Autor:
Trujillo, Juan

Cargando...
Foto de perfil

E-mails conocidos

jtrujillo@dlsi.ua.es

Fecha de nacimiento

Proyectos de investigación

Unidades organizativas

Puesto de trabajo

Apellidos

Trujillo

Nombre de pila

Juan

Nombre

Nombres alternativos

Afiliaciones conocidas

University of Alicante, Spain
Universidad de Alicante, Spain
University of Alicante

Páginas web conocidas

Página completa del ítem
Notificar un error en este autor

Resultados de la búsqueda

Mostrando 1 - 4 de 4
  • Artículo
    Modelado Conceptual basado en Objetivos para la definición de Visualizaciones
    Lavalle, Ana; Maté, Alejandro; Trujillo, Juan. Actas de las XXIV Jornadas de Ingeniería del Software y Bases de Datos (JISBD 2019), 2019-09-02.
    Cada vez son más las cantidades de datos que necesitan ser analizadas e interpretadas y la visualización de la información juega un papel clave para ello. Definir una visualización correcta y sin errores es crucial para comprender e interpretar los patrones y resultados obtenidos por los algoritmos de análisis, ya que una incorrecta interpretación o resultados incorrectos podría suponer pérdidas significativas a la empresa. Sin embargo, la definición de visualizaciones es una tarea difícil para los usuarios de negocio, ya que en la mayoría de ocasiones no son expertos en la visualización de información y no conocen exactamente las herramientas o tipos de visualización mas adecuados para medir sus objetivos. El principal problema que se encuentra es la falta de herramientas y metodologías que ayuden a usuarios no expertos a definir sus objetivos de visualización y análisis de datos en términos de negocio. Es por ello, que para afrontar este problema, presentamos un modelo basado en el lenguaje i* para la especificación de visualización de datos. Nuestra propuesta permite seleccionar de forma objetiva las técnicas de visualización más adecuadas, con la gran ventaja de proporcionar a los usuarios no expertos, las visualizaciones más adecuadas según sus necesidades y sus datos con poco esfuerzo y sin requerir experiencia en la visualización de información.
  • Artículo
    Framework for modelling and implementing secure NoSQL document databases
    Blanco, Carlos; Peral, Jesus; Trujillo, Juan; Fernandez-Medina, Eduardo. Actas de las XXII Jornadas de Ingeniería del Software y Bases de Datos (JISBD 2017), 2017-07-19.
    The great amount of data managed by Big Data technologies have to be correctly assured in order to protect critical enterprise and personal information. Nevertheless, current security solutions for Big Data technologies such as NoSQL databases do not take into account the special characteristics of these technologies. In this paper, we focus on assuring NoSQL document databases proposing a framework composed of three stages: (1) the source data set is analysed by using Natural Language Processing techniques and ontological resources in order to detect sensitive data. (2) we define a metamodel for document NoSQL databases that allows designer to specify both structural and security aspects. (3) this model is implemented into a specific document database tool, MongoDB. Finally, we apply the framework proposed to a case study with a dataset of medical domain.
  • Artículo
    Generación de Imágenes de Fachadas con un Dataset Reducido mediante GANs, Transfer Learning y Data Augmentation
    García Carrasco, Jorge; Teruel, Miguel A.; Maté, Alejandro; Trujillo, Juan. Actas de las XXVIII Jornadas de Ingeniería del Software y Bases de Datos (JISBD 2024), 2024-06-17.
    El Deep Learning (DL) se ha aplicado con éxito en varias campos, como la visión por computador o el procesamiento del lenguaje natural. En concreto, se han utilizado Generative Adversarial Networks (GAN) para obtener resultados impresionantes en la tarea de generación de imágenes. Sin embargo, la cantidad de datos necesarios para entrenar con éxito una GAN puede limitar su aplicación a campos donde la adquisición de datos puede ser extremadamente costosa e incluso inviable, como en los campos de la arquitectura o medicina, por ejemplo. En este trabajo, estudiamos dos técnicas que nos ayudan a mitigar esta limitación, en concreto, las técnicas definidas como Adaptative Distriminator Augmentation (ADA) y el Transfer Learning (TL), entrenando un modelo StyleGAN2 para generar imágenes de fachadas de vidrio con un conjunto de datos de entrenamiento extremadamente pequeño. Se realizarán varios entrenamientos variando ciertos parámetros relacionados con dichas técnicas. Tras analizar los resultados, concluimos que tanto ADA como TL permiten que la red converja más rápido, sea más estable y obtenga resultados de mejor calidad en general, permitiendo así aplicar las GAN a campos donde la adquisición de datos es limitada, como por ejemplo en el campo de la arquitectura, donde podría ser utilizado por arquitectos como una herramienta útil para ayudar en el proceso de diseño de una fachada.
  • Artículo
    Proceso para la evaluación de la equidad en sistemas de Inteligencia Artificial
    Navarro, Álvaro; Lavalle, Ana; Maté, Alejandro; Trujillo, Juan. Actas de las XXVIII Jornadas de Ingeniería del Software y Bases de Datos (JISBD 2024), 2024-06-17.
    Pese a la relevancia de los sistemas de Inteligencia Artificial (IA) y los modelos de aprendizaje automático (ML) en la sociedad, dichos sistemas y modelos a menudo están limitados por la opacidad en su toma de decisiones. Este punto es clave, pues la falta de interpretabilidad puede suponer que se tomen decisiones injustas de manera oculta, lo que impediría tomar acciones correctivas para solucionar el problema. Aunque diferentes trabajos han afrontado el desafío de la opacidad desde un punto de vista explicable, hay una carencia de propuestas que traten de explote la información de los datos para este fin. En este contexto, y para ayudar al experto en ML en el análisis y la toma de decisiones, presentamos un proceso basado en un algoritmo jerárquico, denominado Árbol de Detección de Equidad (ADE), el cual recorre recursivamente los datos para crear un árbol de análisis (AAE). Combinado con técnicas de explicabilidad, unimos las características de los grupos a las decisiones del modelo, proporcionando a través del AAE información que puede mejorar la confianza en los resultados y propiciar una mejor comprensión del proceso de toma de decisiones del modelo. Las principales contribuciones de este trabajo son: (i) definimos métricas de equidad que tienen en cuenta conjuntos de datos reducidos y/o desbalanceados; (ii) analizamos automáticamente el conjunto de datos explotando los pesos extraídos del modelo; e (iii) identificamos grupos cuyo trato ha sido potencialmente injusto. Para demostrar la aplicabilidad de nuestra propuesta, analizamos su efectividad en cuatro dominios distintos.