http://sedici.unlp.edu.ar:80/handle/10915/176450 Fri, 13 Nov 2026 11:11:45 GMT 2026-11-13T11:11:45Z http://sedici.unlp.edu.ar:80/handle/10915/178838 Objeto de conferencia Simposio Argentino de Inteligencia Artificial y Ciencias de Datos (ASAID 2024) - JAIIO 53 (Universidad Nacional del Sur, 12 al 16 de agosto de 2024) Early Risk Detection (ERD) on the Web aims to identify promptly users facing social and health issues. Users are analyzed post-by-post, and it is necessary to guarantee correct and quick answers, which is particularly challenging in critical scenarios. ERD involves optimizing classification precision and minimizing detection delay. Standard classification metrics may not suffice, resorting to specific metrics such as ERDEθ that explicitly consider precision and delay. The current research focuses on applying a multi-objective approach, prioritizing classification performance and establishing a separate criterion for decision time. In this work, we propose a completely different strategy, temporalfine-tuning, which allows tuning transformer-based models by explicitly incorporating time within the learning process. Our method allows us to analyze complete user post histories, tune models considering different contexts, and evaluate training performance using temporal metrics. We evaluated our proposal in the depression and eating disorders tasks for the Spanish language, achieving competitive results compared to the best models of MentalRiskES 2023. We found that temporal fine-tuning optimized decisions considering context and time progress. In this way, by properly taking advantage of the power of transformers, it is possible to address ERD by combining precision and speed as a single objective. Mon, 01 Jan 2024 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/178838 2024-01-01T00:00:00Z Early Risk Detection (ERD) on the Web aims to identify promptly users facing social and health issues. Users are analyzed post-by-post, and it is necessary to guarantee correct and quick answers, which is particularly challenging in critical scenarios. ERD involves optimizing classification precision and minimizing detection delay. Standard classification metrics may not suffice, resorting to specific metrics such as ERDEθ that explicitly consider precision and delay. The current research focuses on applying a multi-objective approach, prioritizing classification performance and establishing a separate criterion for decision time. In this work, we propose a completely different strategy, temporalfine-tuning, which allows tuning transformer-based models by explicitly incorporating time within the learning process. Our method allows us to analyze complete user post histories, tune models considering different contexts, and evaluate training performance using temporal metrics. We evaluated our proposal in the depression and eating disorders tasks for the Spanish language, achieving competitive results compared to the best models of MentalRiskES 2023. We found that temporal fine-tuning optimized decisions considering context and time progress. In this way, by properly taking advantage of the power of transformers, it is possible to address ERD by combining precision and speed as a single objective. http://sedici.unlp.edu.ar:80/handle/10915/178459 Objeto de conferencia Simposio Argentino de Inteligencia Artificial y Ciencias de Datos (ASAID 2024) - JAIIO 53 (Universidad Nacional del Sur, 12 al 16 de agosto de 2024) Structured information is a valuable resource in information systems construction. The process of structuring unstructured data can be automated, but since machines can’t directly process natural language texts, NLP techniques are required. This work aims to evaluate different approaches to perform attribute-value extraction in real estate descriptions, in the context of the construction of a real estate observatory for the Province of Buenos Aires. The performance of each model is measured using precision, recall and F1-score with a partial matching approach. Mon, 01 Jan 2024 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/178459 2024-01-01T00:00:00Z Structured information is a valuable resource in information systems construction. The process of structuring unstructured data can be automated, but since machines can’t directly process natural language texts, NLP techniques are required. This work aims to evaluate different approaches to perform attribute-value extraction in real estate descriptions, in the context of the construction of a real estate observatory for the Province of Buenos Aires. The performance of each model is measured using precision, recall and F1-score with a partial matching approach. http://sedici.unlp.edu.ar:80/handle/10915/178458 Objeto de conferencia Simposio Argentino de Inteligencia Artificial y Ciencias de Datos (ASAID 2024) - JAIIO 53 (Universidad Nacional del Sur, 12 al 16 de agosto de 2024) La decisión comúnmente adoptada en escenarios con abundantes datos, es la división aleatoria de los mismos. Sin embargo, cuando los datos escasean, esta decisión puede no ser la más apropiada. Se introduce SplitGen que es un algoritmo evolutivo diseñado para optimizar la división del conjunto de datos basado en un criterio de distancias. Su enfoque busca garantizar que los subconjuntos sean los más representativos posibles del conjunto original, mitigando el riesgo de introducir sesgos en la evaluación del modelo. La implementación se realizó en Python utilizando la librería DEAP. Se comparo su desempeño contra una búsqueda aleatoria, evaluando las soluciones mediante la pseudo distancia de Mahalanobis y la distancia de Wasserstein. Se observó un mejor desempeño del algoritmo gen ético, especialmente cuando el tamaño del conjunto de datos esta entre 1000 y 10000 observaciones, y en distribuciones uniformes comparadas con las normales, sugiriendo una mayor dificultad en presencia de curtosis y valores atípicos. Mon, 01 Jan 2024 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/178458 2024-01-01T00:00:00Z La decisión comúnmente adoptada en escenarios con abundantes datos, es la división aleatoria de los mismos. Sin embargo, cuando los datos escasean, esta decisión puede no ser la más apropiada. Se introduce SplitGen que es un algoritmo evolutivo diseñado para optimizar la división del conjunto de datos basado en un criterio de distancias. Su enfoque busca garantizar que los subconjuntos sean los más representativos posibles del conjunto original, mitigando el riesgo de introducir sesgos en la evaluación del modelo. La implementación se realizó en Python utilizando la librería DEAP. Se comparo su desempeño contra una búsqueda aleatoria, evaluando las soluciones mediante la pseudo distancia de Mahalanobis y la distancia de Wasserstein. Se observó un mejor desempeño