Investiga I+D+i

Noticias:

Puedes conocer mejor el Programa en www.programainvestiga.org

Mensajes recientes

Páginas: [1] 2 3 ... 10
1
Noticias / Re:Lanzamiento del satélite UPMSat-3 en 2025
« Último mensaje por India-1901-Uzq66D en 31 Marzo , 2025, 20:00:25 pm »
Buenas tardes,

El lanzamiento del UPMSat-3 es un gran paso para la investigación aeroespacial en España. Además, el hecho de que incluya innovaciones como paneles solares desplegables y un sistema avanzado de control de actitud muestra el alto nivel tecnológico del proyecto.

¡Muchas gracias por compartir esta información con nosotros!
2
Hola Sofía,
Me parece genial que hayas elegido esta rama, espero que disfrutes de la realización de tu trabajo. En cuanto al tema, debo admitir que no estoy muy familiarizada pero conozco su importancia hoy en día ya que afecta a muchas personas alrededor del mundo. Creo que los siguientes links te podrían servir de gran ayuda.
https://epidisease.com/2023/10/23/inteligencia-artificial-en-escoliosis-idiopatica-de-adolescente/
https://orthoinfo.aaos.org/es/diseases--conditions/escoliosis-idiopatica-en-ninos-y-adolescentes-idiopathic-scoliosis/
https://www.prim.es/2023/11/17/spineai-plataforma-inteligente-para-el-tratamiento-y-seguimiento-de-la-escoliosis-idiopatica-mediante-inteligencia-artificial/

Un saludo, Victoria
3
Hola a todos, soy Victoria Martín, he estado realizando un proyecto centrado en la detección con IA del desarrollo anormal de los bebés mediante sus llantos.
Para que la IA pueda detectar los patrones necesarios para un diagnóstico más preciso, esta se debe entrenar. Debido a que esta nueva tecnología es útil para muchos ámbitos, existen varios tipos de entrenamientos.

En primer lugar, encontramos el aprendizaje supervisado que consiste en que la IA aprenda a partir de datos etiquetados y que, de esta manera, consiga detectar ciertos patrones, pero debe requiere muchos datos lo que podría ser considerado un inconveniente.
A continuación, encontramos el aprendizaje no supervisado donde busca patrones en datos no etiquetados, pero no garantiza respuestas precisas pues encuentra patrones sin saber el resultado final.
Finalmente, se encuentra el aprendizaje por refuerzo, que enseña con el método de ensayo y error, corrigiendo fallos, aunque es lento y costoso.

Específicamente, en mi trabajo, se entrenan a las redes neuronales de la IA mediante el aprendizaje supervisado ya que se dispondría de llantos de niños que acabaían teniendo un mal desarrollo. (Conseguir que la IA detecta anormalidades en los llantos que sean indicadores de un mal desarrollo)

A pesar de que la IA cada vez más consigue perfeccionar sus resultados, uno de los mayores desafíos y desventajas de esta es el denominado efecto de caja negra. Este consiste en la falta de transparencia en los algoritmos de la IA por lo que no sirve como método único de diagnóstico sino que debe estar seguido un especialista
https://immersia.eu/la-caja-negra-en-la-inteligencia-artificial/#:~:text=El%20Efecto%20de%20la%20Caja%20Negra&text=Este%20t%C3%A9rmino%20se%20refiere%20a,a%20ciertas%20conclusiones%20o%20predicciones

¿Vosotros utilizáis algún método en vuestros proyectos?

Victoria
4
Hola Yago, muchas gracias por compartir tu conclusión final, me ha parecido muy interesante.

Estoy muy de acuerdo con lo mencionado en tu aportación, especialmente en la importancia de que sea el médico quien deba tener la última palabra en cuanto al diagnóstico final teniendo en cuenta los resultados de la IA.
En mi investigación, también he remarcado esto debido al efecto caja negra que consiste en la falta de transparencia de los algoritmos de la IA.

Considero que esta nueva tecnología tiene un gran margen de mejora en el ámbito de los diagnósticos clínicos. No obstante, actualmente ya está teniendo resultados cada vez más precisos. Un claro ejemplo de estos es mostrado en un estudio realizado, que enseña los resultados que tuvo la IA en el examen del MIR, con algunas llegando a acertar un 90%, como vemos en este enlace: https://www.xataka.com/robotica-e-ia/examen-mir-2025-ha-sido-especialmente-dificil-este-ano-modelos-ia-sacan-sobresaliente
Aunque si es verdad que este se trata de un examen con casos hipotéticos y no pacientes reales que pueden verse afectados por otros factores.

¿Qué consideráis vosotros?
Victoria
5
Hola Jimena, muchas gracias por compartir este artículo tan interesante.

Me parece que, como dice el artículo, antes de empezar a utilizar una nueva herramienta especialmente en un ámbito tan delicado como puede ser la salud mental, se debe tener en cuenta todos los factores. Entre todas las razones, me ha parecido la más interesante la dependencia que se puede generar con el apoyo que se recibe de la IA (los chatbots) y la carencia de empatía y comprensión humana ya que este puede ser un problema enmascarado como una solución.

