REPTE 1 Com comparar les prestacions de cotxes diferents des de la perspectiva de l’usuari?

La digitalització és un tema del qual cap indústria no pot escapar-se. Els canvis a la societat i la creixent competència als sectors d’automoció i mobilitat qüestionen la manera com les empreses operen i es relacionen amb els seus clients. Les noves tecnologies, com ara la connectivitat i la intel·ligència artificial, s’estan utilitzant en la concepció de nous productes, però també estan destinades a tenir un paper important en la definició dels processos i les operacions diàries. IDIADA, com a partner de desenvolupament a nivell mundial, ha reunit l’experiència necessària per acompanyar els clients en el camí cap a l’èxit de la transformació digital i l’explotació de la tecnologia.

Situació actual

Actualment les prestacions del cotxe s’avaluen des d’un punt de vista objectiu mitjançant proves estàndard realitzades a centres especialitzats.

Problemàtica

Actualment no es pot comparar d’una manera objectiva la valoració subjectiva d’aquestes prestacions per part dels usuaris d’aquests vehicles. La informació existeix però està esbiaixada, condicionada, distribuïda, no ordenada, etc.

Repte

Es tractaria d’aplicar tecnologies com el Naturalistic Language Processing o altres tècniques de Machine Learning per cercar les dades que recullen les xarxes socials o els fòrums d’opinió i, així, mitjançant tècniques de verificació i ponderació, poder definir una comparativa de les prestacions dels diferents vehicles dels diferents segments.

REPTE 2 Com podem aprofitar les dades obertes del satèl·lits i la intel·ligència artificial per dissenyar les estratègies de gestió de l’aigua del futur

Cetaqua es un centre tecnològic de l’aigua. Té un model únic de col·laboració public privada que anticipa les necessitats de la societat i proposa noves solucions de R+D+I per assegurar la sostenibilitat i l’eficiència del cicle de l’aigua. El centre de Barcelona ofereix solucions per incrementar la resiliència davant del canvi climàtic, mitjançant l’aplicació de models d’economia circular, i prenent la digitalització com a eix transversal.

Situació actual

El context actual d’emergència climàtica ha convertit la gestió eficient de l’aigua en una activitat crítica pel desenvolupament sostenible a nivell global. El canvi climàtic ha invalidat una gran part del supòsits, els criteris i els models físics que s’han fet servir tradicionalment per la gestió de recursos hídrics. Cal, per tant, construir noves eines que permetin capturar les dinàmiques complexes i canviants del canvi climàtic i els seus múltiples impactes, i a partir d’aquí desenvolupar nous models que serveixin per adaptar la gestió de l’aigua a aquest escenari. La informació que proporcionen els nous satèl·lits combinada amb la intel·ligència artificial de darrera generació proporcionen un punt de partida amb un enorme potencial per fer front als reptes de la gestió de l’aigua al segle XXI.

Problemàtica

Sistematitzar l’extracció de coneixement de les dades obertes de satèl·lit, disponibilitat d’infraestructures altament escalables que permetin l’explotació conjunta de dades heterogènies mediambientals, combinació de models físics i models d’intel·ligència artificial

Repte

Construcció de models d’intel·ligència artificial que permetin entendre i predir els patrons de demanda i consum de recursos hídrics

REPTE 3 Deep Learning aplicat a la detecció d’anomalies en un escenari de trànsit urbà

Cubic Fort és una consultora tecnològica especialitzada en oferir solucions avançades en Blockchain, Inteligencia Artificial, desenvolupament de programari i aplicacions a mesura, infraestructura, disseny d’arquitectura per a aplicacions resilients i tolerants a errades, Robotització Automàtica de Processos i Intel·ligència de Negoci. En el sector del transport, especialment pel que fa a la propera indústria del vehicle autònom, el seu pla és entendre les dinàmiques existents que sorgeixen en escenaris de trànsit de vehicles per tal de comprendre com la mobilitat vehicular de diversos vehicles pot afectar-se mútuament.

Repte

Proposen als participants que treballin en el model GNN donat (o qualsevol altre algorisme) per millorar el rendiment del model sota l’escenari actual. Animen als participants a provar qualsevol altre algoritme/enfocament per assolir almenys una puntuació F1 per al conjunt de validació del 80%.

REPTE 4 Optimització dels etiquetatges.

PICVISA és una empresa innovadora de base tecnològica que ofereix solucions basades en robòtica, intel·ligència i visió artificial orientades al mercat nacional i internacional. Dissenya, desenvolupa i produeix equips de selecció i classificació per a materials valoritzables. Els seus equips poden seleccionar i classificar aquests materials per composició, forma i/o color basant-se en el nostre programari. Amb la innovació com a focus, han ampliat la seva oferta desenvolupant nous productes i adaptant-nos a les noves tecnologies.

Situació actual

Un dels desavantatges dels algoritmes de Deep Learning és la necessitat de generar un gran volum de dades etiquetades. En el sector del reciclatge fa temps que treballa amb equips de visió artificial i es poden aconseguir grans volums de dades, però per poder fer servir aquestes, cal etiquetar-les per generar models que millorin les performances dels sistemes actuals. Disposar de datasets amb grans volums de dades i amb un bon detall d’etiquetatge és clau per aconseguir aquesta millora i actualment s’utilitzen empreses que disposen de personal poc qualificat i de baix cost que fan aquests serveis. Tot i que no son del tot econòmics, ni ràpids, ni fiables al 100%.

Problemàtica

Com es podria aconseguir un gran volum de dades per generar o reforçar datasets amb gran quantitats d’objectes etiquetats en el menor temps i despesa possible.

Repte

Obtenir grans quantitats d’imatges amb objectes etiquetats.

REPTE 5 Verificació d’un sistema d’assistència de muntatge de ferratges

Aumenta Solutions ha desenvolupat un sistema d’assistència al muntatge de ferratges de robot per Nissan. El sistema consisteix en la utilització de les ulleres de Realitat Augmentada Hololens de Microsoft per mostrar els hologrames de les peces que ha de muntar l’operari. L’operari munta el ferratge real fent servir com a referència el model del ferratge holographic que visualitza amb les ulleres.

Problema no resolt

Tot i que el projecte es perfectament funcional per al muntatge, es vol es tenir la seguretat que el resultat final és correcte. A dia d’avui no hi ha un sistema que pugui verificar de forma automàtica que el muntatge realitzat es correcte, més enllà del vist i plau de l’operari.

Repte

Solucionar amb IA la verificació que el muntatge es correcte fent servir la comparació d’imatges  entre el muntatge realitzat i el model hologràfic.