Eficiencia de algoritmos en grandes volúmenes de datos: Proyecto Fondecyt UBB busca optimizar procesos

El Dr. Miguel Romero Vásquez, académico del Departamento de Ciencias de la Computación y Tecnología de la Información de la Universidad del Bío-Bío (UBB), lidera un innovador proyecto Fondecyt de Iniciación. Su investigación se centra en el desarrollo de “algoritmos eficientes para calcular la distancia de Hausdorff en conjuntos de puntos representados con estructuras de datos compactas“, una métrica fundamental para comparar conjuntos de datos complejos, indica el sitio noticias.ubb.cl.

El objetivo principal de la iniciativa es la creación de algoritmos rápidos y eficientes, tanto secuenciales como paralelos, para calcular la distancia de Hausdorff. Esta medida matemática encuentra aplicaciones cruciales en la comparación de imágenes médicas, permitiendo diagnósticos más precisos, y en el análisis de trayectorias de vehículos, optimizando la gestión del transporte. La novedad radica en el uso de estructuras de datos compactas, una técnica que permite un significativo ahorro de espacio de almacenamiento sin comprometer la eficiencia en el procesamiento de grandes volúmenes de información.

El especialista, indicó que, si bien ya existen algoritmos para calcular la distancia de Hausdorff, “muy pocos están diseñados para funcionar directamente sobre estructuras compactas, y casi ninguno aprovecha el potencial del cómputo paralelo con procesadores modernos o GPUs. Este proyecto viene a llenar ese vacío. Mejorar estos algoritmos significa que distintas disciplinas —como la informática médica o el análisis geoespacial— podrán procesar más datos, más rápido y con menos recursos, lo que es clave para enfrentar desafíos actuales”, precisó.

La motivación detrás de esta investigación surge de la creciente necesidad de mejorar el almacenamiento y procesamiento de enormes cantidades de datos en campos como la medicina y el transporte. En estos contextos, la velocidad y la eficiencia en el análisis son tan importantes como el almacenamiento mismo. Las estructuras compactas, combinadas con algoritmos paralelos, ofrecen una solución prometedora para abordar estos desafíos, permitiendo un análisis más rápido y con un menor consumo de recursos computacionales.

“Supongamos que un dermatólogo tienes una base de datos de imágenes médicas de lunar y quiere encontrar cuál se parece más a una imagen específica como un tipo de cáncer. Puede hacerlo mediante métodos tradicionales o usando técnicas de machine learning. En este último caso, un algoritmo de inteligencia artificial puede indicar, con cierta probabilidad, si esa imagen corresponde o no a un caso de cáncer. Esa probabilidad depende de cómo fue entrenado el modelo, su precisión, etc. y esa tecnología ya se está utilizando actualmente”, añadió el Dr. Romero.

Asimismo, el académico explica que la distancia de Hausdorff proporciona un valor numérico que cuantifica la “distancia” entre dos conjuntos de puntos en un espacio métrico. Esta métrica es esencial para validar resultados y etiquetar conjuntos de datos utilizados en el entrenamiento de modelos de machine learning en informática médica y otras áreas, permitiendo una evaluación objetiva de la similitud entre diferentes representaciones de datos complejos.

El desafío se intensifica al trabajar con volúmenes masivos de datos, donde la búsqueda y comparación manual se vuelven inviables. Por lo tanto, la eficiencia de los algoritmos para calcular la distancia de Hausdorff directamente sobre estructuras compactas es crucial para obtener respuestas rápidas y precisas en entornos con grandes cantidades de información, como bases de datos de imágenes médicas de millones de registros.

Al finalizar el proyecto, se espera obtener algoritmos eficientes y validados para la comparación de grandes volúmenes de datos utilizando la distancia de Hausdorff y estructuras compactas. Los resultados serán difundidos a través de publicaciones en revistas y congresos internacionales, y los códigos desarrollados se pondrán a disposición del público bajo la filosofía de Ciencia Abierta. Además, el proyecto contribuirá a la formación de estudiantes de pregrado y postgrado, generando tesis y experiencia en investigación de alto nivel en esta área de vanguardia.