Simposio Científico de IA y Aplicaciones

El Simposio Científico de Inteligencia Artificial y Aplicaciones (SCIAA) se organiza con la motivación de promover métodos contemporáneos de Inteligencia Artificial y Aprendizaje Automático con aplicaciones en Visión Computacional, Procesamiento de Lenguaje Natural, Ciencias Economicas, Neurociencias, Biología y medicina molecular, Robótica, y Ciencia de Datos entre otras áreas. Está orientado a un público de investigadores, profesionales, y estudiantes de grado y posgrado en el campo de la Ingeniería, Medicina, Ciencias Exactas y Naturales y Ciencias Económicas que trabajen, investiguen o tengan interés en profundizar metodologías de Inteligencia Artificial. 
El simposio busca fomentar la integración de la comunidad de Inteligencia Artificial y sus aplicaciones con el objetivo de facilitar la discusión y diseminación de nuevas metodolgias y el desarrollo de nuevas tecnologías y aplicaciones. Además contará con una sesión de pósters científicos para que los jóvenes investigadores y grupos de investigación puedan compartir sus avances y resultados. Se entregarán certificados de asistencia y presentación de poster para los asistentes que lo requieran.
Hay una cantidad limitada de becas disponibles para transporte para aquellos que certifiquen necesidad. La asignacion de becas quedara sujeta a la decision del comite organizador.

Acreditación y armado de posters - Edificio Biblioteca Max Von Buch

Apertura a cargo de PhD. Roberto Bunge y Phd. Martín Palazzo - Aula Agardy

"Machine Learning para estudios de pobreza y desarrollo" por Walter Sosa Escudero (UdeSA-CONICET)

"Evaluar, optimizar y decidir: ¿podremos liberarnos de la sobresimplificación?" por Laura Alonso Alemany (UNC)

"En la Cancha se Ven los Pingos: Desafíos y Éxitos de una Red Neuronal Profunda en la Segmentación de Lesiones por Esclerosis Múltiple en Datos del Mundo Real" por Diego Fernández Slezak (UBA-CONICET) - Agardy

"One class to rule them all: Aplicaciones de clasificación a una clase en visión artificial y medicinaI" por Ignacio Orlando (UNICEN-CONICET) - Agardy

"Redes neuronales para datos secuenciales: predicción de estructuras en bioinformática" por Leandro Bugnon (UNL-CONICET)

links-utiles-1.jpg

PhD in Economics (University of Illinois at Urbana-Champaign), Lic. en Economía (UBA), se especializa en econometría y estadística aplicada a cuestiones sociales. Es profesor plenario del departamento de economia, UdeSA, investigador principal del CONICET y miembro titular de la Academia Nacional de Ciencias Económicas.

walter-sosa-escudero.jpg

Esta charla discute un "ecosistema" completo de la literatura sobre el uso de métodos de aprendizaje automático (ML) para estudios de pobreza, desigualdad y desarrollo (PID). Propone una nueva taxonomía para clasificar las contribuciones de los métodos de ML y las nuevas fuentes de datos utilizadas en este campo. Las contribuciones se dividen en dos categorías principales. La primera consiste en proporcionar mejores medidas y pronósticos de los indicadores de PID en términos de frecuencia, nivel de detalle y cobertura. La disponibilidad de medidas más detalladas ha sido la contribución más extensa del ML a los estudios de PID. El segundo tipo de contribución involucra el uso de métodos de ML, así como nuevas fuentes de datos para la inferencia causal. Los métodos prometedores de ML para mejorar las técnicas existentes de inferencia causal han sido la principal contribución en el ámbito teórico, mientras que aprovechar la mayor disponibilidad de nuevas fuentes de datos para construir o mejorar la variable de resultado ha sido la principal contribución en el ámbito empírico.

