Grup de recerca

Intel·ligència artificial distribuïda

El grup de recerca en Intel·ligència artificial distribuïda (DAI) duu a terme activitats de recerca i innovació en IA explicable i distribuïda, percepció multimodal amb IA i tecnologies de cognitive cloud. El grup té una trajectòria extensa en projectes europeus d’R+D, projectes de recerca i innovació finançats a Catalunya i a Espanya, i col·laboracions amb empreses privades i el sector públic. El grup elabora i actualitza de manera contínua un full de ruta de recerca per orientar les seves activitats i detectar nous camps d’exploració. Un dels valors afegits del grup DAI és la seva missió de potenciar les capacitats globals d’i2CAT en IA i fomentar sinergies amb la resta de grups de recerca del centre.

Línies de recerca

  • IA de confiança
    • Intel·ligència artificial centrada en les persones IA explicable i generativa
    • IA col·laborativa descentralitzada
    • IA quàntica

La línia de recerca “IA de confiança” se centra en el desenvolupament de sistemes d’IA fiables, ètics i sostenibles. Integra la IA centrada en les persones, amb èmfasi en la IA explicable i la IA generativa responsable. També investiguem la IA descentralitzada per a sistemes distribuïts segurs i escalables. A més, aprofundim en la IA quàntica, estudiant com la computació quàntica pot impulsar algoritmes d’IA d’alta dimensionalitat i gran eficiència.

  • Percepció multimodal amb IA
    • Visió computacional i anàlisi d’escenes
    • NLP – IA acústica
    • Síntesi volumètrica
  • Arquitectures de dades distribuïdes
    • Optimitzacions de DDA dirigides per IA
    • Optimitzacions d’eficiència de dades i privacitat

En aquesta línia, complementem les nostres tecnologies d’IA amb recerca avançada en arquitectures de dades distribuïdes i les seves optimitzacions. Treballem específicament en noves optimitzacions d’eficiència i privacitat centrades en IA, com ara anonimització, agregació i compressió de dades. També aprofundim en optimitzacions de dades dirigides per IA, especialment per a sistemes distribuïts de data lake i de gestió edge-cloud.

Línies d'innovació

  • Intel·ligència artificial
  • Espais de dades

Tecnologies

  • Models predictius per a la detecció de riscos a partir de registres de dades
  • Models avançats d’explicabilitat per a entorns de producció
  • Generació de dades sintètiques amb IA generativa
  • Aprenentatge de reforç profund per a sistemes Swarm
  • Sistemes multiagent per a problemes d’optimització
  • Classificació d’àudio amb mètodes d’aprenentatge profund, des del núvol fins al TinyML
  • Multidetecció i multiseguiment d’objectes amb visió computacional multimodal
  • Aprenentatge profund per calibrar, comprimir, reconèixer i generar contingut volumètric
  • Components d’espais de dades basats en arquitectures IDSA i Gaia-X
  • Optimitzacions de núvol cognitiu dirigides per IA
  • Data Lakes distribuïts i federats a gran escala
  • Optimitzacions d’eficiència de dades i privacitat
  • Sistemes RAG aplicats a models d’IA multimodals

Group leader

Miguel Angel Veganzones

Àrees

Smart Networks & Services: 5G/6G Comunicacions espacials Tecnologies multimèdia immersives i interactives Intel·ligència artificial (IA)

Intel·ligència artificial distribuïda

Projectes

  • Mostra el projecte
  • AGAUR header
    Mostra el projecte
  • XReco Header
    Mostra el projecte
  • Teadal header
    Mostra el projecte
  • Mostra el projecte
    • Més Projects

    Intel·ligència artificial distribuïda

    Publicacions

    Interactive digital twins enabling responsible extended reality applications. (Nature, Scientific Reports)

    Antoun, M., Elhajj, I. H., Sayour, M., Papadopoulos, P. K., Zarpalas, D., Rizk, A., Huerta, I., Toledo, L., … & Asmar, D. (2025). Interactive digital twins enabling responsible extended reality applications. Scientific Reports, 15(1), 34539 https://doi.org/10.1038/s41598-025-17855-9

    Considerations, challenges and opportunities when developing data-driven models for process manufacturing systems

    Oliver J Fisher, Nicholas J Watson, Josep E Escrig, Rob Witt, Laura Porcu, Darren Bacon, Martin Rigley, Rachel L Gomes, “Considerations, challenges and opportunities when developing data-driven models for process manufacturing systems”, Computers & Chemical Engineering, Volume 140, 2020. https://www.sciencedirect.com/science/article/abs/pii/S0098135419308373

    Ultrasonic Measurements and Machine Learning for Monitoring the Removal of Surface Fouling during Clean-in-Place Processes

    J. Escrig, E. Woolley, A. Simeone, N.J. Watson, “Monitoring the cleaning of food fouling in pipes using ultrasonic measurements and machine learning”, Food Control, Volume 116, 2020,

    Monitoring the cleaning of food fouling in pipes using ultrasonic measurements and machine learning

    Escrig, J., Woolley, E., Simeone, A., & Watson, N. J. (2020). Monitoring the cleaning of food fouling in pipes using ultrasonic measurements and machine learning. Food Control, 107309. https://doi.org/10.1016/j.foodcont.2020.107309

    RBD24 : A Labelled Dataset with Risk Activities Using Log Application Data
    Social media as a source of drug safety information in the pediatric population
    totes les publicacions

    Intel·ligència artificial distribuïda

    Novetats recents

    Més notícies