Author name: CDIA UdeC

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. Vicente Varas 5. Desarrollo web con 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