Es investigador en el sinc(i)-UNL-CONICET (Santa Fe), profesor en la Universidad Nacional del Litoral y en la Universidad Austral. Investiga en desafíos del aprendizaje automático y participa en proyectos que requieren aprendizaje automático, visión computacional y señales biomédicas.

leandro-bugnon.jpg

Actualmente en bioinformática se requiere resolver tareas con datos secuenciales que presentan desafíos interesantes para los modelos basados en aprendizaje profundo. Las capacidades de estos modelos para aprender a partir de pocos ejemplos etiquetados, generalizar correctamente y capturar relaciones entre elementos lejanos en una secuencia son aún problemas abiertos. Un tipo de secuencia de creciente interés son los ARNs no codificantes, que cumplen funciones regulatorias clave en varios procesos de interés en la industria y la salud. Para poder entender sus mecanismos de acción es clave conocer su estructura, y dado que la determinación experimental es compleja, se espera que los métodos computacionales se vuelvan confiables para acelerar la investigación y desarrollo sobre estas secuencias. En esta charla se presentarán los desafíos computacionales que encontramos en esta aplicación y las arquitecturas y métodos  de entrenamiento que proponemos para resolverlos.

Es Doctora del programa de Ciencia Cognitiva y Lenguaje de la Universidad de Barcelona. Se desempeña como profesora e investigadora en Ciencias de la Computación en FAMAF-UNC desde 2005. Es investigadora en proyectos nacionales, regionales e internacionales que involucran Procesamiento del Lenguaje Natural, y desarrolla múltiples actividades de transferencia al sector socio-productivo de la región. Desde 2018 es miembro del equipo de Ética en Inteligencia Artificial de la Fundación Vía Libre.

laura-alonso-alemany.jpg

¿Podremos liberarnos de la sobresimplificación?

Doctor en Ciencias de la Computación por la Universidad de Buenos Aires. Investiga en la frontera entre la inteligencia artificial y la neurociencia. Recibió el prestigioso premio Microsoft Faculty Fellow 2014 y el Google Research Award LATAM. Actualmente se desempeña como investigador independiente del Instituto ICC (CONICET) y profesor en la Facultad de Ciencias Exactas y Naturales de la Universidad de Buenos Aires.

diego-f-slezak.jpg

En esta charla voy a contar los avances que estamos haciendo en colaboración entre distintos grupos de investigación y Entelai para llevar adelante la implementación de modelos de DeepLearning para segmentación de cerebro y lesiones relacionadas a Esclerosis Múltiples. Comentaré acerca de los desafíos académicos y técnicos relacionados a la investigación así como los desafíos para su implementación en centros médicos para uso clínico.

Es Doctor en Matemática Computacional e Industrial e Ingeniero de Sistemas por la Facultad de Ciencias Exactas de la UNICEN (Tandil, Argentina). Actualmente es Investigador Asistente del CONICET en el Grupo Yatiris del Instituto PLADEMA (UNICEN) y Jefe de Trabajos Prácticos por concurso de la misma universidad. Además, dirige los AI Labs de la compañía Arionkoder LLD, a través de un STAN de CONICET.

jose-ignacio-orlando.jpg

Los algoritmos de clasificación a una clase (one-class classification) fueron originalmente pensados para tareas no-supervisadas tales como la detección de muestras anómalas en conjuntos de datos no anotados y para el hallazgo de datos novedosos ante un flujo de nuevas entradas. Sus versiones más primitivas, basadas en aprendizaje estadístico tradicional, han sido recientemente revisitadas y adaptadas para integrarse como parte de redes neuronales profundas, con el objeto de complementarlas en el aprendizaje de representaciones compactas. Durante esta charla se brindará un repaso general sobre este tipo de modelos, y se abordarán algunos experimentos realizados en nuestro laboratorio en aplicaciones en neuroimagen y oftalmología.

Enviar e-mail

Departamento de Ingeniería, UdeSA 
Para más información escribinos a: <a href="mailto:sciaa@udesa.edu.ar">sciaa@udesa.edu.ar</a>