del algoritmo gen ético, especialmente cuando el tamaño del conjunto de datos esta entre 1000 y 10000 observaciones, y en distribuciones uniformes comparadas con las normales, sugiriendo una mayor dificultad en presencia de curtosis y valores atípicos. http://sedici.unlp.edu.ar:80/handle/10915/178457 Objeto de conferencia Simposio Argentino de Inteligencia Artificial y Ciencias de Datos (ASAID 2024) - JAIIO 53 (Universidad Nacional del Sur, 12 al 16 de agosto de 2024) La digitalización es uno de los principales motores de la innovación pues cada vez hay más datos disponibles. Su explotación eficiente es imprescindible. En particular, para la optimización de sistemas de procesos es un desafío combinar métodos cimentados en ecuaciones con estrategias basadas en datos. Presentamos un enfoque que consiste en la integración de modelos físicos con el aprendizaje automático. Se propone una metodología basada en la física para derivar un metamodelo utilizando boosting. Para el ajuste paramétrico se emplea el Optimizador Hiperheurístico Cooperativo Paralelo (PCHO). PCHO comprende las metaheurísticas clásicas denominadas Algoritmos Genéticos, Recocido Simulado y Optimización por Enjambre de Partículas, cuyos parámetros se eligen de forma adaptativa durante las ejecuciones. Algunos mecanismos complejos pueden requerir varias instancias para representar la realidad. El objetivo de los metamodelos es unificar varias estructuras posibles para obtener resultados generales. Se describe el diseño conceptual de este enfoque, cuyo marco general se concibió para encontrar un metamodelo de la velocidad de reacción inversa del desplazamiento de gas en agua (RWGS) a 600°C. Para este caso se generaron datos experimentales para varios escenarios reales. En consecuencia, fue necesario ajustar varias correlaciones potencialmente aplicables que se combinaron en un metamodelo final. Mon, 01 Jan 2024 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/178457 2024-01-01T00:00:00Z La digitalización es uno de los principales motores de la innovación pues cada vez hay más datos disponibles. Su explotación eficiente es imprescindible. En particular, para la optimización de sistemas de procesos es un desafío combinar métodos cimentados en ecuaciones con estrategias basadas en datos. Presentamos un enfoque que consiste en la integración de modelos físicos con el aprendizaje automático. Se propone una metodología basada en la física para derivar un metamodelo utilizando boosting. Para el ajuste paramétrico se emplea el Optimizador Hiperheurístico Cooperativo Paralelo (PCHO). PCHO comprende las metaheurísticas clásicas denominadas Algoritmos Genéticos, Recocido Simulado y Optimización por Enjambre de Partículas, cuyos parámetros se eligen de forma adaptativa durante las ejecuciones. Algunos mecanismos complejos pueden requerir varias instancias para representar la realidad. El objetivo de los metamodelos es unificar varias estructuras posibles para obtener resultados generales. Se describe el diseño conceptual de este enfoque, cuyo marco general se concibió para encontrar un metamodelo de la velocidad de reacción inversa del desplazamiento de gas en agua (RWGS) a 600°C. Para este caso se generaron datos experimentales para varios escenarios reales. En consecuencia, fue necesario ajustar varias correlaciones potencialmente aplicables que se combinaron en un metamodelo final. http://sedici.unlp.edu.ar:80/handle/10915/177189 Objeto de conferencia Simposio Argentino de Inteligencia Artificial y Ciencias de Datos (ASAID 2024) - JAIIO 53 (Universidad Nacional del Sur, 12 al 16 de agosto de 2024) El Trastorno Específico del Lenguaje (SLI) es un trastorno que afecta la comunicación y puede afectar tanto la comprensión como la expresión. Este estudio se centra en la detección eficaz del SLI en niños, empleando transcripciones de narrativas espontáneas tomadas en 1063 entrevistas. Para dicho fin, proponemos un pipeline de tres etapas en cascada. En la primera etapa, se hace una extracción de características y una reducción de dimensionalidad de los datos usando en conjunto, los métodos de Random Forest (RF) y correlación de Spearman. En la segunda etapa se estiman las variables más predictivas de la primera etapa usando regresión logística, las cuales son usadas en la última etapa, para detectar el trastorno SLI en niños a partir de transcripciones de narrativas espontáneas usando un clasificador de vecinos más cercanos. Los resultados revelaron una precisión del 97,13% en la identificación del SLI, destacándose aspectos como el largo de las respuestas, la calidad de sus enunciados y la complejidad del lenguaje. Este nuevo enfoque enmarcado en procesamiento natural del lenguaje, ofrece beneficios significativos al campo de la detección de SLI, al evitar complejas variables subjetivas y centrarse en métricas cuantitativas directamente relacionadas con el desempeño del niño. Mon, 01 Jan 2024 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/177189 2024-01-01T00:00:00Z El Trastorno Específico del Lenguaje (SLI) es un trastorno que afecta la comunicación y puede afectar tanto la comprensión como la expresión. Este estudio se centra en la detección eficaz del SLI en niños, empleando transcripciones de narrativas espontáneas tomadas en 1063 entrevistas. Para dicho fin, proponemos un pipeline de tres etapas en cascada. En la primera etapa, se hace una extracción de características y una reducción de dimensionalidad de los datos usando en conjunto, los métodos de Random Forest (RF) y correlación de Spearman. En la segunda etapa se estiman las variables más predictivas de la primera etapa usando regresión logística, las cuales son usadas en la última etapa, para detectar el trastorno SLI en niños a partir de transcripciones de narrativas espontáneas usando un clasificador de vecinos más cercanos. Los resultados revelaron una precisión del 97,13% en la identificación del SLI, destacándose aspectos como el largo de las respuestas, la calidad de sus enunciados y la complejidad del lenguaje. Este nuevo enfoque enmarcado en procesamiento natural del lenguaje, ofrece beneficios significativos al campo de la detección de SLI, al evitar complejas variables subjetivas y centrarse en métricas cuantitativas directamente relacionadas con el desempeño del niño. http://sedici.unlp.edu.ar:80/handle/10915/177188 Objeto de conferencia Simposio Argentino de Inteligencia Artificial y Ciencias de Datos (ASAID 2024) - JAIIO 53 (Universidad Nacional del Sur, 12 al 16 de agosto de 2024) The incorporation of EV parking within vehicle-to-building (V2B) frameworks signifies not only a technological evolution but also a pivotal step towards constructing smarter and environmentally friendly urban environments. This initiative actively contributes to the optimization of system