Oradores

Introducción a la Privacidad en Machine Learning e Inteligencia Artificial

Miércoles 13 de diciembre 10:15 – Auditorio D’Etigny

Andrés Muñoz Medina

Andrés Muñoz Medina es un investigador mexicano en Google Research. Andrés obtuvo su título en Matemáticas de la Universidad Nacional Autónoma de México en 2010. El hizo su doctorado en el instituto Courant en la universidad de Nueva York bajo la supervisión de Mehryar Mohri con un enfoque en fundamentos de Machine Learning. La investigación de Andrés se ha enfocado en el desarrollo de algoritmos para machine learning, teoría de juegos y privacidad. Además de múltiples publicaciones académicas y patentes, el trabajo de Andrés se ha materializado en herramientas como la Privacy Sandbox de Chrome que mejoran la privacidad de usuarios en internet. 

Resumen de la charla: 

En la era digital en la que vivimos, ¿qué es la privacidad? ¿Cómo controlamos quién tiene acceso a nuestros datos? Compartir nuestra información ayuda a generar mejores herramientas de automatización: modelos de lenguaje, sistemas de recomendación,… ¿Es posible que estos sistemas revelen información privada? ¿Cómo podemos asegurar que esto no ocurra? En esta plática trataré de contestar estas preguntas y discutiré las soluciones que la comunidad de privacidad ha generado para contestarlas. Iniciaremos la plática con preguntas filosóficas acerca de la dificultad de definir privacidad en el contexto de compartimiento de datos. Después discutiré conceptos técnicos asociados con el compartimiento de datos: criptografía, anonimización y privacidad diferencial y cómo estas soluciones están siendo desarrolladas en el contexto de inteligencia artificial. Finalmente discutiré el panorama futuro de compartimiento de datos y por qué es importante aprender a realizar manejo de datos en forma privada.

Simetrías en inteligencia artificial

Miércoles 13 de diciembre 14:00 – Auditorio D’Etigny

Soledad Villar

Soledad Villar es profesora de la Universidad de Johns Hopkins en Estados Unidos. Ella estudió licenciatura en matemática e ingeniería en computación en Uruguay, y luego hizo un doctorado en matemática en la Universidad de Texas en Austin, y un postdoctorado en la Universidad de Nueva York.

Resumen de la charla:

Cualquier representación de datos implica elecciones arbitrarias del investigador. Debido a que esas elecciones son externas al proceso de generación de datos, cada elección conduce a una simetría exacta, correspondiente al grupo de transformaciones que lleva una posible representación a otra. Éstas son las simetrías pasivas; donde los resultados son independientes de la elección del sistema de coordenadas y unidades, fundamentales en física.En el aprendizaje automático, la simetría pasiva más visible es la simetría de permutación en grafos.
Las simetrías activas son aquellas que deben establecerse mediante observación y experimentación, como invarianza y equivarianza con respecto a rotaciones y translaciones en modelos físicos. Nuestro objetivo, en esta charla, es explicar el rol de las simetrías en métodos de inteligencia artificial, y los conceptos matemáticos para implementarlas en la práctica.

Different applications of evolving Fuzzy Systems

Miércoles 13 de diciembre 11:45 – Auditorio D’Etigny

Igor Škrjanc

Igor Škrjanc obtuvo los grados de licenciatura, máster y doctorado en Ingeniería Eléctrica en 1988, 1991 y 1996, respectivamente, en la Facultad de Ingeniería Eléctrica e Informática de la Universidad de Liubliana (Eslovenia). Actualmente es Profesor Titular en la misma facultad y Jefe del Laboratorio de Sistemas Autónomos y Móviles. Imparte clases de teoría básica de control para estudiantes de licenciatura y de control inteligente avanzado en posgrado. Sus principales áreas de investigación son los sistemas de control adaptativos, predictivos, neurodifusos y difusos adaptativos. Sus intereses de investigación actuales incluyen también el campo de los sistemas móviles autónomos en el sentido de la localización, el control visual directo y control de seguimiento de trayectorias. Posee research fellowships de Humboldt y de la Sociedad Japonesa para la Promoción de la Ciencia (JSPS), Catedra de Excelencia de la Universidad Carlos III de Madrid de los años 2018 y 2021, y es miembro de la Academia Eslovena de Ingeniería. También es editor asociado de IEEE Transaction on Neural Networks and Learning System, IEEE Transaction on Fuzzy Systems, Evolving Systems journal e International journal of artificial intelligence.

