El objetivo general de este plan de trabajo es el aprovechamiento de metodologías propios del campo de la IA tendientes hacia el perfeccionamiento del software cuántico, considerando que una de las características de este último en la actualidad es su pronunciada curva de aprendizaje que dificultan su aplicabilidad sobre problemas realistas; más precisamente abordando el análisis de alternativas, oportunidades y dificultades aplicativas asociadas en relación a las técnicas actuales de algoritmia cuántica. Para eso se focalizará en la proposición y desarrollo de algoritmos superadores así como herramientas que permitan la integración de métodos de aprendizaje automático sobre cómputo cuántico en diferentes etapas de la ingeniería del software cuántica, ya sea en etapas de análisis de requerimientos, desarrollo o implementación, testing y despliegue de aplicaciones. En este aspecto será crucial la consideración de la era cuántica actual de escala intermedia ruidosa (NISQ) y sus dificultades asociadas, por ejemplo la mitigación de ruido, adaptación sobre la topologìa física de ejecución subyacente o el impacto de la extensión de circuitos cuánticos en relación a la precisión debido a tiempos de decoherencia, que requerirá del establecimiento de métricas adecuadas que posibiliten la toma de decisiones a la hora de determinar ante qué tipo de problemas y recursos de hardware disponibles son aplicables o no determinadas metodologías, a fin de brindar a los ingenieros de software de la era cuántica una herramienta significativa a la hora de la utilización de las propuestas descritas para el abordaje de problemas complejos. Este plan de trabajo busca explorar nuevas fronteras en la convergencia de la inteligencia artificial (IA) y la computación cuántica (QC), abriendo nuevas posibilidades para el desarrollo de técnicas superadoras en el procesamiento de datos y la toma de decisiones automatizada. Intentando fusionar el potencial de aceleración computacional que promete la QC a partir de propiedades de la mecánica cuántica como la superposición, el entrelazamiento y el tratamiento de la complejidad exponencial de ciertos problemas actualmente difíciles conjuntamente con la enorme aplicabilidad resolutiva del ML, a fin de poder abordar problemas duros que actualmente no es viable abordar, así como también lograr una mayor eficiencia computacional sobre aplicaciones de IA actuales.
Building Information Modeling (BIM) es el conjunto de metodologías, tecnologías y estándares que permite diseñar, construir y operar una edificación o infraestructura de forma colaborativa en un espacio virtual. La información generada puede ser compartida en diferentes plataformas a través de formatos de interoperabilidad. Muchos países en el mundo ya tienen mandato BIM vigentes (por ejemplo USA, UK, y Australia), otros con mandato futuro fijado (por ejemplo Brasil, y Chile) y otros en planificación (por ejemplo, Argentina). En Argentina, se ha presentado un plan de implementación de la metodología BIM, a través del programa SIBIM (Sistema de Implementación BIM) que concluye en 2025. Varias publicaciones presentan cuantificaciones de los beneficios económicos productos de la adopción BIM. Por ejemplo, Giel et al. [1] analiza el retorno de inversión (ROI) de tres casos de estudios, donde del ROI de BIM varió de 16% a 1.654%, ya que el alto costo inicial percibido de implementar BIM ha disuadido a muchos profesionales de la industria de adoptar esta tecnología. John [2] indica el impacto de BIM en proyectos de construcción, donde se registran una reducción de errores de diseño en un 42%, disminución de consultas de información (RFI) durante la etapa de construcción en 25% , y reducción del costo por órdenes de cambio en 51%. En un esfuerzo de cuantificar las mejoras, un análisis elaborado por BCG [3] indica que se pueden lograr ahorros de 13% a 21% en la etapa de diseño y construcción y 10% a 17% en la etapa de operación para 2025, implementando la metodología BIM. Las metodologías BIM son [4] indudablemente beneficiosas para las prácticas de diseño, ahora comunes en los nuevos procesos de diseño de edificios, pero todavía están subexplotados en proyectos de renovación de edificios existentes. En Argentina la gran mayoría de las construcciones existentes no cuentan con ningún tipo de respaldo digital, con lo cual la adopción de BIM será un gran desafío. Sin embargo, la adopción del BIM no incluirá legajos retroactivos que puedan beneficiarse de la metodología. Es decir, la gestión de esos diseños aún requerirá la intervención por parte de personal técnico calificado para su edición (rediseño) o producir modelos digitales a partir de planos existentes en formato papel, no podrá ser utilizado para optimizar las inversiones y reducir tiempos