Polo de innovación

El compromiso de Tracasa con la innovación es parte de nuestro ADN y tiene reflejo en innumerables compromisos y acciones. Con el único objetivo de que la innovación se hiciese realidad y llegase a nuestros productos y servicios vimos necesario crear el contexto adecuado para su desarrollo. La creación de un Hub de innovación como grupo de personas multidisciplinar en donde esté representado el Know-How de la compañía y en donde se produzcan sinergias enriquecedoras entre equipos y proyectos, ha reducido enormemente el “time to market” y está dotando a nuestros proyectos de un desarrollo tecnológico que los sitúa a la vanguardia del mercado.

Por otro lado, es potencialmente enriquecedor mantener una estrecha colaboración con otras instituciones y empresas en aras de crear un networking que nos beneficie a todos. Permitiendo que afloren ideas de innovación, así como posibilitar acceso a fuentes de conocimiento y recursos externos que complementen a los nuestros. En esta línea estamos trabajando estrechamente con el equipo de Inteligencia Artificial y Razonamiento Aproximado (GIARA) de la Universidad Pública de Navarra. Incluyendo en nuestro propio equipo a reconocidos referentes en inteligencia artificial y ciencia de datos. Por último, también hemos establecido vínculos de colaboración con centros de investigación, empresas públicas y privadas.

Campos de investigación

Inteligencia artificial

Desde la creación del polo de innovación la ciencia de datos y la inteligencia artificial se han postulado como el eje principal de nuestras líneas de investigación y desarrollo tecnológico. Con este potencial, debemos ser capaces de sintetizar en modelos artificiales el conocimiento que a día de hoy atesoran los equipos de producción, automatizando los procesos de menor valor añadido o repetitivos y mejorando los más complejos con el apoyo de estas técnicas.

La investigación en modelos y técnicas de machine learning y deep learning están llevando nuestros desarrollos a otra escala de resultados. Destinando nuestro conocimiento y esfuerzo a la investigación de las diferentes arquitecturas de redes neuronales y mejorando su entrenamiento a partir de la mejora en la anotación de muestras, optimizadores y técnicas de aumentación.

Toda la experiencia adquirida en esta temática nos está permitiendo tener una ingeniería de procesos madura en el flujo de trabajo de ciencia de datos. Así, la automatización de los procesos de preparación de datos, ingeniería de características, entrenamiento, validación y despliegue nos permite asegurar la calidad de los modelos y mantenerlos actualizados.

Por último, la investigación en herramientas fiables de validación y contraste de métricas y el uso de técnicas de explicación de la predicción de los modelos de redes neuronales nos permiten seguir mejorando las muestras y los modelos.

Datos e imágenes

Desde los comienzos de la compañía allá por los años 80 ha existido una férrea relación entre Tracasa y los sistemas de información digital y geográfica, así como con el procesamiento de datos en el ámbito de estos sistemas. Por otro lado, con el fin de dotar a nuestros productos y servicios de la mayor calidad posible, la diferente naturaleza de los datos nos ha obligado a especializarnos en muy diferentes ámbitos de la ciencia: geología, geofísica, matemáticas, ingeniería, etc.

Como de todos es sabido, cada vez el volumen de la información que manejamos las compañías es mayor. Bien porque hay más sensores desplegados recogiendo información o porque las muestras son más frecuentes y precisas. El adecuado conocimiento de la naturaleza del dato, junto con el dominio del procesamiento del mismo, nos permitirá obtener resultados más precisos y fieles a la realidad.

Las líneas de investigación en el procesamiento de datos e imágenes están dando ya muy buenos resultados a través de modelos matemáticos y estadísticos de clusterización, detección de outliers, clasificación, segmentación y detección de cambios en las siguientes tipologías de datos:

Series temporales

La recogida de información de un determinado fenómeno a intervalos secuenciales en el tiempo se le conoce como serie temporal. Son muchos los tipos de sensores que pueden generar series temporales y su uso y aportación depende del objetivo que se busque. Un creciente aumento de la cantidad de sensores desplegados a nivel mundial (IoT) está provocando un incremento de los estudios que pueden disponer de series temporales para su utilización.