Resumen de la charla (a ser dictada en idioma inglés):

Fuzzy systems have long been recognized for their capacity to model and address complex real-world problems, thanks to their ability to handle uncertainty and imprecision. Over the years, evolving fuzzy systems have emerged as a dynamic and adaptive extension of traditional fuzzy logic, offering even greater flexibility and applicability across various domains. This invited talk delves into the diverse applications of evolving fuzzy systems, showcasing their utility and versatility in solving a wide array of challenges. The talk begins by providing an overview of the evolving fuzzy system framework, emphasizing its unique features such as online learning, incremental adaptation, and self-improvement. Subsequently, a journey through different domains unfolds, highlighting how evolving fuzzy systems have made significant contributions. In engineering and control, evolving fuzzy systems have proven invaluable for tasks such as autonomous robotics, adaptive control, and fault detection in dynamic environments. The talk explores how these systems adapt in real-time to changing conditions, enhancing precision and robustness. In summary, this invited talk provides an illuminating glimpse into the multifaceted world of evolving fuzzy systems, demonstrating their relevance and effectiveness in tackling complex problems across engineering. Attendees will gain insights into the transformative potential of these systems and their capacity to adapt and evolve, making them indispensable tools for addressing the challenges of our dynamic and uncertain world.

Ciencia, sociedad e IA: ¿sueñan los androides con personas felices?

Jueves 14 de diciembre 9:15 – Auditorio D’Etigny

Gabriel León

Gabriel León es bioquímico y doctor en biología celular y molecular de la PUC. Fue académico e investigador en la UNAB y director del Centro para la Comunicación de la Ciencia en esa Universidad. Desde el año 2018 se dedica a la comunicación de la ciencia de manera independiente; es panelista de ciencia en radio, conductor de Rockstars en TXSplus.com, autor de 10 libros de divulgación científica y anfitrión del podcast La Ciencia Pop, el podcast de ciencia más escuchado en Chile.

Resumen de la charla:

¿Qué es la ciencia? ¿Cómo son los científicos? ¿Qué espera la sociedad de la ciencia? ¿Cómo la IA afectará nuestras vidas? En esta charla se abordarán estas preguntas tratando de entender cómo la sociedad en su conjunto se puede beneficiar de la curiosidad de quienes se dedican a producir conocimiento. Al mismo tiempo se destacará cómo este trabajo debe realizarse de manera responsable, colaborativa y con el foco puesto en las personas.

Improving anatomical plausibility and auditing fairness in deep segmentation networks

Jueves 14 de diciembre 10:15 – Auditorio D’Etigny

Enzo Ferrante

Dr. Enzo Ferrante completó su doctorado en Ciencias de la Computación en la Université Paris-Saclay e INRIA (París, Francia), y trabajó como investigador postdoctoral en el Imperial College de Londres en el Reino Unido. También ha sido estudiante visitante en el CVGL Lab de la Universidad de Stanford (2014), Investigador Visitante Fulbright en el A. Martinos Center for Biomedical Imaging (Massachusetts General Hospital – Harvard Medical School, 2021) en Boston, y puesto de Profesor Invitado DATAIA en la Université Paris-Saclay en Francia (2023).
Regresó a Argentina en 2017, ocupando un puesto de investigador docente en el Consejo Nacional de Investigaciones Científicas y Técnicas de Argentina (CONICET). Se desempeña regularmente como miembro del comité de programa de importantes conferencias de imágenes médicas como MICCAI, MIDL, ISBI e IPMI, y ha organizado varios talleres en este contexto. Dirige la línea de investigación Machine Learning for Biomedical Image Computing en el Instituto de Investigación de Señales, Sistemas e Inteligencia Computacional, sinc(i). En 2020, el Dr. Ferrante recibió el Premio Joven Investigador de la Academia Nacional de Ciencias de Argentina y el Premio Mercosur de Ciencia y Tecnología por sus contribuciones científicas a la IA para la computación de imágenes médicas. Sus intereses de investigación abarcan la inteligencia artificial y el análisis de imágenes biomédicas, centrándose actualmente en la equidad, la adaptación y generalización de dominios, la calibración y la segmentación anatómica de imágenes médicas.

