2das Jornadas de Inteligencia Artificial del Litoral
26 y 27 de Octubre, 2023
Santa Fe, Argentina
Este evento es apoyado por 
¡Gracias por haber sido parte de estas IA@Litoral 2023!
Estamos preparando los certificados de participacion en el evento, pronto les enviaremos novedades por mail.
La misión de IA@Litoral es construir y fortalecer la comunidad de IA en la región. Hemos recibido a más de 200 participantes, promoviendo el intercambio de conocimientos y experiencias entre estudiantes universitarios, profesionales del sector científico-tecnológico y empresas, siguiendo un intensivo programa de charlas técnicas a cargo de especialistas en IA, paneles temáticos, crash courses y sesión de pósters. Pronto subiremos el informe detallado de lo que fueron las IA@Litoral 2023.
Gonzalo Mateos
Obtuvo su título de grado en la Universidad de la República, Montevideo, Uruguay y la maestría y doctorado en University of Minnesota, USA, todos en Ingeniería Eléctrica. Actualmente es Prof. Asociado en el Dept. of Electrical and Computer Engineering, University of Rochester, USA y se desempeña como Director de Investigación en el Goergen Institute for Data Science. Se especializa en procesamiento estadístico de señales, aprendizaje automático para datos en grafos, y problemas inversos en redes complejas.
Antonela Tommasel
Es Doctora en Ciencias de la Computación y forma parte del Instituto Superior de Ingeniería de Software de Tandil (ISISTAN). Actualmente es investigadora en CONICET y profesora en UNCPBA. Su tema principal de investigación son los sistemas de recomendación, el perfilado de usuarios y el análisis de redes sociales.
Pablo Groisman
Es doctor en Matemática, investigador principal del CONICET en el IMAS, profesor asociado y director de la Licenciatura en Ciencias de Datos de Exactas de la Universidad de Buenos Aires. Se especializa en probabilidad y procesos estocásticos. Está interesado en el uso de estas herramientas para entender y desarrollar algoritmos de aprendizaje automático.
Jorge Sanchez
Es head del grupo Applied Machine Learning Research en Mercado Libre, Argentina. Desde 2014, se desempeña como investigador de CONICET en el área de machine learning y vision por computador. Recibió su Doctorado en Ciencias de la Ingeniería de la Universidad Nacional de Córdoba. Sus intereses de investigación son la visión por computadora y sus aplicaciones, con enfoque en el aprendizaje multimodal y la percepción visual condicionada por el lenguaje. En 2020 recibió el premio Koenderink por contribuciones fundamentales a la visión por computador.
Roberto Bunge
Obtuvo su Ph.D. (2017) y M.Sc. (2011) en Aeronáutica y Astronáutica de Stanford University y es Ingeniero Mecánico (2007) por el Instituto Tecnológico de Buenos Aires. Luego de 10 años en Silicon Valley en 2019 Roberto se repatrió a Argentina y hoy es Profesor y fundador del Departamento de Ingeniería de la Universidad de San Andrés (UdeSA), y Director de la carrera de Ingeniería en Inteligencia Artificial. Además, lidera investigaciones en el Laboratorio de IA y Robótica de UdeSA, enfocándose en el desarrollo de modelos y algoritmos para vehículos autónomos.
Pablo Riera
Es doctor en Física de la UBA. Actualmente docente en el Departamento de Computación de la Facultad de Ciencias Exactas y Naturales de la UBA. Desarrolla su investigación en el Laboratorio de Inteligencia Artificial Aplicada dentro del Instituto de Ciencias de la Computación (UBA-CONICET). Su trabajo está relacionado al aprendizaje automático y procesamiento de audio con aplicaciones al lenguaje, educación, salud y neurociencias.
Leandro Bugnon
Es investigador en el sinc(i)-UNL-CONICET, y profesor en la Universidad Nacional del Litoral y la Universidad Austral. Investiga principalmente en desafíos del aprendizaje automático tales como el aprendizaje de representaciones aplicado a la bioinformática. También ha trabajado en problemas de la industria en visión computacional y señales biomédicas.
Andrea Pacifico
Profesora de Filosofía, Magister en Didácticas Específicas, Doctora en Educación en Ciencias Experimentales, Secretaria Académica de la Facultad de Ciencias Económicas, docente y investigadora.
Laura Acion
Es investigadora adjunta del CONICET-Universidad de Buenos Aires, Argentina, con más de 20 años de experiencia en Bioestadística aplicada a la investigación clínica. Es Doctora en Bioestadística (University of Iowa, EE. UU.). Formó el Co-Laboratorio Multidisciplinario de Ciencia de Datos e Inteligencia Artificial en el Instituto de Cálculo - Universidad de Buenos Aires. El tema principal de este grupo es el uso responsable de datos, incluyendo el diseño de herramientas responsables de Inteligencia Artificial y Ciencia de Datos, Ciencia abierta, Ética y reproducibilidad en investigación. Laura también forma a personas científicas y técnicas en estas prácticas que cree deben partir de y estar contextualizadas en América Latina. Por estas razones cofundó y codirige MetaDocencia.
