Estudiantes de doctorado de la UPNA presentan sus trabajos en el marco de la Semana de la IA
PAMPLONA 31 Oct. –
Un total de quince estudiantes de doctorado presentaron la pasada semana sus trabajos en la Universidad Pública de Navarra (UPNA), en el marco de la Semana de la IA organizada por la Cátedra Tracasa de Ciencias de la Computación e Inteligencia Artificial. En jornada, celebrada en la Sala Nicolás García de los Salmones del edificio de Los Olivos, se ofrecieron además dos conferencias de investigadores invitados: Sylvain Lobry (Université Paris Cité), sobre imágenes de la Tierra, y Stephan Alaniz (Institut Polytechnique de Paris), acerca de los sesgos de la IA.
El seminario reunió investigaciones muy variadas y cada estudiante de doctorado debía exponer las claves de su trabajo en tres minutos, para continuar la conversación con el público durante una sesión de pósteres. Entre los temas tratados figuraron el análisis de imágenes de satélite y de nubes de puntos obtenidas mediante láser, la detección de sesgos en sistemas de IA, la identificación de anomalías en plantas de reciclaje y la mejora de imágenes de radar.
También se expusieron trabajos sobre reconocimiento del habla infantil en euskera, la clasificación automatizada de informes médicos, el análisis de señales cerebrales y cardiacas, y la generación de imágenes sintéticas de hojas de vid para entrenar modelos capaces de reconocer enfermedades, indican en una nota de prensa desde la UPNA.
El seminario de investigación contó también con dos conferencias invitadas. La primera de ellas fue impartida por Sylvain Lobry, profesor de Ciencias de la Computación e Inteligencia Artificial en Université Paris Cité. Su intervención se centró en cómo desarrollar sistemas capaces de aprovechar conjuntamente la enorme cantidad de información que proporcionan los satélites y otras tecnologías de observación de la Tierra.
Como explicó el ponente, actualmente, estos sistemas recogen imágenes y mediciones muy diferentes: fotografías de gran detalle, datos de múltiples bandas del espectro o imágenes de radar. Uno de los retos es conseguir que un mismo modelo de IA pueda interpretar fuentes distintas, incluso cuando utilizan sensores y resoluciones diferentes. Lobry presentó líneas de investigación que buscan precisamente esa flexibilidad y que permiten analizar el territorio con distintos niveles de detalle. Entre sus aplicaciones, se encuentran el seguimiento de los cambios en el medio ambiente, el estudio del uso del suelo y la planificación urbana.
Otra de las posibilidades que abordó es la de interactuar con la información geográfica utilizando preguntas en lenguaje natural, sin necesidad de dominar herramientas especializadas. Por ejemplo, preguntar cuántos edificios se encuentran a menos de cinco minutos caminando de un parque, o qué parte de una zona resultó afectada por un incendio. El objetivo es que la IA combine la interpretación de imágenes con la posición y las relaciones espaciales de los elementos para ofrecer respuestas fundamentadas en los datos disponibles.
La segunda conferencia corrió a cargo de Stephan Alaniz, profesor de Visión por Computador en Télécom Paris, del Institut Polytechnique de Paris. Su intervención abordó dos desafíos para construir sistemas de inteligencia artificial más fiables: comprender por qué ofrecen una respuesta y descubrir los prejuicios que pueden incorporar.
En el ámbito de la llamada «explicabilidad», Alaniz examinó técnicas que permiten analizar a posteriori las decisiones de una IA y convertir en explicaciones comprensibles parte de la información que procesa un modelo.
Estas técnicas pueden servirse de herramientas de IA generativa para describir los elementos que han influido en un resultado, aunque también plantean un riesgo: una explicación que suena convincente no siempre refleja fielmente cómo se ha obtenido la predicción.
El ponente también expuso investigaciones sobre los sesgos de los sistemas que relacionan imágenes y lenguaje. Entre ellas figura un estudio de LAION-400M, una gran colección de unos 400 millones de pares de imágenes y textos que se ha utilizado para desarrollar modelos de IA. Sus resultados revelan «desequilibrios y asociaciones estereotipadas» vinculadas con el género y la apariencia étnica, y muestran cómo una parte importante de los sesgos observados en modelos posteriores puede relacionarse con los datos de los que aprendieron. Estos hallazgos «subrayan la necesidad de examinar tanto el comportamiento de la IA como la información empleada en su entrenamiento», destacan desde la UPNA.
CL11
