Beruflich Dokumente
Kultur Dokumente
LA COMPUTACIN
Grupo de Investigacin
IPRODAM
Ciencia y Tecnologa
NDICE
INTRODUCCIN
Importancia de la investigacin en la Universidad p. 2
INGENIERA DE SOFTWARE
Diseando aplicaciones desplegadas en la nube p. 3
GEOMETRA COMPUTACIONAL
Bsqueda de correspondencias entre cuerpos tridimensionales no rgidos p. 6
Bsqueda parcial de modelos tridimensionales no rgidos p. 18
Descriptor 3D basado en histogramas de grosor p. 12
INTELIGENCIA ARTIFICIAL
Deep Learning y sus aplicaciones p. 15
LA MATEMTICA EN LA COMPUTACIN
Ciencia de la computacin en Ro de Janeiro p. 18
Importancia de la matemtica en el mundo de la computacin p. 19
ENTREVISTAS
Renata Wassermann p. 22
Flvio Soares Corra da Silva p. 24
Fabio Kon p. 23
EDITOR
Cristian Lpez Del Alamo
REVISORES
Orlando Mazeyra Guilln
Madeley Coaquira Congona
Luis Patio
COLABORADORES
Reynaldo Alfonte Zapana
Erika Guetti Suca
EDITOR
UNIVERSIDAD LA SALLE EN EL MUNDO Dr. Cristian Lpez Del Alamo
clopez@ulasalle.edu.pe
COLABORADOR
Reynaldo Alfonte Zapana
http://ulasalle.edu.pe
Universidad La Salle - Arequipa INTRODUCCIN Vol. 4 No 1, Oclucianotubre 2016 2 / 26
humanidad; sin embargo, sus consecuen- del quehacer cientfico que requieren la que recuperen el humanismo y la liber-
cias nocivas ulteriores no se comienzan a necesidad de repensar un nuevo orden tad de pensamiento, y en la mar de in-
revelar sino hasta el siglo XX. epistemolgico y tico. La Universidad certidumbres encontrar algunos archipi-
est llamada a seguir creando las con- lagos temporales de certezas, para seguir
Son pues, muchas las dimensiones diciones para librar batallas intelectuales haciendo camino al andar.
consumen [17].
usando Agile [3], RAD [4], u otra meto- solicitudes, normalmente las empresas DC4
DC3
AppRM DC2CalcServer
CalcServer
CalcServer
pectiva externa, de tal forma que la apli- y medido, se utilizan pruebas, ajustes y
Figura 2:Representacin grfica que ejem-
cacin a ser desarrollada cuente con una diagnsticos. Sin embargo, no es raro
plifica un diseo de arquitectura de soft-
descripcin del entorno con el que va a que estas empresas descubran que el ren-
ware orientada a la nube
interactuar, (2) una perspectiva interna dimiento de sus aplicaciones est muy
que describe el comportamiento de la por debajo de las expectativas y por ende
aplicacin, (3) y una perspectiva estruc- necesitan un rediseo global que puede Conclusin
tural que describe la arquitectura lgica ser muy costoso.
de la aplicacin y la estructura de los La nube es una tecnologa que es-
datos que la aplicacin va a usar. Las tc- Para aadir aun ms complejidad al t ganando importancia y que est
nicas de modelado orientadas a objetos, tema, a diferencia de las aplicaciones en constante evolucin, esta tecno-
como UML [5], normalmente cubren la que operan en dispositivos individuales loga est cambiando la perspectiva
perspectiva interna y la perspectiva es- o en entornos predecibles, las aplicacio- de cmo el software debe de ser di-
tructural, dndole menos importancia a nes distribuidas y orientadas al comercio seado e implementado, y por ende
la perspectiva externa. electrnico operan en ambientes hetero- propone muchos retos, y genera mu-
gneos, posiblemente extendidos geogr- chas preguntas que hasta el momen-
Idealmente, un modelo de arquitec- ficamente, e interconectados por una red to no tienen una respuesta contun-
tura de software incluye diseos orien- de comunicacin, como en el caso de la dente.
tados a ofrecer un buen nivel de calidad nube. En la actualidad existen muchos
de servicio [16]. Parte de estos diseos proyectos enfocados a investigar es-
comprende un conjunto de polticas ge- ta tecnologa, por ejemplo, Envisa-
nerales que planifican cmo la aplicacin Caractersticas ge [10], HyVar [2], CloudML [8],
cumplir con los requerimientos fun- Cumulus [9]. En Particular, el pro-
cionales y no funcionales. Mientras que Una de las caractersticas a tener en cuen- yecto Envisage desarrolla una base
los requerimientos funcionales describen ta en este tipo de aplicaciones, es que se formal, que va ms all de la tec-
qu es lo que la aplicacin debe o no desconoce el nmero de usuarios finales, nologa actual de la nube, y que es-
debe de hacer y usualmente tienen un por consiguiente, estas aplicaciones po- t orientada a garantizar los acuer-
efecto localizado; los requerimientos no dran sufrir cambios inesperados en su dos de nivel de servicio (del ingls
funcionales se centran en cmo es que carga de trabajo, generando cuellos de SLA Service Level Agreement)
la aplicacin debe de operar, es decir se botella en ciertos componentes crticos. que ofrece la nube.
