Proyecto IVVES

Fuente: IVVES

Objetivo del proyecto

Desarrollar enfoques de Inteligencia Artificial para una Verificación y Validación (V&V) robusta e integral de grado industrial de "IA integrada", es decir, de aprendizaje automático para el control de sistemas en evolución complejos y de misión crítica, cubriendo los principales sectores industriales de Europa.

Tareas generales del proyecto

WP1 - Uses Cases
Estudio de los casos de usos a utilizar para la validación de los diferentes enfoques de verificación y validación

WP2 - Validation Techniques for ML
Estudio del estado del arte y desarrollo de métodos de verificación y validación sobre aplicativos ML

WP3 - Validation Techniques for Complex Evolving Systems
Estudio del estado del arte y desarrollo de métodos de verificación y validación sobre aplicativos de IA que sean evolutivos

WP4 - Data-Driven Engineering
Estudio del estado del arte y desarrollo de métodos de verificación y validación cuya principal herramienta sea el uso o manejo de datos

WP5 - Framework & Methodology
Tareas para la generación de una plataforma común para el uso y explotación de las herramientas generadas dentro del proyecto

WP6 - Dissemination, Exploitation & Standardization
Plan de explotación y difusión de los resultados del proyecto

WP7 - Project Management
Tareas para la gestión común del proyecto, así como para la generación de toda la documentación de proyecto necesaria

Tareas desarrolladas por Keyland SdG

WP2 - Tarea 2.1 Calidad del modelo
Estudiamosdiferentes frameworks de eXplicabilidad de la IA (XAI). Finalmente se aplicó Local Interpretable Model-agnostic Explanations (LIME), que permite explicar el por qué un modelo genera una predicción utilizando la metáfora de la caja negra..

WP2 - Tarea 2.2 Calidad de los datos de entrenamiento
Realizamos un análisis del estado del arte sobre métodos y técnicas para evaluar y catalogar de forma dinámica la calidad de los datasets. De entre las referencias analizadas, implementamos la propuesta por ”Data Validation for ML”, artículo de E.Breck, N.Polyzotis, S.Roy, S.Euijong Whang y M.Zinkevich, que consiste en tres componentes principales, un Analizador de Datos , un Validador de Datos y un Componente de Testing de Modelo.

WP2 - Tarea 2.3 Técnicas de prueba para ML
Estudiamostécnicas para el uso industrial, tales como pruebas metamórficas, aprendizaje automático antagónico o validación de sesgos y equidad. Para ello, usamosel Adversarial Testing, técnica de aprendizaje automático que intenta engañar a los modelos para probar la robustez del sistema

WP3 - Tarea 3.1 Pruebas controladas por ML
Hicimos un análisis del estado del arte de técnicas de pruebas basadas en ML aplicables al contexto industrial, teniendo en cuenta los escenarios y casos de uso identificados en el proyecto, con un mayor enfoque en Industria 4.0Además, implementamos un módulo de monitorización y diagnóstico, con el que escaneamos el sistema para buscar posibles disfuncionamientos.

WP3 - Tarea 3.3 Pruebas y monitoreo en línea (Online Testing)
Desarrollamos una serie de métodos y herramientas para las pruebas en línea de los sistemas en evolución.. en la automatización del proceso de prueba, logramos pruebas continúas a través de técnicas de monitorización y de ML para la inferencia de modelos. Diseñamos a posteriori un modelo de identificación de anomalías basado en KDTree, Isolation Forest y Extended Isolation Forest.

WP4 - Tarea 4.2 Reconocimiento de patrones de mantenimiento predictivo y análisis de fallos
Hicimos uso de técnicas estadísticas basadas en aprendizaje automático para el análisis de los datos recopilados, la detección y construcción de patrones y la inferencia del modelo para los comportamientos y problemas comunes del sistema. Mejoramos la aportación del autocodificador disperso, y lo integramos con el módulo de monitorización, el de validación y las redes de generación adversarial, para poder hacer un sistema de predicción de la información.

WP4 - Tarea 4.3 Análisis de datos en ingeniería y operación
Esta tarea se ocupó del desarrollo basado en IA de sistemas en evolución y para ello, el consorcio desarrolló métodos y técnicas generales, pautas y servicios básicos. El enfoque principal fue apoyar el desarrollo de sistemas con menos fallas mejorando sus atributos de calidad, disponibilidad y confiabilidad. En este contexto, nos centramos en la integración del concepto, componentes y alcance de IVVES basándonos en CRISP-ML, modelo de proceso para el desarrollo del aprendizaje automático.

Resultados obtenidos

  • Resultados obtenidos en el proyecto
  • Web pública conjunta con los avances conseguidos a disposición del público general (https://learn.ivves.eu/) donde se accede a los desarrollos del proyecto para poder probarlos e incluso implementarlos en sistemas locales.
  • Resultados obtenidos por Keyland SdG
  • Investigación sobre los últimos avances respecto a temas de verificación y validación de sistemas inteligentes
  • Sistema de validación y verificación de modelos de inteligencia agnóstica, que puede ser exportable a múltiples modelos de IA y que aumenta la robustez y fiabilidad del modelo a través del análisis de los datos, tanto entrantes como resultantes.
  • Entidad financiadora: CDTi / ITEA3
  • Presupuesto del proyecto: 23.185.000€
  • Fecha de inicio: 01/10/2019
  • Fecha de finalización: 01/12/2022

¿Quiénes componen el consorcio?

Los miembros del consorcio participantes en el proyecto están agrupados por países:

Canadá

  • Centre de Recherche Informatique de Montréal.
  • RHEA Technologies Lab Inc.

Finlandia

  • Futurice.
  • Philips Finlandia.
  • Solita.
  • Techila Technologies.
  • University of Helsinki.
  • VTT Technical Research Centre of Finland.
  • F-Secure.
  • Headai.

Países Bajos

  • ING Groep N.V.
  • InnSpire.
  • Marviq.
  • Philips Electronics Nederland BV.
  • Praegus.
  • Sogeti.
  • Open University of The Netherlands.

España

  • NETCheck.
  • Concatel.

Suecia

  • ABB.
  • Addiva.
  • ALSTOM Rail Sweeden (Bombardier).
  • Ekkono Solutions.
  • Prover Technology.
  • RISE – Research Institutes of Sweden.
Fondo Europeo de Desarrollo Regional

Fondo Europeo de Desarrollo Regional (FEDER)

“Una manera de hacer Europa”

CDTI

¿Te ha gustado? puedes compartir este contenido en: