En los últimos años, varios tipos de series temporales de datos recogidos en campos como la sanidad, las infraestructuras sociales y la fabricación han sido aprovechados por la IA para realizar juicios de situación y detectar anomalías. En el caso de los time-series data, sin embargo, hay una amplia gama de factores que pueden contribuir a la toma de decisiones de la IA. Esto significa que incluso a los expertos les resulta difícil advertir qué tipo de cambios en los datos han contribuido a la detección de una anomalía, lo que dificulta la adopción de medidas adecuadas para prevenir su aparición.
Fujitsu e Inria, más concretamente el equipo del proyecto DATASHAPE de Inria, dirigido por Frédéric Chazal en Francia, han desarrollado con éxito una nueva tecnología basada en el análisis topológico de datos (TDA) que puede identificar los factores que contribuyen a la detección de anomalías por parte de la IA para las series temporales de datos y visualizar las diferencias en las decisiones de la IA durante circunstancias normales, así como en las anómalas.
Ambas compañías creen que esto contribuirá al análisis de las causas de las anomalías en los time-series data de diversos procesos, clarificando el mecanismo que rodea la ocurrencia de las anomalías, así como el descubrimiento de nuevas soluciones para las mismas.
Esta tecnología se presentará, entre el tan solo 3% del total de trabajos entregados, a modo de ponencia «Long Talk» en la Trigésimo Octava Conferencia Internacional de Machine Learning (ICML), la principal conferencia internacional en el campo del aprendizaje automático, que se inaugura virtualmente el 18 de julio de 2021.
Tecnología recién desarrollada
Fujitsu e Inria han desarrollado una tecnología de IA que puede determinar la causa de las anomalías en las series temporales de datos, y que cuenta con las siguientes características clave:
1) Utilizando una tecnología de análisis desarrollada por Fujitsu que extrae las características que afectan al juicio de los time-series data y detecta las anomalías, las características que condujeron al juicio anómalo, así como las características no relacionadas con los datos que fueron juzgados como anómalos por la IA, se mapean en un plano (espacio TDA).
2) La tecnología transforma los datos puntuales de la característica que es la base más cercana al grupo de point data de la operación anómala.
3) Las series temporales de datos se deforman basándose en la conversión de las características de los point data, y se generan los datos que se consideran normales.
Esto permite comparar la forma de onda de los time-series data normales, así como los anómalos y permite al usuario investigar visualmente la causa de la irregularidad.
Fig. 1 Tecnología basada en TDA para identificar las causas que detectan las anomalías
La tecnología recién desarrollada se aplicó para probar la posibilidad de detectar síntomas de delirio utilizando datos reales de electroencefalografía (EEG) recogidos en estricto cumplimiento de las directrices éticas. Utilizando la tecnología recién desarrollada, se confirmó que las características de la onda cerebral de los time-series data coincidían con el fenómeno de «ralentización» que a veces acompaña al estado de delirio. Estos resultados ofrecen la posibilidad de ayudar a los profesionales de la medicina a interpretar los datos para ayudar a determinar la causa de estos síntomas. Esto podría contribuir algún día, a importantes avances médicos, como la capacidad de descubrir posibles precursores de enfermedades que han sido difíciles de identificar con técnicas convencionales, así como el descubrimiento de tratamientos preventivos. La tecnología también podría aplicarse para arrojar luz sobre los mecanismos de enfermedades que aún no se conocen bien.
Fig. 2 Datos EEG del estado de delirio (línea azul) y datos EEG considerados normales generados por esta tecnología (línea roja)
Para el Dr. Gen Shinozaki, profesor asociado de psiquiatría y ciencias del comportamiento, Facultad de Medicina de la Universidad de Stanford, “debido a la naturaleza de las señales aleatorias, ha resultado difícil utilizar los datos del EEG de forma cuantitativa y precisa para identificar determinados trastornos. En los últimos años, los avances en las tecnologías de procesamiento de datos, como la IA, han permitido comprender mejor los cambios característicos de las sutiles ondas cerebrales. Estos avances son importantes no sólo para diagnosticar diversos trastornos, sino también para comprender la respuesta al tratamiento y el mecanismo fisiopatológico. La tecnología desarrollada por Fujitsu e Inria ha captado con éxito las características únicas de las ondas cerebrales de los pacientes que sufren delirios. Además de comprobarlo, prevemos que el perfeccionamiento y el uso práctico de esta tecnología ofrecerán, en última instancia, la posibilidad de lograr un diagnóstico preciso, el seguimiento de la respuesta al tratamiento y la elucidación de la fisiopatología de otros trastornos”.
Planes futuros
Fujitsu e Inria tienen previsto fomentar el uso de la tecnología desarrollada conjuntamente en trabajos de campo y experimentos en empresas e institutos de investigación, y proceder a la verificación de la tecnología.
