pamplona, 1991) ha construido un modelo teórico para fusionar información proveniente de múltiples fuentes, que resulta de utilidad en el ámbito de la inteligencia artificial y la ciencia de datos. Este desarrollo establece “relaciones entre datos hasta ahora no estudiadas”, según su autor, que, con esta investigación, se ha doctorado en la Universidad Pública de Navarra (UPNA). Los avances de este trabajo se han aplicado en problemas de procesamiento de imagen, como la detección automática de contornos de objetos, y en modelos predictivos de clasificación.
La tesis doctoral, calificada con sobresaliente “cum laude” con mención internacional, ha sido dirigida por Humberto Bustince Sola (catedrático de la UPNA, donde es investigador en el Instituto de Smart Cities-ISC, y profesor honorario de la Universidad de Nottingham, en el Reino Unido) y Radko Mesiar (docente en la Universidad Eslovaca de Tecnología, en Bratislava, Eslovaquia).
“En la era de la información y el ‘big data’ o datos masivos, las técnicas de fusión de información son cada vez más necesarias —indica el autor de la tesis doctoral—. De hecho, no es difícil encontrar ejemplos de sistemas de información que combinan datos de diversas fuentes, como redes de sensores, problemas de toma de decisión o índices económicos”.
En este caso, Mikel Sesma se fijó, dentro del ámbito de la inteligencia artificial y la ciencia de datos, en el “machine learning” o aprendizaje automático, cuyo objetivo es que las computadoras aprendan como lo hacen los seres humanos y mejoren ese proceso de forma autónoma y a lo largo del tiempo. Este conocimiento se obtiene mediante la información contenida en los datos y así se puede mejorar, de forma gradual, el rendimiento de los modelos predictivos y la toma decisiones basadas en dichos datos. Esta tecnología tiene una amplia presencia: desde los filtros anti-spam para correo electrónico, a la conducción automática de vehículos, pasando por el reconocimiento de voz e imágenes.
Técnicas de fusión de información
“Todos los algoritmos u operaciones matemáticas del “machine learning” utilizan técnicas de fusión de información en pasos intermedios —afirma el investigador—. Una forma de tratar con el problema de fusión de información es a través de las denominadas funciones de agregación. Se trata de funciones matemáticas que combinan una colección de valores numéricos y los fusionan en uno que los representa. Una de sus particularidades consiste en que se les exige que sean monótonas respecto a todos sus argumentos; es decir, si alguno de los valores numéricos que se va a agregar se incrementa, el resultado de la agregación debe también aumentarse”.
“Sin embargo —prosigue el investigador—, la existencia de funciones no monótonas, que son propicias para fusionar información, y el hecho de que esta condición de monotonía resulte demasiado restrictiva en ciertos problemas concretos han supuesto que una de las tendencias cuando se investigan las funciones de agregación sea relajar la condición de monotonía. A este respecto, en la literatura científica, se han introducido varias formas de monotonía relajada, como la monotonía débil y la monotonía direccional”.
Por todo ello, Mikel Sesma, ha propuesto en su tesis una colección de nuevas formas de monotonía generalizadas, “que son capaces de modelar relaciones entre datos hasta ahora no estudiadas”. “Entre ellas, se encuentran la monotonía direccional ordenada y su versión reforzada, que modelan el crecimiento de funciones a lo largo de direcciones variables; la monotonía basada en curvas; y la monotonía direccional de funciones que, además de datos numéricos, fusionan datos más generales como vectoriales o funcionales. Esta última supone un adelanto en dos tendencias de la teoría de la agregación, la relajación de la condición de monotonía y la generalización a dominios más generales que los numéricos”, concluye el autor de esta investigación.
Breve currículum
Antes de doctorarse en la UPNA, Mikel Sesma cursó en la Universidad de Zaragoza, sucesivamente, la licenciatura en Matemáticas y el Máster Universitario en Modelización e Investigación Matemática, Estadística y Computación. Durante la elaboración de su tesis doctoral, completó una estancia de investigación en la ya citada Universidad Eslovaca de Tecnología.
Su labor investigadora se ha visto reflejada en nueve artículos publicados en revistas científicas de alto impacto y en catorce trabajos presentados en congresos internacionales.
En la actualidad, trabaja como investigador en el Departamento de Estadística, Informática y Matemáticas de la UPNA y está adscrito al Instituto Smart Cities.