Convocatorias

La convocatoria

En asociación con Microsoft, RNP lanza el Reto de I + D de Inteligencia Artificial (AI).

El objetivo es explorar tecnologías, y también generar conocimiento sobre los temas propuestos por los comités técnicos de RNP. Microsoft proporcionará herramientas tecnológicas relacionadas a la IA para el desarrollo del proyecto, proporcionará asistencia técnica especializada y documentación de estas herramientas.

RNP, a través de este pliego de licitación, invita a la comunidad investigadora en tecnologías de la información y la comunicación (TIC) a colaborar con este desarrollo.

Se seleccionarán hasta dos proyectos en cada eje temático:
•    Monitoreo de redes
•    Gestión de identidad
•    Videocolaboración

Cierre de presentación de propuestas 01/03/2019

Divulgación de resultados: 15/03/2019

Acceda al pliego de licitación completo.

Modelo de propuesta .docx .odt
 
Texto
Proyectos seleccionados
Gestión de Identidad
eduroamIA: Inteligencia Artificial Aplicada a la Previsión de Eventos de Autenticación Federada en eduroam - coordinado por Edelberto Silva (UFJF) 
Este proyecto tiene como objetivo predecir eventos críticos en el servicio de eduroam alertando a su administrador a nivel de federación así como a nivel institucional sobre anomalías relacionadas con la autenticación de usuarios. Utilizando técnicas de inteligencia artificial y basándose en el análisis de grandes cantidades de datos de registros del servicio, tanto en modo offline como online. Los algoritmos de aprendizaje de máquina se aplican para identificar problemas relacionados con la autenticación de usuarios de instituciones específicas y posibles comportamientos anormales relacionados con la autenticación federada. Para lograr este objetivo, se utilizan como entrada los registros del servicio RADIUS en el nivel de federación eduroam de usuarios en roaming.
SAMD4IoT - Servicio de autenticación multicapa para dispositivos Internet de las Cosas - coordinado por Kleber Cardoso (UFG) 
La autenticación de dispositivos se basa tradicionalmente en el uso de encriptación y protocolos sofisticados. Sin embargo, este enfoque tiene un costo y una complejidad incompatibles con muchos tipos de dispositivos IoT. Esto hace que muchos dispositivos IoT sean vulnerables a los ataques de falsificación de identidad, especialmente a través de la comunicación inalámbrica. Para mitigar este problema, proponemos un servicio de autenticación externo a dispositivos IoT que utiliza información de diferentes capas. En la capa física, la firma se identifica a través de las peculiaridades de cada transmisor de señal de radiofrecuencia. En la capa de aplicación (o servicio), la suscripción se define a través de un comportamiento característico del servicio.
Monitoreo de redes
Network Borescope: una herramienta para el análisis visual, inteligente, interactivo y en tiempo real del tráfico en backbones, coordinado por Antonio Rocha (IC / UFF - Brasil) 
El monitoreo del desempeño de la red es un tema extremadamente relevante para la comunidad científica y la industria de modo general. Más recientemente, los investigadores y las empresas han estado haciendo esfuerzos para usar algoritmos de IA para resolver problemas relacionados con los temas mencionados. Sin embargo, con el gran volumen de datos y la necesidad de herramientas interactivas y eficientes, este proyecto propone la creación de una herramienta prototipo, de forma interactiva y con una estructura de datos eficiente, que utilice los algoritmos de AI de framework ML.NET para identificar patrones y previsiones de datos geo-temporales del monitoreo de enrutadores en tiempo real.
Detección de Anomalías en Ambientes Inteligentes Utilizando IA - coordinado por Rafael Lopes Gomes  (Universidade Estadual do Ceará (UECE) - Brazil) Los ambientes inteligentes actuales están compuestos por dispositivos Internet de las Cosas (IoT) y de usuarios finales (portátiles, tabletas, etc.) que se comunican entre sí y con Internet. Los dispositivos IoT están sujetos a comportamientos anómalos (funcionamiento fuera del estándar) debido a vulnerabilidades de seguridad o mal funcionamiento. Monitorear el comportamiento de estos dispositivos se vuelve crucial para garantizar un desempeño eficiente de la red. En este contexto, este proyecto tiene como objetivo desarrollar un sistema para el monitoreo del tráfico y la detección de anomalías en entornos inteligentes compatibles con Inteligencia Artificial (AI), generando un perfil de red y detectando posibles anomalías a través del comportamiento del tráfico fuera del estándar previsto.
Videocolaboración
Investigación sobre Algoritmos de Inteligencia Artificial para Ayudar en el Diagnóstico de Cataratas a través del Sistema de Telemedicina - coordinado por Ronaldo Husemann (UFRGS) 
El proyecto Teleoftalmologia - UFRGS realiza exámenes oftalmológicos en pacientes del Sistema Único de Salud (SUS) a través de su propia herramienta de videocolaboración que permite la interacción en tiempo real entre médicos especialistas y pacientes en centros remotos. Con esta herramienta, el médico especialista puede hablar con los pacientes y realizar exámenes de la vista a distancia. Sin embargo, la creciente demanda exige soluciones que agilicen la emisión de informes. Este proyecto propone el desarrollo de una aplicación auxiliar de Inteligencia Artificial que puede, a través del procesamiento de imágenes oftalmológicas, obtener la clasificación automática entre paciente Normal y con Cataratas, acelerando la toma de decisión del médico a distancia.
Detección de contenido inapropiado en escenas de video - coordinado por Alan Guedes (Puc-Rio) y Sérgio Colcher (PUC-Rio) 
La popularización de los equipos de captura de video y servicios para su almacenamiento y transmisión ha permitido la producción de un gran volumen de datos de video. Youtube, por ejemplo, registró en el 2014, upload de 72 horas de video por minuto. Mientras que en el 2018, ese número aumentó a 400 horas de video por minuto. Este escenario presenta un reto para controlar el tipo de contenido que se carga a estos servicios de almacenamiento de videos. Por ejemplo, servicios como video@RNP (link sends e-mail), ICD e ITVRP constituyen redes para compartir videos que se centran en contenido educativo y tienen restricciones sobre contenidos inapropiados. La clasificación de este tipo de contenido requiere un análisis automático de este volumen de manera eficiente y práctica. Los métodos basados en Deep Learning (DL) se han convertido en estado del arte de varios segmentos relacionados con el análisis de medios. Este proyecto se enfoca en evaluar y desarrollar tales métodos de DL para detectar contenido inapropiado en escenas de video.

