- Ambas iniciativas se desarrollarán en alianza con empresas —Techvial y CMPC Pulp— y buscan llevar la investigación en Inteligencia Artificial a entornos operacionales reales: la lectura confiable de placas patentes en la fiscalización de tránsito y la mejora automatizada de la calidad de los datos en industrias intensivas en activos.
El Centro Nacional de Inteligencia Artificial (CENIA) se adjudicó dos proyectos en el concurso FONDEF IDeA I+D 2026 de ANID, convocatoria que este año recibió 871 postulaciones y seleccionó 102 iniciativas a nivel nacional (cerca del 12% de las propuestas presentadas), orientadas a desarrollar tecnologías con potencial de transferencia al sector productivo, público o social.
Los proyectos adjudicados tienen una duración de 24 meses y comparten el enfoque de desarrollar investigación aplicada junto a socios industriales y validar los resultados en condiciones reales de operación.
Inteligencia Artificial para una fiscalización vial más confiable
El proyecto “Plataforma Inteligente de Fiscalización Vial: Módulos de IA para Robustecer la Lectura y Búsqueda de Patentes Vehiculares”, dirigido por la tech lead de CENIA, Francesca Lucchini, se desarrollará junto a la empresa chilena Techvial como entidad asociada.
La Ley N°21.549, que crea el Centro Automatizado de Tratamiento de Infracciones (CATI), permitió pasar de una fiscalización prácticamente manual a la detección y notificación electrónica de infracciones. Ese salto trae una exigencia técnica: la evidencia debe ser confiable. Sin embargo, de noche, con lluvia, reflejos o placas deterioradas, los sistemas de reconocimiento automático de patentes todavía cometen errores que debilitan la validez de una infracción. A ello se suma que las plataformas actuales solo permiten buscar por coincidencia exacta, mientras las autoridades suelen trabajar con información parcial.
La iniciativa desarrollará una capa de software que trabaja sobre las imágenes que las cámaras ya generan, con tres módulos: verificación avanzada, que combina distintos algoritmos de reconocimiento óptico y aprende de sus errores; sugerencia inteligente de patentes cuando la lectura es parcial, apoyándose en atributos visuales del vehículo; y búsqueda avanzada en grandes bases de video mediante texto, imágenes y filtros de tiempo y lugar. El objetivo es llevar la tecnología desde prototipos de laboratorio hasta su validación en entorno operacional real (TRL 7), con pilotos en al menos siete cámaras certificadas.
Calidad de datos para que la IA funcione en la industria
El segundo proyecto es DAQU (Data Quality Improvement Platform Through LLMs), dirigido por la investigadora Yamisleydi Salgueiro Sicilia y desarrollado junto a CMPC Pulp como entidad asociada.
En minería, celulosa, manufactura y energía, el volumen de datos ha crecido mucho más rápido que su calidad: millones de códigos de productos sin normalizar, registros duplicados de proveedores, errores sistemáticos de codificación y señales de sensores con vacíos y ruido. La consultora Gartner estima que los problemas de calidad de datos cuestan a las organizaciones cerca del 15% de sus ingresos anuales, y McKinsey reporta que más del 60% de las iniciativas de IA en manufactura fracasan principalmente por esta causa.
DAQU desarrollará una plataforma que usa modelos de lenguaje de gran escala (LLMs) para automatizar el ciclo completo de preparación de datos —normalización, deduplicación, validación, enriquecimiento y extracción de reglas—, con trazabilidad completa de cada transformación y manteniendo la validación de expertos en el proceso.
Investigación aplicada con socios industriales
Ambos proyectos contemplan la formación de capital humano avanzado, con estudiantes de pregrado y postgrado que desarrollarán sus tesis en el marco de las iniciativas, así como la publicación de resultados científicos y la formalización de acuerdos de transferencia tecnológica con las empresas asociadas.