La predictibilidad de los fenómenos físicos y ambientales exige cada vez más trabajar con muestras temporales o espacio- temporales. Siendo vital e insustituible el uso de estas series en la detección de anomalías, estudios preventivos e inferencia de situaciones futuras. Esta línea de innovación está ya consolidándose y beneficiando directamente a proyectos relacionado con estudios de índices medioambientales, atmosféricos, meteorológicos, agrícolas, etc.

Nubes de puntos

La recopilación de muestras a partir de sensores LiDAR genera una nube de puntos geo referenciados por cada rebote que ejerce un laser pulsado emitido desde el sensor sobre la superficie a estudio. La reducción de los costes y la mejora continua de estos sensores hace que cada vez tengamos más datos capturados y con una densidad mayor de puntos. El crecimiento exponencial de los datos LiDAR y la heterogeneidad de los sensores en el mercado hace cada vez más inviable el procesamiento manual o semiautomático.

Hecho que motivó la apertura de esta línea de investigación desde hace años y que por los logros ya obtenidos nos ha posicionado a la vanguardia del mercado. Proyectos relacionados con la generación de modelos de superficie o de terreno, hidrografía, mobile mapping, cartografía 3D, etc ya se están beneficiando de los avances obtenidos en esta línea de investigación.

Imágenes multiespectrales

Las imágenes multiespectrales capturan datos en diferente rangos de longitud de onda electromagnética almacenándolos en diferentes bandas específicas. Estas bandas registran no solo longitudes de onda perceptibles para el ojo humano (RGB), sino también otras longitudes de onda como el Infrarrojo. La obtención de este tipo de imágenes por nuestra cuanta a partir de levantamientos aerotransportados o con el uso de proveedores de imágenes recogidas desde satélites, nos proporciona un repositorio muy rico y variado de opciones en donde aplicar nuestros desarrollos tecnológicos.

El análisis y procesamiento de este tipo de imágenes es vital para estudios espacio-temporales en muchos de los proyectos que desarrollamos y la investigación en la mejora de la clasificación, segmentación, clusterización y superresolución de este tipo de imágenes de forma automática y precisa permite mejorar sustancialmente los resultados de nuestros proyectos. Temáticas como la de uso y cobertura del suelo, estudios sobre afectación de catástrofes ambientales, desarrollo urbano, forestación, deforestación, etc se están beneficiando ya de los avances en esta línea de investigación.

Imágenes radar

La emisión de un pequeño pulso de energía electromagnética y la captación del eco con precisión direccional a través de la medición del tiempo entre emisión y recepción permite obtener imágenes que una vez tratadas pueden reflejar el relieve de la superficie. Una de las características más diferencial de las imágenes radar es que no les afecta la cobertura nubosa y que pueden ser adquiridas de noche.

Por lo general, por si solas ya presentan un valor altísimo para innumerables estudios, pero añadidas a las imágenes multiespectrales se puede conseguir niveles de precisión nunca antes alcanzados. Son varios los trabajos y proyectos que ya se benefician de los avances en esta línea de investigación de imágenes radar. Temáticas como la clasificación de cultivos, rugosidad, desplazamiento y deformación del terreno, etc.

Computación

Un característica recurrente en todas las iniciativas de investigación es el volumen de datos y la ingestión de los mismos a través de su procesamiento o computación. De por sí sólo el desarrollo tecnológico en el área de la computación es de gran valor, pero toma tintes estratégicos cuando el éxito en el resto de investigaciones están estrechamente relacionadas con este avance tecnológico. Por eso mismo, hemos dado una especial importancia a esta temática y es uno de los ejes de desarrollo más importantes en el equipo de I+D.

El uso optimizado de trabajos de procesamiento por lotes o en streamming requiere de infraestructura adecuada y escalable, que muchas veces va más haya de los límites de nuestra capacidad y nos obligan a contar con proveedores en la nube y centros de computación.

El uso de infraestructuras de computación distribuida, centros de High-performance computing (HPC) y la incorporación de GPGPU en fases del procesamiento de los datos son los requisitos mínimos donde se sustenta el procesamiento real timo o near real time.

Proyectos intensivos en cuanto a volumen de datos o latencia de computación, como la clasificación del LiDAR de Navarra, ya se están beneficiando de los avances obtenidos en esta área.

Noticias