Análisis y manejo inteligente de la información

Autores
Hasperué, Waldo; Lanzarini, Laura Cristina; Estrebou, César Armando; Camele, Genaro; Rucci, Enzo; Ronchetti, Franco; Lanza, Ezequiel; Bértoli, Rafael; Lira, Ariel Jorge; Fernández Bariviera, Aurelio
Año de publicación
2025
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
Esta línea de investigación se centra en el estudio y desarrollo de Sistemas Inteligentes para la resolución de problemas de Big Data y Minería de Datos utilizando técnicas de Aprendizaje Automático. Los sistemas desarrollados se aplican particularmente al procesamiento de grandes volúmenes de información y al procesamiento de flujo de datos. Las investigaciones correspondientes al procesamiento de datos masivos están enfocadas en el estudio y desarrollo de técnicas de selección de características, donde el foco está puesto en la reducción de los tiempos de cómputo. La optimización puede realizarse tanto en la mejora de la ejecución en un entorno distribuido, como en la propuesta de técnicas metaheurísticas que permitan obtener un subconjunto óptimo de atributos. Por otro lado, y desde el punto de vista de la salud, se está trabajando con investigadores del CENEXA (CONICET-UNLP-CIC) en la obtención de modelos de predicción de diabetes y prediabetes. También se investigan modelos predictivos aplicables a series temporales. En particular, el caso de estudio actual es la predicción de la latencia de respuesta en arquitecturas cloudnative utilizando modelos de machine learning. La adopción de tecnología de contenedores está creciendo rápidamente debido a su eficiencia, portabilidad y capacidad para facilitar el uso de microservicios sin embargo gestionar sistemas a gran escala es una tarea compleja. Con estos modelos se espera reducir los tiempos de respuesta de las aplicaciones.
Red de Universidades con Carreras en Informática
Instituto de Investigación en Informática
Dirección PREBI-SEDICI
Materia
Ciencias Informáticas
Big Data
Minería de Datos
Diabetes
Contenedores
Microservicios
Reducción de características
Tiny ML
Transformers
MapReduce
Repositorios digitales
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/183778
Acceder
id SEDICI_19163b286fade2beddbece27d3125191
oai_identifier_str oai:sedici.unlp.edu.ar:10915/183778
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Análisis y manejo inteligente de la informaciónHasperué, WaldoLanzarini, Laura CristinaEstrebou, César ArmandoCamele, GenaroRucci, EnzoRonchetti, FrancoLanza, EzequielBértoli, RafaelLira, Ariel JorgeFernández Bariviera, AurelioCiencias InformáticasBig DataMinería de DatosDiabetesContenedoresMicroserviciosReducción de característicasTiny MLTransformersMapReduceRepositorios digitalesEsta línea de investigación se centra en el estudio y desarrollo de Sistemas Inteligentes para la resolución de problemas de Big Data y Minería de Datos utilizando técnicas de Aprendizaje Automático. Los sistemas desarrollados se aplican particularmente al procesamiento de grandes volúmenes de información y al procesamiento de flujo de datos. Las investigaciones correspondientes al procesamiento de datos masivos están enfocadas en el estudio y desarrollo de técnicas de selección de características, donde el foco está puesto en la reducción de los tiempos de cómputo. La optimización puede realizarse tanto en la mejora de la ejecución en un entorno distribuido, como en la propuesta de técnicas metaheurísticas que permitan obtener un subconjunto óptimo de atributos. Por otro lado, y desde el punto de vista de la salud, se está trabajando con investigadores del CENEXA (CONICET-UNLP-CIC) en la obtención de modelos de predicción de diabetes y prediabetes. También se investigan modelos predictivos aplicables a series temporales. En particular, el caso de estudio actual es la predicción de la latencia de respuesta en arquitecturas cloudnative utilizando modelos de machine learning. La adopción de tecnología de contenedores está creciendo rápidamente debido a su eficiencia, portabilidad y capacidad para facilitar el uso de microservicios sin embargo gestionar sistemas a gran escala es una tarea compleja. Con estos modelos se espera reducir los tiempos de respuesta de las aplicaciones.Red de Universidades con Carreras en InformáticaInstituto de Investigación en InformáticaDirección PREBI-SEDICI2025-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf172-176http://sedici.unlp.edu.ar/handle/10915/183778spainfo:eu-repo/semantics/altIdentifier/isbn/978-987-575-267-2info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/182261info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:50:12Zoai:sedici.unlp.edu.ar:10915/183778Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:50:12.874SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Análisis y manejo inteligente de la información
title Análisis y manejo inteligente de la información
spellingShingle Análisis y manejo inteligente de la información
Hasperué, Waldo
Ciencias Informáticas
Big Data
Minería de Datos
Diabetes
Contenedores
Microservicios
Reducción de características
