UM-Flint El logo de la Universidad de Michigan - Flint

Laboratorio de Modelado Seguro y Aprendizaje Inteligente en Sistemas de Ingeniería

Herramientas de IA para ciberseguridad y enfermedades neurodegenerativas

Director y IP: Khalid Malik, Director de Programas de Ciberseguridad, Profesor, División de Computación, CIT

El Laboratorio de Modelado Seguro y Aprendizaje Inteligente en Sistemas de Ingeniería (SMILES) es un grupo interdisciplinario con visión de futuro de profesores y estudiantes investigadores que están adoptando un pensamiento innovador para desarrollar soluciones de vanguardia basadas en IA para algunos de los problemas más urgentes. de nuestro tiempo. La investigación traslacional presentada por el equipo de SMILES tiene un impacto que se extiende más allá de nuestra comunidad con soluciones comercializables en ciberseguridad y atención médica que nos beneficiarán a todos.

La visión audaz del laboratorio SMILES ha identificado necesidades apremiantes y se ha centrado inquebrantablemente en crear y mejorar herramientas de inteligencia artificial para resolverlas. Malik y su equipo han publicado muchos artículos en revistas y conferencias, y continúan construyendo sobre esa base. A través de ricas relaciones con expertos médicos y de la industria, el equipo ha podido satisfacer necesidades muy específicas con soluciones relevantes. 

Además del impacto externo de la investigación SMILES, los estudiantes que trabajan en proyectos SMILES están adquiriendo una gran cantidad de experiencias únicas. Están expuestos a lo último en inteligencia artificial y herramientas de ciberseguridad, mientras reciben apoyo constante para practicar un pensamiento ágil y crítico que desbloquee un crecimiento que les cambiará la vida. Con la cuidadosa tutoría de Malik, los estudiantes están capacitados para practicar la perseverancia hacia objetivos tangibles importantes. Estas habilidades y las relaciones que forman durarán toda la vida y los prepararán para un mundo que tiene mucha necesidad de personas creativas que sepan cómo cerrar la brecha entre la investigación y la práctica.

En esta página

Desarrollo de un detector robusto y explicable de amenazas cibernéticas y multimedia falsificadas utilizando inteligencia artificial

Financiado por el Fundación Nacional de Ciencias y Investigación traslacional y comercialización de Michigan

Máscara falsa profunda que indica un intercambio.

Detector de falsificación profunda (DFD)

Revelar la verdad. encontrar justicia

logotipo de desenmascarar

Laboratorio de Modelado Seguro y Aprendizaje Inteligente en Sistemas de Ingeniería

Ver para creer, pero ¿por cuánto tiempo? logotipo de desenmascarar. Instantáneas de artículos de noticias recientes sobre las preocupaciones del público con Deepfakes. Deepfake Audio es una pesadilla política, la nueva IA de Microsoft puede simular la voz de cualquier persona con 3 segundos de audio, estafa de IA: pareja canadiense pierde K por la voz de su hijo falso, Deepfake generado por IA del primer ministro de Japón genera preocupación
Ver para creer, pero ¿por cuánto tiempo? logotipo de desenmascarar. Instantáneas de artículos de noticias recientes sobre las preocupaciones del público con Deepfakes. Deepfake Audio es una pesadilla política, la nueva IA de Microsoft puede simular la voz de cualquier persona con 3 segundos de audio, estafa de IA: pareja canadiense pierde $21 mil por la voz de un hijo falso, Deepfake generado por IA del primer ministro de Japón genera preocupación
Ver para creer, pero ¿por cuánto tiempo? logotipo de desenmascarar. Instantáneas de artículos de noticias recientes sobre las preocupaciones del público con Deepfakes. Deepfake Audio es una pesadilla política, la nueva IA de Microsoft puede simular la voz de cualquier persona con 3 segundos de audio, estafa de IA: pareja canadiense pierde $21 mil por la voz de un hijo falso, Deepfake generado por IA del primer ministro de Japón genera preocupación

La desinformación es una preocupación creciente para la sociedad y está impulsada por una nueva arma: los archivos multimedia deepfaked. Toda nuestra vida nos han dicho que creamos lo que vemos con nuestros propios ojos y, por primera vez, ya no podemos confiar en ellos. Los Deepfakes generados por IA han abandonado el ámbito de la ciencia ficción y son una realidad inquietante que exige nuestra atención inmediata.

Un Deepfake es esencialmente un medio que ha sido manipulado o generado completamente por IA para que parezca un artefacto original. Con los recientes desarrollos en las herramientas de IA generativa, las capacidades han crecido hasta el punto en que los humanos ya no pueden detectar una diferencia sin ayuda.

Los multimedia falsos son una amenaza creciente en el escenario global. La desinformación no es una táctica nueva, pero las herramientas actuales son mucho más avanzadas. Un vídeo bien realizado con IA de un líder político o industrial puede difundir narrativas falsas sobre políticas públicas o corporativas y tener un impacto público devastador. Imaginemos un vídeo viral en el que algún jefe de Estado extranjero amenazara con un ataque inminente contra Estados Unidos, pero ese vídeo no se puede distinguir de uno real.

Deepfakes: el arma cibernética más peligrosa. Debajo de eso, El impacto político desestabilizador de los deepfakes... Se informó que se subió a un sitio web de noticias ucraniano pirateado un deepfake del presidente ucraniano Volodymyr Zelensky llamando a sus soldados a deponer las armas. A la derecha hay una imagen del POTUS Joe Biden con un cartel de noticias que dice Las realidades de la guerra nuclear. El título dice que Biden anuncia que hombres y mujeres serían reclutados para luchar en Ucrania.
Deepfakes: el arma cibernética más peligrosa. Debajo de eso, El impacto político desestabilizador de los deepfakes... Se informó que se subió a un sitio web de noticias ucraniano pirateado un deepfake del presidente ucraniano Volodymyr Zelensky llamando a sus soldados a deponer las armas. A la derecha hay una imagen del POTUS Joe Biden con un cartel de noticias que dice Las realidades de la guerra nuclear. El título dice que Biden anuncia que hombres y mujeres serían reclutados para luchar en Ucrania.
Deepfakes: el arma cibernética más peligrosa. Debajo de eso, El impacto político desestabilizador de los deepfakes... Se informó que se subió a un sitio web de noticias ucraniano pirateado un deepfake del presidente ucraniano Volodymyr Zelensky llamando a sus soldados a deponer las armas. A la derecha hay una imagen del POTUS Joe Biden con un cartel de noticias que dice Las realidades de la guerra nuclear. El título dice que Biden anuncia que hombres y mujeres serían reclutados para luchar en Ucrania.

Cada vez es más posible utilizar audio y vídeo deepfake en estafas. El 4 de febrero de 2024, un trabajador financiero de una empresa multinacional fue engañado con una videollamada Deepfake de 'director financiero' y le pagaron. 25 millones de dólares para un estafador.

Si las grandes instituciones financieras pueden ser víctimas de estas cosas, consideremos la vulnerabilidad del ciudadano medio. De acuerdo a un encuesta del 2022 De 16,000 personas en ocho países, el 71% de las personas dijeron que ni siquiera saben qué es un deepfake.

Mientras discutimos la amenaza de los deepfakes a la seguridad global, las instituciones democráticas y las estafas a nivel internacional, es importante señalar que los artefactos de audio y video verificados son ahora la norma como evidencia en nuestro sistema judicial. Los deepfakes representan una amenaza importante para la integridad de ese proceso.

Cumplir con los estándares probatorios judiciales es una tarea desafiante, especialmente en ausencia de metadatos subyacentes, como marcas de agua digitales, o si los medios se procesan posteriormente con intenciones antiforenses. A principios de febrero de 2024, plataformas de redes sociales como Meta anunciaron que exigirán que el contenido generado por IA esté etiquetado como tal, pero eso entra en la categoría de "los candados sólo mantienen fuera a los honestos". Aquellos que tengan la intención de utilizar estas herramientas avanzadas para engañar no les pondrán etiquetas.

