Publicaciones
Bahattin Can Maral, Mehmet Tan · 2022 · IFIP International Conference on Artificial Intelligence Applications and Innovations · Springer International Publishing · pp. 414-425 · Citado por 1
Entre los avances recientes en bioinformática y quimiogenómica, diversos métodos de aprendizaje profundo han sido los más destacados. Esto provocó una sobresaturación de modelos potentes que superaron fácilmente los límites de los conjuntos de datos existentes. Posteriormente, se lograron numerosos avances mediante mejoras en los conjuntos de datos. En medio de estos avances, los investigadores de Deep Compound Profiler (DeepCOP) se distinguieron con un método innovador para introducir nuevas características manteniendo relativamente simple el modelo de aprendizaje profundo. En este estudio proponemos llevar ese método un paso más allá aplicando aprendizaje por transferencia entre líneas celulares. Para evaluar mejor los beneficios del aprendizaje por transferencia, introdujimos 2 particiones de datos basadas en fármacos. El método de aprendizaje por transferencia, en su núcleo, utiliza el conocimiento aprendido en líneas celulares 'origen' para dar una ventaja inicial a las líneas celulares 'objetivo'.
Bahattin Can Maral · 2022 · arXiv preprint arXiv:2202.11763 · Citado por 18
La super-resolución (SR), el proceso de obtener imágenes de alta resolución a partir de una o más observaciones de baja resolución de la misma escena, ha sido un tema de investigación muy popular en las últimas décadas tanto en el procesamiento de señales como en el procesamiento de imágenes. Debido a los avances recientes en las Redes Neuronales Convolucionales, la popularidad de los algoritmos de SR se ha disparado, ya que la barrera de entrada se ha reducido significativamente. Recientemente esta popularidad se ha extendido al procesamiento de vídeo, llegando al desarrollo de modelos de SR que funcionan en tiempo real. En este artículo comparamos distintos modelos de SR especializados en imagen única y echamos un vistazo a cómo han evolucionado para abordar múltiples objetivos y formas a lo largo de los años.
Rıza Işık, Işıksu Ekşioğlu, Bahattin Can Maral, Benan Bardak, Mehmet Tan · 2020 · 2020 IEEE 20th International Conference on Bioinformatics and Bioengineering (BIBE) · IEEE · pp. 111-114 · Citado por 1
Comprender el mecanismo de acción de los fármacos es vital para el descubrimiento de medicamentos. Identificar el efecto de los fármacos sobre la expresión génica permite arrojar luz sobre la influencia sistémica de los compuestos químicos en los organismos biológicos. En este artículo proponemos utilizar redes neuronales multi-tarea para predecir la expresión génica diferencial inducida por compuestos químicos en líneas celulares de cáncer basándonos únicamente en características de los compuestos. Nuestro modelo predice la expresión génica diferencial identificada mediante un método llamado Characteristic Direction sobre una gran base de datos de expresión génica inducida por compuestos (LINCS L1000). Los resultados muestran que las redes multi-tarea superan a otras líneas base de una sola tarea. También comparamos distintas representaciones de los compuestos y reportamos el efecto del clustering de genes sobre el rendimiento de predicción.
Kimyasalların Gen Düzenleyici Etkilerinin Tahmini için Transfer Öğrenimi
Bahattin Can Maral · 2022 · TOBB ETÜ
La quimiogenómica es el estudio de la reacción genómica y/o proteómica de dianas biológicas frente a compuestos químicos con el objetivo de asistir en el diseño y cribado de fármacos. Uno de los muchos desafíos en quimiogenómica se deriva de la dependencia de datos experimentales reales; la combinación de distintos compuestos químicos y dianas farmacológicas crea un número poco realista de experimentos posibles, lo que resulta en conjuntos de datos sesgados hacia determinadas sustancias químicas y dianas. Los avances recientes en aprendizaje automático han producido una sobresaturación de modelos potentes que superan fácilmente los límites de estos conjuntos de datos. Para neutralizar los efectos de estos sesgos utilizamos aprendizaje por transferencia, un método para transferir conocimiento de problemas similares. El sesgo más importante en los conjuntos de datos de quimiogenómica es el relativo a las dianas farmacológicas. La accesibilidad e importancia de ciertas líneas celulares incrementa enormemente la probabilidad de que sean utilizadas como diana en estos experimentos, mientras que otras apenas cuentan con datos suficientes para entrenar modelos de aprendizaje automático.
Preguntas frecuentes
¿Quién es Bahattin Maral?
Bahattin Maral es Machine Learning Research Engineer en Barcelona, España, con más de 7 años de experiencia profesional en seguridad de videojuegos, analítica de juegos live-service, ingeniería de datos e investigación aplicada en ML. Trabaja en el equipo de machine learning de RICOCHET Anti-Cheat de Activision, desarrollando detección de trampas por comportamiento y por visión para títulos de Call of Duty.