centra en propiedades globales que la Dichos cuellos de botella podran ser eli- Este proyecto usa mtodos formales
aplicacin debe de satisfacer [14]; como minados si la arquitectura de software y herramientas semi-automticas
por ejemplo: la aplicacin debe tener un est diseada e implementada para esca- para el anlisis formal de la calidad
nivel aceptable de tiempo de respuesta y lar y solicitar ms recursos a la nube, tan de servicio que se espera obtener de
debe de adaptarse a un nmero variable pronto como se detecte la presencia de la nube, dichos resultados podran
de usuarios. un pico en el nmero de usuarios o un en el futuro ser usados en las bases
pico en la cantidad de datos a procesar. legales de los contratos de servicios
Si nos enfocamos en el proceso de En la Figura 2 se puede observar una re- virtuales [10, 1].
modelado de arquitectura de software, presentacin grfica de una arquitectura
tanto investigadores como desarrollado- de software que tiene un flujo de trabajo
res de aplicaciones han hecho progresos parcialmente concurrente. Referencias
significativos en el modelado y anlisis
de requerimientos funcionales, pero aun La idea detrs de este modelo de ar- [1] EU FP7 ENVISAGE. ABS Collabo-
no se tiene una idea clara de cmo tratar quitectura, es utilizar un administrador ratory: The ABS toolchain. http:
Bronstein [3] utiliza los valores y vec- tcnicas basadas en representaciones es-
tores propios del operador, asociado con pectrales. Tal es el caso de [9], que utiliza
la forma de construir distancias mtricas la descomposicin del operador Laplace
invariantes, conocidas como distancias Beltrami para detectar puntos con mayor
de difusin, que han tenido resultados retencin de calor.
significativamente ms robustos en com-
paracin con la distancia geodsica. Mi investigacin presenta un mtodo
para encontrar correspondencias entre
los puntos de inters de objetos tridi-
mensionales no rgidos. Se propone un
mtodo de deteccin de puntos de in-
ters, reduciendo el tamao de espacio
de bsqueda. Finalmente, la bsqueda
de similaridad o disimilaridad entre los
key points es guiada por un mtodo de
Mcs Madeley Coaquira Congona bsqueda de correspondencias basado en
el anlisis de simetra.
Introduccin
La bsqueda de correspondencias es un
problema que, en la actualidad, ha si-
do ampliamente estudiado en el cam- Figura 1: Puntos de inters
po de imgenes 2D; en aplicaciones co- detectados sobre transformaciones
mo: imgenes mdicas, reconstruccin isomtricas modelos de [3]
de imgenes, entre otras; para lo cual se
emplean a menudo descriptores locales
basados en color y textura.
Sin embargo, en objetos 3D se in-
crementa la complejidad de la bsqueda Por otro lado, los objeto 3D se eva-
de correspondencias, ya que, en la vida lan, a menudo, a partir de un conjunto
real, los modelos 3D pueden presentar de puntos, que representen la totalidad
problemas de ruido, cambios topolgicos del objeto, estos puntos, son conocidos Figura 2: Correspondencias
y escalamiento. Adems, es necesario como puntos de inters o key points, ya encontradas con el mtodo
tener una representacin de los objetos que, evaluar el modelo punto a punto es propuesto. Ejemplo: Humano
de tal modo que se puedan procesar y as, computacionalmente caro. isometra, nivel 3. Modelos
tener una comprensin de la estructura de tomados de [3]
los objetos 3D a un nivel local y global. Existen tcnicas para la deteccin
de puntos de inters, como la tcnica
Para ello existen diversas formas, de de deteccin de esquinas de Harris [5],
encontrar descriptores que representen tcnica propuesta para imgenes, des- Para solucionar estos problemas se
los objetos 3D, una de las tcnicas ms pus, fue extendida para objetos 3D por presentan descriptores caractersticos ba-
usadas basadas en la geometra diferen- Glomb [4], y luego implementada por Si- sados en la auto descomposicin del ope-
cial es el Operador de Laplace Beltrami. piran y Bustos [7]. Por otro lado, existen rador de Laplace Beltrami, como es el ca-
so del descriptor Global Intrinsic Sym- El mtodo propuesto por Llerena [6], components que corresponden, para ello,
metry Invariant Function (GISIFs). est basado en el descriptor GISIFs. el resultado final se obtiene, plantean-
Una vez obtenido los key compo- do el objetivo como un MIQP (Mixed
nents, se determina el vector de caracte- Integer Quadratic Program), similar al
1. Metodologa propues- rsticas para cada key component, para mtodo propuesto por Sipiran [8]. Sin
ello, se obtiene el promedio de los des- embargo, la principal diferencia es que
ta criptores de caractersticas de todos los el mtodo propuesto est basado en la
vrtices que pertenecen al key compo- bsqueda de key components simtricos
Deteccin de puntos de inters nent. que corresponden.
La propuesta consiste, primeramente, El vrtice con la menor distancia eu- Entonces, se tiene Xc y Yc , dos key
en generar un descriptor basado en si- cldea al promedio obtenido, ser el vr- components que pertenecen a los mode-
metra y difusin de calor. Para obtener tice que represente el key components. los X y Y respectivamente, a cada uno le
las caractersticas simtricas, se propone Luego, para aprovechar las caracte- pertenece un conjunto de puntos de inte-
una variante del descriptor propuesto por rsticas simtricas que se obtienen del rs {x1 , x2 ...xi } y {y1 , y2 ...yj }, de igual
Wang [10]. descriptor GISIFS [10], se buscan los pa- forma que en [8], se define un valor boo-
res de key components simtricos. Estos leano, que permitir identificar si los pun-
Pl pares de key components son agrupados tos de inters corresponden o no.
j=1 2ij (p) si, la distancia eucldea es mnima con
f (p) = (1)
li respecto al resto.