resources while also enabling the incorporation of renewable energy resources. In this study, we propose the development of reinforcement learning (RL) algorithms for the management of smart parking lots, aiming to minimize building energy purchases from the grid while ensuring efficient charging of EVs. The proposed methods obtained a 15% to 17% improvement in the evaluation reward in comparison with rule based method as a benchmark. In the realm of grid energy, they saved 9 to 11% in average purchase cost. In essence, these algorithms, after training, make more efficient decisions than more traditional control methods while ensuring electric vehicle (EV) charging. Mon, 01 Jan 2024 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/177188 2024-01-01T00:00:00Z The incorporation of EV parking within vehicle-to-building (V2B) frameworks signifies not only a technological evolution but also a pivotal step towards constructing smarter and environmentally friendly urban environments. This initiative actively contributes to the optimization of system resources while also enabling the incorporation of renewable energy resources. In this study, we propose the development of reinforcement learning (RL) algorithms for the management of smart parking lots, aiming to minimize building energy purchases from the grid while ensuring efficient charging of EVs. The proposed methods obtained a 15% to 17% improvement in the evaluation reward in comparison with rule based method as a benchmark. In the realm of grid energy, they saved 9 to 11% in average purchase cost. In essence, these algorithms, after training, make more efficient decisions than more traditional control methods while ensuring electric vehicle (EV) charging. http://sedici.unlp.edu.ar:80/handle/10915/177187 Objeto de conferencia Simposio Argentino de Inteligencia Artificial y Ciencias de Datos (ASAID 2024) - JAIIO 53 (Universidad Nacional del Sur, 12 al 16 de agosto de 2024) El idioma guaraní es uno de los lenguajes autóctonos más hablados de América del Sur, y es utilizado por la mayoría de la población del Paraguay. Sin embargo, se encuentra poco representado en conjuntos de datos utilizados para el entrenamiento de modelos multilenguaje, por lo que existen pocas herramientas lingüísticas basadas en deep learning que sean compatibles con el guaraní. Este proyecto tiene como objetivo desarrollar un sistema de reconocimiento capaz de transcribir voz en guaraní y ponerlo a disposición del público. El primer paso es llevar a cabo un análisis preliminar para identificar un criterio óptimo de selección de datos de entrenamiento y comparar el rendimiento de modelos de diferentes tamaños. Este estudio evalúa los siguientes criterios: el uso de una muestra pequeña de datos manualmente verificada, una muestra más grande con exactitud sin verificar, y una combinación de ambos enfoques mediante aprendizaje auto-supervisado. Todos los datos provienen del corpus de Mozilla Common Voice, y los modelos fueron entrenados a partir de diferentes versiones multilenguaje de Whisper. Encontramos que incluir una muestra más grande de datos sin verificar mejora drásticamente la precisión del modelo final, y que el aprendizaje auto-supervisado no mejora la precisión con respecto al modelo inicial. Mon, 01 Jan 2024 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/177187 2024-01-01T00:00:00Z El idioma guaraní es uno de los lenguajes autóctonos más hablados de América del Sur, y es utilizado por la mayoría de la población del Paraguay. Sin embargo, se encuentra poco representado en conjuntos de datos utilizados para el entrenamiento de modelos multilenguaje, por lo que existen pocas herramientas lingüísticas basadas en deep learning que sean compatibles con el guaraní. Este proyecto tiene como objetivo desarrollar un sistema de reconocimiento capaz de transcribir voz en guaraní y ponerlo a disposición del público. El primer paso es llevar a cabo un análisis preliminar para identificar un criterio óptimo de selección de datos de entrenamiento y comparar el rendimiento de modelos de diferentes tamaños. Este estudio evalúa los siguientes criterios: el uso de una muestra pequeña de datos manualmente verificada, una muestra más grande con exactitud sin verificar, y una combinación de ambos enfoques mediante aprendizaje auto-supervisado. Todos los datos provienen del corpus de Mozilla Common Voice, y los modelos fueron entrenados a partir de diferentes versiones multilenguaje de Whisper. Encontramos que incluir una muestra más grande de datos sin verificar mejora drásticamente la precisión del modelo final, y que el aprendizaje auto-supervisado no mejora la precisión con respecto al modelo inicial. http://sedici.unlp.edu.ar:80/handle/10915/177185 Objeto de conferencia Simposio Argentino de Inteligencia Artificial y Ciencias de Datos (ASAID 2024) - JAIIO 53 (Universidad Nacional del Sur, 12 al 16 de agosto de 2024) La Búsqueda de Arquitecturas de Redes neuronales (NAS, Neural Architecture Search) es una línea de investigación fundamental para aplicaciones de Redes Neuronales Convolucionales (CNN, Convolutional Neural Network) de alto rendimiento. Normalmente, los métodos NAS propuestos en la literatura requieren un alto costo computacional para calcular la solución CNN óptima dentro de los problemas de clasificación de imágenes. Por lo tanto, una línea de investigación emergente propone estimadores de rendimiento llamados métodos Zero-Shot Proxy. Las métodos Zero-Shot Proxy reducen el costo de evaluación dentro de la búsqueda de la arquitectura óptima, reemplazando parcial o completamente el entrenamiento y evaluación. Claramente, estos métodos ayudan a reducir el costo computacional, sin embargo, es necesario examinar su impacto en NAS. Este trabajo estudia el efecto de métodos Zero-Shot Proxy del estado del arte –Gradient norm, SNIP, Synflow, GraSP, Fisher information, y Jacobian covariant– como guías estratégicas en un Algoritmo Genético. La simulación experimental en la base de datos CIFAR10 indica el buen rendimiento de los métodos considerados, siendo el Jacobian covariant el más preciso. Mon, 01 Jan 2024 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/177185 2024-01-01T00:00:00Z La Búsqueda de Arquitecturas de Redes neuronales (NAS, Neural Architecture Search) es una línea de investigación fundamental para aplicaciones de Redes Neuronales Convolucionales (CNN, Convolutional Neural Network) de alto rendimiento. Normalmente, los métodos NAS propuestos en la literatura requieren un alto costo computacional para calcular la solución CNN óptima dentro de los problemas de clasificación de imágenes. Por lo tanto, una línea de investigación emergente propone estimadores de rendimiento llamados métodos Zero-Shot Proxy. Las métodos Zero-Shot Proxy reducen el costo de