Resumen de la charla:

The evolution of deep segmentation networks has empowered the enhancement of extensive medical imaging datasets with automatically generated anatomical segmentation masks. In this talk we will discuss recent methods we proposed to improve anatomical plausibility in deep segmentation networks. By improving anatomical plausibility we mean to ensure that the segmentation masks produced by our network are constrained to the actual shape and appearance of organs. We will briefly discuss some of our studies [1,2,3] which use autoencoders to learn low dimensional embeddings of anatomical structures and propose different ways in which they can be incorporated into deep learning models for segmentation and registration.

The complexity is further intensified by recent studies indicating potential biases in AI-based medical imaging models related to gender, age, and ethnicity [4,5]. Here we will share insights from our journey in developing the CheXMask large-scale database of x-ray anatomical segmentations [6]. We will delve into the strategies we implemented for automatic quality control and the methods we formulated for unsupervised bias discovery in the absence of ground-truth annotations [7].

[1] Learning deformable registration of medical images with anatomical constraints | Mansilla L, Milone D, Ferrante E. – Neural Networks (2020)

[2] Post-DAE: Anatomically Plausible Segmentation via Post-Processing with Denoising Autoencoders | Larrazabal A, Martinez C, Glocker B, Ferrante E. – IEEE Transactions on Medical Imaging (2020) – MICCAI 2019 (conference version)

[3] HybridGNet – Improving anatomical plausibility in image segmentation via hybrid graph neural networks: applications to chest x-ray image analysis | Gaggion N, Mansilla L, Mosquera C, Milone D, Ferrante E. – IEEE Transactions on Medical Imaging (2022) MICCAI 2021 (conference version)

[4] Gender imbalance in medical imaging datasets produces biased classifiers for computer-aided diagnosis | Larrazabal AJ, Nieto N, Peterson V, Milone DH, Ferrante E. – Proceedings of the National Academy of Sciences (2020)

[5] Addressing fairness in artificial intelligence for medical imaging | Ricci Lara MA, Echeveste R, Ferrante E. – Nature communications (2022)

[6] CheXmask: a large-scale dataset of anatomical segmentation masks for multi-center chest x-ray images | Gaggion N, Mosquera C, Mansilla L, Aineseder M, Milone DH, Ferrante E. – arXiv preprint (2023)

[7] Unsupervised bias discovery in medical image segmentation | Gaggion N, Echeveste R, Mansilla L, Milone DH, Ferrante E. – MICCAI FAIMI Workshop (2023)

 Comprender el universo y salvar nuestro planeta época a época

Jueves 14 de diciembre 11:45 – Auditorio D’Etigny

Luis Martí

Luis es actualmente director científico de Inria Chile, el centro chileno de Inria, el Instituto Nacional de Ciencias Computacionales francés. Previamente fue investigador senior del equipo TAU en Inria Saclay desde 2015. También fue profesor adjunto (titular) en el Instituto de Computación de la Universidade Federal Fluminense. Anteriormente, Luis fue CNPq Young Talent of Science Fellow en el Laboratorio de Robótica Aplicada e Inteligencia del Departamento de Ingeniería Eléctrica de la Pontifícia Universidade Católica do Rio de Janeiro, Brasil. Luis hizo su doctorado en el Grupo de Inteligencia Artificial Aplicada del Departamento de Informática de la Universidad Carlos III de Madrid, Madrid, España, y se licenció en Informática por la Universidad de La Habana. Sus intereses principales son la inteligencia artificial y, en particular, el aprendizaje automático, redes neuronales, computación evolutiva, optimización y los sistemas híbridos, entre otros.