Donde l es el nmero de repeticiones del 1 Si: xi corresponde yj
xi , yj =
autovalor i y ij es el autovector para 0 Otro caso
el autovalor j. (2)
MIQP del toolbox OPTI 1 . on 3D Object Retrieval, 3DOR me 15, page 50. Manchester, UK,
11, pages 7178, Aire-la-Ville, 1988.
Switzerland, Switzerland, 2011.
Eurographics Association. [6] Jan Llerena. Busqueda parcial en
Conclusin
modelos tridimensionales no rgi-
[2] A. M. Bronstein, M. M. Brons- dos mediante descriptores espectra-
Se proponen dos nuevos mtodos, tein, U. Castellani, A. Dubrovi- les. Masters thesis, Universidad
uno capaz de encontrar puntos de na, L. J. Guibas, R. P. Horaud, Nacional de San Agustn, Arequipa,
inters y el segundo corresponden- R. Kimmel, D. Knossow, E. von, Per, 2016.
cias entre puntos de inters de dos Lavante, D. Mateus, M. Ovsjani-
objetos 3D, basado en la descom- [7] Ivan Sipiran and Benjamin Bustos.
kov, and A. Sharma. Shrec 2010:
posicin de un modelo en key com- Harris 3d: a robust extension of the
Robust correspondence benchmark.
ponents y aprovechando la simetra harris operator for interest point de-
Eurographics Workshop on 3D
que presentan los objetos 3D. tection on 3d meshes. The Visual
Object Retrieval, 2010.
Computer, 27(11):963976, 2011.
Existen muchas aplicaciones en [3] Alexander M Bronstein, Michael M [8] Ivan Sipiran and Benjamin Bus-
diversas reas como: la arqueologa, Bronstein, Ron Kimmel, Mona tos. A fully hierarchical approach
medicina, cine, etc. Y con el auge en Mahmoudi, and Guillermo Sapi- for finding correspondences in non-
dispositivos para recuperar los datos ro. A gromov-hausdorff frame- rigid shapes. In Computer Vision
de objetos 3D, el rea de anlisis de work with diffusion geometry for (ICCV), 2013 IEEE International
cuerpos 3D, seguir creciendo, dan- topologically-robust non-rigid sha- Conference on, pages 817824.
do pase a mas aplicaciones que se- pe matching. International Journal IEEE, 2013.
rn parte de nuestra vida cotidiana. of Computer Vision, 89(2-3):266
286, 2010. [9] Jian Sun, Maks Ovsjanikov, and
Leonidas Guibas. A concise and
Referencias [4] Przemysaw Gomb. Detection of provably informative multi-scale
interest points on 3d data: Exten- signature based on heat diffusion.
[1] E. Boyer, A. M. Bronstein, M. M. ding the harris operator. In Marek In Computer graphics forum, vo-
Bronstein, B. Bustos, T. Darom, Kurzynski and Michal Wozniak, lume 28, pages 13831392. Wiley
R. Horaud, I. Hotz, Y. Keller, editors, Computer Recognition Online Library, 2009.
J. Keustermans, A. Kovnatsky, Systems 3, volume 57 of Advances
R. Litman, J. Reininghaus, I. Si- in Intelligent and Soft Computing, [10] Hui Wang, Patricio Simari, Zhixun
piran, D. Smeets, P. Suetens, pages 103111. Springer Berlin Su, and Hao Zhang. Spectral global
D. Vandermeulen, A. Zaharescu, Heidelberg, 2009. intrinsic symmetry invariant fun-
and V. Zobel. Shrec 2011: Robust ctions. In Proceedings of the 2014
feature detection and description [5] Chris Harris and Mike Stephens. A Graphics Interface Conference, pa-
benchmark. In Proceedings of combined corner and edge detector. ges 209215. Canadian Information
the 4th Eurographics Conference In Alvey vision conference, volu- Processing Society, 2014.
(a) Comparacin del descriptor HKS (b) Comparacin del descriptor WKS () Comparacin del descriptor GISIF
Figura 4: Variacin de PrecisionRecall al emplear bag of words y distintos tamaos de diccionarios para el proceso de bsqueda
Figura 5: (a) Consulta, (b) 5 mejores resultados del proceso de bsqueda parcial
A pesar de los avances y esfuerzos tomatizada?, cmo afrontar aquellas de- Referencias
que se vienen realizando en esta rea, formaciones generadas en el proceso de
an hay muchos problemas abiertos por adquisicin de modelos y que alteran su
[1] M. Aubry, U. Schlickewei, and
resolver: Cmo combinar globalidad y estructura de manera considerable? Estas
D. Cremers. The wave kernel
localidad de manera eficiente para tener y muchas ms interrogantes permiten que
signature: A quantum mechani-
una mejor representacin de los mode- esta rea siga en constante crecimiento y
cal approach to shape analysis.
los?, es posible usar redes neuronales y haya recibido un inters especial por par-
In Computer Vision Workshops
deep learning para aprender caractersti- te de la comunidad cientfica en los lti-
(ICCV Workshops), 2011 IEEE
cas y clasificar modelos de manera au- mos aos.
International Conference on, pages
16261633, Nov 2011. track: Shape retrieval on non-rigid 3d vably informative multi-scale signa-
watertight meshes. In Proceedings ture based on heat diffusion. In
[2] Benjamin Bustos, Daniel A. Keim,
of the 4th Eurographics Conference Proceedings of the Symposium on
Dietmar Saupe, Tobias Schreck, and
on 3D Object Retrieval, 3DOR 11, Geometry Processing, SGP 09, pa-
Dejan V. Vranic. Feature-based simi-
pages 7988, Aire-la-Ville, Switzer- ges 13831392, Aire-la-Ville, Swit-
larity search in 3d object databases.
land, Switzerland, 2011. Eurograp- zerland, Switzerland, 2009. Euro-
ACM Comput. Surv., 37(4):345
hics Association. graphics Association.
