Proyectos

El sector de los seguros de automóviles depende de la rentabilidad derivada de las primas de seguros. Eso significa que las primas deben cubrir el coste de los siniestros, más los gastos generales de una compañía de seguros, más el beneficio esperado. Calcular las primas adecuadas es crucial para la supervivencia de las compañías, una responsabilidad tradicionalmente asignada a los actuarios.

Estos profesionales suelen emplear modelos lineales generalizados para estimar las primas en función de las características del usuario y del vehículo, utilizando parámetros interpretables de forma multiplicativa o aditiva para evaluar las pérdidas cubiertas y los gastos asociados, que vienen determinados por la frecuencia y gravedad de los siniestros. A pesar de la disponibilidad de tecnologías avanzadas de almacenamiento y tratamiento de datos, el sector de los seguros sólo ha empezado recientemente a integrar técnicas de Inteligencia Artificial (IA) en el cálculo de las primas, normalmente mediante algoritmos clásicos de aprendizaje automático. A menudo, la tarificación de los seguros se basa únicamente en el análisis estadístico de dos variables: la probabilidad de un imprevisto y el coste medio de resolución.

Aunque la IA está introduciendo sistemas automatizados de previsión de regresiones y generación de alertas en otros sectores, todo su potencial en la configuración de los procesos de seguros sigue prácticamente sin explotar. El objetivo principal del proyecto es desarrollar un Sistema Automático de Cálculo de Primas (APCS) que incluya una herramienta de optimización para la selección de carteras. El APCS se guiará por un conjunto de algoritmos de aprendizaje automático que calculan un conjunto de KPI para cada cliente. El sistema estará culminado por una herramienta de optimización de la cartera mediante una definición óptima de los escenarios de tarificación.

Para ello, definiremos un conjunto de reglas que se optimizarán mediante computación evolutiva, concretamente mediante evolución gramatical. El resultado será una propuesta de precios adaptada a los diferentes grupos de clientes detectados por algoritmos de aprendizaje automático. Como resultado, INSPIRE, proporcionará la prima óptima para la cartera de clientes de las compañías de seguros. Proporcionaremos a las compañías de seguros y a nuestros clientes una ventaja competitiva a través de herramientas automáticas de IA para analizar, categorizar y optimizar las decisiones sobre sus carteras de clientes. Estas herramientas combinarán los avances más recientes en algoritmos de IA con la incorporación de fuentes de datos externas, cálculos alternativos de factores de riesgo y el estudio de patrones para identificar variables que mejoren la fijación de precios, la rentabilidad y otros factores de negocio. También utilizaremos plataformas de hardware de última generación que potencien el cálculo de todas estas métricas para una millonaria base de clientes.

Para resolver las dificultades de conjuntos de datos muy desequilibrados como los de los seguros, se diseñarán algoritmos propios de detección de riesgos y se utilizarán técnicas de aumento de datos basadas en IA generativa para aumentar la calidad del conjunto de datos. Aictuari ha desarrollado un marco de IA capaz de identificar, con una precisión del 91,35%, aquellos clientes que causarán un siniestro y, con una precisión del 93,91%, los clientes que generan más ingresos que el coste de los siniestros, es decir, que son rentables. Además, nuestra herramienta también puede optimizar la frecuencia siniestral de la cartera (el número de siniestros cubiertos por las pólizas de seguros durante un periodo de tiempo determinado). INSPIRE propone ir varios pasos por delante para completar el APCS.

AIHEAL-E se enmarca en la convocatoria de generación de conocimiento dentro de la prioridad temática ‘Salud’, alineándose con la estrategia de salud digital e inteligencia artificial aplicada a la salud. La propuesta desarrolla una arquitectura modular para gemelos digitales aplicados a la salud en plataformas hardware de bajo consumo energético. La creciente demanda de soluciones en salud digital requiere tecnologías eficientes, capaces de modelar procesos fisiológicos con alta precisión, y su aplicación a gran escala exige que estos modelos se ejecuten sobre infraestructuras de cálculo energéticamente eficientes.