Resumen de la charla:

La inteligencia artificial (IA) tiene un triple papel con respecto a nuestra comprensión e impacto sobre los fenómenos naturales. En primer lugar, la IA es la clave para comprender fenómenos complejos como los relacionados con la astrofísica o el cambio climático. En segundo lugar, la IA es esencial en un holoceno viable y sostenible. La tercera se refiere al impacto de la IA (como el resto de la tecnología de la información) como factor que contribuye a la contaminación, la generación de CO2 y el cambio climático. En esta charla, me sumergiré en los retos subyacentes a los que nos enfrentamos al abordar los problemas mencionados. Lo haré repasando algunos proyectos interrelacionados. En primer lugar, presentaré nuestro proyecto OcéanIA, centrado en el desarrollo de nuevas herramientas de IA, aprendizaje automático y modelamiento matemático para contribuir a la comprensión de la estructura, el funcionamiento, los mecanismos subyacentes y la dinámica del simbioma oceánico global y su relación con el cambio climático. A continuación, mostraré nuestro proyecto EMISTRAL, en el que diseñamos y evaluamos controladores de autoaprendizaje para veleros autónomos de vigilancia medioambiental basados en aprendizaje reforzado, el aprendizaje por transferencia y el aprendizaje autónomo para el muestreo del océano. Por último, abordaremos el otro lado de esta dicotomía buscando en el interior de la IA una forma de hacerla más viable desde el punto de vista ecológico en nuestro proyecto GreenAI.

Interpretable Convolutional NNs and Graph CNNs: Role of Domain Knowledge

Viernes 15 de diciembre 9:15 – Auditorio D’Etigny

Danilo Mandic

Danilo P. Mandic es Profesor de Inteligencia Artificial en el Imperial College de Londres (Reino Unido) y ha trabajado en las áreas de inteligencia artificial, procesamiento estadístico de señales, macrodatos, análisis de datos en grafos, bioingeniería y modelización financiera. Es miembro del IEEE y actual Presidente de la Sociedad Internacional de Redes Neuronales (INNS). El Dr. Mandic es Director del Laboratorio de Inteligencia de Máquinas Financieras del Imperial y tiene más de 600 publicaciones en revistas y conferencias internacionales. Ha publicado dos monografías de investigación sobre redes neuronales, tituladas “Recurrent Neural Networks for Prediction”, Wiley 2001, y “Complex Valued Nonlinear Adaptive Filters: Noncircularity, Widely Linear and Neural models“, Wiley 2009 (ambos primeros libros en sus respectivas áreas), y ha coeditado libros sobre Fusión de Datos (Springer 2008) y Neuro y Bioinformática (Springer 2012). También ha sido coautor de una monografía de investigación en dos volúmenes sobre redes tensoriales para Big Data, titulada “Tensor Networks for Dimensionality Reduction and Large Scale Optimization” (Now Publishers, 2016 y 2017), y más recientemente de una monografía de investigación sobre Data Analytics on Graphs (Now Publishers, 2021). 

El Dr. Mandic recibió en 2019 el premio Dennis Gabor a los “Logros destacados en ingeniería neuronal”, otorgado por la Sociedad Internacional de Redes Neuronales. Ganador en 2023 del premio The Prize Paper Award, otorgado por la Sociedad de Ingeniería en Medicina y Biología del IEEE por su artículo sobre el casco inteligente, ganador en 2018 del premio al mejor artículo en la revista IEEE Signal Processing Magazine por su artículo sobre descomposiciones tensoriales para aplicaciones de procesamiento de señales, y ganador en 2021 del premio al mejor artículo en la serie de conferencias de la Conferencia Internacional sobre Acústica, Habla y Procesamiento de Señales (ICASSP). El Dr. Mandic ha desempeñado diversas funciones en las series de conferencias Word Congress on Computational Intelligence (WCCI) e International Joint Conference on Neural Networks (IJCNN), y ha sido editor asociado de IEEE Transactions on Neural Networks and Learning Systems, IEEE Signal Processing Magazine e IEEE Transactions on Signal Processing. Ha impartido más de 70 conferencias magistrales y tutoriales en congresos internacionales y fue nombrado por el World University Service (WUS), como profesor visitante dentro del Brain Gain Program (BGP), en 2015.  En la actualidad, Danilo es Distinguished Lecturer de la IEEE Computational Society y conferenciante distinguido de la IEEE Signal Processing Society. El Dr. Mandic recibió en 2014 el premio President Award for Excellence in Postgraduate Supervision del Imperial College y es titular de seis patentes.

