Laboratorio de Sistemas Inteligentes

Lineas I+D

Data Science

La ciencia de datos involucra todas las etapas desde la preparación de los datos, limpieza, análisis estadísticos y la elaboración de modelos predictivos, utilizando entre otras, técnicas de Machine Learning. Nos enfocamos en aplicaciones de todo tipo: industria, seguridad en redes, ciencias de la tierra (análisis de forestación, volcanes, glaciares, etc), medicina, alimentos y agro, entre otras.

Análisis estadístico
Machine Learning
Big Data
Aplicaciones en seguridad informática, ciencias de la tierra, medicina, alimentos, agro, etc.

Optimización

Aplicamos técnicas de optimización combinatoria y contínua para encontrar óptimos o buenos sub-óptimos en espacios de búsqueda complejos. Las aplicaciones son diversas: industriales (logística, almacenes, diseño de productos, producción), financieras y estratégicas (evaluación de escenarios, optimización de recursos), planificación, etc.

Optimización global y local
Objetivo simple o múltiple
Aplicaciones industriales, planificación, financieras, etc.
Ej: Algoritmos Genéticos, Temple Simulado, Basin-hopping, AI-Planning

Agentes Inteligentes

Los agentes inteligentes son entidades con autonomía, proactividad, reactividad, inteligencia. Pueden interactuar entre sí y con seres humanos en sistemas complejos. Los utilizamos en aplicaciones de optimización, monitoreo y toma de decisiones distribuidas, cuando se requiere redundancia o robustez, para automatizar negociación o trade-offs entre objetivos contrapuestos.

Agentes autónomos proactivos y reactivos
Dotados de inteligencia artificial built-in (razonamiento, optimización, predicción, etc.)
Aplicaciones: acción distribuida, negociación, sistemas críticos que requieren robustez.

Proyectos

Detección de Forestación en Señales Satelitales mediante Machine Learning

El procesamiento cuidadoso de los datos obtenidos de sensores instalados en satélites puede proveer información útil respecto a diferentes fenómenos naturales y artificiales relacionados con la Tierra. La detección de forestación y el estudio de diferentes areas de la superficie terrestre es útil en diferentes problemas como la detección de desertificación, análisis de salud de la forestación, simulación de inundaciones, etc. Diferentes técnicas han sido propuestas proveyendo máscaras de vegetación o forestación basadas en datos de satélite, presentando diferentes problemas como la necesidad de intervención humana para correcciones o la falta de flexibilidad.

En este trabajo se abordan dichos problemas, aplicando algoritmos de Machine Learning para la detección automática de forestación usando datos de satelites. La presente propuesta es validada a traves de experimentos usando Modelos de Superficie Digitales, firmas espectrales ópticas y térmicas y máscaras de forestación, obtenidas de los proyectos SRTM, Landsat-8 y JAXA en diversas regiones.

Detección de Ataques de DNS mediante Deep Learning

El Servicio de Nombres de Dominio (DNS) es una parte central del funcionamiento normal de Internet. Tal importancia, sumado a su escasa seguridad, lo ha convertido en un blanco común de diferentes comportamientos maliciosos como la aplicación de Algoritmos de Generación de Dominio (DGA) para comandar y controlar un grupo de ordenadores infectados o técnicas de Tunneling para eludir las restricciones del administrador del sistema.

El presente proyecto explota las características lexicográficas presentes en dominios normales, DGA y Tunneling mediante un modelo de Deep Learning multi-clase, basado en redes convolucionales (CNN), capaz de capturar combinaciones de caracteres que son importantes para discriminar dominios maliciosos de dominios no maliciosos. La investigaciones se centran no solo en el desarrollo de la red neuronal, sino también su implementación para la detección de tráfico de red en tiempo real.

Recomendando Comportamiento Malicioso

El reconocimiento de comportamiento malicioso en el tráfico red demanda gran cantidad de recursos tanto de índoles computacionales como humanos. Durante los últimos años, se han aplicado un gran número de enfoques con la intención de aligerar las tareas de análisis y reconocimiento. Estos enfoques apuntan fundamentalmente a facilitar la tarea del personal de seguridad de la red, mejorando su capacidad de detección e intentando elevar el nivel de automatización en el proceso de reconocimiento y análisis de comportamiento malicioso.

Para ello, este proyecto estudia sistemas de recomendación y su aplicación para asistir la identificación de amenazas a la seguridad en la red. En la etapa de etiquetado, la meta es asistir a la construcción del modelo de comportamiento con un compendio de patrones compilado a partir de la actividad de expertos utilizando herramientas visuales. Además, en la etapa de aprendizaje, se investigarán algoritmos de aprendizaje supervisado dedicados a asistir el proceso de recomendación y la creación del modelo.