Victoria Peterson
Es investigadora asistente del CONICET en el IMAL, UNL-CONICET y profesora asociada de la Facultad de Ingeniería Química de la UNL. Sus intereses de investigación son el desarrollo de algoritmos de machine learning para decodificación de la actividad cerebral, la neuroética y la equidad algorítmica. .
Victoria Dumas
Es Licenciada en Bioinformática por la Universidad Nacional de Entre Ríos y Doctora por la Universidad de Buenos Aires. Trabajó como científica de datos en Aristas y en los equipos de genética estadística y data science de uBiome en Santiago de Chile. En el 2019 se incorporó como consultora al Programa de Ciencia de Datos de la Fundación Sadosky, y desde principios del 2023 se desempeña como directora de dicho programa. Formó parte del equipo de coordinación técnica del Proyecto ARPHAI (2020-2022). Desde el 2020 es docente de Visualización y Comunicación en la Maestría en Ciencia de Datos de la Universidad de San Andrés.
Modera: Rodrigo Echeveste
Realizó sus estudios de Licenciatura y Maestría en Física en el Instituto Balseiro de Bariloche. Más tarde recibió su Doctorado en Ciencias Naturales por la Universidad Goethe de Frankfurt (Alemania), y realizó un Postdoctorado en el grupo de Aprendizaje Computacional y Biológico (CBL) de la Universidad de Cambridge (Reino Unido). En la actualidad es investigador del CONICET en el sinc(i), y docente de en la UNL. Su investigación se enfoca en las áreas de Neurociencia Computacional e Inteligencia Artificial. Su trabajo ha sido declarado de interés por el Senado de la Nación, y ha sido publicado en prestigiosas revistas científicas internacionales como Nature Neuroscience y Nature Communications, entre otras.
Roberto Bunge
Obtuvo su Ph.D. (2017) y M.Sc. (2011) en Aeronáutica y Astronáutica de Stanford University y es Ingeniero Mecánico (2007) por el Instituto Tecnológico de Buenos Aires. Luego de 10 años en Silicon Valley en 2019 Roberto se repatrió a Argentina y hoy es Profesor y fundador del Departamento de Ingeniería de la Universidad de San Andrés (UdeSA), y Director de la carrera de Ingeniería en Inteligencia Artificial. Además, lidera investigaciones en el Laboratorio de IA y Robótica de UdeSA, enfocándose en el desarrollo de modelos y algoritmos para vehículos autónomos.
Pablo Groisman
Es doctor en Matemática, investigador principal del CONICET en el IMAS, profesor asociado y director de la Licenciatura en Ciencias de Datos de Exactas de la Universidad de Buenos Aires. Se especializa en probabilidad y procesos estocásticos. Está interesado en el uso de estas herramientas para entender y desarrollar algoritmos de aprendizaje automático.
Leandro Di Persia
Es Bioingeniero graduado de la Universidad Nacional de Entre Ríos y obtuvo su Doctorado en Ingeniería, mención Señales, Sistemas e Inteligencia Computacional en la Universidad Nacional del Litoral. Fue vicedirector del Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional y actualmente es el Director de la Carrera de Ingeniería en Inteligencia Artificial de la Facultad de Ingeniería y Ciencias Hídricas de la UNL. Es investigador Independiente de CONICET y Profesor Titular de la Facultad de Ingeniería y Ciencias Hídricas. Se especializa en Procesamiento Digital de Señales e Inteligencia Artificial con aplicaciones en señales biomédicas, sonido y bioinformática. .
Pamela Llop
Pamela Llop es Investigadora Adjunta en CONICET y Profesora Asociada en el Departamento de Matemática de la Facultad de Ingeniería Química (FIQ), Universidad Nacional del Litoral (UNL). Dirige la carrera de Ciencia de Datos de la UNL. Es Doctora en Matemática por la FIQ-UNL, recibiendo el premio Aranda-Ordaz a la mejor tesis de Latinoamérica en el área de estadística. Sus principales intereses de investigación son en métodos de regresión para datos de diferente naturaleza y sus aplicaciones en ciencias biológicas, económicas y sociales, entre otras. Actualmente se encuentra trabajando en métodos de predicción para datos espacialmente correlacionados, con especial énfasis en metodologías semi y no paramétricas.
Modera: Andrea Pacifico
Profesora de Filosofía, Magister en Didácticas Específicas, Doctora en Educación en Ciencias Experimentales, Secretaria Académica de la Facultad de Ciencias Económicas, docente y investigadora.
