Andres Felipe Posada Moreno
  • Inicio
  • Experiencia
  • Publicaciones
  • Investigación y Proyectos
  • Docencia
  • Blog
  • EN

En esta página

  • Descripción del Proyecto
  • Publicaciones Relacionadas

Internet of Production

Deep Learning
Data Science
Industry 4.0
Habilitando un nuevo nivel de colaboración interdisciplinaria proporcionando datos contextuales y métodos de IA de producción, desarrollo y uso en tiempo real.
Fecha de publicación

27 de abril de 2019

Descripción del Proyecto

El proyecto Internet of Production (IoP), anclado en el Campus RWTH Aachen, representa una iniciativa de vanguardia que aprovecha datos granulares de escenarios industriales para alimentar aplicaciones basadas en inteligencia artificial a través de diferentes niveles de complejidad. En el corazón del IoP se encuentra la ambición de crear flujos integrados de datos a conocimiento, integrando conceptos avanzados como Digital Shadows, inteligencia artificial y ontologías. Esta integración es clave para nuestra estrategia, orientada no solo a mejorar la productividad sino también a asegurar una integración humana más efectiva dentro de contextos industriales.

Este proyecto aprovecha los datos ricos y detallados recopilados de diversos entornos industriales para impulsar soluciones basadas en IA. Estas soluciones están diseñadas para navegar a través de capas de complejidad, transformando datos sin procesar en conocimiento aplicable. El concepto de Digital Shadows desempeña un papel fundamental en esta transformación, ofreciendo conjuntos de datos agregados de múltiples perspectivas que reflejan el mundo físico en un espacio virtual. Al combinar estos con marcos de IA y ontológicos, el IoP crea un entorno sinérgico donde los datos no solo se recopilan, sino que también se interpretan y utilizan de manera inteligente.

Este proyecto fue financiado por la Deutsche Forschungsgemeinschaft desde 2019. Fue una colaboración entre varios institutos de investigación de la Universidad RWTH Aachen.

Publicaciones Relacionadas

  • Concept Extraction for Time Series with ECLAD-ts (2025) Holzapfel, A., Posada-Moreno, A.F., Trimpe, S. — xAI 2025 (Springer CCIS) Detalles | DOI

  • Closing the Loop with Concept Regularization (2024) Posada Moreno, A.F., Trimpe, J.S. — sAIOnARA 2024 Detalles | DOI

  • ECLAD: Extracting Concepts with Local Aggregated Descriptors (2023) Posada-Moreno, A.F., Surya, N., Trimpe, S. — Pattern Recognition Detalles | DOI

  • Scale-Preserving Automatic Concept Extraction (SPACE) (2023) Posada-Moreno, A.F., Kreisköther, L., Glander, T., Trimpe, S. — Machine Learning Detalles | DOI

  • Scalable Concept Extraction in Industry 4.0 (2023) Posada-Moreno, A.F., Müller, K., Brillowski, F., Solowjow, F., Gries, T., Trimpe, S. — xAI Conference (Springer CCIS) Detalles | DOI

  • Image Classification Dataset on Carbon Fiber Reinforcement Quality Control (2023) Posada-Moreno, A.F., Müller, K., Brillowski, F., Solowjow, F., Gries, T., Trimpe, S. — Zenodo Detalles | DOI

  • Image Classification Dataset on Tailored Textiles Quality Control (2023) Posada-Moreno, A.F., Müller, K., Brillowski, F., Solowjow, F., Gries, T., Trimpe, S. — Zenodo Detalles | DOI

  • Actionable Artificial Intelligence for the Future of Production (2023) Behery, M. et al. — Internet of Production (Springer) Detalles | DOI

  • Objectifying Machine Setup and Parameter Selection Using Invertible Neural Networks (2023) Müller, K., Posada-Moreno, A., Pelzer, L., Gries, T. — FAIM 2022 (Springer LNME) Detalles | DOI

  • Process Parameter Prediction for Fused Deposition Modeling Using Invertible Neural Networks (2023) Pelzer, L., Posada-Moreno, A.F., Müller, K., Greb, C., Hopmann, C. — Polymers Detalles | DOI

  • Simulation-as-a-Service for Reinforcement Learning Applications (2020) Scheiderer, C. et al. — Procedia Manufacturing Detalles | DOI

  • Transfer of Hierarchical Reinforcement Learning Structures for Robotic Manipulation Tasks (2020) Scheiderer, C., Mosbach, M., Posada-Moreno, A.F., Meisen, T. — CSCI Detalles | DOI

© 2025 Andres Felipe Posada Moreno. Licenciado bajo CC BY-NC-SA 4.0.

 

Construido con Quarto.