¿Reemplazará la IA a los artistas? Modelos de difusión y sus implicaciones

Ponente: Jónathan Heras Vicente (Grupo PSYCOTRIP, Universidad de La Rioja).

Lugar: Seminario Mirian Andrés (Edificio CCT).

Hora: martes 14 de febrero de 2023, 11:00.

Resumen: En el último año hemos visto un gran avance en la generación automática de imágenes gracias a los modelos de difusión. En esta charla veremos en qué consiste esta tecnología, los modelos de aprendizaje profundo que hay por detrás, las herramientas existentes, y las implicaciones éticas asociadas al uso de estas herramientas.

Nota: puedes acceder a las transparencias de la charla a través del siguiente enlace.

¿Puede el aprendizaje no supervisado ayudarnos a identificar compuestos?

Ponente: Gadea Mata Martínez (Grupo PSYCOTRIP, Universidad de La Rioja)

Lugar: Seminario Mirian Andrés (Edificio CCT).

Hora: martes 22 de noviembre de 2022, 11:00.

Resumen: En la investigación biomédica se llevan a cabo estudios de librerías grandes de compuestos con el fin de averiguar si no es sólo uno el que provoca un efecto. Esta labor de identificación suele ser ardua. En este seminario se va a contar un caso de uso desarrollado en el CNIO sobre cómo el aprendizaje no supervisado puede ayudar en la labor de dicha identificación y cómo se pueden interpretar los resultados.

Generative Few-Shot Learning

Ponente: Adrián Inés Armas (Investigador Predoctoral, Grupo PSYCOTRIP, Universidad de La Rioja).

Lugar: Salón de Actos (Edificio CCT), o a través de Blackboard (https://bit.ly/salaDMC)

Hora: martes 31 de mayo de 2022, 12:00.

Resumen: El problema de few-shot learning en clasificación de imágenes consiste en crear un modelo que sea capaz de clasificar imágenes de nuevas clases usando un número muy reducido de imágenes de entrenamiento para cada clase. La dificultad de este problema radica en los pocos datos de entrenamiento que podemos usar y la gran cantidad de datos necesarios para entrenar modelos de Machine Learning o Deep Learning capaces de resolver este tipo de tareas.

En esta charla voy a contar el trabajo realizado en mi estancia de investigación en la Universidad Albert-Ludwigs de Alemania. En primer lugar, voy a introducir el problema de few-shot learning en la clasificación de imágenes, así como las aproximaciones que existen en la literatura. Posteriormente veremos cómo hemos abordado este problema usando redes generativas.

Una visión computacional de la química: de la química cuántica al aprendizaje automático

Ponente: Ignacio Funes Ardoiz (Investigador del Departamento de Química, miembro del Grupo de Investigación en Fotoquímica Orgánica, Universidad de La Rioja).

Lugar: Salón de Actos (Edificio CCT), o a través de Blackboard (https://bit.ly/salaDMC)

Hora: martes 10 de mayo de 2022, 12:00.

Resumen: La química es la ciencia que se encarga del estudio de la materia. Tradicionalmente, se ha relacionado muy estrechamente con el trabajo de laboratorio, desde la síntesis al análisis de nuevos compuestos y materiales. Con el auge de la mecánica cuántica y los ordenadores a lo largo del siglo XX, una nueva vertiente derivada de la química teórica ha ganado mucho peso a la hora de comprender los procesos a escala molecular: la química computacional.

En este seminario, se tratará de hacer un recorrido, desde un punto de vista computacional, a los últimos avances en ciencia de datos, aprendizaje automático y programas informáticos, que los químicos usamos para entender las reacciones del mundo que nos rodea. Finalmente, se discutirán dos ejemplos concretos del autor sobre la aplicación de la ciencia de computación a la química: el desarrollo del programa GoodVibes¹^,² y el uso de aprendizaje automático no supervisado para la búsqueda de nuevos catalizadores.³

1 https://github.com/patonlab/GoodVibes;

2 Liuchini, G.; Alegre-Requena, J. V.; Funes-Ardoiz, I.; Paton, R. S. “GoodVibes: automated thermochemistry for heterogeneous computational chemistry data” F1000Research, 2020, 9, 291.

3 Hueffel, J. A.; Sperger, T.; Funes-Ardoiz, I.; Ward, J. S; Rissanen, J.; Schoenebeck, F. “Accelerated dinuclear palladium catalyst identification through unsupervised machine learning” Science, 2021, 374, 1134.

True Artificial Intelligence o Artefactos cognitivos que aprenden

Inteligencia Artificial Semántica, la convergencia entre IA simbólica e IA orientada al aprendizaje automático

Ponente: Susana López Sola (Responsable de Área Comercial, GNOSS — Grafos de Conocimiento –), Esteban Sota (Jefe de Proyectos, GNOSS).

