Participa en proyectos desafiantes junto a un equipo de ingenieros/as y data scientists de primer nivel. Descubre nuestras prácticas y cómo postular aquí.
1. Métodos de inteligencia artificial para el Mantenimiento predictivo: planta de celulosa
En la industria, el mantenimiento de equipos clave como bombas, motores y compresores, es crucial para asegurar la continuidad de la producción y evitar paradas inesperadas que impacten en la eficiencia operativa. El mantenimiento tradicional, basado en la inspección visual, puede ser tedioso y consumir mucho tiempo y recursos. Aquí es donde entra el mantenimiento predictivo: un enfoque basado en datos y algoritmos de machine learning que permite anticipar fallos antes de que ocurran, optimizando la planificación y reduciendo costos operativos.
Actualmente existen modelos predictivos de mantenimiento utilizados en plantas de celulosa. Estos se basan en datos históricos de fallas y sensores de los equipos, pero estos modelos todavía tienen margen de mejora. El desafío consiste en ejecutar una serie de experimentos para explorar nuevas técnicas, refinar los algoritmos existentes y mejorar la precisión de las predicciones, adaptándolos mejor a las condiciones particulares de planta.
Requisitos deseables:
– Conocimientos de programación en Python.
– Conocimientos intermedios de Machine Learning, con experiencia en la implementación y evaluación de modelos.
Interés por la industria y el análisis de datos industriales, especialmente en contextos de mantenimiento de equipos.
Prof. Manuel Pérez
2. Adaptación de modelos de Machine Learning en procesos industriales ante cambios operativos
En una planta de celulosa se utilizan modelos de machine learning para modelar las relaciones entre las variables que componen el proceso productivo con el fin de desarrollar múltiples herramientas. Sin embargo, eventos como paradas de planta o modificaciones en las condiciones operativas pueden afectar la capacidad de los modelos para describir correctamente estas relaciones. El objetivo de esta práctica profesional es investigar y proponer soluciones que permitan que los modelos se adapten de manera eficiente a los cambios en las condiciones de operación, asegurando su robustez. Las tareas principales incluirán: Análisis de la pérdida de desempeño en los modelos tras cambios operativos. Exploración de técnicas de adaptación y actualización de modelos. Pruebas y validación de enfoques que mejoren la capacidad de respuesta de los modelos. Generación de insights y recomendaciones.
Requisitos deseables:
Conocimientos en Machine Learning con Python y sus librerías asociadas (como pandas, scikit-learn, etc.). Capacidad analítica y proactividad para proponer soluciones.
Ricardo Hernández
3. Asistencia Geospacial en Deep-hub
La obtención de información precisa de objetos en datos geoespaciales es fundamental para la resolución de problemáticas de la industria local. Tareas como localización, segmentación y conteo son actualmente ocupadas en industrias como la forestal, agrícola, pesca y gestión del desastre. El objetivo de esta práctica consiste en la exploración y comparación de modelos de lenguaje para la asistencia en la búsqueda de información a partir de datos geoespaciales de alta dimensionalidad.
Requisitos deseables:
Conocimientos de programación en Python. Conocimientos intermedios de Machine Learning, con experiencia en la implementación y evaluación de modelos. Deseado: experiencia en manejo y/o procesamiento de datos geoespaciales.
Prof. Manuel Pérez
4. Mejoras a plataforma Deep-Hub
Deep-Hub es una plataforma que permite aplicar modelos de machine learning a imágenes aéreas, para realizar diversas tareas. Consiste de un frontend desarrollado en React y un backend basado en los servicios en la nube de AWS. Actualmente existen múltiples mejoras en el backlog de Deep-Hub, entre ellas, aprovechar mejor los resultados obtenidos a partir de los modelos para entregar información relevante. Abordar estas mejoras, presenta la oportunidad de mejorar el conocimiento de las herramientas utilizadas y las habilidades de desarrollo web.
Requisitos deseables: Nociones básicas de desarrollo web en frontend, backend, servicios en la nube y sistemas de información geográfica.
Esta práctica consiste en apoyar el desarrollo de una plataforma web enfocada en manejar y visualizar información geográfica. Este apoyo se debe hacer de forma transversal, lo que presenta la oportunidad para conocer el quehacer de un desarrollador fullstack y expandir el stack de herramientas de desarrollo.
Requisitos deseables: Nociones respecto a los frameworks modernos de desarrollo basado en componentes, bases de datos y git.
Vicente Varas
6. Modelo de de-sesgado aplicado a la clasificación morfológica de galaxias
La mayoría de catálogos de clasificación morfológica de galaxias fueron etiquetados por humanos o sus etiquetas fueron generadas por modelos entrenados en datos etiquetados por humanos. El problema con lo anterior es que se ha demostrado que estas etiquetas generadas por humanos presentan sesgos ligados a la calidad de los datos, por ejemplo en la resolución de las imágenes. Durante la práctica se busca experimentar con distintas variaciones del ya existente modelo de de-sesgado con el fin de mejorar su performance.
