Desafío Técnico: Diseño e implementación de un sistema de IA explicable para la detección de anomalías en tiempo real en datos multimodales de sensores de vehículos autónomos.
Antecedentes: En el ámbito de los vehículos autónomos la seguridad y la fiabilidad son prioritarias. Los sistemas avanzados de asistencia al conductor y los vehículos totalmente autónomos dependen de información procedente de múltiples sensores como cámaras radar lidar y ultrasonidos. La alta dimensionalidad y heterogeneidad de estos flujos de datos aumenta la probabilidad de errores y dificulta la interpretación de fallos y falsas alarmas.
Objetivo del reto: Desarrollar un sistema de Explainable AI capaz de detectar anomalías en tiempo real en datos multimodales de sensores de vehículos autónomos. El sistema debe cumplir los siguientes requisitos clave:
Procesamiento multimodal: integrar y sincronizar entradas heterogéneas con distintos formatos y frecuencias mediante fusión sensorial y alineación temporal para permitir análisis unificado de cámaras radar lidar y sensores ultrasónicos.
Detección de anomalías en tiempo real: identificar en menos de 100 milisegundos eventos anómalos en lecturas o patrones que puedan indicar fallo de sistema interferencia externa o degradación de sensores, con capacidad de operar a 10 Hz o más.
Explicabilidad accionable: proporcionar razones comprensibles de cada detección incluyendo sensores implicados características relevantes y, cuando proceda, visualizaciones o reglas sencillas que puedan ser interpretadas por ingenieros y operadores. Emplear técnicas como atribución de características explicaciones locales (por ejemplo adaptaciones de LIME o SHAP para señales temporales), mapas de atención en redes multimodales y modelos de reglas extraíbles o distilación para auditoría humana.
Restricciones de ejecución: el sistema debe funcionar con un presupuesto de memoria de 8 GB de RAM y un almacenamiento máximo de 50 GB y ofrecer latencia sostenida para análisis a 10 Hz en hardware embarcado o Edge con recursos limitados.
Diseño sugerido: arquitectura modular con preprocesado y normalización por sensor, sincronizador temporal, extractor de características ligero basado en redes temporales y/o modelos transformadores compactos, módulo de detección de anomalías híbrido que combine modelos estadísticos y de aprendizaje profundo y componente de explicabilidad que genere saliencias por sensor y reglas interpretables. Considerar compresión de modelos cuantización y poda para cumplir restricciones de memoria y uso de inferencia en Edge o en contenedores optimizados.
Criterios de evaluación: Precisión de detección de anomalías: evaluar tasa de verdaderos positivos y falsos positivos en conjuntos de prueba con anomalías simuladas y reales. Explicabilidad: valorar claridad utilidad y fidelidad de las explicaciones proporcionadas. Rendimiento en tiempo real: comprobar capacidad de análisis sostenido a 10 Hz. Utilización de recursos: monitorizar uso de memoria y almacenamiento para garantizar operación dentro de los límites establecidos.
Requisitos de entrega: informe técnico que describa diseño implementación y resultados de evaluación incluyendo métricas y ejemplos de explicaciones. El código y los datos empleados deben estar disponibles bajo solicitud para replicabilidad. Fecha límite de entrega 28 de febrero de 2026. Premios al mejor rendimiento en detección 10000 USD a la mejor explicabilidad 8000 USD al mejor rendimiento en tiempo real 8000 USD y al mejor uso de recursos 6000 USD. Contacto para dudas y envío dr.carlos.ruizviquez@ieee.org.
Sobre Q2BSTUDIO: En Q2BSTUDIO somos una empresa de desarrollo de software y aplicaciones a medida especializada en soluciones de inteligencia artificial para empresas que abarcan desde agentes IA hasta modelos explicables para entornos críticos. Diseñamos software a medida y aplicaciones a medida integrando buenas prácticas de ciberseguridad y pentesting para proteger pipelines de datos y modelos. Ofrecemos servicios cloud aws y azure así como servicios inteligencia de negocio y Power BI para monitorizar métricas de operación y facilidad de auditoría. Nuestra experiencia en ia para empresas incluye automatización de procesos agentes IA modelos de visión y fusión de sensores así como asesoría en ciberseguridad y cumplimiento normativo.
Recomendaciones prácticas: preparar datasets sintéticos y reales etiquetados para anomalías cubrir escenarios de fallo parcial saturación de sensores y ataques de interferencia, implementar tests de regresión y un plan de despliegue incremental que comience en entornos simulados y continúe en Edge con telemetría y capacidades de retraining supervisado y no supervisado. Priorizar explicaciones que permitan acciones concretas como aislamiento de sensor recalibración o cambio a modo seguro.
Invitación: si su empresa busca desarrollar soluciones de detección de anomalías explicables y seguras Q2BSTUDIO puede apoyar en arquitectura modelos validación e integración con servicios cloud aws y azure y soluciones de inteligencia de negocio para seguimiento en tiempo real.
Publicado automáticamente con IA/ML.