Por otro lado, también cabe destacar el efecto caja negra como una posible desventaja. Pues, debido a la falta de transparencia en los algoritmos de la IA, los resultados pueden generar desconfianza y deben ser previamente comprobados por un especialista.

He encontrado este artículo que también explica la aplicación de la IA en la salud mental que trata también este efecto. ¿Vosotros qué opinais? https://www.arkangel.ai/es/blog-ai/the-role-of-ai-in-mental-health-applications-and-key-techniques

Espero que os haya servido esta información,
Victoria
6
Noticias / Re:Navegando con luz, tecnología de la NASA
« Último mensaje por India-1901-Uzq66D en 21 Marzo , 2025, 16:10:33 pm »
Buenas tardes,

Las velas solares son una magnífica idea y un gran avance para la exploración espacial. Me parece fascinante que se puedan desplegar desde un espacio tan reducido y proporcionar propulsión sin necesidad de combustibles. Sin embargo, sólo serviría para misiones pequeñas porque su potencia no es suficiente para dirigir misiones de gran tamaño. Aun así, es un gran avance que podría complementar otras formas de propulsión en el futuro. ¡Será interesante ver hasta dónde pueden llegar!

Muchas gracias.
7
¡Hola Lotta!

Tienes razón, es una pregunta muy interesante y está muy bien formulada. Los datos sintéticos tienen un montón de potencial, especialmente en inteligencia artificial, ya que pueden ayudar a resolver problemas de privacidad y a cubrir la falta de datos. Sin embargo, creo que todavía no pueden reemplazar completamente a los datos reales.

Como mencionas, la calidad de estos datos depende totalmente de cómo sea el modelo que los genera. Si el modelo no entiende bien la complejidad del mundo real, podríamos acabar con datos sintéticos que no representen la realidad o, peor aún, que generen errores. En áreas críticas, especialmente en la salud, esto puede ser un gran riesgo porque tomar decisiones incorrectas podría tener consecuencias bastante graves.

Y en cuanto a los sesgos, ese es un gran reto. Si ya hay sesgos en los datos reales, un modelo generativo los aprenderá y los replicará, lo que significa que no estamos resolviendo el problema; simplemente lo estamos trasladando a otra forma. Por eso, en vez de pensar en los datos sintéticos como un sustituto de los datos reales, creo que deberíamos verlos como un complemento: pueden ser útiles para mejorar modelos y para llenar vacíos de datos, pero siempre deben ser controlados y contrastados con datos reales para validar su utilidad.

¿Qué piensas tú? ¿Has visto algún ejemplo donde los datos sintéticos hayan sobrepasado a los reales en términos de precisión o representatividad? ¡Me encantaría conocer tu opinión!

Gracias,
Jana
8
Generación Sintética de datos / Re:Opinión sobre la generación sintetica de datos
« Último mensaje por Jana-8371-MCl78N en 17 Marzo , 2025, 09:44:33 am »
¡Qué bien que ya hayas terminado tu trabajo!
La generación sintética de datos es un tema realmente fascinante y una herramienta muy útil, especialmente en el campo de la inteligencia artificial y el análisis de datos. Nos permite entrenar modelos sin tener que depender de datos reales, lo cual es fundamental cuando surgen problemas de privacidad o cuando la información es escasa.

También puede ser una buena manera de reducir sesgos en los datos, aunque hay que tener cuidado, porque si el modelo que los genera ya tiene sesgos, esos se van a replicar. En general, creo que esta tecnología tiene un gran potencial, pero es importante usarla con sentido común para asegurarnos de que realmente aporta valor y no introduce nuevos problemas.

Estoy segura de que habrá opiniones muy interesantes sobre este tema.

9
¡Hola, Lotta!

Los datos sintéticos son muy útiles, pero será muy complicado que reemplazasen por completo a los datos reales ya que sirven para entrenar modelos de IA sin comprometer la privacidad de las personas y para generar grandes volúmenes de información, pero su calidad siempre dependerá del modelo que los crea. Si ese modelo tiene errores o sesgos, los datos sintéticos también los tendrán.
En temas importantes como la medicina o las finanzas, no podemos depender solo de datos sintéticos porque las decisiones que se tomen con ellos pueden afectar a personas de verdad. Lo mejor es usarlos como apoyo, pero siempre junto a datos reales y con revisiones para asegurarnos de que son fiables.

¿Vosotros qué pensáis? ¿Podemos fiarnos de ellos o siempre necesitaremos los datos reales?
10
¡Hola, Lotta!

Los datos sintéticos pueden ayudar con los sesgos, pero no siempre los eliminan. Todo depende de cómo se crean. Si no se diseñan bien, pueden repetir los mismos errores de los datos originales o incluso hacerlos peores.

Para que realmente ayuden, es importante combinarlos con revisiones y controles humanos. Así podemos asegurarnos de que sean justos y representen bien la realidad, en lugar de solo dar la impresión de equilibrio.

¿Qué pensáis vosotros? ¿Creéis que los datos sintéticos pueden hacer la IA más justa o solo son una solución temporal?
Páginas: [1] 2 3 ... 10