A medida que la capacidad de crear videos falsos convincentes ha aumentado significativamente, también ha crecido nuestra necesidad de autenticar artefactos de medios digitales legítimos. Más allá de eso, las herramientas necesarias para autenticar estos artefactos mediáticos deben ofrecer evaluaciones de manera accesible. Nuestro sistema judicial, por ejemplo, está diseñado en torno a un "jurado de pares" que no tendrán un conocimiento profundo de la inteligencia artificial y los sistemas de ciberseguridad.

Para satisfacer esta demanda esencial, hemos desarrollado un detector de falsificación profunda. Esta investigación ha estado en curso durante más de 6 años, respaldada por casi $1 millón en subvenciones de agencias como la Fundación Nacional de Ciencias y MTRAC. Esta financiación nos ha permitido desarrollar el DFD MVP con las herramientas y el conocimiento adecuados y estamos trabajando para desarrollarlos aún más hasta convertirlos en un producto que puedan utilizar empresas e individuos sin una gran experiencia en ciberseguridad.

Los estudiantes investigadores asociados con este proyecto tendrán la oportunidad de aprender a utilizar el aprendizaje profundo, la IA neurosimbólica y la IA multimodal para desarrollar herramientas para autenticar multimedia digital. Los estudiantes también aprenderán cómo proteger los detectores de ataques antiforenses y adquirirán experiencia en el diseño de detectores basados ​​en IA para que sean transparentes y explicables con resultados accesibles. Tendrán la oportunidad de trabajar en equipos interdisciplinarios y resolver problemas más allá de los que encontrarían en un salón de clases.

Viaje al laboratorio SMILES. logotipo de desenmascarar. Debajo hay un cuadro con una línea de tiempo que se mueve de izquierda a derecha, de la siguiente manera: Púrpura, 1018, NSF, Banco de pruebas para la evaluación comparativa de algoritmos forenses de audio digital, azul, 2019, NSF, REU Suplemento del examinador forense, gris, 2020, MSGC, NSF, Hacia el desarrollo de un marco de detección de falsificaciones profundas, verde, 2021, NSF, Suplemento REU para examinadores forenses, amarillo, 2022, MTRAC, detector de falsificaciones profundas, rojo, 2023, NSF, MTRAC, detector robusto y explicable (NSF), DFD (MTRAC ). Debajo, a la izquierda, hay cuatro círculos apilados en diagonal. Desde abajo a la izquierda, Púrpura con huella digital y lupa, Generación de informes, Visual, Textual. Rojo, Engranaje, Robustez, Decisión Ensamblada, Verificación Modal Múltiple, Azul, Cerebro con circuitos, Explicabilidad, NeuroSimbólico, Características Interpretables, Verde, Generalizable, Conocimiento Común, Psicología Humana, Multimodal. Abajo a la derecha tiene diagramas. SpoTNet: una red transformadora consciente de la suplantación de identidad para una detección eficaz del habla sintética.
Viaje al laboratorio SMILES. logotipo de desenmascarar. Debajo hay un cuadro con una línea de tiempo que se mueve de izquierda a derecha, de la siguiente manera: Púrpura, 1018, NSF, Banco de pruebas para la evaluación comparativa de algoritmos forenses de audio digital, azul, 2019, NSF, REU Suplemento del examinador forense, gris, 2020, MSGC, NSF, Hacia el desarrollo de un marco de detección de falsificaciones profundas, verde, 2021, NSF, Suplemento REU para examinadores forenses, amarillo, 2022, MTRAC, detector de falsificaciones profundas, rojo, 2023, NSF, MTRAC, detector robusto y explicable (NSF), DFD (MTRAC ). Debajo, a la izquierda, hay cuatro círculos apilados en diagonal. Desde abajo a la izquierda, Púrpura con huella digital y lupa, Generación de informes, Visual, Textual. Rojo, Engranaje, Robustez, Decisión Ensamblada, Verificación Modal Múltiple, Azul, Cerebro con circuitos, Explicabilidad, NeuroSimbólico, Características Interpretables, Verde, Generalizable, Conocimiento Común, Psicología Humana, Multimodal. Abajo a la derecha tiene diagramas. SpoTNet: una red transformadora consciente de la suplantación de identidad para una detección eficaz del habla sintética.
Viaje al laboratorio SMILES. logotipo de desenmascarar. Debajo hay un cuadro con una línea de tiempo que se mueve de izquierda a derecha, de la siguiente manera: Púrpura, 1018, NSF, Banco de pruebas para la evaluación comparativa de algoritmos forenses de audio digital, azul, 2019, NSF, REU Suplemento del examinador forense, gris, 2020, MSGC, NSF, Hacia el desarrollo de un marco de detección de falsificaciones profundas, verde, 2021, NSF, Suplemento REU para examinadores forenses, amarillo, 2022, MTRAC, detector de falsificaciones profundas, rojo, 2023, NSF, MTRAC, detector robusto y explicable (NSF), DFD (MTRAC ). Debajo, a la izquierda, hay cuatro círculos apilados en diagonal. Desde abajo a la izquierda, Púrpura con huella digital y lupa, Generación de informes, Visual, Textual. Rojo, Engranaje, Robustez, Decisión Ensamblada, Verificación Modal Múltiple, Azul, Cerebro con circuitos, Explicabilidad, NeuroSimbólico, Características Interpretables, Verde, Generalizable, Conocimiento Común, Psicología Humana, Multimodal. Abajo a la derecha tiene diagramas. SpoTNet: una red transformadora consciente de la suplantación de identidad para una detección eficaz del habla sintética.
El diagrama de flujo va desde el icono de la persona que habla con la flecha hacia abajo hasta el icono de señal de voz. Desde allí, la flecha apunta al cuadro denominado Limpieza de datos y procesamiento de señales acústicas. En este cuadro, Framing & Windowing conduce a índices de voz sin silencio, conduce a la normalización de índices de voz, conduce a filtrado de paso de banda, conduce a preénfasis, conduce a Mel Spectogram, seguido de una imagen de un espectrograma de Mel. Una flecha conduce a la derecha del cuadro a dos gráficos espectrales, uno etiquetado como Envolventes y otro etiquetado como Contraste. Un corchete a la derecha de estos gráficos indica que la representación basada en el conocimiento extrae un punto de datos S de Envelops y un punto de datos P de Contrast para crear un conjunto de datos SP. La flecha conduce a un cuadro denominado Codificador de transformador de suplantación lógica (LSTE) en el que una matriz SP pasa por cuatro Conv. Y BN filtra a Token Encoding, tokens etiquetados Tk 1-n, luego una flecha apunta a Transformer Encoder y otra flecha conduce a Attentive Audio Representation. Desde este cuadro, una flecha apunta a un diagrama denominado Clasificación de múltiples capas de suplantación de identidad. Este diagrama muestra los datos que fluyen a través de tres capas denominadas Densa, BN y DO. Se muestra que DO es 5 y Denso es 128, relu en la primera pasada, 64 en la segunda y 32 en la tercera. De estos tres, la flecha apunta a un cuadro denominado Aplanar, que contiene datos AE 1-n. Esto luego conduce a una caja Densa con 128 Relu, una caja DO con .5 y una caja Densa final con 1, sigmoide. Una flecha lleva a Salida de verificación de voz: real o falsa.
El diagrama de flujo va desde el icono de la persona que habla con la flecha hacia abajo hasta el icono de señal de voz. Desde allí, la flecha apunta al cuadro denominado Limpieza de datos y procesamiento de señales acústicas. En este cuadro, Framing & Windowing conduce a índices de voz sin silencio, conduce a la normalización de índices de voz, conduce a filtrado de paso de banda, conduce a preénfasis, conduce a Mel Spectogram, seguido de una imagen de un espectrograma de Mel. Una flecha conduce a la derecha del cuadro a dos gráficos espectrales, uno etiquetado como Envolventes y otro etiquetado como Contraste. Un corchete a la derecha de estos gráficos indica que la representación basada en el conocimiento extrae un punto de datos S de Envelops y un punto de datos P de Contrast para crear un conjunto de datos SP. La flecha conduce a un cuadro denominado Codificador de transformador de suplantación lógica (LSTE) en el que una matriz SP pasa por cuatro Conv. Y BN filtra a Token Encoding, tokens etiquetados Tk 1-n, luego una flecha apunta a Transformer Encoder y otra flecha conduce a Attentive Audio Representation. Desde este cuadro, una flecha apunta a un diagrama denominado Clasificación de múltiples capas de suplantación de identidad. Este diagrama muestra los datos que fluyen a través de tres capas denominadas Densa, BN y DO. Se muestra que DO es 5 y Denso es 128, relu en la primera pasada, 64 en la segunda y 32 en la tercera. De estos tres, la flecha apunta a un cuadro denominado Aplanar, que contiene datos AE 1-n. Esto luego conduce a una caja Densa con 128 Relu, una caja DO con .5 y una caja Densa final con 1, sigmoide. Una flecha lleva a Salida de verificación de voz: real o falsa.
El diagrama de flujo va desde el icono de la persona que habla con la flecha hacia abajo hasta el icono de señal de voz. Desde allí, la flecha apunta al cuadro denominado Limpieza de datos y procesamiento de señales acústicas. En este cuadro, Framing & Windowing conduce a índices de voz sin silencio, conduce a la normalización de índices de voz, conduce a filtrado de paso de banda, conduce a preénfasis, conduce a Mel Spectogram, seguido de una imagen de un espectrograma de Mel. Una flecha conduce a la derecha del cuadro a dos gráficos espectrales, uno etiquetado como Envolventes y otro etiquetado como Contraste. Un corchete a la derecha de estos gráficos indica que la representación basada en el conocimiento extrae un punto de datos S de Envelops y un punto de datos P de Contrast para crear un conjunto de datos SP. La flecha conduce a un cuadro denominado Codificador de transformador de suplantación lógica (LSTE) en el que una matriz SP pasa por cuatro Conv. Y BN filtra a Token Encoding, tokens etiquetados Tk 1-n, luego una flecha apunta a Transformer Encoder y otra flecha conduce a Attentive Audio Representation. Desde este cuadro, una flecha apunta a un diagrama denominado Clasificación de múltiples capas de suplantación de identidad. Este diagrama muestra los datos que fluyen a través de tres capas denominadas Densa, BN y DO. Se muestra que DO es 5 y Denso es 128, relu en la primera pasada, 64 en la segunda y 32 en la tercera. De estos tres, la flecha apunta a un cuadro denominado Aplanar, que contiene datos AE 1-n. Esto luego conduce a una caja Densa con 128 Relu, una caja DO con .5 y una caja Densa final con 1, sigmoide. Una flecha lleva a Salida de verificación de voz: real o falsa.