evaluación dentro de la búsqueda de la arquitectura óptima, reemplazando parcial o completamente el entrenamiento y evaluación. Claramente, estos métodos ayudan a reducir el costo computacional, sin embargo, es necesario examinar su impacto en NAS. Este trabajo estudia el efecto de métodos Zero-Shot Proxy del estado del arte –Gradient norm, SNIP, Synflow, GraSP, Fisher information, y Jacobian covariant– como guías estratégicas en un Algoritmo Genético. La simulación experimental en la base de datos CIFAR10 indica el buen rendimiento de los métodos considerados, siendo el Jacobian covariant el más preciso. http://sedici.unlp.edu.ar:80/handle/10915/177183 Objeto de conferencia Simposio Argentino de Inteligencia Artificial y Ciencias de Datos (ASAID 2024) - JAIIO 53 (Universidad Nacional del Sur, 12 al 16 de agosto de 2024) Building Information Modeling (BIM) es una metodología para la gestión del ciclo de vida de edificios. La mayoría de las soluciones BIM requieren un modelo digital como base, para por ejemplo, optimizar el mantenimiento, renovación de infraestructura o su demolición. Sin embargo, estos modelos no están siempre disponibles para edificios existentes. Existe una vasta cantidad de planos analógicos de edificios existentes registrados por los diferentes organismos públicos que gestionan los desarrollos urbanos, y que su modelado manual resultaría muy costoso. Dada esta falta de modelos digitales, se presenta una nueva técnica que permite procesar información en planos de instalación eléctrica y obtener un archivo IFC, basada en Aprendizaje Automático utilizando el modelo de segmentación de instancias Cascade Mask R-CNN para extraer tomas y un modelo detección de segmentos de líneas (LSD) DeepLSD para extraer la traza de los cables que captura la información digitalmente, estableciendo la relación semántica de los componentes del circuito. Los planos eléctricos procesados conforman un nuevo dataset IPVBA-ELEC. Mon, 01 Jan 2024 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/177183 2024-01-01T00:00:00Z Building Information Modeling (BIM) es una metodología para la gestión del ciclo de vida de edificios. La mayoría de las soluciones BIM requieren un modelo digital como base, para por ejemplo, optimizar el mantenimiento, renovación de infraestructura o su demolición. Sin embargo, estos modelos no están siempre disponibles para edificios existentes. Existe una vasta cantidad de planos analógicos de edificios existentes registrados por los diferentes organismos públicos que gestionan los desarrollos urbanos, y que su modelado manual resultaría muy costoso. Dada esta falta de modelos digitales, se presenta una nueva técnica que permite procesar información en planos de instalación eléctrica y obtener un archivo IFC, basada en Aprendizaje Automático utilizando el modelo de segmentación de instancias Cascade Mask R-CNN para extraer tomas y un modelo detección de segmentos de líneas (LSD) DeepLSD para extraer la traza de los cables que captura la información digitalmente, estableciendo la relación semántica de los componentes del circuito. Los planos eléctricos procesados conforman un nuevo dataset IPVBA-ELEC. http://sedici.unlp.edu.ar:80/handle/10915/177182 Objeto de conferencia Simposio Argentino de Inteligencia Artificial y Ciencias de Datos (ASAID 2024) - JAIIO 53 (Universidad Nacional del Sur, 12 al 16 de agosto de 2024) Los trastornos del neurodesarrollo afectan las habilidades de percepción y procesamiento del lenguaje en niños de diferentes edades. Las herramientas de diagnóstico asistido por computadora son de vital importancia para la detección temprana de trastornos del habla y el lenguaje en niños. En este trabajo se explora el uso de modelos de aprendizaje profundo para la detección del Trastorno Específico del Lenguaje a partir de la voz. Para esto se comparan dos enfoques que se emplean para alimentar los modelos neuronales: uno en el que se emplean las señales de audio sin procesar, y otro que se alimenta con espectrogramas derivados de esas señales. Se proponen tres modelos neuronales para realizar la clasificación, dos para el primer enfoque de preprocesamiento de datos y uno para el segundo. Los tres modelos emplean un bloque basado en redes neuronales convolucionales para extraer características. El primero usa una capa completamente conectada como clasificador, mientras que los otros dos procesan la información secuencial mediante redes recurrentes y luego clasifican con una red completamente conectada. A su vez, se exploran estrategias de aumentación de datos, como la adición de ruido, estiramiento temporal, corrimiento temporal y cambio de tono, para analizar su impacto en el desempeño de estas propuestas. Los resultados muestran que los modelos que utilizan las señales sin procesar alcanzan las mejores métricas. Además, el uso de las estrategias de aumentación mejora el desempeño de los modelos propuestos. Mon, 01 Jan 2024 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/177182 2024-01-01T00:00:00Z Los trastornos del neurodesarrollo afectan las habilidades de percepción y procesamiento del lenguaje en niños de diferentes edades. Las herramientas de diagnóstico asistido por computadora son de vital importancia para la detección temprana de trastornos del habla y el lenguaje en niños. En este trabajo se explora el uso de modelos de aprendizaje profundo para la detección del Trastorno Específico del Lenguaje a partir de la voz. Para esto se comparan dos enfoques que se emplean para alimentar los modelos neuronales: uno en el que se emplean las señales de audio sin procesar, y otro que se alimenta con espectrogramas derivados de esas señales. Se proponen tres modelos neuronales para realizar la clasificación, dos para el primer enfoque de preprocesamiento de datos y uno para el segundo. Los tres modelos emplean un bloque basado en redes neuronales convolucionales para extraer características. El primero usa una capa completamente conectada como clasificador, mientras que los otros dos procesan la información secuencial mediante redes recurrentes y luego clasifican con una red completamente conectada. A su vez, se exploran estrategias de aumentación de datos, como la adición de ruido, estiramiento temporal, corrimiento temporal y cambio de tono, para analizar su impacto en el desempeño de estas propuestas. Los resultados muestran que los modelos que utilizan las señales sin procesar alcanzan las mejores métricas. Además, el uso de las estrategias de aumentación mejora el desempeño de los modelos propuestos. http://sedici.unlp.edu.ar:80/handle/10915/177181 Objeto de conferencia Simposio Argentino de Inteligencia Artificial y Ciencias de Datos (ASAID 2024) - JAIIO 53 (Universidad Nacional del Sur, 12 al 16 de agosto de 2024) El presente trabajo se centra en la realización