Este proyecto combina modelos de IA implementados en gemelos digitales con infraestructuras de cálculo basadas en hardware acelerador de IA para mejorar la medicina personalizada y preventiva. Los gemelos digitales son especialmente útiles en medicina preventiva ya que, permiten identificar factores de riesgo y diseñar estrategias para retrasar o prevenir la aparición de enfermedades, optimizando los recursos al reducir tratamientos innecesarios. Los gemelos digitales también fomentan la investigación personalizada, ya que al integrar simulaciones basadas en datos permiten adaptar las intervenciones a las necesidades únicas de cada paciente, desplazando el modelo de atención sanitaria hacia un enfoque más eficiente y centrado en el individuo.

AIHEAL-E se alinea con iniciativas nacionales y europeas sobre IA sostenible, abordando la necesidad de reducir el consumo energético en modelos de IA avanzados. El proyecto plantea que modelos de IA bioinspirados optimizados para hardware de bajo consumo mejoraran la precisión y eficiencia de la predicción en salud reduciendo significativamente la huella energética en la ejecución de los modelos. para lograrlo, se propone el desarrollo de un sistema hibrido basado en computación en la nube sobre hardware acelerador de IA para generar y entrenar modelos predictivos personalizados de precisión de distintas patologías y el despliegue en el borde de sus correspondientes motores de inferencia que funcionen con datos en tiempo real proporcionados por sensores no-invasivos portados por la persona. el sistema se estructura en los siguientes componentes (1) creación de poblaciones de gemelos digitales que mejoraran la personalización del tratamiento y reducirán la necesidad de ensayos clínicos, (2) uso de modelos de IA bioinspirados que facilitaran representaciones más eficientes e interpretables que los algoritmos convencionales, (3) generación y entrenamiento de modelos predictivos personalizados en la nube mediante síntesis de alto nivel y hardware acelerador de IA, optimizando el consumo energético en la fase de aprendizaje sin afectar la precisión del modelo y (4) despliegue de los motores de inferencia usando computación en el borde sobre hardware especializado de bajo consumo con el objetivo de conseguir una medicina personalizada de precisión.

Durante los últimos 12 años, el grupo de investigación ABSYS ha desarrollado sistemas para mejorar la calidad de vida de las personas con diabetes, con resultados importantes en publicaciones, aplicaciones reales, prototipos tecnológicos, patentes y la creación de la etcu ‘Bioinspired Intelligence S.L’ para la comercialización de los resultados. Este bagaje nos permite continuar avanzando en la investigación aplicada, consolidando propuestas reales dentro de esta línea de trabajo. AIHEAL-E representa una evolución natural de estos esfuerzos.

La diabetes mellitus es una enfermedad crónica que se caracteriza por la elevación de la glucosa en sangre debido a un defecto, o en la producción, o en la acción, de la insulina y que afecta a más de 470 millones de personas en el mundo. Las personas con diabetes necesitan, de por vida, tanto medir y controlar su glucemia como, en algunos casos, inyectarse insulina subcutánea. En la práctica clínica habitual, la glucemia se puede medir mediante monitores continuos de glucosa y la insulina se inyecta manualmente o mediante un infusor subcutáneo continuo (o bomba) de insulina. Calcular la cantidad de insulina a inyectar es complejo, ya que depende de muchos factores, algunos difíciles de conocer o de evaluar. Una mala decisión hará que los valores de glucosa permanezcan, o se sitúen, en valores que son perjudiciales para la salud. Por ello, para un control glucémico autónomo son necesarios modelos predictivos que hagan estimaciones de la evolución futura de la glucemia y poder así tomar las decisiones más apropiadas para la salud de la persona con diabetes. Con esta información, un algoritmo de control, o la propia persona ayudada por algoritmos, podrá determinar más acertadamente la dosis de insulina a suministrar ya sea mediante una bomba de insulina o mediante una inyección subcutánea.

La solución integra sensores biomédicos, redes neuronales implementadas sobre FPGA y aplicaciones móviles inteligentes capaces de generar recomendaciones personalizadas para optimizar la administración de insulina.