Esta asociación de NSF para la innovación (NSF-PFI) y el proyecto financiado por MTRAC busca mejorar aún más la tecnología del detector de falsificación profunda (DFD) basada en el premio de linaje NSF n.° 1815724: SaTC: CORE: ForensicExaminer: banco de pruebas para la evaluación comparativa de algoritmos forenses de audio digital y el proyecto MTRAC. titulado "Detector de falsificaciones profundas". El DFD detecta falsificaciones audiovisuales, incluidos varios tipos de Deepfakes, que se utilizan en la manipulación de multimedia digital, pero continuamente aparecen nuevos tipos. Las mejoras al DFD MVP ayudarán a hacerlo más sólido frente a los métodos antiforenses y también a hacerlo más accesible y explicable.

Para más detalles, ver:

NeuroAssist: un sistema inteligente y seguro de apoyo a la toma de decisiones para la predicción de la rotura de un aneurisma cerebral

Financiado por el Fundación de Aneurisma Cerebral

Los accidentes cerebrovasculares, o accidentes cerebrovasculares, son la principal causa de discapacidad en todo el mundo y la segunda causa de muerte. Además, el accidente cerebrovascular es la quinta causa de muerte entre todos los estadounidenses y una de las principales causas de discapacidad grave a largo plazo. Anualmente, 15 millones de personas en todo el mundo sufren un derrame cerebral, y de ellas, 5 millones mueren y otros 5 millones quedan permanentemente discapacitados.

Círculo a izquierda y derecha. Logotipo de Smiles en la parte superior derecha. El título dice: Predicción de hemorragia subaracnoidea: problemas y necesidades insatisfechas en la atención médica. El círculo izquierdo dice Desafíos de la IA en la medicina y tiene un ícono de corazón. De él salen 5 burbujas. Púrpura, rendimiento limitado y alto costo de capacitación Azul, demanda de métodos de bucle humano Naranja, privacidad e integridad de datos Verde, demanda de aprendizaje de representación multimodal Rojo, escasez de datos, conjuntos de datos pequeños y no IID El derecho tiene círculos concéntricos con necesidades insatisfechas en el centro . Círculo exterior, verde, 1. Falta de muestras de entrenamiento grandes y multimodales Las deficiencias actuales del conjunto de datos limitan la capacidad de los modelos de IA para generalizarse de manera efectiva y dificultan el rendimiento. Dark Blue, 2, Soluciones descentralizadas que preservan la privacidad Los desafíos existentes giran en torno a la necesidad de soluciones descentralizadas que mantengan la confidencialidad de los datos de salud confidenciales. Amarillo, 3. Falta de explicabilidad e IA humana en bucle La brecha de conocimiento entre la IA y los expertos en el dominio debe llenarse mediante predicciones explicables. Rojo, 4. Falta de enfoque interdisciplinario Abordar problemas cardio/neurovasculares complejos exige una síntesis de experiencia de múltiples disciplinas.
Círculo a izquierda y derecha. Logotipo de Smiles en la parte superior derecha. El título dice: Predicción de hemorragia subaracnoidea: problemas y necesidades insatisfechas en la atención médica. El círculo izquierdo dice Desafíos de la IA en la medicina y tiene un ícono de corazón. De él salen 5 burbujas. Púrpura, rendimiento limitado y alto costo de capacitación Azul, demanda de métodos de bucle humano Naranja, privacidad e integridad de datos Verde, demanda de aprendizaje de representación multimodal Rojo, escasez de datos, conjuntos de datos pequeños y no IID El derecho tiene círculos concéntricos con necesidades insatisfechas en el centro . Círculo exterior, verde, 1. Falta de muestras de entrenamiento grandes y multimodales Las deficiencias actuales del conjunto de datos limitan la capacidad de los modelos de IA para generalizarse de manera efectiva y dificultan el rendimiento. Dark Blue, 2, Soluciones descentralizadas que preservan la privacidad Los desafíos existentes giran en torno a la necesidad de soluciones descentralizadas que mantengan la confidencialidad de los datos de salud confidenciales. Amarillo, 3. Falta de explicabilidad e IA humana en bucle La brecha de conocimiento entre la IA y los expertos en el dominio debe llenarse mediante predicciones explicables. Rojo, 4. Falta de enfoque interdisciplinario Abordar problemas cardio/neurovasculares complejos exige una síntesis de experiencia de múltiples disciplinas.
Círculo a izquierda y derecha. Logotipo de Smiles en la parte superior derecha. El título dice: Predicción de hemorragia subaracnoidea: problemas y necesidades insatisfechas en la atención médica. El círculo izquierdo dice Desafíos de la IA en la medicina y tiene un ícono de corazón. De él salen 5 burbujas. Púrpura, rendimiento limitado y alto costo de capacitación Azul, demanda de métodos de bucle humano Naranja, privacidad e integridad de datos Verde, demanda de aprendizaje de representación multimodal Rojo, escasez de datos, conjuntos de datos pequeños y no IID El derecho tiene círculos concéntricos con necesidades insatisfechas en el centro . Círculo exterior, verde, 1. Falta de muestras de entrenamiento grandes y multimodales Las deficiencias actuales del conjunto de datos limitan la capacidad de los modelos de IA para generalizarse de manera efectiva y dificultan el rendimiento. Dark Blue, 2, Soluciones descentralizadas que preservan la privacidad Los desafíos existentes giran en torno a la necesidad de soluciones descentralizadas que mantengan la confidencialidad de los datos de salud confidenciales. Amarillo, 3. Falta de explicabilidad e IA humana en bucle La brecha de conocimiento entre la IA y los expertos en el dominio debe llenarse mediante predicciones explicables. Rojo, 4. Falta de enfoque interdisciplinario Abordar problemas cardio/neurovasculares complejos exige una síntesis de experiencia de múltiples disciplinas.