de un análisis del modelo de lenguaje BERT (Bidirectional Encoder Representations from Transformers) con la finalidad de desarrollar un chatbot de pregunta-respuesta dirigido, en el futuro, a los laboratorios de la Cátedra de Física II desarrollados para las carreras de Ingeniería de la Facultad de Ciencias Exactas, Físicas y Naturales (FCEFyN) de la Universidad Nacional de Córdoba (UNC) en Argentina. Aquí se implementa una prueba de concepto basada en un modelo de Inteligencia Artificial que adquiere la capacidad de ofrecer respuestas asertivas a consultas vinculadas con un experimento de física actual realizado en la cátedra. Esta iniciativa tiene como objetivo continuar desarrollándose para brindar asistencia inmediata a los estudiantes para promover una comprensión más profunda de los fundamentos de la disciplina y enriquecer así su experiencia educativa en el contexto de la Física II para Ingeniería. El desarrollo de esta prueba de concepto de chatbot pregunta-respuesta representa un avance significativo en la integración de tecnologías de Inteligencia Artificial en la enseñanza de la física, facilitando el acceso a recursos educativos y promoviendo un aprendizaje personalizado, interactivo y adaptativo. Mon, 01 Jan 2024 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/177181 2024-01-01T00:00:00Z El presente trabajo se centra en la realización de un análisis del modelo de lenguaje BERT (Bidirectional Encoder Representations from Transformers) con la finalidad de desarrollar un chatbot de pregunta-respuesta dirigido, en el futuro, a los laboratorios de la Cátedra de Física II desarrollados para las carreras de Ingeniería de la Facultad de Ciencias Exactas, Físicas y Naturales (FCEFyN) de la Universidad Nacional de Córdoba (UNC) en Argentina. Aquí se implementa una prueba de concepto basada en un modelo de Inteligencia Artificial que adquiere la capacidad de ofrecer respuestas asertivas a consultas vinculadas con un experimento de física actual realizado en la cátedra. Esta iniciativa tiene como objetivo continuar desarrollándose para brindar asistencia inmediata a los estudiantes para promover una comprensión más profunda de los fundamentos de la disciplina y enriquecer así su experiencia educativa en el contexto de la Física II para Ingeniería. El desarrollo de esta prueba de concepto de chatbot pregunta-respuesta representa un avance significativo en la integración de tecnologías de Inteligencia Artificial en la enseñanza de la física, facilitando el acceso a recursos educativos y promoviendo un aprendizaje personalizado, interactivo y adaptativo. http://sedici.unlp.edu.ar:80/handle/10915/177179 Objeto de conferencia Simposio Argentino de Inteligencia Artificial y Ciencias de Datos (ASAID 2024) - JAIIO 53 (Universidad Nacional del Sur, 12 al 16 de agosto de 2024) With the growing use of vector embeddings in areas like natural language processing and recommendation systems, the need for effective storage and retrieval methods is increasingly important. However, deploying specialized databases for vector indexing can be challenging due to resource limitations or operational constraints. This paper introduces a novel approach that utilizes existing trigram indexes within SQL databases to efficiently manage vector embeddings. By adapting traditional relational databases to handle high-dimensional data, organizations can use their existing infrastructure without the need to invest in new database systems. This method reduces management complexity and costs associated with maintaining separate systems for vector data. We outline the process of converting vector embeddings for trigram indexing and evaluate the performance and recall through empirical analysis. This paper aims to offer a practical solution for researchers and practitioners seeking to integrate advanced vector-based queries into their current database systems, thereby enhancing the functionality and accessibility of vector embeddings in mainstream applications. Mon, 01 Jan 2024 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/177179 2024-01-01T00:00:00Z With the growing use of vector embeddings in areas like natural language processing and recommendation systems, the need for effective storage and retrieval methods is increasingly important. However, deploying specialized databases for vector indexing can be challenging due to resource limitations or operational constraints. This paper introduces a novel approach that utilizes existing trigram indexes within SQL databases to efficiently manage vector embeddings. By adapting traditional relational databases to handle high-dimensional data, organizations can use their existing infrastructure without the need to invest in new database systems. This method reduces management complexity and costs associated with maintaining separate systems for vector data. We outline the process of converting vector embeddings for trigram indexing and evaluate the performance and recall through empirical analysis. This paper aims to offer a practical solution for researchers and practitioners seeking to integrate advanced vector-based queries into their current database systems, thereby enhancing the functionality and accessibility of vector embeddings in mainstream applications. http://sedici.unlp.edu.ar:80/handle/10915/177178 Objeto de conferencia Simposio Argentino de Inteligencia Artificial y Ciencias de Datos (ASAID 2024) - JAIIO 53 (Universidad Nacional del Sur, 12 al 16 de agosto de 2024) El concepto de similaridad molecular es fundamental para la bioinformática. Sin embargo, calcular la similaridad entre compuestos cuando se desconoce la estructura de alguno de ellos resulta un desafío. Los modelos neuronales en grafos han demostrado eficacia para extraer representaciones a partir de la topología de reacciones químicas. Sin embargo, su diseño y principalmente la elección de hiperparámetros implican evaluar un vasto espacio de posibilidades. Los algoritmos evolutivos surgen como una alternative natural para explorar grandes espacios de búsqueda, como es el caso del espacio de hiperparámetros asociados a las arquitecturas neuronales. Este trabajo propone comparar un el uso de un enfoque clásico de búsqueda de hiperparámetros mediante conocimiento experto frente a una propuesta bioinspirada basada en computación evolutiva para la misma tarea, particularmente en el contexto de estimación de similaridad entre compuestos. Partiendo de una arquitectura predefinida se comparan experimental ambas propuestas y se evalúan en diferentes conjuntos de datos. Los resultados muestran que el enfoque basado en computación evolutiva permite encontrar hiperparámetros adecuados para la arquitectura considerada que permiten alcanzar un desempeño comparable al enfoque basado en conocimiento experto, con