Este proyecto se plantea como una continuación del proyecto "Sistema adaptativo bioinspirado para el control glucémico basado en sensores y accesorios inteligentes"-HERACLES-II (rti-2018-095180-b-i00), continuación del proyecto HERACLES (tin-2014-54806-r). En estos proyectos se han desarrollado un conjunto de tecnicas que permiten una mejora en la toma de decisiones de control glucémico de las personas con diabetes, profundizando en el conocimiento de las dinámicas glucorreguladoras. Se han cumplido los dos objetivos: (i) incorporar a los modelos información proporcionada por dispositivos inteligentes para obtener una estimación de concentración de glucosa en sangre más precisa y ser capaces de realizar una predicción más exacta de su evolución durante periodos de tiempo superiores a las 2 horas, y (ii) diseñar un prototipo en hardware de una red neuronal capaz de procesar la información para generar, en tiempo real, la estimación y la predicción. Además se ha realizado una aplicación móvil que permite comunicarse con los modelos.

El objetivo principal de este proyecto es desarrollar un sistema wearable de inteligencia artificial, potencialmente comercializable; para mejorar la toma de decisiones de las personas con diabetes. El proyecto desarrollara una aplicación móvil, sobre la base de los resultados obtenidos y publicados en el proyecto matriz, que proporcione predicciones y recomendaciones basadas en inteligencia artificial. El sistema tendrá dos variantes adaptadas a las necesidades de coste, computación y recursos del usuario. La primera opción es utilizar los procesadores especializados en inteligencia artificial, disponibles en los teléfonos móviles y tablets de última generación. Para ello se implementaran en la aplicación los algoritmos ya testeados, pudiéndose personalizar en función de las características del paciente. Además, fabricaremos un predictor de glucosa para la toma de decisiones, implementado sobre una FPGA las redes neuronales obtenidas en (II), de precio inferior a los 10€, conectando FPGA y aplicación como alternativa de bajo coste y bajo consumo al que las personas con diabetes con menos recursos puedan acceder.

La diabetes mellitus es una enfermedad metabólica crónica que provoca una elevación de los valores de la glucosa en sangre fuera del rango de valores saludables, bien por encima de ese rango (hiperglucemia) o por debajo (hipoglucemia). La hiperglucemia mantenida produce daño celular en múltiples órganos por lo que pueden aparecer complicaciones crónicas en el individuo y en casos extremos, cetoacidosis diabética que puede derivar en la muerte. Por otra parte, el tratamiento con dosis inadecuadas de análogos de insulina puede dar lugar a una concentración de glucosa baja que también puede provocar, en casos extremos, la muerte.

El presente proyecto se centra en la DMT1 (aunque no excluye a personas con DMT2 que sean insulinodependientes), que representa aproximadamente el 10% de las personas con diabetes en el mundo, presenta las mayores dificultades para un control glucémico óptimo, y en la que el tratamiento con insulina se torna más complejo. Un elemento clave en la terapia de una persona con diabetes es el control de la concentración de glucosa en sangre. Para lograrlo es de gran utilidad conocer con antelación la glucemia que va a tener en un futuro. Esta depende de factores muy complejos que están íntimamente ligados no solo a la fisiología del paciente sino también a sus hábitos de vida. Una forma efectiva de prestar un servicio médico de precisión a estos enfermos seria incorporando información personalizada en todas las fases del estudio e implementación del predictor de glucemia. Encontrar la técnica que mejor predice seria de vital importancia para que el predictor fuera operativo.

