Conferencias / Paneles

Resumen:

El aprendizaje profundo ha demostrado un rendimiento excepcional en visión por computadora, pero su aplicación a datos tabulares sigue siendo un desafío. En esta charla, presentaré TINTOlib, la primera librería diseñada para transformar datos tabulares en imágenes sintéticas, permitiendo su procesamiento con redes neuronales convolucionales (CNNs) y Vision Transformers (ViTs). Explicaré cómo esta técnica mejora la representación de los datos y optimiza modelos híbridos (HyNNs), superando limitaciones tradicionales en el aprendizaje profundo. Además, discutiré la grandes semejanzas y diferencias que tienen con las Redes Neuronales Multimodales y algunas aplicaciones, e.g., en salud, economía y localización en interiores, así como futuras direcciones de investigación.

Resumen:

En esta ponencia se hablará sobre los proyectos que se llevan a cabo en el Laboratorio Avanzado de Procesamiento de Imágenes de la Facultad de Ingeniería. Se hablará sobre los fundamentos biológicos que inspiran el análisis de la información visual hasta su conexión con los nuevos modelos de inteligencia artificial generativa como son las redes neuronales y los transformes. Especial énfasis se dará a lo largo de la plática a las aplicaciones de estos modelos para la solución de problemas de visión computacional en áreas como la imagenología médica y los sistemas de tutoría inteligente.

Resumen:

Este proyecto tiene como principal objetivo diseñar y evaluar un esquema que reduzca de manera significativa el tamaño de la información transmitida en entornos con recursos limitados, sin sacrificar la calidad de los datos. El enfoque propuesto consiste en integrar técnicas de procesamiento de señales y aprendizaje automático para la extracción de características más relevantes, lo cual disminuye la carga de transmisión y el consumo de energía en redes como LoRa, NB-IoT y Sigfox.

Resumen:

Las proteínas son moléculas increíblemente versátiles, esenciales para procesos biológicos como el transporte molecular, el soporte estructural, el metabolismo, la señalización celular y la regulación genética. Estas macromoléculas tienen su funcionalidad codificada en la secuencia primaria de aminoácidos, lo que crea un orden jerárquico que recuerda al de los lenguajes humanos. Aprovechando esta similitud, los modelos de lenguaje de gran escala (LLMs, por sus siglas en inglés), reconocidos por su capacidad para generar texto con fluidez y coherencia, están revolucionando la ciencia de proteínas al explorar las analogías entre el lenguaje humano y las secuencias proteicas. tienen su funcionalidad codificada en la secuencia primaria de aminoácidos, lo que crea un orden jerárquico que recuerda al de los lenguajes humanos. Aprovechando esta similitud, los modelos de lenguaje de gran escala (LLMs, por sus siglas en inglés), reconocidos por su capacidad para generar texto con fluidez y coherencia, están revolucionando la ciencia de proteínas al explorar las analogías entre el lenguaje humano y las secuencias proteicas.

Resumen:

Con una profunda comprensión de los desafíos que enfrentan las startups, Daniel asesora en la implementación estratégica y responsable de GenAI, desde mejorar la productividad de los desarrolladores hasta automatizar procesos y explorar aplicaciones creativas. Además, es un impulsor clave del ecosistema de GenAI en América Latina, conectando startups con recursos y compartiendo mejores prácticas para maximizar su impacto.

Resumen:

Se presentará un estudio que explora el modelado de las mediciones de ozono en la Ciudad de México y la zona metropolitana utilizando técnicas estadísticas como ARIMA y SARIMAX, junto con regresión basada en machine learning. Los modelos tradicionales lograron predecir con precisión los días sin contingencia, pero no los días de contingencia. Ante esta limitación, se incorporaron algoritmos de aprendizaje profundo como Visual Transformers y redes convolucionales. Los resultados preliminares indican que estos enfoques avanzados mejoran la predicción de eventos de contingencia.

Resumen:

Tabular data is a widely used data format in machine learning because it can naturally describe many different phenomena. However, deep learning has not been as successful with tabular data as with other applications such as natural language processing or vision. In this paper, we demonstrate that Transformers can perform better than other methods for tabular data. We argue that this is because Transformers can function as an efficient dynamic feature selection algorithm. We introduce a measure that captures the \emph{cumulative} attention that a feature gets across all the layers of the Transformer. Our experiments revealed that Transformers learn to give more cumulative attention to relevant features, which is important for high-dimensional datasets where many features may be irrelevant or the relevant features may change depending on the input.

Resumen:

La inteligencia artificial (IA) enfrenta desafíos y oportunidades en diversos campos. El aprendizaje profundo ha destacado en visión por computadora, pero su aplicación a datos tabulares es compleja. Se exploran avances en visión computacional, imagenología médica, reducción de datos en redes limitadas y aplicaciones de modelos de lenguaje de gran escala (LLMs) que revolucionan la ciencia de proteínas. El razonamiento neuro-simbólico mejora la interpretabilidad y seguridad, mientras que la IA impulsa tecnologías RTX en educación, industria y creatividad, marcando el rumbo de la era digital.

Resumen:

Los modelos de aprendizaje automático y aprendizaje profundo han demostrado ser herramientas eficaces en el análisis de imágenes médicas, permitiendo el diagnóstico de enfermedades mediante la identificación de biomarcadores específicos, la segmentación de órganos, la detección de tumores y la predicción de su malignidad, así como la evaluación de la respuesta a distintos tratamientos. En términos de precisión, las redes neuronales convolucionales y han mostrado un desempeño superior en comparación con los algoritmos tradicionales de visión por computadora. No obstante, persisten diversos desafíos que afectan tanto su funcionamiento óptimo como la confianza de los profesionales en su aplicación clínica. A pesar de estas limitaciones, el desarrollo y la implementación de estas tecnologías continúan avanzando de manera constante en el ámbito de la salud

Resumen:

Resultados recientes de gran impacto en Inteligencia Artificial (IA) han abierto la brecha a retos igualmente importantes sobre los modelos de IA, tales como confianza, seguridad, interpretabilidad y trazabilidad. El razonamiento neuro-simbólico es una rama de la IA que aborda estos retos a través de la representación simbólica de modelos neuronales. En esta plática se describen los principios básicos de este enfoque de razonamiento, así como algunos resultados recientes.

Resumen:

En esta conferencia exploraremos cómo la IA potencia las tecnologías RTX que hoy están transformando el aprendizaje y la industria, permitiendo a los estudiantes acelerar sus flujos de trabajo en distintas áreas. Mostraremos demos en distintas aplicaciones y exploraremos herramientas de IA generativa optimizando la educación y la creatividad. Finalmente, discutiremos cómo las tecnologías RTX potencian el gaming, la productividad y el desarrollo de IA preparando a los estudiantes para la nueva era digital.