Nuevos modelos para extraer información relevante del análisis de datos

Christian Brownlees (Universitat Pompeu Fabra); Lorenzo Cappello (Universitat Pompeu Fabra); Eulalia Nualart Dexeus (Universitat Pompeu Fabra); David Rossell Ribera (Universitat Pompeu Fabra); Piotr Zwiernik (Universitat Pompeu Fabra).

Con aplicaciones desde robótica hasta bioinformática, el aprendizaje automático (una rama de la inteligencia artificial) ha revolucionado la tecnología. En particular, el aprendizaje profundo ha logrado grandes avances en el análisis de datos, obteniendo una capacidad de predicción nunca vista en contextos que otras herramientas matemáticas son incapaces de abarcar. Sin embargo, la teoría estadística estándar no es capaz de explicar el gran poder del aprendizaje profundo. Se sabe que este tipo de Inteligencia Artificial funciona, pero no se sabe por qué, y este proyecto pretende aclararlo. Pero el reto de extraer información relevante de las enormes cantidades de datos que se producen se une a la suposición de los modelos estadísticos actuales, que asumen que los datos son uniformes. Este proyecto desarrollará nuevos modelos que admitan datos no uniformes e integren información externa para poder extraer conclusiones más sólidas de los datos. La relevancia del proyecto se basa en que el análisis de datos es actualmente una herramienta clave en biomedicina, economía, ciencias sociales o astrofísica.