Seminario

Buenos Aires AI: #2

El miércoles 2 de octubre, la Facultad de Ingeniería UP organizó junto a CITY AI, comunidad global de Inteligencia Artificial aplicada, su segundo evento en la Ciudad de Buenos Aires. En este nueva edición se trataron temas de Sistemas multiagentes, algoritmos de VIsión por Computadora y finalizaremos con una charla sobre los desafíos en IA.

La agenda estuvo conformada por estos temas junto con sus respectivos oradores:

- Aprendizaje y evolución de estrategias en agentes de negociación. El orador fue Dan Krohling, Ingeniero en Sistemas de Información, actualmente becario doctoral de Conicet, realizando el Doctorado en Ingeniería, mención Sistemas de Información, en el Instituto de Desarrollo y Diseño, INGAR, en Santa Fe. Su investigación se enfoca en temas de Aprendizaje Computacional, Negociación Automatizada, y optimización de procesos distribuidos en Parques Eco-Industriales y Redes Eléctricas Inteligentes. Dan nos contó el trabajo que está desarrollando en su doctorado modelando como los parque industriales podrían compartir recursos de manera autónoma a través de la negociación de agentes.

- Visión e Inteligencia Artificial aplicada a la industria y seguridad de las personas. Casos de éxito.El orador fue Ezequiel Ansaldi, Ceo Zowl Labs, Ingeniero electrónico, especialista en visión e inteligencia artificial, con basta experiencia en industria. Ezequiel nos presentó casos de éxito de aplicaciones de Visión por Computadora (principalmente Deep Learning) en el ámbito industrial. Algunos ejemplos: control de equipamiento de seguridad en fábricas, identificación de voz humana para subtitulado de películas, etc.

- El desafío de la IA en el diseño de políticas públicas. El orador fue Ernesto Mislej, Co-Fundador y jefe científico de 7Puentes. Ernesto nos hizo tomar conciencia de los sesgos presentes en los modelos de Inteligencia Artificial, y que de no ser tenidos en cuenta pueden derivar en una discriminación no deseada en los sistemas. Un caso muy conocido, es la falta de diversidad de género en los equipos de ciencia de datos, que tiene como consecuencia modelos matemáticos con poca representación en grupos minoritarios.