la diferencia de no ser necesario el conocimiento humano para esta selección. Mon, 01 Jan 2024 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/177178 2024-01-01T00:00:00Z El concepto de similaridad molecular es fundamental para la bioinformática. Sin embargo, calcular la similaridad entre compuestos cuando se desconoce la estructura de alguno de ellos resulta un desafío. Los modelos neuronales en grafos han demostrado eficacia para extraer representaciones a partir de la topología de reacciones químicas. Sin embargo, su diseño y principalmente la elección de hiperparámetros implican evaluar un vasto espacio de posibilidades. Los algoritmos evolutivos surgen como una alternative natural para explorar grandes espacios de búsqueda, como es el caso del espacio de hiperparámetros asociados a las arquitecturas neuronales. Este trabajo propone comparar un el uso de un enfoque clásico de búsqueda de hiperparámetros mediante conocimiento experto frente a una propuesta bioinspirada basada en computación evolutiva para la misma tarea, particularmente en el contexto de estimación de similaridad entre compuestos. Partiendo de una arquitectura predefinida se comparan experimental ambas propuestas y se evalúan en diferentes conjuntos de datos. Los resultados muestran que el enfoque basado en computación evolutiva permite encontrar hiperparámetros adecuados para la arquitectura considerada que permiten alcanzar un desempeño comparable al enfoque basado en conocimiento experto, con la diferencia de no ser necesario el conocimiento humano para esta selección. http://sedici.unlp.edu.ar:80/handle/10915/177177 Objeto de conferencia Simposio Argentino de Inteligencia Artificial y Ciencias de Datos (ASAID 2024) - JAIIO 53 (Universidad Nacional del Sur, 12 al 16 de agosto de 2024) In this paper we compare Skill-Relatedness Networks (SRNs) for selected countries, that is to say statistically significant inter-industrial interactions representing latent skills exchanges derived from observed labor flows, a kind of industry spaces. Using data from Argentina (ARG), Germany (DEU) and Sweden (SWE), we compare their SRNs utilizing an information-theoretic method that permits to compare networks of "non-aligned" nodes, which is the case of interest. For each SRN we extract its portrait, a fingerprint of structural measures of the distributions of their shortest paths, and calculate their pairwise divergences. This allows us also to contrast differences in structural (binary) connectivity with differences in the information provided by the (weighted) skill relatedness indicator (SR). We find that, in the case of ARG, structural connectivity is very different from their counterpart in DEU and SWE, but through the glass of SR the distances analyzed are all substantially smaller and more alike. These results qualify the role of the SR indicator as revealing some hidden dimension different from connectivity alone, providing empirical support to the suggestion that industry spaces may differ across countries. Mon, 01 Jan 2024 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/177177 2024-01-01T00:00:00Z In this paper we compare Skill-Relatedness Networks (SRNs) for selected countries, that is to say statistically significant inter-industrial interactions representing latent skills exchanges derived from observed labor flows, a kind of industry spaces. Using data from Argentina (ARG), Germany (DEU) and Sweden (SWE), we compare their SRNs utilizing an information-theoretic method that permits to compare networks of "non-aligned" nodes, which is the case of interest. For each SRN we extract its portrait, a fingerprint of structural measures of the distributions of their shortest paths, and calculate their pairwise divergences. This allows us also to contrast differences in structural (binary) connectivity with differences in the information provided by the (weighted) skill relatedness indicator (SR). We find that, in the case of ARG, structural connectivity is very different from their counterpart in DEU and SWE, but through the glass of SR the distances analyzed are all substantially smaller and more alike. These results qualify the role of the SR indicator as revealing some hidden dimension different from connectivity alone, providing empirical support to the suggestion that industry spaces may differ across countries. http://sedici.unlp.edu.ar:80/handle/10915/177175 Objeto de conferencia Simposio Argentino de Inteligencia Artificial y Ciencias de Datos (ASAID 2024) - JAIIO 53 (Universidad Nacional del Sur, 12 al 16 de agosto de 2024) La inclusión financiera digital se refiere a la capacidad de individuos y empresas de acceder y utilizar servicios financieros a través de plataformas digitales. La expansión de dichas plataformas se ha convertido en un factor clave para el crecimiento económico y la reducción de la desigualdad, en especial en regiones como América Latina donde gran parte de la población se encuentra excluida del sistema financiero tradicional. En este artículo corto se presenta una línea de investigación en la cual se utilizan los datos del Global Findex del año 2021 para entrenar una red neuronal multicapa y realizar una evaluación local a través de la técnica de LIME para entender qué atributos afectan en mayor medida la probabilidad de tener una cuenta móvil. En los resultados preliminares se encontró que América Latina es una región que se encuentra rezagada en relación al resto del mundo, solo a excepción de África Subsahariana. A su vez, tener mayor nivel educativo, haber ahorrado en el último año y tener una cuenta en un banco son los atributos que mayor aportan a la probabilidad de tener una cuenta móvil. Mon, 01 Jan 2024 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/177175 2024-01-01T00:00:00Z La inclusión financiera digital se refiere a la capacidad de individuos y empresas de acceder y utilizar servicios financieros a través de plataformas digitales. La expansión de dichas plataformas se ha convertido en un factor clave para el crecimiento económico y la reducción de la desigualdad, en especial en regiones como América Latina donde gran parte de la población se encuentra excluida del sistema financiero tradicional. En este artículo corto se presenta una línea de investigación en la cual se utilizan los datos del Global Findex del año 2021 para entrenar una red neuronal multicapa y realizar una evaluación local a través de la técnica de LIME para entender qué atributos afectan en mayor medida la probabilidad de tener una cuenta móvil. En los resultados preliminares se encontró que América Latina es una región que se encuentra rezagada en relación al resto del mundo, solo a excepción de África Subsahariana. A su vez, tener mayor nivel educativo, haber ahorrado en el último año y tener una cuenta