Requisitos deseables: Machine learning/Deep learning, Programación. Tener aprobado el curso de Data Science y tener conocimiento de modelos de deep learning.
Esteban Medina
7. Adaptación de un simulador de múltiples robots Turtlebot3 con ROS para la toma de decisiones mediante aprendizaje por refuerzo
En esta práctica, el/la practicante revisará la literatura y herramientas actuales para simular múltiples robots Turtlebot3 en un ambiente compartido, en particular enfocándose en la capacidad de conectar eficientemente percepción con acción de cada robot de forma independiente y la conexión con ROS. Luego, aplicará herramientas de aprendizaje por refuerzo (en Python) para entrenar robots en simulación. El producto final del primer mes de la práctica es: un estudio del arte de los simuladores de múltiples robots, y un simulador existente/adaptado a múltiples Turltlebot3 mediante ROS. El producto del segundo mes es: un nodo de ROS que permite entrenar un conjunto de Turtlebot3 (simulados) en un ambiente pasado como parámetro mediante aprendizaje por refuerzo.
Requisitos deseables: Python, conocimientos básicos de ROS, haber aprobado inteligencia artificial y aprobado (o al menos cursado) aprendizaje por refuerzo.
Prof. Julio Godoy
8. Actualización de algoritmo de web scrapping
Actualización de algoritmo de web scrapping para clasificar satélites en orbita y con display, más grafico y actualizable de forma regular. Implementación de nuevas configuraciones y cambios en la interfaz. Artículo: https://latamt.ieeer9.org/index.php/transactions/article/view/8620
Prof. Alejandro López
9. Datos geoespaciales para la evolución de la exposición horizontal y vertical en áreas metropolitanas de Chile
La práctica consiste en organizar y analizar datos de crecimiento urbano en horizontal y vertical, útiles para el análisis de la exposición sísmica. El trabajo se llevará a cabo usando los datos de la evolución temporal del 1985 al 2019, provenientes del satélite Landsat, para las ciudades de Concepción, Valparaíso y Santiago. La organización de la información se llevará a cabo en un Sistema de Información Geográfica, usando el servicio de mapas World Settmelent Footprint (WSF), de la Agencia The German Aerospace Center – DLR, y datos del IDE- Chile. El trabajo está supervisado por el Prof. Felipe Orellana del DIC-FI y el proyecto ANILLO-EASER ACT 240044, donde se evaluará la posibilidad de paper científico.
Prof. Felipe Orellana
10. Radar de Apertura Sintética aplicado al análisis espacial en infraestructuras y el territorio
La práctica consiste en aprender el procesamiento de imágenes SAR, usando la constelación Sentinel 1 de la Agencia Espacial Europea (ESA), y la constelación COSMO-SkyMED de alta resolución, de la Agencia Espacial Italiana, se realizará el procesamiento usando software de código abierto ya implementadas en hardware, también usando el software ENVI-SARscape. Las áreas de estudio son principalmente infraestructuras primarias, como represas, puentes, y áreas urbanas de Chile, donde se conocerán las deformaciones y las series temporales de desplazamiento, útiles para análisis de riesgo preventivo. El trabajo está supervisado por el Prof. Felipe Orellana del DIC-FI y el proyecto ANILLO-EASER ACT 240044, se evaluará la posibilidad de paper científico.
Prof. Felipe Orellana
11. FrontEnd en StreamData
StreamData es una tecnología surgida en la Universidad de Concepción, actualmente en proceso de ser spin-off universitario, que ayuda a democratizar el acceso a datos mediante IA Generativa (https://streamdata.cl). Dentro de los proyectos desarrollados por el equipo, en octubre 2024 se lanzó https://data.latercera.com, como forma de hacer seguimiento en tiempo real de las elecciones regionales y comunales. La presente práctica tiene por finalidad el desarrollo de un módulo para la gestión de demos para nuevos usuarios. El producto final será un componente que permitirá compartir cuentas de prueba del motor de búsqueda a nuevos usuarios.
Requisitos deseables: React (NextJS es un plus), Modelamiento de base de datos.
Prof. Carlos Navarrete
12. Sistema de validación de documentos
La presente práctica tiene por finalidad desarrollar un sistema de validación de documentos legales emitidos por una institución de asistencia técnica.
Prof. Carlos Navarrete
Información Importante
Cierre de postulaciones: domingo 29 de diciembre
Resultados: jueves 2 de enero
Inicio de prácticas: lunes 6 de enero, 9.00 am.
Duración: 2 meses, flexible
*Puedes postular a un máximo de tres prácticas
Envía tu postulación indicando el orden de preferencia al cdia@inf.udec.cl