387, December 2005.
[4] Ivan Sipiran and Benjamin Bus-
[3] Z. Lian, A. Godil, B. Bustos, [6] Hui Wang, Patricio Simari, Zhixun
tos. Key-components: detection
M. Daoudi, J. Hermans, S. Kawamu- Su, and Hao Zhang. Spectral glo-
of salient regions on 3d meshes.
ra, Y. Kurita, G. Lavou, H. V. Ngu- bal intrinsic symmetry invariant fun-
The Visual Computer, 29(12):1319
yen, R. Ohbuchi, Y. Ohkita, Y. Ohis- ctions. In Proceedings of the 2014
1332, 2013.
hi, F. Porikli, M. Reuter, I. Sipi- Graphics Interface Conference, pa-
ran, D. Smeets, P. Suetens, H. Ta- [5] Jian Sun, Maks Ovsjanikov, and Leo- ges 209215. Canadian Information
bia, and D. Vandermeulen. Shrec11 nidas Guibas. A concise and pro- Processing Society, 2014.
especficas entre cada aplicacin. Para la recuperacin de mo- Como punto inicial, utilizamos la siguiente definicin de gro-
delos basados en la forma, las siguientes caractersticas son re- sor de un modelo a lo largo de un rayo r. Un rayo r con 2n
levantes [5, 6, 7]: intersecciones xi , 1 i 2n con un modelo genera n valores
de grosor ti = kx2i+1 x2i k, 1 i n siendo las distancias
Capacidad de discriminacin entre puntos de interseccin consecutivos a lo largo del rayo.
En nuestro trabajo solo utilizamos el grosor usando t0 , es decir
Invarianza
la distancia entre la primera y la segunda interseccin entre el
Robustez modelo y el rayo. Esto no disminuye la calidad del descriptor
dado que las intersecciones ms profundas generalmente son
Escalabilidad capturadas por los valores t0 de otros rayos o pertenecen a de-
talles muy especficos los cuales no son nada visibles, desde un
Guiados por estas caractersticas deseables, nace el descrip- punto de vista alejado del modelo.
tor DCTH (Depth Complexity and Thickness Histogram), un
descriptor estadstico basado en dos medidas: la complejidad
Descriptor DCTH
de la profundidad de un modelo y (DC) y la distribucin de su
grosor (T). Estas dos caractersticas intentan capturar las carac- El descriptor DCTH es un histograma 2D obtenido al juntar los
tersticas geomtricas y topolgicas de un modelo 3D, respecti- histogramas 1D de los descriptores DC y T. DCTH correlacio-
vamente. De esta manera se incrementa el poder discriminativo na la frequency de valores de ambos histogramas y obtiene una
del descriptor. Ambas tcnicas son robustas en la presencia de mejor discriminacin que al utililzar los histogramas separada-
transformaciones rgidas y pueden ser implementadas eficien- mente. Figura 3.
temente en la GPU.
Medida de disparidad
[1] Osada, Robert and Funkhouser, Thomas and Chazelle, Ber- [7] Mingqiang, Yang and Idiyo, Kpalma K. and Joseph, Ron-
nard and Dobkin, David. Shape distributions. ACM Trans. sin. A Survey of Shape Feature Extraction Techniques.
Graph, 26(4):807832,2002. Pattern Recognition, Peng-Yeng Yin (Ed.),43-90, 2008.
Dilogos de Conciencia
El 21 de setiembre a las 17:00 horas se realiz en el Audi- (Maestro en Investigacin Integrativa por la Universidad
torio de la Universidad La Salle el conversatorio denomi- Multiversidad Mundo Real Edgar Morn, Mxico).
nado Dilogos de Conciencia Una contra uno o una con
uno, organizado por la Direccin de Proyeccin Social y
Difusin Cultural.
Algoritmos de aprendizaje
Aprendizaje supervisado
Se caracteriza porque su entrenamiento
es controlado por un agente externo. Este Figura 4: Arquitectura CNN para Figura 5: Clasificacin de ciclones
agente externo gua el entrenamiento la clasificacin del clima [4] tropicales mediante una
del modelo mediante una comparacin arquitectura CNN [12]
entre las salidas deseadas (targets) y
La salidas proporcionadas por el mode-
lo [13].
Climatologa
Aprendizaje no supervisado
El aprendizaje se realiza presentando di- Conclusin
Actualmente la amplia disponibi-
rectamente los datos al modelo, es decir, lidad de grandes volmenes de datos
ahora no existe un agente supervisando climatolgicos han motivado, a muchos
el entrenamiento [13]. En este caso, se investigadores, a buscar patrones ocultos, El deep learning es una imita-
deber ajustar sus parmetros en base a en esta enorme cantidad de informacin; cin simplificada del funcionamien-
la correlacin existente entre los datos de con el fin de comprender los fenmenos to del cerebro humano. Reciente-
entrada [6]. climticos y meteorolgicos. mente deep learning centr su aten-
cin en el tratamiento de datos no
En las arquitecturas del deep lear- Por otro lado, en el pasado, se han etiquetados y secuenciales, debido
ning, algunas redes poseen o utilizan desarrollado varios mtodos estadsticos a que muchas de sus aplicaciones
ambos tipos de entrenamientos, ya sea para analizar seales temporales con el y tcnicas se han enfocado en algo-
comenzando con un pre-entrenamiento fin de analizar y predecir patrones. ritmos de aprendizaje supervisado y
supervisado y finalizando con uno no su- datos estticos
pervisado o viceversa [17]. En tal sentido, la gran cantidad de
informacin y el comportamiento tempo-
ral de los datos del clima, hace que estas Referencias
Aplicaciones tcnicas no logren resultados promete-
dores. Sin embargo y dado que en estos [1] Ronan Collobert, Jason Weston,
Deep learning est realizando avances ltimos aos, se han desarrollado nuevos
Lon Bottou, Michael Karlen, Ko-
relevantes en el mbito de la Inteligen- computadores con mayor capacidad de
ray Kavukcuoglu, and Pavel Kuk-
cia Artificial, resultando eficiente en el procesamiento, ahora es factible desa-
sa. Natural language processing
descubrimiento de estructuras complejas rrollar mtodos basados en Inteligencia
(almost) from scratch. Journal
en datos de alta dimensionalidad [11]. Artificial para la prediccin y anlisis de
of Machine Learning Research,
Por ejemplo, Deep learning bati rcord grandes volmenes de datos, como lo es
12(Aug):24932537, 2011.