Por otro, el entrenamiento de los modelos de predicción debería estar personalizado para cada paciente mediante el uso de los datos que este proporciona al sistema. Durante los últimos siete años, en el grupo ABSYS, hemos estado trabajando en sistemas que mejoren la calidad de vida de las personas con diabetes, con resultados importantes en publicaciones, aplicaciones reales, prototipos y patentes. Pretendemos aprovechar todo este bagaje para continuar avanzando en propuestas reales dentro de esta línea de investigación. El proyecto propone el desarrollo de un sistema para generar modelos predictivos personalizados de precisión de la glucemia de la persona con dmt1 y sus correspondientes motores de inferencia usando datos en tiempo real proporcionados por sensores no-invasivos portados por la persona con diabetes. Este sistema combinara (1) por un lado, el desarrollo e integración de nuevos modelos predictivos de IA sobre infraestructuras de cálculo, (2) el entrenamiento de los modelos sobre sistemas aceleradores especializados ubicados en esas infraestructuras y (3) la inferencia de las predicciones sobre modelos implementados en sistemas empotrados que portara el sujeto con el objetivo de conseguir una medicina personalizada de precisión en el tratamiento de la diabetes.

El proyecto generara aportaciones en dos sublíneas de la estrategia española de ciencia, tecnología e innovación. En la sublínea IA, con la propuesta de un entorno que combina un sistema automático para la inducción de modelos de IA predictivos personalizados y de precisión de la glucemia, hardware de aceleración y un sistema de IA empotrada portable. En la sublínea de medicina de precisión, se profundizara en el conocimiento de la influencia que tienen las variables medidas por los sensores en la glucemia: conocimiento que ayudara al médico en su práctica clínica.

El objetivo principal del proyecto de tesis doctoral es diseñar una herramienta de ánalisis de datos, predicción de riesgo y cálculo de la prima en seguros. Esta herramienta debe enriquecer el cálculo de la Prima Pura con nuevas de fuentes de datos externas, para el estudio de patrones que permitan identificar variables que mejoren el precio, rentabilidad y otros factores comerciales, y posteriormente construir un producto basado en inteligencia artificial que permita que las aseguradoras que lo implementen tengan una ventaja competitiva respecto a sus competidores. Se estudiarán y propondrán distintas técnicas de inteligencia artificial, machine learning y computación evolutiva. Se realizarán implementaciones eficientes sobre tarjetas gráficas y tarjetas aceleradoras de IA de base FPGA y se estudiará su posible migración a hardware adaptativo y reconfigurable en aquellos algoritmos que ası́ lo precisen

• Modelos de IA y Nuevos Datos: La herramienta enriquecerá los modelos tradicionales integrando fuentes de datos externas. Mediante técnicas de Machine Learning y computación evolutiva, se buscarán patrones ocultos para identificar nuevas variables que mejoren la fijación de precios, la rentabilidad y las estrategias comerciales.
• Aceleración por Hardware Eficiente: Para procesar estos grandes volúmenes de datos en tiempo real, los algoritmos se implementarán de forma eficiente utilizando tarjetas gráficas (GPUs) y tarjetas aceleradoras de IA basadas en FPGAs. Además, se estudiará la migración de los algoritmos más complejos a hardware adaptativo y reconfigurable.

El objetivo principal del proyecto es enriquecer el cálculo de la Prima Pura con multitud de fuentes de datos externas, para el estudio de patrones que permitan identificar variables que mejoren el precio, rentabilidad y otros factores comerciales, proponiendo una ventaja competitiva , y posteriormente construir un producto basado en inteligencia artificial que permita que las aseguradoras que lo implementen tengan una ventaja competitiva respecto a sus competidores. Se estudiarán y propondrán distintas técnicas de inteligencia artificial, machine learning y computación evolutiva. Se realizarán implementaciones eficientes sobre tarjetas gráficas y se realizará su posible migración a hardware adaptativo y reconfigurable en aquellos algoritmos que ası́ lo precisen. Trabajaremos en el sector del seguro de automóviles.

La diabetes mellitus tipo 1 es una enfermedad crónica que se caracteriza por la elevación de la glucosa en sangre debido a una defecto en la producción de insulina y que solo en España afecta a más de 600 mil personas. Los pacientes con esta enfermedad necesitan, de por vida, tanto medir su glucemia como inyectarse insulina subcutánea. En la práctica clínica habitual, la glucemia se puede medir mediante monitores continuos de glucosa y la insulina se inyecta ya sea manualmente o mediante un infusor subcutáneo continuo o bomba de insulina.