Para prevenir estas muertes y discapacidades, los neurólogos y neurocirujanos deben poder diagnosticar las causas fundamentales de manera temprana y mejorar su manejo clínico. También necesitan determinar el riesgo general de un individuo a través de múltiples consideraciones complejas, incluidos los aneurismas cerebrales, las malformaciones arteriovenosas (MAV) y la enfermedad oclusiva cerebral (COD).

El tratamiento clínico de las enfermedades que causan el ictus es muy complejo. Para ilustrar la complejidad, tomemos el factor de los aneurismas intracraneales no rotos por sí solo. Tratarlos es un proceso de toma de decisiones complejo porque el riesgo de rotura no está determinado únicamente por el tamaño del aneurisma. La ubicación/arteria importa mucho; Los aneurismas pequeños en ciertas arterias pueden romperse, mientras que los más grandes en otras arterias pueden no hacerlo.

Más allá del caso aislado de los aneurismas en sí, diversos grados de malformaciones arteriovenosas y acumulación de placa dentro de las arterias carótidas pueden agregar otros factores de riesgo al riesgo general de accidente cerebrovascular. Nuestras evaluaciones actuales no son suficientes para hacer frente a esta complejidad.

La falta de datos adecuados a menudo conduce a un proceso de toma de decisiones que podría describirse acertadamente como "más vale prevenir que lamentar". Es cierto que la intervención quirúrgica es un método eficaz para eliminar el riesgo de sufrir un accidente cerebrovascular. Sin embargo, estas cirugías son invasivas y pueden provocar complicaciones iatrogénicas graves o déficits neurológicos, por lo que no siempre vale la pena correr el riesgo de tratar todos los aneurismas, MAV y DQO.

Diagramas. El título dice Ubicación específica vs. El diagrama de modelos globales tiene tres secciones. La izquierda tiene cuatro áreas que fluyen hacia abajo desde los conjuntos de datos, a través del submuestreo, luego a través de tres ubicaciones específicas y un modelo entrenado global, que conducen a dos conjuntos de reglas. La sección central comienza con los mismos conjuntos de datos, pero se filtra solo a través de un algoritmo a priori (50% de confianza y 20% de soporte) y conduce a cuatro conjuntos de reglas. La tercera parte muestra cómo los datos acumulados y los conjuntos de reglas se combinan con la experiencia de modelado de 5 años del proyecto y la optimización de los pesos de los expertos del dominio hasta llegar a un conjunto de reglas muy mejorado.
Diagramas. El título dice Ubicación específica vs. El diagrama de modelos globales tiene tres secciones. La izquierda tiene cuatro áreas que fluyen hacia abajo desde los conjuntos de datos, a través del submuestreo, luego a través de tres ubicaciones específicas y un modelo entrenado global, que conducen a dos conjuntos de reglas. La sección central comienza con los mismos conjuntos de datos, pero se filtra solo a través de un algoritmo a priori (50% de confianza y 20% de soporte) y conduce a cuatro conjuntos de reglas. La tercera parte muestra cómo los datos acumulados y los conjuntos de reglas se combinan con la experiencia de modelado de 5 años del proyecto y la optimización de los pesos de los expertos del dominio hasta llegar a un conjunto de reglas muy mejorado.
Diagramas. El título dice Ubicación específica vs. El diagrama de modelos globales tiene tres secciones. La izquierda tiene cuatro áreas que fluyen hacia abajo desde los conjuntos de datos, a través del submuestreo, luego a través de tres ubicaciones específicas y un modelo entrenado global, que conducen a dos conjuntos de reglas. La sección central comienza con los mismos conjuntos de datos, pero se filtra solo a través de un algoritmo a priori (50% de confianza y 20% de soporte) y conduce a cuatro conjuntos de reglas. La tercera parte muestra cómo los datos acumulados y los conjuntos de reglas se combinan con la experiencia de modelado de 5 años del proyecto y la optimización de los pesos de los expertos del dominio hasta llegar a un conjunto de reglas muy mejorado.

Por otro lado, una intervención tardía cuando se combinan factores aumenta el riesgo de sufrir un derrame cerebral, cuya consecuencia puede ser la muerte o una discapacidad permanente. Cuando el riesgo general es alto, es imperativo realizar el tratamiento correcto de inmediato.

Sin una puntuación clínica fiable de riesgo/gravedad disponible, los neurocirujanos deben confiar en heurísticas compiladas a partir de datos poco fiables y de su experiencia previa.

Cuatro diagramas. El título dice Modelo infundido de conocimiento para la detección y segmentación de aneurismas Logotipo de SMILES en la parte superior derecha. Arriba a la izquierda El preprocesamiento tiene varias comparaciones de imágenes de aneurismas. Las flechas conducen hacia abajo a Knowledge Infused DNN y a Knowledge Extraction en la parte superior derecha. Ese cuadro muestra la capacitación de expertos médicos sobre el modelo y comentarios de ida y vuelta para la extracción y categorización del ROI. Partes de esto conducen al cuadro inferior derecho y alimentan a la selección del nivel de infusión y al cálculo de mapas de características equivalentes; hay algunas ilustraciones de cuadros negros y secciones de explotación de peso adaptable, infusión de capa adaptable, así como extracción de características profundas específicas del nivel. Estos regresan a la sección DNN infundida de conocimiento en la parte inferior izquierda y conducen a Resultados de detección y Resultados de segmentación. La parte inferior dice: "DeepInfusion: un modelo de IA neurosimbólico basado en infusión dinámica para la segmentación de aneurismas intracraneales". Neurocomputación 551 (2023): 126510.
Cuatro diagramas. El título dice Modelo infundido de conocimiento para la detección y segmentación de aneurismas Logotipo de SMILES en la parte superior derecha. Arriba a la izquierda El preprocesamiento tiene varias comparaciones de imágenes de aneurismas. Las flechas conducen hacia abajo a Knowledge Infused DNN y a Knowledge Extraction en la parte superior derecha. Ese cuadro muestra la capacitación de expertos médicos sobre el modelo y comentarios de ida y vuelta para la extracción y categorización del ROI. Partes de esto conducen al cuadro inferior derecho y alimentan a la selección del nivel de infusión y al cálculo de mapas de características equivalentes; hay algunas ilustraciones de cuadros negros y secciones de explotación de peso adaptable, infusión de capa adaptable, así como extracción de características profundas específicas del nivel. Estos regresan a la sección DNN infundida de conocimiento en la parte inferior izquierda y conducen a Resultados de detección y Resultados de segmentación. La parte inferior dice: "DeepInfusion: un modelo de IA neurosimbólico basado en infusión dinámica para la segmentación de aneurismas intracraneales". Neurocomputación 551 (2023): 126510.
Cuatro diagramas. El título dice Modelo infundido de conocimiento para la detección y segmentación de aneurismas Logotipo de SMILES en la parte superior derecha. Arriba a la izquierda El preprocesamiento tiene varias comparaciones de imágenes de aneurismas. Las flechas conducen hacia abajo a Knowledge Infused DNN y a Knowledge Extraction en la parte superior derecha. Ese cuadro muestra la capacitación de expertos médicos sobre el modelo y comentarios de ida y vuelta para la extracción y categorización del ROI. Partes de esto conducen al cuadro inferior derecho y alimentan a la selección del nivel de infusión y al cálculo de mapas de características equivalentes; hay algunas ilustraciones de cuadros negros y secciones de explotación de peso adaptable, infusión de capa adaptable, así como extracción de características profundas específicas del nivel. Estos regresan a la sección DNN infundida de conocimiento en la parte inferior izquierda y conducen a Resultados de detección y Resultados de segmentación. La parte inferior dice: "DeepInfusion: un modelo de IA neurosimbólico basado en infusión dinámica para la segmentación de aneurismas intracraneales". Neurocomputación 551 (2023): 126510.