en el reconocimiento de imgenes [10] y el Deep Learning.
voz [7], adems ha producido resultados
[2] Li Deng. An overview of deep-
prometedores para la comprensin del Es por esta razn que la Universi- structured learning for information
lenguaje natural [1], como: el anlisis de dad Nacional de San Agustn en conjun-
processing. In Proceedings of
sentimientos, clasificacin de tpicos y to de la Universidad La Salle de Arequi-
Asian-Pacific Signal & Information
la traduccin de idiomas. pa, la Pontificia Universidad Catlica de Processing Annual Summit and
Lima y el Instituto de Investigacin de Conference (APSIPA-ASC), 2011.
[3] Li Deng, Jinyu Li, Jui-Ting Huang, Nguyen, Tara N Sainath, et al. Deep Wehner, William Collins, et al. Ap-
Kaisheng Yao, Dong Yu, Frank Sei- neural networks for acoustic mode- plication of deep convolutional neu-
de, Michael Seltzer, Geoff Zweig, ling in speech recognition: The sha- ral networks for detecting extreme
Xiaodong He, Jason Williams, et al. red views of four research groups. weather in climate datasets. arXiv
Recent advances in deep lear- IEEE Signal Processing Magazine, preprint arXiv:1605.01156, 2016.
ning for speech research at micro- 29(6):8297, 2012.
soft. In 2013 IEEE International [13] Glen Jhan Pierre Restrepo Arteaga
Conference on Acoustics, Speech [8] Geoffrey E Hinton, Simon Osinde- et al. Aplicacin del aprendizaje
and Signal Processing, pages 8604 ro, and Yee-Whye Teh. A fast lear- profundo (deep learning) al proce-
8608. IEEE, 2013. ning algorithm for deep belief nets. samiento de seales digitales. 2015.
Neural computation, 18(7):1527
[4] M. Elhoseiny, S. Huang, and A. El- [14] Hannes Schulz and Sven Behn-
1554, 2006.
gammal. Weather classification ke. Deep learning. KI-Knstliche
[9] Gilberto Iglesias, David C Kale, Intelligenz, 26(4):357363, 2012.
with deep convolutional neural net-
works. pages 33493353, Sept and Yan Liu. An examination of [15] Christian Szegedy, Alexander Tos-
2015. deep learning for extreme clima- hev, and Dumitru Erhan. Deep neu-
te pattern analysis. In The 5th ral networks for object detection.
[5] Dumitru Erhan, Christian Szegedy, International Workshop on Climate In Advances in Neural Information
Alexander Toshev, and Dragomir Informatics, 2015. Processing Systems, pages 2553
Anguelov. Scalable object de-
2561, 2013.
tection using deep neural net- [10] Alex Krizhevsky, Ilya Sutskever,
works. In Proceedings of the and Geoffrey E Hinton. Imagenet [16] Jordi Torres. First contact with ten-
IEEE Conference on Computer classification with deep convolutio- sorflow. get started with deep lear-
Vision and Pattern Recognition, pa- nal neural networks. In Advances ning programming. 2016.
ges 21472154, 2014. in neural information processing
systems, pages 10971105, 2012. [17] Dong Yu, Li Deng, and D Yu. Deep
[6] Bryan Garca Navarro. Implemen- learning methods and applications.
tacin de tcnicas de deep learning. [11] Yann LeCun, Yoshua Bengio, and Foundations and Trends in Signal
2015. Geoffrey Hinton. Deep learning. Processing, 2014.
Nature, 521(7553):436444, 2015.
[7] Geoffrey Hinton, Li Deng, Dong [18] Jiajun Zhang, Chengqing Zong,
Yu, George E Dahl, Abdel-rahman [12] Yunjie Liu, Evan Racah, Joaquin et al. Deep neural networks in
Mohamed, Navdeep Jaitly, Andrew Correa, Amir Khosrowshahi, David machine translation: An overview.
Senior, Vincent Vanhoucke, Patrick Lavers, Kenneth Kunkel, Michael IEEE Intelligent Systems, 15, 2015.
