Proyectos de Innovación 2021

En el marco de la organización y coordinación académica de los temas relacionados con la Investigación Científica y Tecnológica, la Secretaría de Ciencia y Técnica de la Facultad de Informática de la Universidad Nacional de La Plata es quien impulsa distintos trabajos de Investigación, Desarrollo e Innovación que llevan a cabo alumnos y docentes-investigadores. Estos proyectos se enmarcan en una serie de estrategias tendientes a elevar el nivel académico de los alumnos de nuestro establecimiento durante el proceso de aprendizaje a través de trabajos experimentales junto a docentes-investigadores, quienes también participan de esta experiencia mostrando los últimos avances alcanzados en sus respectivas temáticas.

Para más información del programa https://www.info.unlp.edu.ar/secretarias-ciencia-y-tecnica/

Las propuestas desarrolladas por el LIFIA para el año 2021 serán:

Co-visión: cada visión suma al todo

Docentes guía: Dra. Cecilia Challiol cecilia.challiol@lifia.info.unlp.edu.ar

En los últimos años han cada vez es más común encontrarse con grupo de personas que participan en el diseño o construcción de una solución, idea, producto, etc. Esto abre un abanico de posibilidades a explorar desde las etapas tempranas del diseño hasta que se llega al producto final de software. Para la generación de ideas se pueden utilizar diferentes recursos (lluvia de ideas, brainstorning, etc.) luego se deben acordar cuáles llevar a cabo; para posteriormente dar lugar al desafío de poder generar aplicaciones concretas que relejen estos diseños “tipo papel”.

En este proyecto se exploran diferentes aspectos relacionados con este tipo de diseño. Se espera que los alumnos participantes puedan no solo incorporar habilidades a la hora de desarrollar herramientas de soporte sino también poder incorporar el uso de diferentes recursos complementarios (en particular, usados para el diseño centrado en las personas) los cueles permitan enriquecer su perfil profesional.

IA in action
Docentes guía: Dr. Matías Urbieta matias.urbieta@lifia.info.unlp.edu.ar, Claudia Pons claudia.pons@lifia.info.unlp.edu.ar

La proliferación de plataformas de Inteligencia Artificial ( IA) y Machine Learning (ML) para el
entrenamiento y despliegue de redes neuronales artificiales ha convertido este tipo de
soluciones en un commodity disponible para cualquier uso. En este proyecto vamos a trabajar
en varias líneas de aplicación directa de IA y ML en dominios bien diferentes., tales como:


Identificación de plagas y enfermedades en vegetales: Vamos a continuar con el proyecto de
identificación de plagas y enfermedades en vegetales en donde utilizamos plataformas
abiertas que entrenan una red neuronal que puede correr en un dispositivo móvil sin
conectividad de internet. En esta nueva etapa aumentaremos la cantidad de vegetales
soportadas con lo cual se requerirá profundizar en la problemática de identificar objetos en
imágenes, y además haremos un estudio de usabilidad de la solución en el invernaderos con
operarios.

Building Information Models: En esta línea de trabajo se espera obtener Building Information
Models (BIM) a partir de planos de estructura y arquitectura de construcción. En el 2025,
Argentina adoptará el estándar de BIM para la documentación de construcciones (casas,
edificios, redes de agua, etc) el cual ya ha sido adoptado por otros países (UK, USA, y Francia
entre otros). La adopción del BIM tiene varios beneficios. En primer lugar, dejaremos de
operar con líneas en un lienzo tal como son los planos hoy en dia y se dispondrá de un modelo
con objetos bien definidos y reglas de validación tal como una pared que tendrá grosor y tipo
(maciza o hueca). Por otro lado, una vez que se disponga del BIM será posible razonar y
clasificar soluciones sobre el modelo. Esto es realmente difícil hoy en día con planos que
consisten en líneas.


Identificación de genes asociados a virulencia de Streptococcus pyogenes utilizando técnicas
de Machine Learning sobre secuencias de genoma completo: El objetivo, en esta línea de
trabajo, es hacer uso de las técnicas de Machine Learning para detectar posibles genes de
virulencia de la bacteria Streptococcus pyogenes, aportando el uso de nuevas tecnologías y
herramientas de análisis de datos al Instituto Nacional de Enfermedades Infecciosas (INEI) de
la Administración Nacional de Laboratorios e Institutos de Salud (ANLIS) “Dr Carlos Malbran”.
Para cumplir este objetivo se deberán realizar ciertos pasos, entre ellos, obtener muestras de
secuencias de genomas completos de la bacteria Streptococcus pyogenes de distintas bases de
datos internacionales y así incrementar el número de muestras que se disponen en el INEI,
para luego hacer un procesamiento de los datos determinando qué genes desconocidos son
más prioritarios a ser analizados por el modelo de Machine Learning.
Clasificación de productos en el Banco Alimentario de La Plata utilizando Machine Learning
para reconocimiento de las imágenes: El objetivo general de esta línea de trabajo es el análisis
de la técnica de Transfer Learning en Aprendizaje Automático a través de un caso de estudio,
la Clasificación de Productos para el Banco Alimentario de La Plata
(http://bancoalimentario.org.ar/ ). Particularmente se hará énfasis en algoritmos de
aprendizaje automático, utilizando redes convolucionales para detectar los objetos,
clasificarlos y disponerlos para el consumo de servicios, utilizando un framework open source
como base para entrenar la red de productos, el cual provee modelos pre entrenados para
maximizar la eficacia y reusar el conocimiento.