Por otro lado, para un control glucémico completamente autónomo sería necesario un modelo predictivo que hiciera estimaciones de la evolución futura de la glucemia. con esta información, un algoritmo de control determinaría la dosis de insulina a suministrar mediante la bomba de insulina. A día de hoy, pese a los avances producidos, podemos afirmar que la estimación y predicción de la glucosa en sangre sigue siendo un problema abierto. Por ejemplo, los modelos basados en datos que se utilizan en la actualidad para predecir los valores futuros de la glucosa hacen uso de un subconjunto de las magnitudes que la afectan. Hoy en día existen dispositivos inteligentes dotados de biosensores capaces de proporcionar información fisiológica en tiempo real y por tanto, se abre un nuevo camino para incorporar otras variables a los modelos. Así mismo, los filtros usados para estimar y predecir la glucosa en sangre usan esos modelos, sin aprovechar la abundancia de datos fisiológicos que proporcionan los dispositivos inteligentes.

Por ultimo hay una necesidad de dispositivos electrónicos capaces de incorporar toda esta información, proporcionando en tiempo real un valor estimado de la glucosa en sangre más exacto. En este trabajo continuamos la investigación realizada en el proyecto tin-2014-54806-r, en el que se han producido importantes resultados que confirman sus hipótesis de partida. Proponemos, por un lado, extender la metodología para incorporar a los modelos información proporcionada por dispositivos inteligentes para obtener una estimación y una predicción más exacta de la evolución de la concentración de la glucosa en sangre. Por otro lado, construyendo sobre los resultados de filtros obtenidos en el mencionado proyecto, un prototipo en hardware de un dispositivo inteligente. Este dispositivo debe integrar, en tiempo real, tanto la información suministrada por los biosensores como la información de los modelos a fin de generar la estimación y predicción de glucosa. Al finalizar el proyecto, por un lado, habremos completado el diseño de un circuito integrado de un filtro bayesiano que emplee modelos basados en los datos proporcionados por los biosensores de dispositivos inteligentes. Este debe tener unas características físicas (tamaño, rendimiento y consumo de energía) que permitan su funcionamiento ininterrumpido y autónomo, al menos durante un periodo de tiempo equiparable al de los dispositivos inteligentes.

Por otro lado, tendremos implementadas un conjunto de herramientas software que basándose en algoritmos evolutivos y los resultados del proyecto tin-2014-54806-r generen modelos predictivos del comportamiento de la glucosa. Los valores de entrada serán proporcionados por sensores biométricos que en tiempo real serán enviados a los modelos del sistema recomendado de pautas insulínicas, o incluso al algoritmo de control encargado generar la actuación de la bomba de insulina en una eventual integración.

La red HEUR se creó en el año 2002 financiado por los primeros proyectos de redes del ministerio español. Su objetivo es el desarrollo de los métodos heurísticos de optimización, que permiten resolver problemas tanto en el entorno académico como en la aplicación industrial. En esta solicitud proponemos la financiación de unas actividades concretas que permitan potenciar y cohesionar los 10 nodos de la red, de modo que aumente su productividad científica y su transferencia de tecnología. La diversidad de metodologías heurísticas y de áreas de conocimiento implicadas, hacen especialmente útil el instrumento de las redes temáticas en el contexto de la optimización heurística. Especial mención merecen los importantes contactos internacionales de sus componentes que permiten anticipar un impacto internacional significativo de las acciones a desarrollar.

En concreto, en esta solicitud planteamos la financiación de las cinco actividades siguientes:

1. Celebración de una reunión anual.
2. Celebración de un seminario o escuela de formación anual.
3. Edición de un material conjunto para impulsar la proyección tecnológica de la red.
4. Activación de la web de la red.
5. Visitas entre grupos

El objetivo principal de la red es doble, por un lado consiste en crear un espacio común de investigación, desarrollo y formación que permita la interacción de los grupos, para maximizar sus capacidades. Por otro lado, la red proporcionara apoyo de consultoría en el entorno empresarial que se enfrenta a numerosos problemas de optimización en sus operaciones logísticas y de producción.

