Detectores de Anomalías Basados en Datos para Series Temporales y Big Data (DD-ANDET)

El proyecto DD-AnDet aborda el desafío crítico de la detección de anomalías en series temporales y Big Data, un problema persistente en campos como el mantenimiento industrial, la ciberseguridad y el reconocimiento de gestos. Ante la ineficacia de los métodos tradicionales frente a datos no etiquetados o entornos dinámicos, esta investigación propone el uso de técnicas avanzadas de aprendizaje profundo, incluyendo aprendizaje contrastivo, aprendizaje multimodal, adaptación de dominio y cambio de etiquetas (label shift). La iniciativa, de carácter internacional y multidisciplinario, integra la experiencia de investigadores de Ecuador, Argentina, Brasil y Francia. El enfoque principal se centra en crear modelos robustos capaces de identificar comportamientos inusuales en maquinaria industrial y gestos dinámicos, como los del lenguaje de señas, mejorando así la precisión y eficiencia de los sistemas de monitoreo. Como resultado, el proyecto busca generar bases de datos experimentales de alta calidad y publicar hallazgos científicos en revistas indexadas. Además de su impacto académico, el proyecto tiene una clara vocación social al promover la inclusión mediante la mejora de herramientas de comunicación para personas con discapacidad auditiva y al optimizar la eficiencia operativa en la industria 4.0, reduciendo costos de mantenimiento y tiempos de inactividad. Objetivo: Desarrollar modelos innovadores de detección de anomalías utilizando técnicas avanzadas de aprendizaje profundo para aplicaciones en mantenimiento predictivo y reconocimiento de gestos dinámicos. El proyecto busca avanzar en el campo mediante enfoques multidisciplinarios que aborden desafíos como el cambio de concepto y la adaptación de dominio. Líneas de investigación: Ingeniería de control y tecnologías de automatización