Entre esos dos extremos hay muchos casos en los que el riesgo justifica un seguimiento a lo largo del tiempo, no una acción. Los médicos luchan con la decisión de cuándo tratar y cuándo observar, y cada año se realizan miles de procedimientos innecesarios porque simplemente no es así. seguro. Cuantificar los riesgos generales de accidente cerebrovascular en función de un grupo de factores de riesgo en pacientes similares puede ayudar a que esta decisión crucial sea mucho más fácil para los neurocirujanos.

Esto significa que la herramienta debe ser confiable y que los médicos puedan utilizar para explicar la situación individual. El paciente y la familia se imaginan los peores resultados. Les preocupa un derrame cerebral devastador y la carga financiera del tratamiento. Ser capaz de explicar claramente por qué la mejor opción es esperar y monitorear sería un beneficio maravilloso para esas familias.

Diagrama con título, StrokeNet: un enfoque automatizado para la segmentación y predicción de rotura de aneurismas intracraneales Logotipo SMILES en la parte superior derecha. A la izquierda de dos cuadros se lee Paso 1: Segmentación del aneurisma. Tiene una imagen escaneada y muchos íconos representativos con letra pequeña. Una flecha lleva al cuadro dos, Paso 2: Predicción de la rotura del aneurisma. Cuatro imágenes a la izquierda conducen a cuatro partes, características profundas, características geométricas, patrón de flujo sanguíneo y descriptor de Fourier, conducen a un cuadro que muestra la ponderación de esos factores, luego la selección de características, luego el clasificador, luego Verde, leve, amarillo moderado, rosa grave y rojo crítico. La parte inferior dice: "StrokeNet: un enfoque automatizado para la segmentación y predicción del riesgo de ruptura del aneurisma intracraneal". Imágenes y gráficos médicos computarizados 108 (2023): 102271.
Diagrama con título, StrokeNet: un enfoque automatizado para la segmentación y predicción de rotura de aneurismas intracraneales Logotipo SMILES en la parte superior derecha. A la izquierda de dos cuadros se lee Paso 1: Segmentación del aneurisma. Tiene una imagen escaneada y muchos íconos representativos con letra pequeña. Una flecha lleva al cuadro dos, Paso 2: Predicción de la rotura del aneurisma. Cuatro imágenes a la izquierda conducen a cuatro partes, características profundas, características geométricas, patrón de flujo sanguíneo y descriptor de Fourier, conducen a un cuadro que muestra la ponderación de esos factores, luego la selección de características, luego el clasificador, luego Verde, leve, amarillo moderado, rosa grave y rojo crítico. La parte inferior dice: "StrokeNet: un enfoque automatizado para la segmentación y predicción del riesgo de ruptura del aneurisma intracraneal". Imágenes y gráficos médicos computarizados 108 (2023): 102271.
Diagrama con título, StrokeNet: un enfoque automatizado para la segmentación y predicción de rotura de aneurismas intracraneales Logotipo SMILES en la parte superior derecha. A la izquierda de dos cuadros se lee Paso 1: Segmentación del aneurisma. Tiene una imagen escaneada y muchos íconos representativos con letra pequeña. Una flecha lleva al cuadro dos, Paso 2: Predicción de la rotura del aneurisma. Cuatro imágenes a la izquierda conducen a cuatro partes, características profundas, características geométricas, patrón de flujo sanguíneo y descriptor de Fourier, conducen a un cuadro que muestra la ponderación de esos factores, luego la selección de características, luego el clasificador, luego Verde, leve, amarillo moderado, rosa grave y rojo crítico. La parte inferior dice: "StrokeNet: un enfoque automatizado para la segmentación y predicción del riesgo de ruptura del aneurisma intracraneal". Imágenes y gráficos médicos computarizados 108 (2023): 102271.

Para satisfacer esta necesidad, hemos desarrollado herramientas con un enfoque basado en IA descentralizado y altamente explicable. Estas herramientas utilizan una amplia gama de técnicas: IA multimodal en angiografía por sustracción digital, angiografía por resonancia magnética y modalidades de imagen de angiografía por tomografía computarizada junto con texto clínico, aprendizaje federado, IA neurosimbólica basada en RAG, dinámica de fluidos computacional e IA explicable multimodal. .

En última instancia, este proyecto brindará herramientas que reducirán las muertes y las discapacidades a largo plazo, sufragarán los altos costos para los pacientes y nuestro sistema de atención médica y aliviarán gran parte del estrés psicológico de los pacientes. También ayudará a desarrollar y compartir datos más sólidos con otros investigadores para avanzar en nuestra comprensión de los aneurismas cerebrales en el futuro.

Para más detalles, ver: Brain Aneurysm Foundation: Conozca al beneficiario de la subvención de investigación: Khalid Malik, PhD

Filtrado web neurosimbólico basado en IA

Patrocinado por Netstar Inc.

Logotipo del laboratorio SONRISAS

Neurosimbólico multimodal explicable
Modelos de Edge AI para filtrado web

Laboratorio de Modelado Seguro y Aprendizaje Inteligente en Sistemas de Ingeniería

Las soluciones de filtrado web son un componente vital de la ciberseguridad. Bloquean el acceso a sitios web maliciosos, evitan que el malware infecte nuestras máquinas y protegen los datos confidenciales para que no salgan de las organizaciones. Ofrecen una experiencia en línea segura, eficiente y controlada en varios sectores, abordando inquietudes relacionadas con la seguridad, la productividad y la idoneidad del contenido. Las crecientes tendencias en el uso de Internet para compartir datos y conocimientos exigen una clasificación dinámica de los contenidos web, particularmente en el borde de Internet.