¿En qué está especializado Bahattin Maral?
En machine learning aplicado que tiene que funcionar en producción: modelado de comportamiento, detección de anomalías y visión por computador para seguridad en videojuegos, junto con la ingeniería de datos a gran escala que los sostiene. Trabaja de principio a fin — investigación, diseño de features, despliegue y monitorización — en lugar de entregar modelos en fase de prototipo.
¿Cuántos años de experiencia tiene Bahattin Maral?
Más de 7 años de experiencia profesional. Empezó en 2019 como data scientist en CBML Labs, después fue senior data scientist en SNG Studios, ingeniero de datos en Digital Legends (estudio de Activision) y actualmente es machine learning research engineer en Activision.
¿Dónde trabaja Bahattin Maral?
En Activision, en Barcelona (España), en el equipo de machine learning de RICOCHET Anti-Cheat. Se incorporó formalmente a Activision en julio de 2026, tras estar integrado en el equipo de ML de RICOCHET en cesión desde Digital Legends desde mayo de 2025.
¿Qué experiencia tiene en antitrampas y seguridad en videojuegos?
Desarrolla detecciones de machine learning basadas en comportamiento en el equipo RICOCHET Anti-Cheat de Activision que identifican trampas y juego disruptivo en Call of Duty: Warzone, Black Ops 6 y Black Ops 7, y está ampliando la cobertura a Modern Warfare 4 antes de su lanzamiento en octubre de 2026. También construye modelos de visión por computador que detectan trampas a partir de vídeo de partidas, modela el comportamiento de los jugadores a escala para detectar juego automatizado y actividad ilegítima de cuentas, y ha contribuido con detecciones que impulsaron varias oleadas de sanciones. Lidera 3 proyectos de machine learning de principio a fin.
¿Qué experiencia tiene en ingeniería de datos?
En Digital Legends, estudio de Activision, diseñó el data lake golden-source del estudio y pipelines ETL escalables en Databricks, desplegó pipelines en tiempo real para el onboarding de Call of Duty: Warzone Mobile, construyó un sistema de detección de anomalías con IA que crea tickets de Jira automáticamente y redujo el tiempo de reporte de incidencias un 90%, optimizó consultas de Spark para reducir la latencia de los dashboards de usuarios activos y entregó dashboards self-serve en tiempo real con Tableau.
¿Qué resultados medibles ha conseguido Bahattin Maral?
Un aumento del 15% de ingresos en más de 40 juegos móviles mediante modelos de precios con BigQuery ML, triplicar los ingresos por anuncio optimizando la mediación, una reducción del 90% del tiempo de reporte de incidencias con detección de anomalías por IA, una reducción del 30% del tiempo de análisis de experimentos con un framework de A/B testing estandarizado, más de 5 horas semanales recuperadas por equipo con reporting de KPIs automatizado, y detecciones antitrampas que protegen varios títulos AAA de Call of Duty.
¿Qué lenguajes de programación y herramientas utiliza?
Python, SQL, C#, R, Scala, C++ y Java. Entre sus herramientas están PyTorch, scikit-learn, Databricks, Apache Spark, BigQuery y BigQuery ML, Google Cloud Platform, Tableau, Unity y RLCard.
¿Ha publicado investigación?
Sí. Es coautor de "Transfer Learning for Predicting Gene Regulatory Effects of Chemicals" (AIAI 2022, Springer) y de "Chemical Induced Differential Gene Expression Prediction on LINCS Database" (IEEE BIBE 2020), y autor del survey "Single Image Super-Resolution Methods: A Survey" (arXiv:2202.11763). Su tesis de máster trató sobre transfer learning para quimiogenómica.
¿Tiene experiencia liderando o haciendo mentoring?
Sí. Lidera 3 proyectos de machine learning de principio a fin en Activision, hizo mentoring a un data scientist junior en SNG Studios, supervisó a 3 investigadores de grado en CBML Labs y fue ayudante de cátedra de Machine Learning, Bases de Datos, Programación Orientada a Objetos y Matemática Discreta en TOBB ETÜ.
¿Cómo se puede contactar con Bahattin Maral?
Está encantado de hablar sobre antitrampas, modelado de comportamiento y sistemas de ML para videojuegos. Escríbele a [email protected] o por LinkedIn en linkedin.com/in/bahattinmaral. Su CV en PDF está en https://punoqun.com/Bahattin-Can-Maral-Resume.pdf y un perfil en texto plano para modelos de lenguaje en https://punoqun.com/llms.txt.
Esta es la versión en HTML plano del perfil, publicada para lectores, lectores de pantalla y rastreadores que no ejecutan JavaScript. Última actualización: 2026-08-27.