Resumen de la charla (a ser dictada en idioma inglés):

The success of deep learning (DL) and convolutional neural networks (CNN) has also highlighted that NN-based analysis of signals and images of large sizes poses a considerable challenge, as the number of NN weights increases exponentially with data volume – the so called Curse of Dimensionality. In addition, the largely ad-hoc fashion of their development, albeit one reason for their rapid success, has also brought to light the intrinsic limitations of CNNs – in particular those related to their black box nature. To this end, we revisit the operation of CNNs from first principles and show that their key component – the convolutional layer – effectively performs matched filtering of its inputs with a set of templates (filters, kernels) of interest. This serves as a vehicle to establish a compact matched filtering perspective of the whole convolution-activation-pooling chain, which allows for a theoretically well founded and physically meaningful insight into the overall operation of CNNs. This is shown to help mitigate their interpretability and explainability issues, together with providing intuition for further developments and novel physically meaningful ways of their initialisation. Such an approach is next extended to Graph CNNs (GCNNs), which benefit from the universal function approximation property of NNs, pattern matching inherent to CNNs, and the ability of graphs to operate on nonlinear domains. GCNNs are revisited starting from the notion of a system on a graph, which serves to establish a matched-filtering interpretation of the whole convolution-activation-pooling chain within GCNNs, while inheriting the rigour and intuition from signal detection theory. This both sheds new light onto the otherwise black box approach to GCNNs and provides well-motivated and physically meaningful interpretation at every step of the operation and adaptation of GCNNs. It is our hope that the incorporation of domain knowledge, which is central to this approach, will help demystify CNNs and GCNNs, together with establishing a common language between the diverse communities working on Deep Learning and opening novel avenues for their further development.

Métodos para el estudio de conectividad cerebral basados en Resonancia Magnética por difusión

Viernes 15 de diciembre 10:15 – Auditorio D’Etigny

Pamela Guevara

Profesora Titular del Departamento de Ingeniería Eléctrica, Facultad de Ingeniería, Universidad de Concepción. Obtuvo su título de Ingeniera Civil Electrónica en la Universidad de Concepción, y realizó sus estudios de Magíster y Doctorado en Francia, en la Université Paris-Sud, en el Centro de estudio del cerebro Neurospin, especializándose en el Análisis de Imágenes Médicas. Sus intereses de investigación se centran en el área de Procesamiento y Análisis de Imágenes Médicas, Neuroimágenes, Neurociencia Computacional y Desarrollo de aplicaciones científicas. Actualmente es Investigadora Titular del centro AC3E, Investigadora Asociada del centro CENIA e investigadora adjunta del centro GERO.

Resumen de la charla:

La Resonancia Magnética por difusión permite reconstruir conjuntos de datos de tractografia cerebral, que representan la trayectorias de los principales fascículos de fibras de la materia blanca. Estos están compuestos por polilíneas 3D, y su análisis presentan desafíos computacionales interesantes debido a su gran tamaño, ruido, y complejidad morfológica. Revisaremos los principales métodos usados para analizar los datos de tractografía para el estudio de la conectividad cerebral, tales como clustering de fibras, segmentación de fascículos, filtrado, parcelación cortical basada en datos de difusión, y simulación de datos para validación de algoritmos.