Barra de título: Problema: Relevancia industrial y novedad Izquierda: Lista con necesidades verticales de NetSTAR: y lo siguiente extendiéndose hacia la derecha: 1. Desarrollar un filtrado de URL de IA multimodal preciso y confiable para contenidos dinámicos 2. Demanda de aprendizaje de representación multimodal 3. Pequeños conjuntos de datos multilingües 4 Demanda de métodos humanos en bucle 5. Privacidad de datos Derecha: Laboratorio SMILES con burbujas que sobresalen hacia la izquierda, desde arriba, 1. IA neurosimbólica para contenidos diversos 2. Aprendizaje multimodal 3. Infusión de conocimiento 4. Aprendizaje de representación multilingüe 5. Aprendizaje federado
Barra de título: Problema: Relevancia industrial y novedad Izquierda: Lista con necesidades verticales de NetSTAR: y lo siguiente extendiéndose hacia la derecha: 1. Desarrollar un filtrado de URL de IA multimodal preciso y confiable para contenidos dinámicos 2. Demanda de aprendizaje de representación multimodal 3. Pequeños conjuntos de datos multilingües 4 Demanda de métodos humanos en bucle 5. Privacidad de datos Derecha: Laboratorio SMILES con burbujas que sobresalen hacia la izquierda, desde arriba, 1. IA neurosimbólica para contenidos diversos 2. Aprendizaje multimodal 3. Infusión de conocimiento 4. Aprendizaje de representación multilingüe 5. Aprendizaje federado
Barra de título: Problema: Relevancia industrial y novedad Izquierda: Lista con necesidades verticales de NetSTAR: y lo siguiente extendiéndose hacia la derecha: 1. Desarrollar un filtrado de URL de IA multimodal preciso y confiable para contenidos dinámicos 2. Demanda de aprendizaje de representación multimodal 3. Pequeños conjuntos de datos multilingües 4 Demanda de métodos humanos en bucle 5. Privacidad de datos Derecha: Laboratorio SMILES con burbujas que sobresalen hacia la izquierda, desde arriba, 1. IA neurosimbólica para contenidos diversos 2. Aprendizaje multimodal 3. Infusión de conocimiento 4. Aprendizaje de representación multilingüe 5. Aprendizaje federado

Hoy en día, las empresas necesitan que estas soluciones tengan capacidades multilingües y protejan la privacidad de los datos de sus empleados. Para enfrentar estos desafíos se requiere una solución confiable que pueda clasificar efectivamente las URL en clases correctas.

Para satisfacer estas necesidades, UM-Flint se ha asociado con la empresa japonesa líder en filtrado de URL, Netstar Inc., para desarrollar una solución basada en aprendizaje automático. El equipo está formado por varios estudiantes de doctorado y posdoctorado del laboratorio de modelado seguro y aprendizaje inteligente en sistemas de ingeniería (SMILES) y empleados de Netstar.

Los estudiantes involucrados en este proyecto aprenderán técnicas avanzadas de procesamiento del lenguaje natural, procesamiento de contenido multilingüe y desarrollo de gráficos de conocimiento. Adquirirán experiencia con IA neurosimbólica y multimodal que sea explicable y ofrezca razonamiento. También tendrán oportunidades de adquirir las numerosas habilidades sociales necesarias para colaborar con una corporación global.

Curación automatizada de gráficos de conocimiento neurológico

Para desarrollar sistemas de IA neurosimbólica, es fundamental contar con gráficos de conocimiento que representen todas las entidades de los dominios y las relaciones entre ellas.

El rápido crecimiento de Knowledge Graphs (KG) en los últimos años ha sido indicativo de un resurgimiento de la ingeniería del conocimiento. El uso de KG en la literatura publicada para destilar información utilizable que los modelos neurosimbólicos y los sistemas basados ​​en expertos podrían utilizar es uno de los enfoques más prometedores para el problema del consumo de datos; y además, proporciona más explicaciones sobre técnicas de IA como el aprendizaje automático y el aprendizaje profundo.

Hoy en día, la mayoría de las empresas reconocen que los datos son su activo más valioso, pero pueden presentarse en muchas formas y formatos diferentes. Hacer que esos datos sean utilizables para herramientas de aprendizaje automático e inteligencia artificial es un desafío. Actualmente, la creación y curación de gráficos de conocimiento son en su mayoría manuales o algo semiautomáticas y, por lo tanto, es un proceso que requiere mucha mano de obra. En muchos casos, este proceso manual impide que una persona con un alto nivel de experiencia invierta ese tiempo en el producto principal o en el trabajo científico que podría estar realizando.

La curación automatizada de gráficos de conocimiento a partir de voluminosos datos no estructurados puede extraer información procesable que sea legible por máquina y que potencialmente pueda ayudar a descubrir conocimientos a partir de Big Data. Para obtener información procesable, es necesario identificar fuentes, significados y relaciones entre entidades de los dominios dados.

Además, extraer automáticamente conocimiento confiable y consistente, particularmente de fuentes estructuradas y no estructuradas a escala, es un desafío formidable. Se han realizado muy pocos intentos de construcción automatizada de gráficos de conocimiento en salud. Los que se han probado limitaron su enfoque a la creación de trillizos al tener un solo tipo de relación.

