Ciencia computacional para la predicción y modelado en contextos de incertidumbre

Abstract

La predicción y el modelado de fenómenos, sistemas y parámetros constituyen ejemplos en los que la ciencia computacional, potenciada procesamiento por el paralelo/distribuido, brinda un soporte invaluable, tanto para representar el escenario de la situación, como para afrontar con cierto grado de precisión el efecto negativo que tienen las distintas fuentes de incertidumbre. La reducción de incertidumbre es un proceso para disminuir los efectos negativos de la falta de precisión en cualquier factor de un sistema de predicción. En los últimos años hemos desarrollado un conjunto de métodos para la reducción de incertidumbre, los DDM-MOS (Data Driven Methods with Multiple Overlapped Solutions), que combinan distintas estrategias (computación algorítmicas evolutiva y metaheurísticas, paralelismo, estadística, búsqueda por novedad, y sintonización) para potenciar la calidad (precisión, tiempo de respuesta, y/o uso de recursos) en la predicción de fenómenos de propagación. Para el presente proyecto se propone el estudio e incorporación de estrategias propias de la ciencia de datos y de la inteligencia artificial, como pueden ser las técnicas de aprendizaje de máquina. Dentro de los posibles casos de aplicación, en particular se propone abordar el modelado y predicción de parámetros ambientales relacionados con la hidrogeología de la zona árida irrigada de Mendoza.