Exploring latent subspaces on semantic image manipulation

Viernes 15 de diciembre – 11:45 – Auditorio D’Etigny

Leandro Fernandes

Leandro A. F. Fernandes es licenciado en Informática (2002) de la Fundación Universidad Regional de Blumenau (FURB), máster (2006) y doctor (2010) en Informática de la Universidade Federal do Rio Grande do Sul (UFRGS). Fue investigador postdoctoral en la UFRGS de 2010 a 2011. Actualmente, es miembro del cuerpo docente de la Universidad Federal Fluminense (UFF) en Niterói, Brasil. Desde 2023, Leandro es miembro de la División 8 para NC-BR en la Comisión Internacional de Iluminación (CIE). Sus intereses de investigación abarcan la mayoría de los aspectos de computación visual e inteligencia artificial, especialmente computer vision y las fronteras entre la recuperación, extracción y organización de la información, y el aprendizaje automático aplicado a la visión. Esto incluye el modelamiento semántico, la detección multidimensional de formas y patrones, la metrología de imágenes, el modelamiento y seguimiento basados en imágenes, y el álgebra geométrica (álgebra de Clifford en física) aplicada a la computación visual. De 2015 a 2021, Leandro fue titular de una Research Productivity Fellowship (PQ-2)  del Consejo Nacional de Desarrollo Científico y Tecnológico (CNPq) y de un Young Scientist of Our State Fellowship (JCNE) de la Fundação de Amparo à Pesquisa do Estado do Rio de Janeiro (FAPERJ). Además, recibió un premio en el Programa 2020 Google Research Awards in Latin America por la investigación realizada por uno de sus estudiantes de doctorado, el Premio Elon Lages Lima 2021 por su libro sobre álgebra geométrica, y el Premio Inventor Petrobras 2022. Leandro fue copresidente de programa del AGACSE 2018 y del SIBGRAPI 2016, copresidente general del SIBGRAPI 2017, copresidente tutorial del SIBGRAPI 2021 y 2022, copresidente de publicación y general del IWSSIP 2020, editor invitado de números especiales del Computers & Graphics Journal y del International Journal of Innovative Computing and Applications, y miembro del Comité Técnico TC1-89 de la CIE Enhancement of Images for Colour Defective Observers de 2012 a 2020.

Resumen de la charla (a ser dictada en idioma inglés):

Semantic image manipulation is a complex challenge characterized by the need to modify high-level features while preserving the visual similarity to the original image. Recent advancements in deep generative techniques have shown that altering semantic attributes in a latent space can yield impressive results. However, a fundamental question persists: Can we perform meaningful algebraic operations on high-level visual semantic attributes within images? In this talk, we illustrate the possibility of interpreting and manipulating image pseudovectors (which represent (n – 1)-dimensional subspaces) as combinations of visual features (k-dimensional subspaces, where 0 < k < n) using Geometric Algebra (GA). GA operations can be applied depending on the organization of the latent space, allowing us to address a wide range of problems without retraining generative models for specific tasks. As a proof of concept, we will demonstrate how GA operations can be applied to manipulate subspaces within the latent space of facial images. These operations enable tasks such as adding or removing clothing accessories, altering age-related characteristics, changing hairstyles, and conducting semantic queries on sets of images. In this talk, we try to keep mathematics to a minimum while showing its interpretation in a didactic way.

Responsible AI in the context of GenAI

Miércoles 13 de diciembre – 15:15 – B02, Beauchef 851

Iván Castro

Senior Data Scientist Consultant from AWS Professional Services. Currently supporting AWS customers over their cloud journey tackling advanced analytics projects, MLOps implementations. Participated also as ML advisor for customers in different areas including Recommender Systems, Natural Language Processing, MLOps and Generative AI applications. Iván also participates as a part-time teacher @ DIE Uchile and also supports research in Image Processing for Biomedical applications.
Bio (Esp): Consultor Senior Data Scientist de AWS Professional Services. Actualmente ofrece soporte a los clientes de AWS en su viaje por la nube, abordando proyectos de análisis avanzados e implementaciones de Machine Learning Operations (MLOps). También ha participado como asesor de ML para clientes en diferentes áreas, incluyendo Sistemas de Recomendación, Procesamiento del Lenguaje Natural, MLOps y aplicaciones de IA Generativa. Iván también participa como profesor a tiempo parcial del Departamento de Ingeniería Eléctrica de la Universidad de Chile y también apoya la investigación en Procesamiento de Imágenes para aplicaciones biomédicas.

Resumen de la charla:

La IA generativa nos presenta nuevos desafíos: definir, medir y mitigar preocupaciones acerca de la equidad, toxicidad y propiedad intelectual entre otros elementos. En esta charla, nos subrayaremos estos desafíos y maneras de enfrentarlos.

Imputación de datos faltantes: ¿qué podemos hacer?