Título: Marco de curación automatizado de gráficos de conocimiento Vista conceptual Tres burbujas a la izquierda, cada una con flechas apuntando hacia la derecha, que conducen a una burbuja grande con tres burbujas interconectadas en su interior. Desde la izquierda: azul. Icono de documento. Preprocesamiento de texto, tokenización, normalización, etiquetado azul-verde, icono de clúster, categorización, agrupación. Verde-azul, icono de árbol genealógico, Clasificación, PICO. Círculo grande de color verde claro con la etiqueta Modelado de conocimiento. Tres círculos verdes. Arriba a la izquierda, icono de lista de verificación, Extracción de conceptos, OBIE. flecha hacia arriba a la derecha, ícono de clúster, Extracción de relaciones, BioBERT, CNN-BiLSTM. Flecha hacia abajo al tercer círculo, Generación KG, Extracto Triples. La parte inferior izquierda tiene la leyenda de abreviaturas: PICO: Paciente/Población, Intervención, Comparación y Resultados. OBIE - Extracción de información basada en ontologías, BioBERT - BERT biomédico
Título: Marco de curación automatizado de gráficos de conocimiento Vista conceptual Tres burbujas a la izquierda, cada una con flechas apuntando hacia la derecha, que conducen a una burbuja grande con tres burbujas interconectadas en su interior. Desde la izquierda: azul. Icono de documento. Preprocesamiento de texto, tokenización, normalización, etiquetado azul-verde, icono de clúster, categorización, agrupación. Verde-azul, icono de árbol genealógico, Clasificación, PICO. Círculo grande de color verde claro con la etiqueta Modelado de conocimiento. Tres círculos verdes. Arriba a la izquierda, icono de lista de verificación, Extracción de conceptos, OBIE. flecha hacia arriba a la derecha, ícono de clúster, Extracción de relaciones, BioBERT, CNN-BiLSTM. Flecha hacia abajo al tercer círculo, Generación KG, Extracto Triples. La parte inferior izquierda tiene la leyenda de abreviaturas: PICO: Paciente/Población, Intervención, Comparación y Resultados. OBIE - Extracción de información basada en ontologías, BioBERT - BERT biomédico
Título: Marco de curación automatizado de gráficos de conocimiento Vista conceptual Tres burbujas a la izquierda, cada una con flechas apuntando hacia la derecha, que conducen a una burbuja grande con tres burbujas interconectadas en su interior. Desde la izquierda: azul. Icono de documento. Preprocesamiento de texto, tokenización, normalización, etiquetado azul-verde, icono de clúster, categorización, agrupación. Verde-azul, icono de árbol genealógico, Clasificación, PICO. Círculo grande de color verde claro con la etiqueta Modelado de conocimiento. Tres círculos verdes. Arriba a la izquierda, icono de lista de verificación, Extracción de conceptos, OBIE. flecha hacia arriba a la derecha, ícono de clúster, Extracción de relaciones, BioBERT, CNN-BiLSTM. Flecha hacia abajo al tercer círculo, Generación KG, Extracto Triples. La parte inferior izquierda tiene la leyenda de abreviaturas: PICO: Paciente/Población, Intervención, Comparación y Resultados. OBIE - Extracción de información basada en ontologías, BioBERT - BERT biomédico
Marco de curación automatizado de gráficos de conocimiento. Vista funcional Debajo de esta se encuentra la siguiente lista: Agrupación de preprocesamiento de datos - Clasificación PICO neurosimbólica Extractor de relaciones Generador de gráficos de conocimiento A la derecha hay un diagrama complejo con cuatro cuadros en la parte superior y uno debajo de todos ellos. En la parte superior, desde la izquierda, preprocesamiento de datos, que incluye conjunto de datos, burbuja de preprocesamiento de texto que incluye detección de oraciones, tokenización, limpieza y lematización. Conduce al cuadro dos, Agrupación neurosimbólica, que tiene cuadros verticales de árbol etiquetados Generar datos de entrenamiento, Modelo de clúster e Infusión de conocimiento. Cada uno de estos tiene un ícono de página de noticias como parte de una flecha que apunta hacia los cuatro cuadros en la Sección tres (el modelo de grupo tiene dos saliendo). El cuadro tres está etiquetado como clasificador PICO y cada uno de los cuatro cuadros dentro muestra que cada grupo se alimenta a través de una P, Proceso de clasificación I, C y O. Estos cuatro cuadros tienen flechas que convergen en un ícono de servidor grande con algunos símbolos de clasificación. Ese ícono de servidor es uno de los tres elementos en el cuadro cuatro, denominado Extractor de relaciones y apunta hacia cada uno de los otros dos elementos, uno es Impuesto. RE, que tiene partes de mapeo conceptual de grupos semánticos, identificación de grupos semánticos y extracción de relaciones. El último elemento del cuarto cuadro es No tributario. RE, que toma los mismos grupos y los guía a través de la creación de pares, la detección de relaciones de pares y luego la identificación de relaciones de pares. Estas partes finales del cuadro cuatro convergen con una flecha hacia la sección inferior de la imagen, que tiene cuatro cuadros que van de abajo a la derecha. el primero se denomina Extracciones Triples e incluye Impuestos. RE Triples, Concepto-Clúster-Concepto, Concepto-Tema-Concepto, Concepto-PICO-Concepto y Concepto-Relación-Concepto. Una flecha conduce a la izquierda a una imagen de relación de clúster titulada Generación KG inicial. una flecha conduce a KG Completion, que tiene una flecha adicional entre el concepto y los elementos de relación. Esto conduce a una imagen final denominada Eliminación de ambigüedad con menos flechas entre los elementos. Este cuadro inferior se titula KG Fusion.
Marco de curación automatizado de gráficos de conocimiento. Vista funcional Debajo de esta se encuentra la siguiente lista: Agrupación de preprocesamiento de datos - Clasificación PICO neurosimbólica Extractor de relaciones Generador de gráficos de conocimiento A la derecha hay un diagrama complejo con cuatro cuadros en la parte superior y uno debajo de todos ellos. En la parte superior, desde la izquierda, preprocesamiento de datos, que incluye conjunto de datos, burbuja de preprocesamiento de texto que incluye detección de oraciones, tokenización, limpieza y lematización. Conduce al cuadro dos, Agrupación neurosimbólica, que tiene cuadros verticales de árbol etiquetados Generar datos de entrenamiento, Modelo de clúster e Infusión de conocimiento. Cada uno de estos tiene un ícono de página de noticias como parte de una flecha que apunta hacia los cuatro cuadros en la Sección tres (el modelo de grupo tiene dos saliendo). El cuadro tres está etiquetado como clasificador PICO y cada uno de los cuatro cuadros dentro muestra que cada grupo se alimenta a través de una P, Proceso de clasificación I, C y O. Estos cuatro cuadros tienen flechas que convergen en un ícono de servidor grande con algunos símbolos de clasificación. Ese ícono de servidor es uno de los tres elementos en el cuadro cuatro, denominado Extractor de relaciones y apunta hacia cada uno de los otros dos elementos, uno es Impuesto. RE, que tiene partes de mapeo conceptual de grupos semánticos, identificación de grupos semánticos y extracción de relaciones. El último elemento del cuarto cuadro es No tributario. RE, que toma los mismos grupos y los guía a través de la creación de pares, la detección de relaciones de pares y luego la identificación de relaciones de pares. Estas partes finales del cuadro cuatro convergen con una flecha hacia la sección inferior de la imagen, que tiene cuatro cuadros que van de abajo a la derecha. el primero se denomina Extracciones Triples e incluye Impuestos. RE Triples, Concepto-Clúster-Concepto, Concepto-Tema-Concepto, Concepto-PICO-Concepto y Concepto-Relación-Concepto. Una flecha conduce a la izquierda a una imagen de relación de clúster titulada Generación KG inicial. una flecha conduce a KG Completion, que tiene una flecha adicional entre el concepto y los elementos de relación. Esto conduce a una imagen final denominada Eliminación de ambigüedad con menos flechas entre los elementos. Este cuadro inferior se titula KG Fusion.
Marco de curación automatizado de gráficos de conocimiento. Vista funcional Debajo de esta se encuentra la siguiente lista: Agrupación de preprocesamiento de datos - Clasificación PICO neurosimbólica Extractor de relaciones Generador de gráficos de conocimiento A la derecha hay un diagrama complejo con cuatro cuadros en la parte superior y uno debajo de todos ellos. En la parte superior, desde la izquierda, preprocesamiento de datos, que incluye conjunto de datos, burbuja de preprocesamiento de texto que incluye detección de oraciones, tokenización, limpieza y lematización. Conduce al cuadro dos, Agrupación neurosimbólica, que tiene cuadros verticales de árbol etiquetados Generar datos de entrenamiento, Modelo de clúster e Infusión de conocimiento. Cada uno de estos tiene un ícono de página de noticias como parte de una flecha que apunta hacia los cuatro cuadros en la Sección tres (el modelo de grupo tiene dos saliendo). El cuadro tres está etiquetado como clasificador PICO y cada uno de los cuatro cuadros dentro muestra que cada grupo se alimenta a través de una P, Proceso de clasificación I, C y O. Estos cuatro cuadros tienen flechas que convergen en un ícono de servidor grande con algunos símbolos de clasificación. Ese ícono de servidor es uno de los tres elementos en el cuadro cuatro, denominado Extractor de relaciones y apunta hacia cada uno de los otros dos elementos, uno es Impuesto. RE, que tiene partes de mapeo conceptual de grupos semánticos, identificación de grupos semánticos y extracción de relaciones. El último elemento del cuarto cuadro es No tributario. RE, que toma los mismos grupos y los guía a través de la creación de pares, la detección de relaciones de pares y luego la identificación de relaciones de pares. Estas partes finales del cuadro cuatro convergen con una flecha hacia la sección inferior de la imagen, que tiene cuatro cuadros que van de abajo a la derecha. el primero se denomina Extracciones Triples e incluye Impuestos. RE Triples, Concepto-Clúster-Concepto, Concepto-Tema-Concepto, Concepto-PICO-Concepto y Concepto-Relación-Concepto. Una flecha conduce a la izquierda a una imagen de relación de clúster titulada Generación KG inicial. una flecha conduce a KG Completion, que tiene una flecha adicional entre el concepto y los elementos de relación. Esto conduce a una imagen final denominada Eliminación de ambigüedad con menos flechas entre los elementos. Este cuadro inferior se titula KG Fusion.

Los modelos tradicionales no consideran las relaciones semánticas, correlativas y causales entre conceptos de dominio en los gráficos de conocimiento. Ninguno de los enfoques existentes se ha centrado en construir relaciones jerárquicas entre conceptos extraídos. Además, la extracción de conceptos mediante incrustación de palabras o extracción de información basada en ontologías no proporciona una precisión confiable y esto también afecta la precisión de la extracción de relaciones. Por último, no se han hecho esfuerzos para desarrollar conocimientos predictivos que deban ser interpretables tanto por máquinas como por humanos para permitir verdaderas interacciones simbióticas entre humanos y máquinas.

Este proyecto intenta resolver los desafíos mencionados anteriormente proponiendo una construcción automatizada de gráficos de conocimiento de dominio específico mediante el uso de datos estructurados y no estructurados. Este proceso se está repitiendo en múltiples industrias en las MVP del detector de deepfake, NeuroasistenciaAIy Filtrado web basado en IA de Netstar proyectos.