Descripción de requerimientos de calidad con soporte semántico
Docentes Guía: Leandro Antonelli leandro.antonelli@lifia.info.unlp.edu.ar, Diego Torres diego.torres@lifia.info.unlp.edu.ar, Claudia Pons claudia.pons@lifia.info.unlp.edu.ar

El desarrollo de software es una tarea muy compleja debido a su construcción y a la esencia
del producto que construye. La gestión de la construcción de un producto intangible en el que
participan muchas personas con habilidades muy diferentes presenta muchos desafíos. Más
aún con la globalidad, virtualidad y multiculturalidad de los equipos que se está dando
últimamente. Además, el software es un artefacto muy complejo por naturaleza. Este debe
capturar e implementar conocimiento del dominio donde se aplicará, con el fin de automatizar
ciertos aspectos. Si el software no es riguroso en la implementación de las reglas del negocio,
será inutil.
La ingeniería de requerimientos es un área clave. Es una de las primeras etapas en el ciclo de
vida y es vital el capturar los requerimientos y el conocimiento necesario, ya que el resto del
desarrollo se basa en estos elementos. Por lo cual, lograr una especificación lo más completa y
correcta posible es uno de los objetivos que persigue la disciplina desde los inicios.
Los Escenarios han demostrado ser una herramienta muy flexible para capturar conocimiento
y requerimientos. Por un lado describen situaciones con énfasis en el contexto y el desarrollo
de actividades y tareas del mundo real. Pero a la vez se pueden convertir en Use Cases para
describir requerimientos de una aplicación. Si bien hay distintos formatos de Escenarios, dado
que estos productos deben ser utilizados por expertos del dominio, usuarios y miembros del
equipo de desarrollo, es deseable que no sean complejos y utilicen lenguaje natural.
El lenguaje natural no es la mejor herramienta pensando en rigurosidad, por lo cual, se
necesita de métodos y técnicas para verificar la calidad de los Scenarios, identificar
ambigüedades, omisiones, redundancias, etc. En este marco, un soporte semántico en
particular a través de grafos de conocimiento es una muy buena herramienta para revisar y
mejorar la descripción de los Escenarios.
En este proyecto, se propone construir una herramienta que permita describir Scenarios a
través de expertos, usuarios y desarrolladores. Por otra parte, la herramienta brindará la
posibilidad de analizar las descripciones y realizar críticas y sugerir mejoras. Como así también,
la de inferir / derivar productos. Se analizarán e implementarán técnicas de Inteligencia
Artificial y Machine Learning para incrementar la funcionalidad de esta herramienta.

https://docs.google.com/presentation/d/1RGsrBVZlsIHCaYZSnltl52HYWJGkMtHE3W9BK-b6nQQ/edit?usp=sharing


Mobile UX On-Demand: refactoring para mejorar la experiencia del usuario en la web móvil


Docentes guía: Julián Grigera julian.grigera@lifia.info.unlp.edu.ar, Alejandra Garrido garrido@lifia.info.unlp.edu.ar, Alejandra Lliteras alejandra.lliteras@lifia.info.unlp.edu.ar, Juan Cruz Gardey

En la web móvil abundan los problemas de usabilidad y mala experiencia del usuario, como la
mala disposición de elementos, problemas de zoom, interfaces demasiado pobladas, o la
creciente aparición de pop-ups diseñados de manera invasiva. Si bien existen maneras de
detectar estos problemas, incluso automáticamente, resolverlos en una aplicación productiva
conlleva demoras debido al número de etapas en los ciclos de desarrollo (requerimientos,
programación, testing, etc).
Para poder hacer pruebas rápidas en etapas tardías del desarrollo donde ya no se cuenta con
un prototipo, existe la técnica de refactoring web del lado del cliente (CSWR por sus siglas en
inglés), que permite explorar diferentes cambios en la interfaz sin necesidad de alterar el
código de la aplicación. Dicha técnica ha sido utilizada con éxito en la web desktop. A partir de
la detección de los problemas de interacción que surgen durante el uso de una app, la técnica
permite aplicar cambios “on-demand”, es decir, según los problemas que los usuarios
experimentan.
La idea del proyecto es desarrollar una plataforma para aplicar estos refactorings o
transformaciones sobre las apps de la web móvil, y programar un número de estas
transformaciones como prueba de concepto.

https://www.dropbox.com/s/ru7gu834iro6qgm/Presentation1.pptx?dl=0