La diabetes mellitus tipo 1 es una enfermedad crónica que se caracteriza por la elevación de la glucosa en sangre debido a una falta de insulina y que solo en España afecta a más de 600 mil personas. Los pacientes con esta enfermedad necesitan, de por vida, tanto medir su glucemia como inyectarse insulina subcutánea. En la práctica clínica habitual, la glucemia se puede medir mediante monitores continuos de glucosa y la insulina se inyecta ya sea manualmente o mediante un infuso subcutáneo continuo o bomba de insulina. Por otro lado, para un control glucémico completamente autónomo sería necesario un modelo predictivo que hiciera estimaciones de la evolución futura de la glucemia. Con esta información, un algoritmo de control determinaría la dosis de insulina a suministrar mediante la bomba de insulina.

Los monitores continuos de glucosa tienen problemas relacionados con la degeneración de sus sensores, la necesidad de calibraciones frecuentes (en la mayoría de los medidores) y la falta de adaptación a las características particulares de los pacientes. Por otro lado los modelos predictivos solo tienen en cuenta mediciones realizadas bajo situaciones de pacientes controlados, que en la mayoría de los casos no reflejan ni la vida real ni las características de los pacientes, además de tener limitados los parámetros de entrada al modelo.

En este trabajo proponemos el uso de sistemas adaptativos y bioinspirados para mejorar el control glucémico con bombas de insulina y monitores continuos de glucosa de los pacientes con diabetes mellitus tipo 1. En el caso del monitor de glucosa vamos a abordar los problemas de la señal generada por el sensor, sin entrar a estudiar, modificar o cambiar el tipo de sensor. Así, empleando hardware evolutivo diseñaremos filtros digitales adaptativos que procesaran en tiempo real los datos generados por el sensor dando lugar a medidas más fiables y precisas. Por otro lado vamos a utilizar las gramáticas evolutivas para obtener modelos predictivos más fiables e individualizados del sistema glucoregulador, eliminando restricciones tales como la linealidad o la limitación en los parámetros de entrada.

A la finalización del proyecto esperamos tener resueltos los dos problemas mencionados. Por un lado, tendremos una familia de filtros digitales evolutivos capaces de adaptarse en tiempo real a las características variables del paciente y del sensor. Estos filtros estarán integrados junto con el sensor dentro del monitor de glucosa y además de dar medidas precisas y fiables de la glucemia deben ser portables y con unas características físicas (tamaño, rendimiento y consumo de energía) que permitan su funcionamiento ininterrumpido y autónomo durante toda la vida operativa del sensor. Una ventaja añadida es que los filtros podrán ser útiles incluso para sistemas de monitorización de glucosa que utilicen otras tecnologías distintas a las estudiadas.

Por otro lado, tendremos implementadas un conjunto de herramientas software que basándose en gramáticas evolutivas y tomando como entradas la glucemia, las ingestas, los niveles de fatiga, el estrés, etc., genere modelos predictivos del comportamiento de la glucosa en sangre. Los valores de entrada serán proporcionados por sensores biométricos que en tiempo real serán enviados al modelo y al algoritmo de control para generar la actuación de la bomba de insulina.

El proyecto se centró en el diseño y desarrollo de una infraestructura de Cloud Computing (computación en la nube) orientada a la supercomputación. El objetivo principal fue crear una arquitectura mixta de hardware y software (HW/SW) que permitiera ofrecer servicios de computación de alto rendimiento (High Performance Computing o HPC) de manera escalable, eficiente y flexible a través de la nube.

Durante la investigación se trabajó específicamente en la planificación de tareas de procesamiento óptimo y en la optimización de recursos, permitiendo que entornos corporativos o de investigación pudieran ejecutar algoritmos de alta carga computacional sin necesidad de poseer físicamente un superordenador local, sentando bases tempranas para lo que hoy conocemos como HPC Cloud en el tejido empresarial e investigador español.