Di-Boss: Sistema operativo para manejo de edificios - Columbus University

Este ha sido un gran aporte ya que, aunque tenga una gran complejidad de trabajo este sistema operativo tiene una interfaz totalmente sencilla la cual es portable porque la podemos ver en tablets, computadoras, portátiles, celulares, etc.…. 

Este sistema utiliza tecnología TPO (Total Property Optimizer) como dicen las siglas. El mismo también ofrece confort y seguridad para grandes administradores de edificios e inquilinos con conocimiento de la situación, el ahorro de energía, y la re-puesta en servicio (rendimiento óptimo continuo), y proporciona el Smart análisis y comunicaciones necesarios para las operaciones en tiempo real.

Además, continúa, bucles de retroalimentación continua del sistema Di-BOSS ™ proporcionan a los administradores de edificios, hasta a la fecha de recomendaciones fiables para tomar decisiones que mejoran significativamente la eficiencia energética y servir mejor a las personas en el edificio. Edificios actualmente no tienen ningún sistema operativo en absoluto. En cambio, tienen cientos de controladores de subsistemas que gestionan de forma independiente silos separados de responsabilidad, tales como ascensores, el manejo de incendios, ocupación, y construcción y sistemas de gestión de energía. Es evidente que existe un gran potencial para la mejora de la eficiencia energética que es, hasta ahora, sin explotar. Este sistema cuenta con licencia de 19 patentes que cubren los métodos y técnicas de aprendizaje automático.

Acelerando el descubrimiento en las ciencias climatológicas con aprendizaje automático - University of Washington

Los científicos han observados cambios en la temperatura, el nivel del mar y los polos. Lo que ha convertido una prioridad internacional la creación de un sistema que se encargue de entender el clima. Este sistema funciona utilizando modelos climáticos dados por los climatólogos entonces cuando actúa el sistema, este trabaja cuando se detecta una anomalía en el clima el cual mediante el uso de algoritmos de aprendizaje automático este realiza un tipo de match con algún fenómeno climático y el sistema da una predicción de lo que pueda suceder mediante previas experiencias. Esto aún es un prototipo ya que aún tiene muchas fallas como por ejemplo que estamos en unos tiempos en los que hay cambios climáticos muy constantes y no le permiten al sistema realizar un adecuado análisis de la situación por el constante cambio. Lo bueno de este sistema es que ya se ha comprobado que el mismo al no tener en cuenta una situación el mismo busca una situación similar que haya ocurrido y que tenga en su base de conocimiento y realiza una inferencia para poder sacar su propia conclusión. 

NovaFlow&Solid - NovaCast

Esta empresa de lo que se encarga es de crear sistemas inteligentes los cuales usan motores de inferencia basados en los algoritmos de machine learning. Uno de los productos que podemos encontrar es: 

NovaFlow&Solid

 El ahorro de tiempo viene de conmutación de malla en la simulación y durante el llenado en varios pasos. Cuando las secciones de paredes son gruesas utiliza una resolución de malla más grande y para las zonas sensibles se utiliza una malla más fina. Ahora, no hay excusa para no usar la simulación. Acortar el tiempo de simulación es crucial para todas las fundiciones para poder optimizar todas sus piezas de fundición.

Machine Learning - Aprendizaje de Máquinas

Machine Learning es una disciplina científica que trata de que los sistemas aprendan automáticamente. Aprender en este contexto quiere decir identificar patrones complejos en millones de datos. La máquina que realmente aprende es un algoritmo que revisa los datos y es capaz de predecir comportamientos futuros. Veamos cómo funciona.

Big Data y Machine Learning aplicado a la empresa
Una empresa de telefonía quiere saber qué clientes están en “peligro” de darse de baja de sus servicios para hacer acciones comerciales que eviten que se vayan a la competencia. ¿Cómo puede hacerlo? La empresa tiene muchos datos de los clientes, muchísimos: antigüedad, planes contratados, consumo diario, llamadas mensuales al servicio de atención al cliente, últimos cambios de planes contratados… pero los usa únicamente facturar y para hacer estadísticas. ¿Qué se puede hacer con esos datos? Pueden anticiparse a la llamada del cliente para darse de baja. Es pocas palabras, con Machine Learning se puede pasar de ser reactivos a ser proactivos. Los datos históricos del conjunto de los clientes, debidamente organizados y tratados en bloque, generan una base de datos que se puede explotar para predecir futuros comportamientos.

Esa cantidad ingente de datos son imposibles de analizar por una persona para sacar conclusiones y predicciones. Los algoritmos en cambio sí pueden detectar patrones de comportamiento contando con las variables que le proporcionamos y descubrir cuáles son las que han llevado, en este caso, a darse de baja como cliente. La siguiente imagen es un ejemplo de una predicción simplificada basada en datos de una compañía de telefonía ficticia, pero usando una herramienta de Machine Learning real:

University of Washington

Control y Planeamiento Automatizado 

El grupo de planeamiento de la Universidad de Washington ha estado activo en el desarrollo de algoritmos de planeamiento y representaciones desde 1990.
Actualmente, el grupo está activo en una gran variedad de áreas incluyendo control robótico, uso del planeamiento y modelos de control en la neurociencia computacional y planeamiento automatizado sobre incertidumbre. Además, también estand incluidas varias áreas de aplicación, como diseño inteligente de juegos, manejo de energía, crowdsourcing y educación online.

Interfaces Cerebro-Computador 

En 2006, el grupo se convirtió en uno de los primeros en demostrar el control de un robot
humanoide utilizando una interfaz de ordenador cerebral no invasiva (BCI). Otra
investigación original demostró que la BCI se puede utilizar para comandar un robot
humanoide HOAP-2 para seleccionar a buscar objetos deseados desde ubicaciones
remotas. Han propuesto recientemente un marco para la adaptación interfaz cerebro-
ordenador jerárquica que permite al usuario enseñar a un robot nuevos comportamientos
sobre la marcha. Estos comportamientos más tarde pueden ser invocados como comandos
de alto nivel, aliviando al usuario de control de bajo nivel tedioso. Hemos demostrado el uso
de este enfoque Hobbes (nuestro robot PR2) para tareas de manipulación a distancia. Tal
sistema puede permitir que un paciente gravemente paralizado utilizar un robot como un
proxy para realizar una tarea sin necesidad de movimiento físico.

Más recientemente, han comenzado a explorar métodos probabilísticos para BCI co-
adaptativa. Con este diseño, el BCI y el usuario interactúan de manera cooperativa para
resolver una tarea determinada. Debido a la generalidad del enfoque, es aplicable a una
amplia variedad de problemas de control de ruido, además de varios tipos de aplicaciones
BCI.

Neurociencia Computacional

La neurociencia cognitiva computacional estudia las funciones cognitivas de alto nivel que
se dan el cerebro, dentro del marco de los modelos computacionales. Las funciones de alto
nivel se refieren a los mecanismos de procesado de información que ocurren a gran escala,
siendo el nivel más bajo de procesamiento de información la que se da en la dinámica de
neuronas individuales.

Otros campos
Climate informatics: Acelerando el descubrimiento en las ciencias climatológicas con aprendizaje automático.