Bebs 3D
al beb dentro de todos los datos que provee el examen de ul- vestigacin IPRODAM y al profesor Alex Bronstein. Fueron
trasonido. grandes motivadores para que me introduzca en este fascinante
mundo 3D. Adems quiero animarlos a que ustedes tambin
Quiero finalizar este artculo agradeciendo a todos mis pro- lo hagan, ya que es el presente y tal vez por algn tiempo el
fesores de la Universidad Nacional de San Agustn (donde hice futuro. Start thinking in 3D!
mi pregrado en ciencia de la computacin), a mi grupo de in-
y desarrolladas por el humano, mediante En definitiva, todas las reas de CS se observa que los vectores gradientes
un lenguaje de programacin y, de este requieren entender varios conceptos ma- de la funcin curvatura sobre el mode-
modo, ejecuta lo que nosotros los huma- temticos que les dieron origen, ya sea lo se dirigen hacia las zonas de color rojo.
nos le indiquemos. Inteligencia Artificial, Seguridad, Video-
juegos, Robtica, Computacin Grfica, Dada la complejidad de los proble-
Muchos problemas complejos requie- Computacin de Alto Desempeo, Inge- mas y considerando que muchos de ellos
ren soluciones donde la parte matemtica niera de Software, Computacin Mole- son problemas NP, es necesario enten-
es indispensable, y como programadores cular y Biolgica, todas y cada una de derlos y manipularlos algortmica y ma-
o estudiantes de ciencias de la compu- ellas con conceptos matemticos y al- temticamente para as lograr relajarlos y
tacin no podemos huir de ella. goritmos particulares y compartidos con obtener soluciones polinomiales, de mo-
otras reas y ciencias como la Fsica. do que sea factible encontrar soluciones
Por ejemplo, muchos de los cursos con la menor complejidad posible.
como clculo parecen no tener una apli- De todas las reas mencionadas ante-
cacin directa y, cuando llevamos el cur- riormente, Computacin Grfica es una Por esa razn para resolver un pro-
so, nos preguntamos para qu sirve la de las que ms matemtica requiere, par- blema se necesita de otras reas, como
derivada? o qu puedo hacer con las in- ticularmente unas de sus sub-reas como por ejemplo: La Programacin Paralela
tegrales? Este tipo de cuestionamientos, Geometra Computacional y Anlisis de y en GPU es indispensable, dadas las
surge generalmente, debido a que memo- Formas tridimensionales. stas son las grandes cantidades de datos a manipu-
rizamos las frmulas sin haber entendido reas en las cuales investigamos, nos lar, todos nuestros programas deberan
los conceptos que le dieron origen. Sa- fuimos involucrando desde pre-grado en sacarle el mayor provecho a los recur-
bemos que si y = x2 entonces y 0 = 2x los cursos de tesis y dentro del grupo de sos del computador. La Inteligencia Arti-
o si y = sin x entonces y 0 = cos x; pe- investigacin IPRODAM, donde descu- ficial es otra rea necesaria para resolver
ro cmo puedo calcular la derivada de brimos el porqu de muchos conceptos problemas, porque el objetivo final de la
una imagen? o, lo que es ms importante, matemticos aplicados en el anlisis de computacin es que el computador reali-
qu significa la derivada en una imagen? formas 3D, as como las herramientas ne- ce tareas solo, sea lo suficientemente in-
cesarias para manipular y resolver estos teligente para diferenciar una silla de una
Si comprendemos el qu y cmo de problemas. mesa, reconocer a un humano que est
cada uno de los conceptos, entonces, el sentado o parado, con o sin brazos.
aprender derivadas comienza a tomar A medida que avanzamos en la inves- Una de las reas necesarias para re-
sentido. Por ejemplo, una imagen que se tigacin, vamos comprendiendo cmo la solver problemas en mallas, es la de
representa como una matriz en el compu- matemtica se vuelve una herramienta optimizacin, donde dada un conjunto de
tador, se puede ver como una funcin para resolver y entender los problemas restricciones y una funcin objetivo se
f : N2 [0 : 255], y si la imagen es dentro de esta rea, pero para resolver- trata de encontrar la solucin que mini-
una funcin entonces cmo se calcula los no slo basta con usarla, hay que mice la ecuacin; es as que por ejemplo,
su derivada y qu representa? Este tipo comprender el porqu y el cmo funcio- uno de los problemas es el de encontrar
de preguntas son fundamentanles para nan todos estos conceptos matemticos la forma cannica de cuerpos no rgidos
entender las aplicaciones de estos y mu- y cmo ellos pueden ser discretizados en el espacio eucldeo, es un problema
chos otros conceptos en computacin. y convertidos en algoritmos; conceptos cuya solucin ptima puede no estar en
que van desde topologa, anlisis fun- R3 sino en un espacio de alta dimen-
cional, lgebra lineal, optimizacin con- sionalidad y el espacio de bsqueda es
vexa, estadstica, conjuntos, superficies aun mayor, un problema NP, pero es po-
de Riemann, anlisis funcional, escala- sible resolverlo si la condicin de que
miento multidimensional, entre muchas las distancias eucldeas deben coincidir
otras; as como otras reas de CS se vuel- exactamente con las distancias geodsi-
ven tambin herramientas necesarias, las cas entre puntos, admitiendo un error, en
cuales debemos entender para resolver tiempo polinomial y llevarlo a un proble-
un problemas de manera eficiente, co- ma resolvible con optimizacin convexa.