en un banco son los atributos que mayor aportan a la probabilidad de tener una cuenta móvil. http://sedici.unlp.edu.ar:80/handle/10915/177174 Objeto de conferencia Simposio Argentino de Inteligencia Artificial y Ciencias de Datos (ASAID 2024) - JAIIO 53 (Universidad Nacional del Sur, 12 al 16 de agosto de 2024) Accurate forecasting of electricity demand is crucial for improving transmission system operation through optimized use of resources, operation planning, and minimized outages. The dynamic of electricity demand depends on exogenous factors (e.g., meteorological conditions), but the relationships between demand and factors are complex and nonlinear, posing a challenge for accurate prediction. With the aim of predicting electricity demand, this work explores the relationship with meteorological conditions for the province of Entre Ríos (Argentina). We propose a recurrent neural network model based on long short-term memories, which receives the raw input data without feature extraction. We evaluate its performance and compare it with a state-of-the-art method. The exploratory analysis of the data shows that temperature extremes present a strong influence on consumption patterns. The proposed models achieve a performance of 0.77 in determination coefficient when comparing predicted electricity demand with observations. This indicates the potential as a powerful tool for optimizing the system operation in Entre Ríos. Mon, 01 Jan 2024 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/177174 2024-01-01T00:00:00Z Accurate forecasting of electricity demand is crucial for improving transmission system operation through optimized use of resources, operation planning, and minimized outages. The dynamic of electricity demand depends on exogenous factors (e.g., meteorological conditions), but the relationships between demand and factors are complex and nonlinear, posing a challenge for accurate prediction. With the aim of predicting electricity demand, this work explores the relationship with meteorological conditions for the province of Entre Ríos (Argentina). We propose a recurrent neural network model based on long short-term memories, which receives the raw input data without feature extraction. We evaluate its performance and compare it with a state-of-the-art method. The exploratory analysis of the data shows that temperature extremes present a strong influence on consumption patterns. The proposed models achieve a performance of 0.77 in determination coefficient when comparing predicted electricity demand with observations. This indicates the potential as a powerful tool for optimizing the system operation in Entre Ríos. http://sedici.unlp.edu.ar:80/handle/10915/177173 Objeto de conferencia Simposio Argentino de Inteligencia Artificial y Ciencias de Datos (ASAID 2024) - JAIIO 53 (Universidad Nacional del Sur, 12 al 16 de agosto de 2024) La extracción de información de accidentes viales disponible en sentencias judiciales es de relevancia para la cuantificación de costos de las aseguradoras. La extracción de entidades tales como porcentajes de incapacidad física y/o psicológica y montos involucrados es un proceso difícil aun para expertos por las sutiles argumentaciones en las sentencias. Se propone un procedimiento que se divide en dos pasos, la segmentación de la sentencia e identificación del segmento relevante y luego la extracción de las entidades. Se comparan dos metodologías, un método clásico basado en expresiones regulares. La segunda metodología está basada en la división del documento en bloques de n-tokens para luego vectorizarlos con modelos multilenguajes para búsquedas semánticas (text-embedding-ada-002/MiniLM-L12-v2 ). Posteriormente se aplican LLMs (LLaMA-2 7b, 70b y GPT4) con prompting al bloque relevante para la extracción. En el caso de LLaMA-2 se realiza un sintonizado fino (finetuning) con LoRA. LLaMA-2 7b aun con temperatura nula presenta un significativo número de alucinaciones en las extracciones que disminuye sustancialmente con el sintonizado. El rendimiento de la metodología basada en el vectorizado de los segmentos y el posterior uso de los LLMs supera ampliamente al método clásico. La exactitud del método clásico es 39,5 %, la de LLaMA-2 70b base 61,7 % y con sintonizado 79,4 %, mientras que para GPT-4 Turbo es 86,1 %. Mon, 01 Jan 2024 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/177173 2024-01-01T00:00:00Z La extracción de información de accidentes viales disponible en sentencias judiciales es de relevancia para la cuantificación de costos de las aseguradoras. La extracción de entidades tales como porcentajes de incapacidad física y/o psicológica y montos involucrados es un proceso difícil aun para expertos por las sutiles argumentaciones en las sentencias. Se propone un procedimiento que se divide en dos pasos, la segmentación de la sentencia e identificación del segmento relevante y luego la extracción de las entidades. Se comparan dos metodologías, un método clásico basado en expresiones regulares. La segunda metodología está basada en la división del documento en bloques de n-tokens para luego vectorizarlos con modelos multilenguajes para búsquedas semánticas (text-embedding-ada-002/MiniLM-L12-v2 ). Posteriormente se aplican LLMs (LLaMA-2 7b, 70b y GPT4) con prompting al bloque relevante para la extracción. En el caso de LLaMA-2 se realiza un sintonizado fino (finetuning) con LoRA. LLaMA-2 7b aun con temperatura nula presenta un significativo número de alucinaciones en las extracciones que disminuye sustancialmente con el sintonizado. El rendimiento de la metodología basada en el vectorizado de los segmentos y el posterior uso de los LLMs supera ampliamente al método clásico. La exactitud del método clásico es 39,5 %, la de LLaMA-2 70b base 61,7 % y con sintonizado 79,4 %, mientras que para GPT-4 Turbo es 86,1 %. http://sedici.unlp.edu.ar:80/handle/10915/177172 Objeto de conferencia Simposio Argentino de Inteligencia Artificial y Ciencias de Datos (ASAID 2024) - JAIIO 53 (Universidad Nacional del Sur, 12 al 16 de agosto de 2024) Los antagonistas del receptor de histamina H3 (RH3) emergen como potenciales fármacos para diversos trastornos neurológicos como Alzheimer o Parkinson, además de su reciente evaluación en el cáncer de mama triple negativo. En este contexto, identificar nuevos ligandos antagonistas del RH3 es de gran interés por su amplio espectro de aplicaciones. Este estudio emplea técnicas de machine learning, específicamente, de regresión con el algoritmo Gradient Boosting (XGBoost), para predecir la afinidad de compuestos orgánicos antagonistas por el RH3 (pKi) utilizando descriptores moleculares. Se recopiló una base de datos con 831 compuestos antagonistas con valores de pKi conocidos, a partir de los cuales se generaron representaciones