Última actualización: 25/04/2024


Curso Académico: 2024/2025

Inteligencia Ambiental
(19224)
Máster Universitario en Inteligencia Artificial Aplicada (Plan: 475 - Estudio: 378)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: BELLUCCI , ANDREA

Departamento asignado a la asignatura: Departamento de Informática

Tipo: Optativa
Créditos: 3.0 ECTS

Curso:
Cuatrimestre:




Objetivos
La asignatura introduce los principios fundamentales, métodos y tecnologías para el desarrollo de sistemas de Inteligencia Ambiental (AmI por su acrónimo en inglés, Ambient Intelligence), espacios físicos que son sensibles y responden a la presencia de las personas. El paradigma de la AmI requiere la aplicación de la inteligencia artificial para el procesamiento de datos provenientes de sensores integrados en el entorno (cámaras, micrófonos o pantallas táctiles, acelerómetros, etc. ) y así asistir a las personas en una multitud de escenarios a través de una interfaz de usuario natural. Las aplicaciones del paradigma de la AmI abarcan el entorno doméstico, industrial, hospitales o vehículos entre otros. En esta asignatura, siguiendo un enfoque de Inteligencia Artificial responsable y centrada en las personas, se examinarán los conceptos y características principales de un sistema de AmI, así como las metodologías de desarrollo de aplicaciones para AmI. La asignatura tendrá una naturaleza práctica, facilitando la experimentación con las principales tecnologías para la implementación de prototipos de sistemas AmI. Además, se analizarán los principales desafíos para el desarrollo de sistemas AmI. El objetivo de la asignatura es capacitar al estudiantado para: - Analizar la aplicación del paradigma de la Inteligencia Ambiental - Desarrollar prototipos de sistemas de Inteligencia Ambiental
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
1. Concepto y enfoques del paradigma de Inteligencia Ambiental (AmI) - Computación Ubicua - Internet of Things - Conocimiento del contexto (Context Awareness) - Inteligencia Artificial centrada en las personas 2. Características principales de un sistema AmI - Sensitiva - Responsiva - Adaptativa - Transparente - Inteligente 3. Metodologías de diseño para AmI - Desarrollo por usuario final e inteligencia artificial 4. Interacción en AmI - Requisitos de interacción de usuario - Presencia e interacción proxémica - Interacción por voz - Gestos y movimientos corporales 5. Programación práctica de sistemas AmI - Aprendizaje Automático con datos de sensores (microcontroladores, dispositivos móviles, cámaras, etc.) - Procesado de voz como medio para la interacción - Tecnologías para el desarrollo de prototipos de AmI + Tensorflow.js + Programación Web para AmI
Actividades formativas, metodología a utilizar y régimen de tutorías
Actividades formativas AF1 - Clase teórica AF2 - Clases prácticas AF3 - Clases teórico prácticas AF5 - Tutorías AF6 - Trabajo en grupo AF7 - Trabajo individual del estudiante Metodología docente MD1 - Exposiciones en clase del profesor con soporte de medios informáticos y audiovisuales, en las que se desarrollan los conceptos principales de la materia y se proporciona la bibliografía para complementar el aprendizaje de los alumnos. MD2 Lectura crítica de textos recomendados por el profesor de la asignatura: Artículos de prensa, informes, manuales y/o artículos académicos, bien para su posterior discusión en clase, bien para ampliar y consolidar los conocimientos de la asignatura. MD3 Resolución de casos prácticos, problemas, etc.¿ planteados por el profesor de manera individual o en grupo MD5 Elaboración de trabajos e informes de manera individual o en grupo
Sistema de evaluación
  • Peso porcentual del Examen Final 0
  • Peso porcentual del resto de la evaluación 100

Calendario de Evaluación Continua


Bibliografía básica
  • Ben Shneiderman. Human-centered AI. Oxford University Press. 2022
  • Hamid K. Aghajan, Juan Carlos Augusto & Ramón López-Cózar Delgado. Human-centric interfaces for ambient intelligence. Academic Press. 2010
  • Shanqing Cai, Stanley Bileschi, Eric D. Nielsen & Francóis Chollet. Deep learning with JavaScript : neural networks in TensorFlow.js. Manning. 2020
Recursos electrónicosRecursos Electrónicos *
Bibliografía complementaria
  • John Krumm. Ubiquitous computing fundamentals. Chapman & Hall/CRC Press. 2010
(*) El acceso a algunos recursos electrónicos puede estar restringido a los miembros de la comunidad universitaria mediante su validación en campus global. Si esta fuera de la Universidad, establezca una VPN


El programa de la asignatura podría sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.