Ubiasist

Analizar y seleccionar tecnologías de monitorización potencialmente útiles para ser integradas en el hábitat, así como dispositivos wearables, con tal de generar mayor cantidad de información precisa sobre el individuo y las acciones llevadas a cabo por este.

Desarrollar modelos ML para el etiquetado automático de estados. Evaluar y seleccionar las bases de datos potencialmente útiles para los algoritmos a desarrollar. Elaborar lista de posibles estados y anomalías que puedan ocurrir en el hábitat. Llevar cabo experimentos con dispositivos wearables, etiquetando manualmente los datos generados por la simulación de acciones listadas.  Investigar y desarrollar algoritmos ML que por medio de datos supervisados permitan dar una solución etiquetada automáticamente.

Desarrollar sistema de monitorización completo.  Diseñar y desarrollar el hardware y software que hará uso de los sensores seleccionados junto con los dispositivos wearables, permitiendo una recopilación de datos global.

Interoperabilidad en la nube. Se implementará una arquitectura de base de datos dinámica que albergará los datos generados por los distintos dispositivos integrados en el hogar.

 Desarrollar dashboard. Desarrollar una plataforma web de tipo dashboard que permita visualizar graficas sobre los datos almacenados en la nube, para facilitar su interpretación.

Desarrollo IA para interpretación del contexto. Seleccionar y evaluar las distintas bases de datos con aplicación a la nueva algoritmia a evolucionar. Evaluar la aplicación de los distintos tipos de algoritmos de ML capaces de llevar a cabo una interpretación del contexto, y que, junto con el etiquetado automático de estados de OE2, sea capaz de mejorar la detección de anomalías de Elioth+ML y además añadir la novedosa capacidad de interpretarlas. Para ello se evaluarán diversas técnicas como: autoencoders convolucionales y variaciones, redes profundas realimentadas, aproximadores y proyectores de espacios latentes uniformes como UMAP).

Desarrollar una herramienta de visualización e interpretación. Las herramientas de visualización e interpretación de espacios latentes obtenidos mediante redes profundas (Deep Learning), permitirán eventualmente una adecuada (menos heurística) y más sencilla interpretación de situaciones, seguimiento de patrones y detección de anomalías por parte de un experto en la fase de análisis.

 Validar algoritmos. Validar los modelos de “Machine Learning” diseñados con datos reales adquiridos con la plataforma mejorada y adaptada ubIAsist.

Encontrar las configuraciones óptimas del sistema de monitorización. Las herramientas de IA desarrolladas y los datos generados con el sistema de monitorización completo, permitirán realizar una exploración de la calidad de los resultados obtenidos si sólo se utiliza un subconjunto de sensores del sistema de monitorización. De esta forma, se podrá llegar a comparar desde el punto de vista de la eficiencia y el coste económico cada configuración, llegando a seleccionar las más adecuadas.