Jueves 14 de diciembre – 14:00 – B01, Beauchef 851

Gloria Henriquez

Dra. Ciencias de la Ingeniería Mención Automática, Ing. Civil en Electricidad, Médico Cirujano, Investigadora de la Línea de Salud Digital del Centro de Modelamiento Matemático de la Universidad de Chile, Miembro de la Comisión de Salud del Colegio de Ingenieros de Chile.

Resumen de la charla:

Los datos faltantes constituyen un problema que se presenta en distintos ámbitos y que pueden afectar, en mayor o menor medida, la ejecución, interpretación, resultados y conclusiones de un estudio o proyecto. La técnica tradicional y más conocida para el tratamiento de datos faltantes se conoce como “imputación de datos”. Gran parte de los estudios relacionados con los métodos de imputación se centran en el problema de la estimación de la media y se basan en diseños muestrales simples. El objetivo de esta sesión es realizar un trabajo colaborativo que nos permita plantear distintas maneras de resolver este dilema.

Graph Neural Networks

Viernes 15 de diciembre – 15:15 – B01, Beauchef 851

Christopher P. Ley

Christopher Ley, PhD investiga aplicaciones de investigación de Inteligencia Artificial (IA) y Aprendizaje Profundo (AD). Específicamente Redes Neuronales Gráficas Dinámicas de Tiempo Continuo (Grafos Asíncronos) y en general Aprendizaje Profundo Geométrico, el estudio de la metodología unificadora mediante la cual se definen arquitecturas de aprendizaje profundo a través de principios geométricos unificados (sesgos inductivos) para explotar las regularidades subyacentes que surgen de la baja dimensionalidad y estructura del mundo físico. Actualmente es investigador del Centro de Modelamiento Matemático de la Universidad de Chile.

Resumen de la charla (a ser dictada en idioma inglés):

Graphs can be thought of the main modality of data we receive from nature. This is due to the fact that most of the patterns we see, both in natural and artificial systems, are elegantly representable using the language of graph structures. Prominent examples include molecules (represented as graphs of atoms and bonds), social networks and transportation networks. This potential has already been seen by key scientific and industrial groups, with already-impacted application areas including traffic forecasting, drug discovery, social network analysis and recommender systems. Further, some of the most successful domains of application for machine learning in previous years — images, text and speech processing — can be seen as special cases of graph representation learning, and consequently there has been significant exchange of information between these areas. Graph Neural Networks are the techniques of building machine learning models over data that lives on graphs s (interconnected structures of nodes connected by edges). In this tutorial we will introduce theory underpinning Graph Neural Networks and demonstrate practical applications using the latest frameworks for deep learning on graphs.

Arturo Amor

Arturo Amor es doctor en física teórica del Instituto de Ciencias Nucleares de la Universidad Nacional Autónoma de México (UNAM). Continuó su investigación en el mismo campo como postdoc en la École Polytechnique, en  Francia. Ingeniero de investigación en Inria en el equipo-proyecto SODA del centro Inria de Saclay, y parte del equipo de documentación de la librería scikit-learn, su principal tarea es dar mantenimiento a la documentación y hacerla más accesible a todo tipo de usuarios.

Resumen de la charla:

La evaluación de modelos es un aspecto crucial del machine learning, sea para elegir el mejor modelo o para decidir si un modelo es lo suficientemente bueno para ponerlo en producción. Este tutorial ofrecerá una introducción didáctica a los diversos aspectos estadísticos de la evaluación de modelos: qué aspectos de la predicción de modelos son importantes de capturar, y cómo las diferentes métricas disponibles en scikit-learn lo hacen. Cómo diseñar un procedimiento de evaluación de modelos que sea el más adecuado para seleccionar el mejor modelo, o controlar que un modelo es adecuado para su uso. Este tutorial va más allá de la mera aplicación de scikit-learn y esperamos que incluso los expertos aprendan consideraciones útiles.
Discutiremos cómo las buenas métricas deben caracterizar todos los aspectos del error, por ejemplo, en la clase positiva y negativa; la probabilidad de una detección, o la probabilidad de un evento verdadero dada una detección; ya que debe ser posible tomar en cuenta el desequilibrio de clases. Las métricas también pueden evaluar las puntuaciones de confianza, por ejemplo, la calibración. Los procedimientos de evaluación de modelos deben calibrar no sólo el rendimiento de generalización esperado, sino también sus variaciones.