Lugar: Salón de Actos (Edificio CCT), o a través de Blackboard (https://bit.ly/salaDMC)

Hora: martes 26 de abril de 2022, 12:00.

Resumen: La Inteligencia Artificial Semántica y Contextual es una condición para construir True Artificial Intelligence, una IA capaz de operar con las personas en un marco de ‘sentido común’.

Durante más de 5 décadas, DARPA (Defense Advanced Research Projects Agency) ha liderado la investigación y el desarrollo que ha posibilitado el avance y aplicación de tecnologías de Inteligencia Artificial basadas en reglas y aprendizaje estadístico (Aprendizaje Automático y Aprendizaje Profundo). Según ellos, la IA de siguiente generación permitirá a los sistemas añadir la capacidad de explicar sus resultados y dotarlos de razonamiento con “conocimiento de sentido común”.

La IA Semántica tiene como propósito construir esa clase de “artefactos cognitivos”, basados en la representación ontológica del conocimiento humano y su traspaso a las máquinas mediante lenguajes técnicos de programación y sistemas específicos de cálculo y razonamiento. Se trata de construir ese artefacto cognitivo o “mental” evolutivo (que aprende), que posibilite interpretar el universo humano en el ámbito concreto que aplique y el conjunto de intenciones que lo informan con el fin de poder conversar o dialogar con las personas de un modo útil y contextual.

En este seminario se introducirá en qué consiste este enfoque de la inteligencia artificial y qué tecnologías concurren. Asimismo, se presentará cómo estas tecnologías se han concretado en la plataforma de desarrollo GNOSS Semantic AI Platform y en los servicios GNOSS Sherlock AI para la construcción de proyectos digitales, incluyendo la presentación de casos de uso.

Aprendizaje profundo para el diagnóstico de enfermedades oculares

Ponente: Jónathan Heras Vicente (Universidad de La Rioja).

Lugar: Salón de Actos (Edificio CCT), o a través de Blackboard (https://bit.ly/salaDMC)

Hora: martes 1 de marzo de 2022, 12:00

Resumen: En esta charla presentaremos el trabajo que desde el grupo estamos realizando para el diagnóstico de enfermedades oculares a partir de imágenes de fondo de ojo. En concreto nos centraremos en cuatro enfermedades (retinopatía diabética, degeneración macular, membrana epirretiniana y glaucoma), y las distintas aproximaciones que hemos llevado a cabo para definir modelos de aprendizaje profundo capaces de diagnosticar dichas enfermedades. Este trabajo se está realizando en colaboración con la empresa UPRetina y el Hospital Vall D’Hebron.

Nota: Parte del trabajo que se presentará en esta charla fue premiado en el Congreso de la Asociación Española para la Inteligencia Artificial (CAEPIA 20/21) celebrado en septiembre de 2021.

Explicabilidad en aprendizaje automático

Ponente: César Domínguez Pérez (Universidad de La Rioja).

Lugar: Aula 103 (Edificio CCT — aforo limitado –) y online (https://bit.ly/salaDMC).

Hora: miércoles 14 de julio, 12:00.

Resumen: En esta charla debatiremos sobre los conceptos de explicabilidad e interpretabilidad en aprendizaje automático. Reflexionaremos sobre los beneficios que aportan y esbozaremos una taxonomía de métodos existentes. Finalmente, introduciremos alguno de los métodos más utilizados actualmente a la hora de trabajar con datos estructurados.

Transformación Digital: la adopción del Machine Learning en las empresas

Ponentes: Ignacio Fernández Estébanez (Business Development Manager, Arsys).

Lugar: Aula 204 (Edificio CCT), y online (https://bit.ly/salaDMC).

Hora: miércoles 14 de abril, 10:00

Resumen: ¿Sabías que Netflix te muestra diferentes portadas para las series y películas en función de tus gustos? El Machine Learning es una disciplina del ámbito de la inteligencia artificial consistente en entrenar una máquina a partir de una colección de datos para que pueda aprender y realizar tareas reduciendo la intervención humana.

El aumento del volumen de datos y de la capacidad de cómputo han permitido extender la aplicación del Machine Learning hasta convertirse en algo que utilizamos diariamente de forma inconsciente: está presente en las recomendaciones de YouTube, Netflix o Spotify, en asistentes de voz o en el análisis de fraude al solicitar un crédito.

A pesar de su popularización a través de lenguajes de programación como Python o R, el uso del machine learning está todavía restringido a usuarios avanzados con al menos conocimientos de programación y matemáticas, entre otras áreas. Cada vez más aparecen algunas aplicaciones que permiten utilizar modelos preentrenados o entrenar modelos sin tener estos conocimientos, pero están aislados a ciertos casos de uso como el análisis de imágenes o el procesado de textos.

