El auge de los LLMs (Large Language Models) [1] produjo un avance significativo en el procesamiento del lenguaje natural (NLP), pero fundamentalmente ha abierto el camino a un enorme interés en aplicar esta técnica para resolver problemas típicos en el área de ciencias de la computación. Uno de estos campos es el de análisis de movilidad, conocido como Mobility Data Science [2]. En [3], se presentan distintos problemas, típicos en mobility analytics, que pueden ser asimilados a tareas de NLP. Por ejemplo, la tarea de descubrir la siguiente palabra en un texto, puede ser asociada a la tarea de encontrar la próxima posición de un automóvil en su recorrido. Un problema particularmente importante es es de imputación de trayectorias, fundamental en el preprocesamiento de datos. Un problema típico en este campo es el de map matching, que consiste en ajustar datos de ubicación obtenidos mediante GPS, a una representación digital de rutas en un mapa. Tíoicamente, los algoritmos de map matching están basados en modelos Markovianos, cuyo objetivo es encontrar la ruta más probable que sigue el objeto en función de su trayectoria y la información del mapa. Utilizar LLMs para resolver estos problemas puede ayudar en múltiples aplicaciones de análisis de movilidad. [1] Wayne Xin Zhao et al. A Survey of Large Language Models. arxiv.org/abs/2303.18223 , 2025. [2] Mahmoud Sakr, Alejandro Vaisman, Esteban Zimányi. Mobility Data Science: From Data to Insights. Springer, 2025. [3] Mashall Muslehd, Mohamed Mokbel. Let’s Speak Trajectories: A Vision to Use NLP Models for Trajectory Analysis Tasks

Previamente este trabajo estuvo enfocado en la generación de caras artificiales realistas que pueden utilizarse para el armado de experimentos de memoria, dentro del marco de la investigación que realiza el Laboratorio de Sueño y Memoria. Para ello se construyó un sistema basado en StyleGAN3 y StableDiffusion de manipulación de caras que se encuentra productivo.

El auge de los LLMs (Large Language Models) [1] produjo un avance significativo en el procesamiento del lenguaje natural (NLP), pero fundamentalmente ha abierto el camino a un enorme interés en aplicar esta técnica para resolver problemas típicos en el área de ciencias de la computación. En particular, en el campo de la teoría de grafos, existe interés en investigar si problemas computacionalmente complejos de cálculo de caminos y métricas en grafos, podrían ser resueltos o aproximados utilizando LLMs [2], un campo denominado “generative graph analytics”. El objetivo de este proyecto es seleccionar un conjunto de algoritmos tradicionales de teoría de grafos, como por ejemplo, el cálculo de caminos [3], y desarrollar modelos basados en LLMs para resolverlos, comparando los resultados obtenidos. [1] Wayne Xin Zhao et al. A Survey of Large Language Models. arxiv.org/abs/2303.18223 , 2025. [2] W. Shang and X. Huang. A survey of large language models on generative graph analytics: Query, learning, and applications. arxiv.org/abs/2404.14809, 2025. [3] Wenbo Shang and Xuliang Zhu and Xin Huang. Path-LLM: A Shortest-Path-based LLM Learning for Unified Graph Representation. arxiv.org/abs/2408.05456, 2024.