MLOps: La clave de la reproducibilidad y buenas prácticas para modelos efectivos

Viernes 15 de diciembre – 15:15 – B05, Beauchef 851

Rodolfo Núñez

Senior Machine Learning Operations Engineer en Entel y fué Senior Data Scientist en la misma compañía, donde también dirije tres mini equipos dedicados a la ciberseguridad interna de la gerencia; diseñar/fomentar la formación continua de todo el equipo de Analytics; y velar por la mejora de prácticas de programación y estándares de limpieza de código. Le encanta enseñar y actualmente es Tutor en TripleTen (bootcamp) para aspirantes a Data Scientist y Data Analyst. Es uno de los 3 co-hosts en un podcast llamado “en_coders”, en el que se habla de temas relacionados a Data Scienence, MLOps, ciberseguridad, y datos en general. Actualmente en Entel, se encarga de ayudar al equipo a productivizar sus modelos y definir las herramientas que utilizaremos para ello. Esto siendo agnóstico al lenguaje/herramienta: pues hay que usar la herramienta que mejor resuelva el problema actual. Estudió Ingeniería Matemática y MSc en Matemáticas Aplicadas en la Universidad de Chile y MSc en Ingeniería General en la École Centrale Marseille.Otros de sus intereses son los juegos de computador (sobretodo Vermintide y Darktide), juegos de mesa, baile de ritmos latinos. Además, stremea en Twitch algunos juegos y sobre temas relacionados a Data Science con en_coders.

Resumen de la charla:

Un modelo que no puede ser utilizado, es un modelo que no sirve. En ocasiones, basta con extraer información puntual de un modelo y olvidarlo, pero en la mayoría de los casos, el desafío consiste en llevarlo a producción o permitir que otros lo utilicen. La reproducibilidad es un pilar esencial, tanto en la academia como en la industria. Sin la capacidad de replicar los resultados de un estudio, no se puede confiar en sus hallazgos. Del mismo modo, si no puedes reproducir un modelo en un entorno de producción, estás desperdiciando tiempo y recursos. En esta charla, exploraremos la importancia de MLOps y buenas prácticas que permiten la creación de modelos efectivos y reproducibles.

Aprendiendo dinámica a partir de datos espacio-temporales

Viernes 15 de diciembre – 14:00 – B05, Beauchef 851

Benjamín Herrmann

Benjamin Herrmann es profesor asistente del Departamento de Ingeniería Mecánica de la Universidad de Chile, donde dirige el grupo de modelos de dinámica para ingeniería — MODE-Lab. Obtuvo el grado de doctor en fluidodinámica de la Universidad de Chile en el año 2018. Posteriormente obtuvo financiamiento del programa PRIME de la DAAD para una doble posición postdoctoral, colaborando con académicos de la University of Washington y la Technische Universität Braunschweig. Su investigación combina el modelamiento basado en física con técnicas de ciencia de datos para entender, predecir y controlar sistemas dinámicos complejos, con particular interés en flujos de fluido relevantes en aeronáutica, transporte y conversión de energía. Es autor de numerosos artículos científicos en las revistas más importantes de su área.

Resumen de la charla:

Para muchos sistemas dinámicos complejos, relevantes en aplicaciones modernas de ciencia e ingeniería, no es posible construir modelos que capturen la actividad espacio-temporal dominante a partir de primeros principios. Afortunadamente, contamos con una cantidad y calidad sin precedentes de datos provenientes de experimentos de laboratorio, mediciones de campo, simulaciones computacionales o registros históricos. En esta charla se introduce la descomposición en modos dinámicos (DMD) — una técnica que permite identificar modelos predictivos de sistemas dinámicos complejos a partir de datos espacio-temporales. DMD extrae patrones de actividad espacial correlacionada que se encuentran asociados a una evolución temporal simple. El método proporciona una herramienta potente para el diagnóstico, predicción y control de sistemas dinámicos. Durante el tutorial aplicaremos DMD a ejemplos de fluidodinámica, ciencia del clima, epidemiología y neurociencia.