Proyectos selecionados

Gestión de Identidad

eduroamIA: Inteligencia Artificial Aplicada a la Previsión de Eventos de Autenticación Federada en eduroam - coordinado por Edelberto Silva (UFJF) 
Este proyecto tiene como objetivo predecir eventos críticos en el servicio de eduroam alertando a su administrador a nivel de federación así como a nivel institucional sobre anomalías relacionadas con la autenticación de usuarios. Utilizando técnicas de inteligencia artificial y basándose en el análisis de grandes cantidades de datos de registros del servicio, tanto en modo offline como online. Los algoritmos de aprendizaje de máquina se aplican para identificar problemas relacionados con la autenticación de usuarios de instituciones específicas y posibles comportamientos anormales relacionados con la autenticación federada. Para lograr este objetivo, se utilizan como entrada los registros del servicio RADIUS en el nivel de federación eduroam de usuarios en roaming.

SAMD4IoT - Servicio de autenticación multicapa para dispositivos Internet de las Cosas - coordinado por Kleber Cardoso (UFG) 

La autenticación de dispositivos se basa tradicionalmente en el uso de encriptación y protocolos sofisticados. Sin embargo, este enfoque tiene un costo y una complejidad incompatibles con muchos tipos de dispositivos IoT. Esto hace que muchos dispositivos IoT sean vulnerables a los ataques de falsificación de identidad, especialmente a través de la comunicación inalámbrica. Para mitigar este problema, proponemos un servicio de autenticación externo a dispositivos IoT que utiliza información de diferentes capas. En la capa física, la firma se identifica a través de las peculiaridades de cada transmisor de señal de radiofrecuencia. En la capa de aplicación (o servicio), la suscripción se define a través de un comportamiento característico del servicio.