En esta charla comentaremos la inmersión de una empresa IT para adentrarse en el mundo del Machine Learning con un proyecto para generar un modelo de recomendaciones de ventas, empezando desde cero y los principales problemas encontrados. El siguiente reto: ¿es posible este caso con computación cuántica?

Cómo las Matemáticas pueden ayudar a resolver mezclas de masas de agua oceánica

Ponentes: Cristina Romera Castillo (Instituto de Ciencias del Mar, CSIC, Barcelona), Eduardo Sáenz de Cabezón Irigaray (Universidad de La Rioja)

Lugar: Aula 001 (Edificio CCT), y online (https://bit.ly/salaDMC).

Hora: jueves 17 de diciembre, 13:00

Resumen: El océano está compuesto de aguas de distinta procedencia que viajan siguiendo las corrientes marinas. En oceanografía, es necesario conocer la proporción de cada masa de agua que compone una muestra de agua de mar para poder realizar un mapa de distribución de dichas masas de agua y entender cómo y por dónde se mueven éstas. Para ello, se usan variables conservativas como son la temperatura y salinidad que caracterizan a cada masa de agua. En esta charla mostraremos unas nociones básicas de oceanografía y las metodologías que se usan para resolver mezclas de masas de agua. Además, discutiremos qué otras metodologías se pueden aplicar gracias a las nuevas tecnologías, en particular modelos de aprendizaje automático, mostrando el trabajo en proceso en colaboración con Jónathan Heras (Universidad de La Rioja).

Búsqueda de Modelos de Machine Learning con GA-PARSIMONY y su aplicación en proyectos de Ingeniería

Ponente: Fco. Javier Martínez de Pisón Ascacíbar (Grupo EDMANS – Universidad de La Rioja)

Lugar: Seminario Mirian Andrés (Edificio CCT)

Hora: martes 26 de noviembre, 13:00

Resumen: En esta charla se hablará de las experiencias y lecciones aprendidas en algunos proyectos de aprendizaje automático (Machine Learning) en los que ha trabajado el Grupo EDMANS (Engineering Data Mining And Numerical Simulations) para la mejora de procesos industriales, de diseño mecánico o estructural, medioambiental, empresarial, etc. Además, se hablará del uso de la librería para R, denominada “GA-PARSIMONY”; que ha sido desarrollada dentro del propio grupo de investigación. Esta librería permite realizar una búsqueda automática, mediante Algoritmos Genéticos, de las mejores variables y parámetros de cada algoritmo en base a un doble criterio de optimización: precisión y parsimonia. El objetivo final es la obtención de modelos precisos con un bajo número de entradas que los haga robustos ante perturbaciones y ruidos.

Referencias:

– https://github.com/jpison/GAparsimony

– https://cran.r-project.org/web/packages/GAparsimony/index.html

– Urraca, R., Huld, T., Martinez-de-Pison, F.J., Gonzalez-Sendino, R., Aldama, A., Ferreiro-Cabello, J., Fraile-Garcia, E., 2019.
Hybrid methodology based on Bayesian optimization and GA-PARSIMONY to search for parsimony models by combining hyperparameter optimization and feature selection. Neurocomputing, 354, pp. 20-26. DOI: 10.1016/j.neucom.2018.05.136

– Sanz-Garcia, A., Fernandez-Ceniceros, J., Antonanzas-Torres, F., Pernia-Espinoza, A.V., Martinez-de-Pison, F.J., 2015. GA-PARSIMONY: A GA-SVR approach with feature selection and parameter optimization to obtain parsimonious solutions for predicting temperature settings in a continuous annealing furnace. Applied Soft Computing 35, 23-38.

– Urraca R., Sodupe-Ortega E., Antonanzas E., Antonanzas-Torres F., Martinez-de-Pison, F.J. (2017). Evaluation of a novel GA-based methodology for model structure selection: The GA-PARSIMONY. Neurocomputing, Online July 2017.

– Fernandez-Ceniceros J., Sanz-Garcia A., Antonanzas-Torres F., Martinez-de-Pison F.J. (2015). A numerical-informational approach for characterising the ductile behaviour of the T-stub component. Part 2: Parsimonious soft-computing-based metamodel. Engineering Structures 82, 249-260.

– Antonanzas-Torres F., Urraca R., Antonanzas J., Fernandez-Ceniceros J., Martinez-de-Pison F.J. (2015). Generation of daily global solar irradiation with support vector machines for regression. Energy Conversion and Management 96, 277-286.