de trabajo requeridos. Además la ausencia de documentos digitales y en particular modelos para el caso del BIM, dificultará la posibilidad de aplicar análisis más complejos tal como ciencia de datos (big data) ya que la información será analógica. T. Hong et al. [5] releva diversas metodologías para identificar aquellas construcciones con potencial de retroadaptación, como por ejemplo, predecir las medidas de conservación de energía (ECMs) elegibles para un edificio en particular basadas en sus características (tipo, año de construcción, envolvente, etc.), y de dicha manera, priorizar a los candidatos de modificación más probables. T.Bloch et al. [6] menciona que la industria de la arquitectura, ingeniería y construcción (AEC) tiene años de experiencia en el diseño, construcción y administración de instalaciones, y en teoría, el conocimiento acumulado se puede utilizar para crear dataset para algoritmos de aprendizaje automático. Aproximar una metodología basada en técnicas de Inteligencia Artificial, como Machine Learning o Deep Learning, puede reducir los errores humanos y acelerar el tiempo que toma procesar la información. El objetivo general de la investigación es desarrollar un enfoque que permita interpretar planos vectoriales o digitalizados para obtener modelos de construcciones tal como Building Information Model. Para ello abordaré los siguientes los siguientes subjetivos: - ● Definir un mapeo entre los elementos de los planos a los elementos de un BIM. Utilizare el estándar de plano vigente en argentina como referencia. - ● Utilizando técnicas de inteligencia artificial para clasificar elementos de acuerdo al mapeo anterior. El resultado será utilizado para la generación de documentos en un formato interoperable BIM. Los legajos de obra cuentan con planos de arquitectura, donde se deberá identificar muros, puertas, ventanas, etc. y en el caso de planos estructurales, estos son vigas, columnas, losas, etc. A partir de estos elementos identificados, generar un archivo exportable que pueda ser utilizado en modelos BIM. Para lograr el objetivo, se deberán establecer procesos, heurísticas y técnicas que permitan procesar planos que conforman los legajos reales de las construcciones en forma automática. - ● Verificar el enfoque mediante el procesamiento de planos de viviendas y edificios para conocer la precisión del enfoque desarrollado.
El objetivo general de la investigación es contribuir la adopción de tecnología Blockchain por fuera del ´ámbito especulativo/financiero, haciendo especial hincapié en aquellas que consideran el derecho a la privacidad de sus usuarios. El objetivo específico es proponer una arquitectura de referencia para aplicaciones que operen criptomonedas con privacidad (privacy coins) desde dispositivos móviles y/o de bajos recursos computacionales (clientes livianos). La definición de una arquitectura de referencia busca responder las siguientes interrogantes: • ¿Cuáles son los proyectos más relevantes en el universo de privacy coins, cuáles de ellos deben ser sujeto de estudio para la arquitectura de referencia? • ¿Qué tipo de arquitectura utilizan las aplicaciones móviles de privacy coins encuentran implementadas y desplegadas en producción? • ¿Existen requisitos funcionales y no funcionales comunes entre las implementaciones de distintos protocolos de privacy coins? • ¿Qué componentes son extrapolables de un cliente liviano de una criptomoneda de transacciones públicas a una privacy coin y cuáles no lo son? • ¿Qué otras características aspectos deben considerarse para este tipo clientes livianos en privacy coins? (por ejemplo: modelos de seguridad, disponibilidad, rendimiento) A su vez se realizara una implementación modelo para probar la factibilidad de la propuesta y compararla con arquitecturas relevadas. Como trabajos a futuro se abren dos enfoques complementarios. El primero metodológico, centrado en determinar métricas que posibiliten un análisis del estado de situación de estos proyectos en base a sus características concretas presentes en sus repositorios de código abierto que permitan contrarrestar el carácter subjetivo/promocional presente en la literatura gris de los mismos. Contar con tales métricas también contribuiría activamente en otros estudios propios de otros campos de la ciencia (Económicas y Sociales). El segundo, de carácter técnico, centrado en la aplicación practica de tecnologías blockchain en pequeños dispositivos posibilitando así una verdadera democratización y de-centralización de este nuevo tipo de tecnologías sin que su uso y aplicación tenga implicaciones negativas sobre la privacidad de la información que estas cadenas de bloques almacenan, ni signifique un riesgo de la confidencialidad y soberanía de los usuarios sobre su propia información.