SMILES y se calcularon 1173 descriptores moleculares de baja dimensionalidad. La base se dividió en conjuntos de entrenamiento (665 registros) y testeo (166 registros). Se entrenaron y evaluaron 10 modelos diferentes, aplicando validación cruzada K-fold=5. El modelo más destacado alcanzó un MSE de 0.54 y un MAE de 0.50 en el conjunto de entrenamiento, y un MSE de 0.76 y un MAE de 0.53 en el conjunto de prueba, con un RMSE de 0.72 y 0.87, respectivamente. Este abordaje quimioinformático propone una metodología eficaz para el cribado virtual de potenciales ligandos antagonistas del RH3, acelerando el descubrimiento de nuevos compuestos terapéuticos. Mon, 01 Jan 2024 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/177172 2024-01-01T00:00:00Z Los antagonistas del receptor de histamina H3 (RH3) emergen como potenciales fármacos para diversos trastornos neurológicos como Alzheimer o Parkinson, además de su reciente evaluación en el cáncer de mama triple negativo. En este contexto, identificar nuevos ligandos antagonistas del RH3 es de gran interés por su amplio espectro de aplicaciones. Este estudio emplea técnicas de machine learning, específicamente, de regresión con el algoritmo Gradient Boosting (XGBoost), para predecir la afinidad de compuestos orgánicos antagonistas por el RH3 (pKi) utilizando descriptores moleculares. Se recopiló una base de datos con 831 compuestos antagonistas con valores de pKi conocidos, a partir de los cuales se generaron representaciones SMILES y se calcularon 1173 descriptores moleculares de baja dimensionalidad. La base se dividió en conjuntos de entrenamiento (665 registros) y testeo (166 registros). Se entrenaron y evaluaron 10 modelos diferentes, aplicando validación cruzada K-fold=5. El modelo más destacado alcanzó un MSE de 0.54 y un MAE de 0.50 en el conjunto de entrenamiento, y un MSE de 0.76 y un MAE de 0.53 en el conjunto de prueba, con un RMSE de 0.72 y 0.87, respectivamente. Este abordaje quimioinformático propone una metodología eficaz para el cribado virtual de potenciales ligandos antagonistas del RH3, acelerando el descubrimiento de nuevos compuestos terapéuticos. http://sedici.unlp.edu.ar:80/handle/10915/177171 Objeto de conferencia Simposio Argentino de Inteligencia Artificial y Ciencias de Datos (ASAID 2024) - JAIIO 53 (Universidad Nacional del Sur, 12 al 16 de agosto de 2024) The study of Twitter as a means for analyzing social phenomena has gained interest in recent years due to the availability of large amounts of data in a relatively spontaneous environment. Within opinion-mining tasks, emotion detection is specially relevant, as it allows for the identification of people’s subjective responses to different social events in a more granular way than traditional sentiment analysis based on polarity. In the particular case of political events, the analysis of emotions in social networks can provide valuable information on the perception of candidates, proposals, and other important aspects of the public debate. In spite of this importance, there are few studies on emotion detection in Spanish and, to the best of our knowledge, few resources are public for opinion mining in Colombian Spanish, highlighting the need for generating resources addressing the specific cultural characteristics of this variety. In this work, we present a small corpus of tweets in Spanish related to the 2022 Colombian presidential elections, manually labeled with emotions using a fine-grained taxonomy. We perform classification experiments using supervised state-of-the-art models (BERT models) and compare them with GPT-3.5 in few-shot learning settings. We make our dataset and code publicly available for research purposes. Mon, 01 Jan 2024 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/177171 2024-01-01T00:00:00Z The study of Twitter as a means for analyzing social phenomena has gained interest in recent years due to the availability of large amounts of data in a relatively spontaneous environment. Within opinion-mining tasks, emotion detection is specially relevant, as it allows for the identification of people’s subjective responses to different social events in a more granular way than traditional sentiment analysis based on polarity. In the particular case of political events, the analysis of emotions in social networks can provide valuable information on the perception of candidates, proposals, and other important aspects of the public debate. In spite of this importance, there are few studies on emotion detection in Spanish and, to the best of our knowledge, few resources are public for opinion mining in Colombian Spanish, highlighting the need for generating resources addressing the specific cultural characteristics of this variety. In this work, we present a small corpus of tweets in Spanish related to the 2022 Colombian presidential elections, manually labeled with emotions using a fine-grained taxonomy. We perform classification experiments using supervised state-of-the-art models (BERT models) and compare them with GPT-3.5 in few-shot learning settings. We make our dataset and code publicly available for research purposes. http://sedici.unlp.edu.ar:80/handle/10915/177170 Objeto de conferencia Simposio Argentino de Inteligencia Artificial y Ciencias de Datos (ASAID 2024) - JAIIO 53 (Universidad Nacional del Sur, 12 al 16 de agosto de 2024) Individualized inference (or prediction) is an approach to data analysis that is increasingly relevant thanks to the availability of large datasets. In this paper, we present an algorithm that starts by detecting the relevant observations for a given query. Further refinement of that subsample is obtained by selecting the ones with the largest Shapley values. The probability distribution over this selection allows to generate synthetic controls, which in turn can be used to generate a robust inference (or prediction). Data collected from repeating this procedure for different queries provides a deeper understanding of the general process that generates the data. Mon, 01 Jan 2024 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/177170 2024-01-01T00:00:00Z Individualized inference (or prediction) is an approach to data analysis that is increasingly relevant thanks to the availability of large datasets. In this paper, we present an algorithm that starts by detecting the relevant observations for a given query. Further refinement of that subsample is obtained by selecting the ones with the largest Shapley values. The probability distribution over this selection allows to generate synthetic controls, which in turn can be used to generate a robust inference (or prediction). Data collected from repeating this procedure for different queries provides a deeper understanding of the general process that generates the data.