Educación en ciberseguridad automotriz

Logotipo del laboratorio SONRISAS

Verificación de integridad del sensor del vehículo
usando gemelo digital e IA multimodal

Laboratorio de Modelado Seguro y Aprendizaje Inteligente en Sistemas de Ingeniería

Centro superior: capa de detección e ícono de señal rodeados por dos flechas que apuntan hacia adentro. Ícono de chat y capa de comentarios rodeada por dos flechas que apuntan hacia afuera. A la izquierda hay un vehículo real y a la derecha un vehículo dibujado. Están apuntando hacia adentro. Arriba del vehículo izquierdo está el espacio físico y la entrada física está a la izquierda con una flecha apuntando al vehículo. Debajo de este auto hay una caja. Sistemas: cuatro íconos, etiquetados En la red del vehículo, Sensores, Red externa y Sistemas de conducción. El auto de la derecha dice espacio digital arriba y entrada de red a la derecha con una flecha apuntando hacia él. El cuadro a continuación dice Módulos. Hay un ícono de computadora con cerebro llamado Capa cognitiva perceptiva entre los dos cuadros y que apunta a este cuadro de Módulos. Los cuatro íconos se repiten en este cuadro con la adición de un quinto ícono que representa dos engranajes y flechas que completan un circuito entre ellos. a la derecha hay un icono de una persona con una flecha que apunta hacia el cuadro Módulos denominado Ciberseguridad PYME.
Centro superior: capa de detección e ícono de señal rodeados por dos flechas que apuntan hacia adentro. Ícono de chat y capa de comentarios rodeada por dos flechas que apuntan hacia afuera. A la izquierda hay un vehículo real y a la derecha un vehículo dibujado. Están apuntando hacia adentro. Arriba del vehículo izquierdo está el espacio físico y la entrada física está a la izquierda con una flecha apuntando al vehículo. Debajo de este auto hay una caja. Sistemas: cuatro íconos, etiquetados En la red del vehículo, Sensores, Red externa y Sistemas de conducción. El auto de la derecha dice espacio digital arriba y entrada de red a la derecha con una flecha apuntando hacia él. El cuadro a continuación dice Módulos. Hay un ícono de computadora con cerebro llamado Capa cognitiva perceptiva entre los dos cuadros y que apunta a este cuadro de Módulos. Los cuatro íconos se repiten en este cuadro con la adición de un quinto ícono que representa dos engranajes y flechas que completan un circuito entre ellos. a la derecha hay un icono de una persona con una flecha que apunta hacia el cuadro Módulos denominado Ciberseguridad PYME.
Centro superior: capa de detección e ícono de señal rodeados por dos flechas que apuntan hacia adentro. Ícono de chat y capa de comentarios rodeada por dos flechas que apuntan hacia afuera. A la izquierda hay un vehículo real y a la derecha un vehículo dibujado. Están apuntando hacia adentro. Arriba del vehículo izquierdo está el espacio físico y la entrada física está a la izquierda con una flecha apuntando al vehículo. Debajo de este auto hay una caja. Sistemas: cuatro íconos, etiquetados En la red del vehículo, Sensores, Red externa y Sistemas de conducción. El auto de la derecha dice espacio digital arriba y entrada de red a la derecha con una flecha apuntando hacia él. El cuadro a continuación dice Módulos. Hay un ícono de computadora con cerebro llamado Capa cognitiva perceptiva entre los dos cuadros y que apunta a este cuadro de Módulos. Los cuatro íconos se repiten en este cuadro con la adición de un quinto ícono que representa dos engranajes y flechas que completan un circuito entre ellos. a la derecha hay un icono de una persona con una flecha que apunta hacia el cuadro Módulos denominado Ciberseguridad PYME.

La formación y la contratación en materia de ciberseguridad es uno de los problemas más apremiantes en el desarrollo de la fuerza laboral en la actualidad. Lo global Institución de Ingeniería y Tecnología ha publicado Ciberseguridad automotriz, una revisión de liderazgo intelectual sobre las perspectivas de riesgo para los vehículos conectados, que explica que nuestra trayectoria hacia vehículos más conectados ha aumentado en gran medida la necesidad de profesionales de la ciberseguridad en la industria automotriz.

Sin embargo, cumplir esos roles tiene un desafío: la curva de aprendizaje. La educación en ciberseguridad tal como se imparte hoy en día puede ser un poco árida y teórica, haciéndola parecer más inaccesible de lo que realmente es, pero no tiene por qué ser así.

En el centro superior, un ícono de nube con nodos que salen tiene la etiqueta Interconexión basada en la nube. Tres cuadros debajo. Izquierda: entrada física, automóvil real, ícono de sensor, ícono de volante e ícono de tracción en las cuatro ruedas. Imagen de la vista del tablero y la etiqueta de Experiencia física. La flecha apunta al cuadro del medio: Gemelos digitales, automóvil fantasma, ícono de circuito de engranajes, ícono de automóvil con nodos e ícono de gráfico, imagen del tablero virtual etiquetado como módulo gemelo. Flecha al cuadro de la derecha con el icono de hacker/experto en ciberseguridad debajo. El cuadro de la derecha tiene la etiqueta AR/VR Gaming Engine: automóvil que parece entre real y digital, tres íconos que representan 360 vr, la imagen muestra y está etiquetada como Experiencia de usuario de VR.
En el centro superior, un ícono de nube con nodos que salen tiene la etiqueta Interconexión basada en la nube. Tres cuadros debajo. Izquierda: entrada física, automóvil real, ícono de sensor, ícono de volante e ícono de tracción en las cuatro ruedas. Imagen de la vista del tablero y la etiqueta de Experiencia física. La flecha apunta al cuadro del medio: Gemelos digitales, automóvil fantasma, ícono de circuito de engranajes, ícono de automóvil con nodos e ícono de gráfico, imagen del tablero virtual etiquetado como módulo gemelo. Flecha al cuadro de la derecha con el icono de hacker/experto en ciberseguridad debajo. El cuadro de la derecha tiene la etiqueta AR/VR Gaming Engine: automóvil que parece entre real y digital, tres íconos que representan 360 vr, la imagen muestra y está etiquetada como Experiencia de usuario de VR.
En el centro superior, un ícono de nube con nodos que salen tiene la etiqueta Interconexión basada en la nube. Tres cuadros debajo. Izquierda: entrada física, automóvil real, ícono de sensor, ícono de volante e ícono de tracción en las cuatro ruedas. Imagen de la vista del tablero y la etiqueta de Experiencia física. La flecha apunta al cuadro del medio: Gemelos digitales, automóvil fantasma, ícono de circuito de engranajes, ícono de automóvil con nodos e ícono de gráfico, imagen del tablero virtual etiquetado como módulo gemelo. Flecha al cuadro de la derecha con el icono de hacker/experto en ciberseguridad debajo. El cuadro de la derecha tiene la etiqueta AR/VR Gaming Engine: automóvil que parece entre real y digital, tres íconos que representan 360 vr, la imagen muestra y está etiquetada como Experiencia de usuario de VR.

Nuestro grupo de investigación está desarrollando diversas herramientas como 'gemelos digitales' virtuales y un sistema visual de preguntas y respuestas para enseñar la complejidad de temas interdisciplinares como la ciberseguridad en el automóvil. Este proceso permitirá a los estudiantes tener una experiencia de realidad virtual de las formas complejas en que los sensores de IoT, los sistemas de conducción y las redes de sistemas y software dentro y fuera del vehículo interactúan en un vehículo físico.

En resumen, utilizando la lógica neurosimbólica, la inteligencia artificial y el aula invertida, estamos trabajando para rediseñar las clases desde cero, comenzando con una nueva oferta en ciberseguridad automotriz. La clase incluirá ejercicios prácticos sobre el gemelo digital de un sistema de automóvil real y también ofrecerá asistencia las 24 horas del día, los 7 días de la semana con un chatbot basado en un modelo de lenguaje grande como chatGPT.