mo por ejemplo: anlisis de algoritmos,
estructuras de datos, lenguajes de progra- Otro ejemplo es el clculo de distan-
Figura 1: Zonas de curvatura
macin. cias geodsicas; en nuestra investigacin
una de las herramientas bsicas es el al-
Un ejemplo de las cosas en las cuales goritmo de Fast Marching, para poder
Uno de los primeros cursos de mate- investigamos se puede ver en la primera encontrar el mapa de distancias geod-
mtica, en pregrado, es clculo y, quizs, figura, aqu se observa un modelo tridi- sicas en una malla tridimensional, es un
sea uno de los cursos donde ver una apli- mensional donde las zonas en color rojo algoritmo de orden O(log n), del cual
cacin directa sea difcil; pero es casi representan las zonas con mayor curva- dependen otros algoritmos, como por
seguro que en todas las reas de ciencias tura y las zonas con color azul las zonas ejemplo para calcular el muestreo de
de la computacin nos topemos, de una u planas del modelo; este mapa de curva- puntos en una malla, es necesario usar
otra forma, con derivadas e integrales y tura fue calculado usando Global Point repetidas veces el clculo de distancias
muchos otros conceptos matemticos. Signature (GPS). En la segunda figura geodsicas tantas muestras necesitemos
se resalta el campo de gradientes, donde para cubrir todo el modelo, lo cual para
mallas con ms de 500 000 vrtices es una a pantalla, la cual posee una cmara
un proceso lento, entonces tuvimos que 3D que escanea su cuerpo en tiempo real,
desarrollar un algoritmo en paralelo de Manipular y resolver problemas con as ella puede observar cmo le queda
Fast Marching con la finalidad de reducir formas 3D desde la representacin en el la ropa sin necesidad de hacerlo fsica-
la complejidad algoritmica a O(kn) don- computador hasta el anlisis de formas mente, otro ejemplo a futuro es el de
de k es constante. no rgidas, clculo de distancias geod- manipular interfaces al estilo de Tony
sicas, nos lleva a un mundo donde la Stark, cuando manipula a JARVIS solo
Para la representacin de las mallas programacin y la matemtica van de la con movimientos de sus manos y no co-
usamos una estructura de datos compacta mano, y nos llevan a otras reas como la mo es lo usual mediante clicks.
llamada Compact Half Edge, la cual b- Fsica donde es posible usar la ecuacin
sicamente permite realizar operaciones del calor o la onda para calcular distan-
en mallas de manera eficiente con com- cias, descriptores 3D, correspondencias, Conclusin
plejidad O(1). etc.
Renata Wassermann
Doctora en Ciencia de la Computacin por la Universidad de msterdam (1999).
Es magster en Matemtica Aplicada por la a Universidad de So Paulo (1995), es
bachiller en Ciencia de la Computacin por la Universidad de So Paulo (1991).
Actualmente, es profesora del Departamento de Ciencia de la Computacin del
Instituto de Matemtica y Estadstica de la Universidad de So Paulo. Miembro del
grupo de investigacin LIAMF (Logic, Artificial Intelligence and Formal Methods)
Intereses acadmicos: Lgica y Representacin del Conocimento
conveniente hacer visibles las investigaciones que se realizan, Ese tema ha generado mucha discusin a favor y en con-
teniendo en cuenta que deben ser publicaciones de alta cali- tra. Creo que s es importante, sobre todo entre las empresas
dad y, en tal sentido, deben ser publicadas en lugares de alto privadas y el rea de ciencia de la computacin de las universi-
impacto, lo cual les da una alta visibilidad entre grupos de in- dades. Sin embargo, tenemos que destacar que la investigacin
vestigadores a nivel mundial. no puede ser totalmente dependiente de los intereses de la in-
versin privada.
Por ejemplo, en el rea de inteligencia artificial tenemos
KR 3 , AAAI 4 , etc. Si queremos que nuestros trabajos de inves-
tigacin sean relevantes y tiles para otros grupos de investiga- Los trabajos cientficos, no pueden, nicamente, seguir los
cin debemos buscarse, siempre, la divulgacin en revistas de intereses financieros de las empresas sin tener como objeti-
alto impacto. vo principal, realizar un avance cientfico. Sin embargo, exis-
ten varios trabajos importantes que se realizan en colaboracin
Usted considera importante la unin de la empresa con empresas privadas. Normalmente, funciona bien cuando un
privada y la universidad? proyecto es desarrollado en la universidad y una empresa des-
cubre que podra ser til para ella.
Fabio Kon
Fabio Kon, profesor titular de ciencia de la computacin del Instituto de
Matemtica y Estadstica de la Universidad de So Paulo. Coordinador adjunto de
investigacin para inovacin de la FAPESP y Editor-jefe de SpringerOpen Journal
of Internet Services and Applications, acta en reas de emprendedurismo digital,
software libre, sistemas distribuidos y ciudades inteligentes. Autor de varios
artculos internacionales de alto impacto. Recibi recientemente el premio ACM
Middleware 10-Year Best Paper Award. Fabio es consejero voluntario de varias
startups de software, inclusive en el rea de Ciudades Inteligentes
otros, por medio del conocimiento gene- micos tienen una tendencia natural a in-
rado y diseminado para una gran cantidad Usted considera importante la unin vestigar lo que ellos creen tcnicamente
de personas; por el desenvolvimiento de de empresa privada y universidad? interesante y no lo que puede ayudar a la
un producto comercial o de una Startup, humanidad. Por medio de la relacin con
o por medio de una publicacin cientfica Una buena relacin entre empresas las empresas, somos forzados a pensar en
en un journal o congreso internacional de y universidade es absolutamente esencial resultados que puedan realmente ser usa-
alto impacto. para garantizar que lo que hacemos en la do en la prctica a medio o largo plazo.
universidad no es intil. Muchos acad-
Por otro lado, actualmen- formulacin y aplicacin de tambin, han sido consoli-
te, estoy desarrollando, en co- protocolos de investigacin dados, como la publicacin
laboracin con colegas del ex- no triviales. de software en repositorios
terior y con mis estudiantes open source, la publicacin
de doctorado, modelos con- de datos experimentales y de
Cul sera el perfil de los
ceptuales y formas de inter- protocolos para experimenta-
estudiantes en su
eacciones. En el futuro, pre- cin y reproduccin de expe-
investigacin?
