Sergio Fabián Yovine
Sergio Fabián Yovine


Ingeniería

Doctor en Informática, Institut National Polytechnique de Grenoble (Francia). Habilitation á Diriger des Recherches (HDR), Université Joseph Fourier, Grenoble (Francia). Licenciado en Informática, Escuela Superior Latinoamericana de Informática, Universidad de Luján (Argentina). Catedrático y coordinador académico de Inteligencia Artificial y Big Data, Facultad de Ingeniería, Universidad ORT Uruguay. Investigador Grado 5, Área Informática, Programa de Desarrollo de las Ciencias Básicas (PEDECIBA). Investigador Nivel II, Área Ciencias Naturales y Exactas, Sistema Nacional de Investigadores (SNI). Curriculum Vitae

 

Materias dictadas

Facultad de Ingeniería
Deep learning con grandes volúmenes de datos, Inteligencia artificial, Machine learning para sistemas inteligentes, Proyecto, Sistemas formales de computación distribuida, Taller de Big Data, Técnicas de machine learning para análisis de datos, Teoría de la computación, Trabajo integrador.


Contribución Científica

Resumen de la contribución científica



Grupo de Investigación

Grupo de Investigación en Inteligencia Artificial

 

Miembros actuales

Nicolás Martínez Varsi (Tesista de maestría)

Franz Mayr (Tesista de maestría)

Sergio Yovine (Catedrático)

Ramiro Visca (Tesista de maestría)

Miembros pasados

Verónica Tortorella (Tesista de maestría)



Temas de investigación

Inteligencia Artificial Explicable

En los últimos años, las redes neuronales artificiales (ANN) se han posicionado como el modelo favorito en muchos campos de aplicación de la inteligencia artificial. debido a su capacidad para desempeñarse muy bien en diferentes tareas complejas, como el reconocimiento de imágenes o el procesamiento de lenguaje natural. Sin embargo, las ANN se consideran un modelo bastante oscuro, lo que significa que comprender las características específicas que el modelo tomó en cuenta para tomar una decisión no es una tarea trivial. La comprensión humana del modelo es crucial en campos como la medicina, la evaluación de riesgos o la detección de intrusos en los que no es aceptable tratarlo como una caja negra. Desde el punto de vista de la explicación de la razón de un resultado, un tema importante de las ANN es que carecen de una caracterización explícita y constructiva de su estrategia de toma de decisiones. Esta limitación de las capacidades explicativas de las ANN motiva la investigación científica en el área de la inteligencia artificial explicable con el objetivo de extraer automáticamente representaciones que expliquen de manera accesible para los humanos las decisiones de las ANN.

Particularmente, estamos interesados en estudiar ANN entrenadas para resolver problemas de clasificación. Estas ANN tienen múltiples aplicaciones, como la identificación de comportamientos anormales de humanos, sistemas informáticos o agentes robóticos. Por ejemplo, el propósito de la detección de intrusión, fraude y lavado de dinero es distinguir entre secuencias normales de acciones y acciones ilegales, llamadas anomalías colectivas. Por lo general, estos problemas se abordan de la siguiente manera: dado un conjunto de secuencias etiquetadas como normales y anómalas, se entrena una ANN con el objetivo de construir un clasificador. De alguna manera, la ANN oculta un modelo de los comportamientos normales que utiliza para identificar secuencias que no se ajustan a ella. Por lo tanto, el objetivo de nuestra investigación es proporcionar medios para extraer una representación constructiva del modelo oculto. Más precisamente, se enfoca en el problema de explicar qué es el sistema dinámico que la ANN aprendió cuando se entrena con un conjunto de secuencias etiquetadas.

Un enfoque general para resolver problemas como el que estamos considerando está dado por el marco de referencia del aprendizaje Probablemente Aproximadamente Correcto (PAC). Aquí, un aprendiz, que intenta identificar la máquina oculta dentro de la caja negra, puede interactuar con un maestro, que tiene la capacidad de responder preguntas sobre la máquina desconocida que se debe aprender. Para esto, el maestro usa un oráculo que extrae muestras positivas y negativas con alguna distribución de probabilidad. Para abordar el problema de la explicabilidad de las ANN sobre secuencias, el plan de investigación consiste en combinar las técnicas PAC para el aprendizaje activo de gramáticas (o inferencia regular) y las basadas en redes generativas adversarias (GAN).


Tesis de Maestría en curso

Modelado de comportamiento con base temporal, con vistas a la aplicación en algoritmos de detección de anomalías

La detección de comportamientos anómalos o sospechosos, es decir, de patrones en los datos que no son conformes a un comportamiento esperado bien definido, es una tarea con numerosas aplicaciones críticas en seguridad, finanzas, atención médica y muchas otras. Hoy en día, la automatización de la detección es esencial, ya que es extremadamente difícil o incluso imposible para un analista humano identificar patrones fraudulentos en contextos dominados por grandes volúmenes datos. El trabajo se enfoca en el estudio de comportamientos que evolucionan en el tiempo, generados por procesos (con o sin intervención humana), donde varios tipos de eventos interrelacionados ocurren a lo largo del eje del tiempo. Se analizará el modelado de comportamientos temporales por medio de autómatas temporizados, desarrollando distintos tipos de modelos y evaluando sus fortalezas y debilidades en lo que refiere a la dependencia de la calidad de los conjuntos de datos recibidos para el entrenamiento de modelos y la robustez a modificaciones malintencionadas de los comportamientos a evaluar.

Tesista: Franz Mayr


Tesis de Maestría defendidas

Predicción de la edad en redes sociales

El objetivo de esta tesis es explorar y proponer soluciones para el problema de predecir la edad de los individuos, con el fin de completar sus perfiles públicos, obtenidos a partir de la información disponible en las redes sociales. La problemática se estudiará en el contexto particular de la región con una fuerte especialización en el idioma español, para lo cual se dispone de un importante corpus de datos y las herramientas de análisis de probada utilidad práctica. El foco se pondrá en el análisis del lenguaje utilizado por los individuos en las redes sociales mediante técnicas de machine learning.

Tesista: Verónica Tortorella


 

 

 



Publicaciones

Recientes

Franz Mayr, Sergio Yovine. Regular Inference on Artificial Neural Networks. CD-MAKE 2018: 350-369.

Pérez, G. & Yovine, S. Formal specification and implementation of an automated pattern-based parallel-code generation framework. Int J Softw Tools Technol Transfer (2017). https://doi.org/10.1007/s10009-017-0465-2

 

Yovine, S. & Winniczuk, G. CheckDroid: A Tool for Automated Detection of Bad Practices in Android Applications Using Taint Analysis. MOBILESoft@ICSE 2017: 175-176.

 

Lista completa y citaciones

Google scholar

DBLP



Cátedra y Coordinación académica

Catedrático de Inteligencia Artificial y Ciencia de Datos

Coordinador del posgrado "Especialización en Analítica de Big Data"



© 2010 / Universidad ORT Uruguay

CAMPUS CENTRO
Cuareim 1451, Montevideo, Uruguay

CAMPUS POCITOS
Bvar. España 2633, Montevideo, Uruguay

Teléfono central: (598) 2902 1505