Noticias

En Unidad de Data Science de la Universidad de Concepción te invitamos a realizar tu práctica con nuestro equipo. Podrás trabajar en proyectos desafiantes formando parte de un equipo integrado por ingenieros, ingenieras y data scientists de alto nivel.  Para postular, envía un email a uds@inf.udec.cl incluyendo: Informe de notas Un párrafo describiendo tu interés y el tema de preferencia en caso de tenerlo (ver temas abajo). Fecha de término postulaciones: 17 de diciembre 2023. Toda práctica realizada con nosotros incluye una remuneración bruta mensual de $200.000 con dedicación full time. ALeRCE (https://alerce.online/) Los telescopios de última generación están monitoreando constantemente el cielo en búsqueda de objetos astronómicos interesantes y desconocidos. Cientos de miles de alertas por noche son producidas por estos telescopios y en el futuro llegarán a ser millones. Una alerta se genera cada vez que un objeto cambia ya sea en posición o brillo con respecto a una imagen de referencia (e.g. explosión de estrellas, asteroides u objetos periódicos, entre otros). ALeRCE (Automatic Learning for the Rapid Classification of Events) es un sistema integrado que apunta a la rápida clasificación de los eventos provenientes de telescopios de rastreo con el fin de seleccionar automáticamente a los candidatos relevantes a ser seguidos. Actualmente estamos buscando practicantes en las áreas de machine learning para el desarrollo de algoritmos de detección de anomalías para ALeRCE.  Requisitos: Programación en Python y alguna asignatura relacionada a Ciencia de Datos Duración: 2 meses Deephub Deephub es una herramienta para el monitoreo de especies a partir de imágenes georeferenciadas. La herramienta utiliza diversos algoritmos de deep learning para el conteo, detección, segmentación y clasificación de objetos, proporcionando información área de gran relevancia para diversos sectores en nuestro país. El objetivo de esta práctica es la investigación de modelos fundacionales de visión computacional para el apoyo a las labores de etiquetado manual requeridas para el entrenamiento de modelos supervisados en Deephub. Requisitos: Programación en Python y alguna asignatura relacionada a Ciencia de Datos Duración: 2 meses Integración de Información LiDAR con imágenes aéreas para la estimación de biomasa y carga combustible en el proyecto institucional de la Universidad de Concepción, Campus Naturaleza El proyecto institucional Campus Naturaleza busca, en términos generales, la reconversión de uso de suelo en el predio La Cantera el Guindo, patrimonio forestal de la Universidad de Concepción. Específicamente pasar de un uso forestal productivo hacia una superficie plantada y restaurada con bosque nativo. Esto podría repercutir en disminuir la cantidad de biomasa y carbono almacenada en el sitio por las plantaciones forestales. Por otro lado, habrían alcances positivos, principalmente con el aumento de la biodiversidad y la disminución de la carga de combustible. Esto hace fundamental tener una cuantificación y caracterización de biomasa en el bosque, y para ello se dispone de información LiDAR e imágenes aéreas la cual permitiría generar herramientas eficaces que ayuden en la toma de decisiones y en concentrar los esfuerzos de la gestión forestal del proyecto Campus Naturaleza. Requisito deseable: Conocimientos o experiencia en manipular y procesar imágenes aérea Duración: 1 mes Desarrollo de sistemas de control model-free basados en reinforcement learning  En la época actual, existe gran disponibilidad de datos que nos permiten realizar diferentes tareas de operación sobre realidades físicas, tales como modelar, monitorear, controlar y optimizar. En este sentido, los sistemas de control son útiles para que nuestra realidad física o proceso opere en condiciones seguras y confiables, a la vez que permiten asegurar la robustez ante perturbaciones y el seguimiento de referenciales para alcanzar una operación óptima. Muchos sistemas de control se basan en un modelo del proceso, lo cual limita su desempeño a la precisión de dicho modelo. Recientemente [2-5] proponen una nueva tendencia en sistemas de control que no requieren conocer un modelo del proceso y que ajustan sus parámetros con métodos de inteligencia artificial, esencialmente Reinforcement Learning (RL). El objetivo de la práctica es desarrollar experimentos numéricos en Python que sean conducentes a una primera aproximación de sistemas de control cuyos parámetros se ajusten mediante RL sobre procesos lineales de primer y segundo orden, habilitando su evaluación considerando indicadores de desempeño de la precisión del controlador y costo computacional. Requisitos: Haber realizado cursos de: reinforcement learning, optimización Continuidad: Extensión a proyecto de tesis de pregrado o postgrado Duración: 2 meses Extendiendo capacidades de Análisis de  Vulnerabilidades en Chatbots Basados en Grandes Modelos de Lenguaje (LLMs) En el marco de nuestros esfuerzos continuos por innovar en el campo de la seguridad informática, nos hemos embarcado en el desarrollo de una herramienta avanzada para el análisis de vulnerabilidades en chatbots impulsados por Modelos de Lenguaje de Aprendizaje Profundo (LLMs). Actualmente, estamos diseñando métricas universales, que no dependen del propósito específico del chatbot. Esta metodología se inspira en herramientas de análisis de vulnerabilidades de software, que operan de manera independiente al ámbito de aplicación del software analizado, tomando como referencia estándares como el Sistema de Puntuación de Vulnerabilidades Comunes (CVSS) y diversas normativas internacionales. El objetivo principal de esta práctica es investigar y desarrollar mecanismos de evaluación que ahora se centren en el dominio operativo del chatbot. Para ello, se utilizarán técnicas como la Generación de Respuestas y Argumentación (RAG), y/o el ajuste fino (finetuning) para generar consultas automáticamente en base a conocimiento del dominio de aplicación y evaluar automáticamente la calidad de las respuestas. El fin último es ampliar el alcance de las pruebas automáticas aplicables a los chatbots, integrándolas en nuestra herramienta en desarrollo. El practicante se unirá a un equipo de trabajo recientemente establecido, enfocado en la seguridad de los Modelos de Lenguaje de Aprendizaje Profundo (LLM Security), donde tendrá la oportunidad de contribuir a un proyecto innovador y de vanguardia en el campo de la ciberseguridad. Requisito excluyente: Dominio de programación en Python. Requisitos deseables: Conocimientos en Procesamiento de Lenguaje Natural (NLP) y experiencia en el uso de APIs para Modelos de Lenguaje de Aprendizaje Profundo (LLMs) Duración: 2 meses Implementación de una política de evasión de colisiones sim-to-real mediante aprendizaje por refuerzo Un equipo de investigación