Monitoreo de redes

Network Borescope: una herramienta para el análisis visual, inteligente, interactivo y en tiempo real del tráfico en backbones, coordinado por Antonio Rocha (IC / UFF - Brasil) 

El monitoreo del desempeño de la red es un tema extremadamente relevante para la comunidad científica y la industria de modo general. Más recientemente, los investigadores y las empresas han estado haciendo esfuerzos para usar algoritmos de IA para resolver problemas relacionados con los temas mencionados. Sin embargo, con el gran volumen de datos y la necesidad de herramientas interactivas y eficientes, este proyecto propone la creación de una herramienta prototipo, de forma interactiva y con una estructura de datos eficiente, que utilice los algoritmos de AI de framework ML.NET para identificar patrones y previsiones de datos geo-temporales del monitoreo de enrutadores en tiempo real.

Detección de Anomalías en Ambientes Inteligentes Utilizando IA - coordinado por Rafael Lopes Gomes  (Universidade Estadual do Ceará (UECE) - Brazil) Los ambientes inteligentes actuales están compuestos por dispositivos Internet de las Cosas (IoT) y de usuarios finales (portátiles, tabletas, etc.) que se comunican entre sí y con Internet. Los dispositivos IoT están sujetos a comportamientos anómalos (funcionamiento fuera del estándar) debido a vulnerabilidades de seguridad o mal funcionamiento. Monitorear el comportamiento de estos dispositivos se vuelve crucial para garantizar un desempeño eficiente de la red. En este contexto, este proyecto tiene como objetivo desarrollar un sistema para el monitoreo del tráfico y la detección de anomalías en entornos inteligentes compatibles con Inteligencia Artificial (AI), generando un perfil de red y detectando posibles anomalías a través del comportamiento del tráfico fuera del estándar previsto.

Videocolaboración

Investigación sobre Algoritmos de Inteligencia Artificial para Ayudar en el Diagnóstico de Cataratas a través del Sistema de Telemedicina - coordinado por Ronaldo Husemann (UFRGS) 

El proyecto Teleoftalmologia - UFRGS realiza exámenes oftalmológicos en pacientes del Sistema Único de Salud (SUS) a través de su propia herramienta de videocolaboración que permite la interacción en tiempo real entre médicos especialistas y pacientes en centros remotos. Con esta herramienta, el médico especialista puede hablar con los pacientes y realizar exámenes de la vista a distancia. Sin embargo, la creciente demanda exige soluciones que agilicen la emisión de informes. Este proyecto propone el desarrollo de una aplicación auxiliar de Inteligencia Artificial que puede, a través del procesamiento de imágenes oftalmológicas, obtener la clasificación automática entre paciente Normal y con Cataratas, acelerando la toma de decisión del médico a distancia.
Detección de contenido inapropiado en escenas de video - coordinado por Alan Guedes (Puc-Rio) y Sérgio Colcher (PUC-Rio) 

La popularización de los equipos de captura de video y servicios para su almacenamiento y transmisión ha permitido la producción de un gran volumen de datos de video. Youtube, por ejemplo, registró en el 2014, upload de 72 horas de video por minuto. Mientras que en el 2018, ese número aumentó a 400 horas de video por minuto. Este escenario presenta un reto para controlar el tipo de contenido que se carga a estos servicios de almacenamiento de videos. Por ejemplo, servicios como video@RNP (link sends e-mail), ICD e ITVRP constituyen redes para compartir videos que se centran en contenido educativo y tienen restricciones sobre contenidos inapropiados. La clasificación de este tipo de contenido requiere un análisis automático de este volumen de manera eficiente y práctica. Los métodos basados en Deep Learning (DL) se han convertido en estado del arte de varios segmentos relacionados con el análisis de medios. Este proyecto se enfoca en evaluar y desarrollar tales métodos de DL para detectar contenido inapropiado en escenas de video.