Debido a la creciente demanda de procesamiento paralelo de datos, han aparecido diferentes aceleradores (GPUs o FPGAs) para suplir dicha tarea. Sin embargo, muchos son los paradigmas y lenguajes presentes en el mercado para programar estos componentes, muchas veces dependientes del fabricante (CUDA) u incompatibles con otro tipo de dispositivo. SYCL se presenta como una alternativa a mantener diferentes códigos para diferentes aceleradores. Su filosofía radica en programar una vez y ejecutar el código en los aceleradores que queramos. Esta presentación se centrará en presentar SYCL, y comparar sus prestaciones con otras alternativas como CUDA u OpenMP.

Resumen de la presentación: Gracias a los avances tecnológicos actuales, los videojuegos serios han demostrado ser herramientas eficaces para complementar la educación formal o escolarizada, siempre que cuenten con bases sólidas y una investigación previa que justifique su creación y aplicación. Por otro lado, en muchos lugares del mundo, y especialmente en Latinoamérica las actitudes sexistas y los estereotipos de género provocan situaciones de violencia y desigualdad, especialmente contra las mujeres. Para abordar estos problemas desde sus etapas más tempranas, se está trabajando en un videojuego serio de toma de decisiones, orientado a niñas y niños en edad escolar (8 a 12 años). El juego “Kiddo” funcionará como una herramienta de apoyo dentro del aula de clases y permitirá abrir la discusión acerca de las problemáticas y estereotipos sexistas. Kiddo permite recopilar trazas (game analytics) de las interacciones de los usuarios con el juego, para posteriormente medir las actitudes sexistas que pudieran o no tener los jugadores antes y después de la aplicación de Kiddo.

Encontrar una plaza de aparcamiento libre hoy en día es un problema recurrente en los aparcamientos públicos cada vez más concurridos. Con esta premisa, nuestro sistema busca ofrecer una solución basada en el análisis de imágenes cenitales que, mediante visión artificial y aprendizaje automático, sea capaz de analizar de forma automática tanto las plazas disponibles en un parking como su ocupación en tiempo real. 

Para ello, en una primera fase, el sistema detecta semiautomáticamente las plazas de aparcamiento mediante visión por computador para generar un mapa computacional del mismo. Una vez mapeado el tamaño y ubicación de las plazas de aparcamiento, el sistema es capaz de detectar no solo la presencia de un vehículo en una plaza de aparcamiento, sino también la superficie de la plaza de aparcamiento ocupada por el mismo utilizando Redes Neuronales Convolucionales basadas en Regiones (R-CNN). Gracias a ello, el sistema es capaz de determinar el espacio de estacionamiento apropiado para un nuevo vehículo que ingresa al estacionamiento en función de sus dimensiones específicas y la ocupación del espacio.

En esta presentación se mostrará el trabajo realizado junto a los resultados y conclusiones obtenidas.

El sesgo de los datos es uno de los factores más críticos en los problemas de aprendizaje automático, ya que puede provocar confusión en los modelos e influir en su precisión. Una de las fuentes de sesgo en los conjuntos de datos del mundo real es la distribución desequilibrada de las clases, es decir, una clase mayoritaria con un gran porcentaje de muestras y una clase minoritaria, la que debe identificarse en el problema de clasificación, con un pequeño número de muestras. En esta presentación, desarrollamos un nuevo algoritmo de clasificación para conjuntos de datos desequilibrados cuyo objetivo es maximizar la precisión de la clase minoritaria sin penalizar la clasificación de la clase mayoritaria. Nuestro algoritmo comprende una nueva técnica de muestreo híbrido que combina técnicas de submuestreo y sobremuestreo para tratar datos desequilibrados y un conjunto de clasificadores entrenados con diferentes subconjuntos del conjunto de datos de entrenamiento. Comparamos el rendimiento de los modelos proporcionados por nuestra técnica frente al rendimiento de 100 combinaciones de diez técnicas diferentes de sobremuestreo y submuestreo con diez algoritmos diferentes de aprendizaje automático, utilizando un conjunto de datos reales de seguros de automóviles proporcionado por una compañía de seguros española. Cada combinación se ha evaluado con una validación cruzada de 40 veces. El análisis estadístico de los resultados muestra que nuestra propuesta tiene significativamente el mejor rendimiento de clasificación en términos de recall de ambas clases, independientemente del clasificador de aprendizaje automático utilizado en el modelo de conjunto.