Tiny ML
Transformers
MapReduce
Repositorios digitales
title_short Análisis y manejo inteligente de la información
title_full Análisis y manejo inteligente de la información
title_fullStr Análisis y manejo inteligente de la información
title_full_unstemmed Análisis y manejo inteligente de la información
title_sort Análisis y manejo inteligente de la información
dc.creator.none.fl_str_mv Hasperué, Waldo
Lanzarini, Laura Cristina
Estrebou, César Armando
Camele, Genaro
Rucci, Enzo
Ronchetti, Franco
Lanza, Ezequiel
Bértoli, Rafael
Lira, Ariel Jorge
Fernández Bariviera, Aurelio
author Hasperué, Waldo
author_facet Hasperué, Waldo
Lanzarini, Laura Cristina
Estrebou, César Armando
Camele, Genaro
Rucci, Enzo
Ronchetti, Franco
Lanza, Ezequiel
Bértoli, Rafael
Lira, Ariel Jorge
Fernández Bariviera, Aurelio
author_role author
author2 Lanzarini, Laura Cristina
Estrebou, César Armando
Camele, Genaro
Rucci, Enzo
Ronchetti, Franco
Lanza, Ezequiel
Bértoli, Rafael
Lira, Ariel Jorge
Fernández Bariviera, Aurelio
author2_role author
author
author
author
author
author
author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Big Data
Minería de Datos
Diabetes
Contenedores
Microservicios
Reducción de características
Tiny ML
Transformers
MapReduce
Repositorios digitales
topic Ciencias Informáticas
Big Data
Minería de Datos
Diabetes
Contenedores
Microservicios
Reducción de características
Tiny ML
Transformers
MapReduce
Repositorios digitales
dc.description.none.fl_txt_mv Esta línea de investigación se centra en el estudio y desarrollo de Sistemas Inteligentes para la resolución de problemas de Big Data y Minería de Datos utilizando técnicas de Aprendizaje Automático. Los sistemas desarrollados se aplican particularmente al procesamiento de grandes volúmenes de información y al procesamiento de flujo de datos. Las investigaciones correspondientes al procesamiento de datos masivos están enfocadas en el estudio y desarrollo de técnicas de selección de características, donde el foco está puesto en la reducción de los tiempos de cómputo. La optimización puede realizarse tanto en la mejora de la ejecución en un entorno distribuido, como en la propuesta de técnicas metaheurísticas que permitan obtener un subconjunto óptimo de atributos. Por otro lado, y desde el punto de vista de la salud, se está trabajando con investigadores del CENEXA (CONICET-UNLP-CIC) en la obtención de modelos de predicción de diabetes y prediabetes. También se investigan modelos predictivos aplicables a series temporales. En particular, el caso de estudio actual es la predicción de la latencia de respuesta en arquitecturas cloudnative utilizando modelos de machine learning. La adopción de tecnología de contenedores está creciendo rápidamente debido a su eficiencia, portabilidad y capacidad para facilitar el uso de microservicios sin embargo gestionar sistemas a gran escala es una tarea compleja. Con estos modelos se espera reducir los tiempos de respuesta de las aplicaciones.
Red de Universidades con Carreras en Informática
Instituto de Investigación en Informática
Dirección PREBI-SEDICI
description Esta línea de investigación se centra en el estudio y desarrollo de Sistemas Inteligentes para la resolución de problemas de Big Data y Minería de Datos utilizando técnicas de Aprendizaje Automático. Los sistemas desarrollados se aplican particularmente al procesamiento de grandes volúmenes de información y al procesamiento de flujo de datos. Las investigaciones correspondientes al procesamiento de datos masivos están enfocadas en el estudio y desarrollo de técnicas de selección de características, donde el foco está puesto en la reducción de los tiempos de cómputo. La optimización puede realizarse tanto en la mejora de la ejecución en un entorno distribuido, como en la propuesta de técnicas metaheurísticas que permitan obtener un subconjunto óptimo de atributos. Por otro lado, y desde el punto de vista de la salud, se está trabajando con investigadores del CENEXA (CONICET-UNLP-CIC) en la obtención de modelos de predicción de diabetes y prediabetes. También se investigan modelos predictivos aplicables a series temporales. En particular, el caso de estudio actual es la predicción de la latencia de respuesta en arquitecturas cloudnative utilizando modelos de machine learning. La adopción de tecnología de contenedores está creciendo rápidamente debido a su eficiencia, portabilidad y capacidad para facilitar el uso de microservicios sin embargo gestionar sistemas a gran escala es una tarea compleja. Con estos modelos se espera reducir los tiempos de respuesta de las aplicaciones.
publishDate 2025
dc.date.none.fl_str_mv 2025-04
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/183778
url http://sedici.unlp.edu.ar/handle/10915/183778
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-987-575-267-2
info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/182261
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
172-176
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844616361426288640
score 13.070432

Publicaciones similares