tendo evaluar como esos mo- rimentos. Todos esos caminos
delos se comportan en dife- deben ser explorados por los
rentes dominios de aplicacin. Como mencion anterior- investigadores y estudiantes,
mente, esos trabajos son mul- especialmente de doctorado y
tidisciplinares. Considero im- maestra. Se debe cultivar la
Cules cree que sean los portante contar con un grupo
Flvio Soares Corra da prctica de buscar vehculos
desafos intelectuales en su grande de estudiantes con bas-
Silva y mecanismos de publicacin
rea de investigacin? tante diversidad, pues es ne- que lleven los resultados cien-
cesario desarrollar resultados tficos a una gran cantidad de
Esta rea es multidiscipli- formales, tericos y matem- lectores y usuarios, bien como
nar y requiere metodologas ticos, e implementar platafor- a lectores y usuarios que sa-
de investigacin que combi- mas de software no triviales brn utilizar ese material para
Nos podra hablar sobre nan metodologas encontradas para utilizarlas en experimen- continuar generando conoci-
sus proyectos actuales y en diferentes reas como: tos biolgicos y sociales. miento innovador y cientfico.
futuros? teora de la computacin,
sistemas complejos y estocs-
En este momento el fo- ticos, investigacin emprica Cmo usted explicara a Siendo as, es fundamental
co de mi trabajo ha sido el en fenmenos biolgicos y los alumnos de otras publicar artculos, software,
estudio de interacciones. In- sociales. universidades latinas la datos y protocolos experi-
teraciones son fenmenos importancia de realizar mentales, de modo tal, que
bastante amplios. Especial- La combinacin de esas publicaciones de gran sea factible influenciar posi-
mente, estoy interesado en metodologas es un gran impacto? tivamente las comunidades
sistemas complejos que con- desafo en s mismo y, una cientficas y de innovacin.
tienen componentes compu- vez vencido ese desafo, ser La publicacin de artcu-
tacionales y humanos, y son necesario aplicar los precep- los cientifcos contina siendo Un camino tradicional, pe-
denominados computadores tos metodolgicos resultantes nuestro vehculo ms eficaz de ro no es el nico, para eso
sociales. para la obtencin de resulta- divulgacin de resultados. Re- son los medios de publicacin
dos vlidos, lo que exigir la cientemente, otros caminos, altamente reconocidos, como
peridicos con alto impacto publicacin de alto impacto. cin y la universidad puede en las universidades.
en repositorios con altos ndi- ser benfica para todos y debe
ces de uso. Felizmente, para Usted considera ser incentivada. Esa integra- Es preciso crear mecanis-
los investigadores distantes de importante la unin de la cin, entre tanto, debe ser mos giles de formulacin de
grandes centros de investiga- empresa privada y construida de forma cuida- contratos de cooperacin que
cin, actualmente esa distan- universidad? dosa para evitar distorciones impidan el mal uso de los re-
cia no es ms una barrera para que puedan desvirtuar las ac- cursos disponibles tanto en las
conseguir alcanzar canales de La integracin entre em- tividades, tanto en los centros empresas como en las univer-
presas interesadas en innova- privados de innovacin como sidades.
La Inteligencia Artificial en la vida real est cambiando nuestra vida y sin duda de toda la humanidad.
La Salle en el Mundo
Suramrica Norteamrica
1. Centre lasallien dtudes Suprieures en ducation CL Port de Paix, Hait 1. Bethlehem University, Bethlehem, Palestina
2. Centro Universitrio La Salle UNILASALLE Canoas RS-, Brasil 2. Christ the Theacher Institute of Education, Nairobi, Kenya
3. Corporacin Universitaria Lasallista Caldas, Antioquia, Colombia 3. Christian Brothers University Memphis, Estados Unidos
13. Instituto Tcnico Central Bogot, Colombia 2. De La Salle Catholic University Manado, Indonesia
14. Institutos Superiores La Salle (UNILASALLE-RJ) Niteroi - Ro de Janeiro, Brasil 3. De La Salle Health Sciences Institute Cavite, Filipinas
15. IPA - Instituto Pastoral de la Adolescencia Buenos Aires, Argentina 4. De La Salle Lipa Lipa City, Filipinas
16. UCB Universidad Catlica de Brasilia Tanguatinga, Brasil 5. De La Salle University Manila, Filipinas
17. Unio Brasiliense de Educao e Cultura UBEC Brasilia, Brasil 6. De La Salle Canlubang Bian, Filipinas
18. Unilasalle Manaus - AM Manaus - AM, Brasil 7. De La Salle Dasmarias Cavite, Filipinas
8. Universidad La Salle Oaxaca Oaxaca, Mxico 4. Fratelli Delle Scuole Cristiane - LA SALLE ROMA Roma, Italia
9. Universidad La Salle Cancn Quintana Roo, Cancn, Mxico 5. Insititute Polytechnique LaSalle Beauvais Beauvais, Francia
10. Universidad La Salle Cd. Victoria Tamaulipas, Cd. Victoria, Mxico 6. Institut Reine Astrid De Mons (IRAM) Mons, Blgica
11. Universidad La Salle Cuernavaca, A.C. Morelos, Cuernavaca, Mxico 7. Institut Suprieur DArchitecture St.Luc de Bruxelles Bruxelles, Blgica
12. Universidad La Salle Laguna Durango, Laguna, Mxico 8. Instituto San Pio X Madrid, Espaa
13. Universidad La Salle Mxico (ULSA) Distrito Federal - Cd. de Mxico, Mxico 9. ISAIP - ESAIP Angers, Francia