Contaremos con una sesión de pósters donde quienes estudian o trabajan en IA podrán compartir sus proyectos acompañados con cerveza y snacks para discutir sobre Inteligencia Artificial en un ambiente distendido. La lista de pósters aceptados está disponible aquí.
| Nº | Exponen | Título |
|---|---|---|
| 1 | Agustín Francisco Montagna y Franco Gastón Espinaco | Modelos de Simulación y Optimización del Transporte Público de Pasajeros a partir de datos masivos del sistema SUBE |
| 2 | Andres Cotton y Juan Wisznia | GPT-3.5's Performance with Rioplatense Spanish Structures in Medical Triage Tasks |
| 3 | Bruno M. Breggia | Estimation of Mutual Information between Pairs of Biomechanical Signals with Neural Networks |
| 4 | Camilo Mariño | Monitoreo No Intrusivo de Cargas (NILM) sobre Datos de Consumo Eléctrico a Baja Frecuencia |
| 5 | Catalina Galván | Self-supervised learning approach for inter-subject transfer learning in motor imagery brain-computer interfaces |
| 6 | Celeste Alarcon | La Inteligencia artificial como mecanismo de control de los derechos procesales de las victimas de hechos punibles |
| 7 | Daniela Agostina Gonzalez | ¿Cuánto sabemos de Inflación? Herramientas de IA para un análisis bibliométrico |
| 8 | Diana Gayol | La IA generativa como recurso didáctico |
| 9 | Diego Belzarena | EventVis: Aplicación de Visión Basada en Eventos en Detección de Objetos |
| 10 | Emilio Martínez | Herramientas Automáticas para el Análisis de Prácticas Docentes en Clases a Distancia |
| 11 | Eric Koplin | Reducción de dimensiones para datos composicionales en alta dimensión |
| 12 | Franco J. Ferrante | Automated word property analysis for predicting cognitive severity and phenotyping in Parkinson's disease |
| 13 | Gabriel Torre | Recuperación Óptima de Stall en Aviones Usando Aprendizaje Reforzado |
| 14 | Gastón García González | Domain Adaptation for Time Series Anomaly Detectors |
| 15 | Gonzalo Pérez | Automated speech analysis for the detection of mild cognitive impairment: A multidimensional neurocognitive approach |
| 16 | Graciana Castro y Romina Hoffman | Transformers para Predicción Genómica |
| 17 | Guillermo Marzik y Daniel Minsky | Estimación de mapas de dosis para Terapia por Captura Neutrónica en Boro basada en redes neuronales artificiales |
| 18 | Gustavo Quintero | Redes Neuronales para el Análisis de Datos de SAXS. |
| 19 | Hugo D. Pasinato | Modeling Turbulent Flows with LSTM Neural Network |
| 20 | Ignacio Girela | Consideraciones sobre el uso de IA en programas de bienestar social: estado del arte, desafíos éticos actuales y futuros. |
| 21 | Juan Llaguno | Microscopía Holográfica Digital basada en Aprendizaje Profundo Guiado por la Física |
| 22 | Leila Sofía Asplanato | Aplicaciones de la Ciencia de Datos e Inteligencia Artificial en la Educación: Un Enfoque Interdisciplinario en San Martín, GBA, Buenos Aires |
| 23 | Leonardo Martínez Hornak | Desarrollo de sistema embebido para estimación de mirada |
| 24 | Leopoldo Agorio | PINNs - Physics Informed Neural Networks aplicadas al flujo arededor de un cilindro |
| 25 | Luciano Ivan Zablocki | Transferencia de aprendizaje para predicción de estructuras de ARN |
| 26 | Manuel Zumbado Corrales | Segmentación interactiva de proteinas en mapas de cryo-microscopía electrónica |
| 27 | María Inés Fariello | Deep learning for genomic prediction |
| 28 | María José Llop | Estimación para el Modelo de Regresión ZIP Parcialmente Lineal: una Propuesta Robusta |
| 29 | Mariel Lovatto | Predicción Espacial con Covariables: Una extensión semiparamétrica del cokriging. |
| 30 | Martín A. Sinnona | VisDecode: Distilling Design Decisions in Visualizations using pixels-to-text Foundation Models |
| 31 | Martin Cordoba y Nicolás Giuliano | Detección y Clasificación Automática de Espermatozoides Procesados Mediante la Técnica Combinada de HOS/Coomassie |
| 32 | Ignacio Fucksmann | Entrenamiento no supervisado y redes convolucionales para aprendizaje de estructuras en bioinformática |
| 33 | Matías Grinberg | Palabras peligrosas: ataques adversariales en NLP |
| 34 | Maximiliano Castillo | Aprendizaje Automático: Algoritmo y aplicaciones |
| 35 | Nicolás Gaggion | HybridGNet: Leveraging graph-based representations of organs for anatomically plausible medical image segmentation |
| 36 | Ramiro Savoie | ¿Que viene despues del model.predict()? |
| 37 | Reiman Alfonzo Azcuy | Estimación de humedad de suelo mediante modelos de arquitectura U-Net e imágenes de los satélites Landsat 8 y SAOCOM. |
| 38 | Renato Sosa Machado Scheeffer | Sistemas de clasificación de gestos de la mano basado en machine learning y electromiografía |
| 39 | Santiago Blas | Análisis de datos de fMRI mediante GCN |
| 40 | Tomás D’Amelio | Modelos Predictivos y Dinámicas Temporales de las Emociones: Diálogo entre la Computación Afectiva y las Ciencias Afectivas |
| 41 | Viviana Díaz | Redes neuronales para mecánica noholónoma |
| 42 | Eugenio Borzone | Enhancing Compound Similarity Prediction: A Novel Approach. |
| 43 | Manuel Correa Freisztav | Metete con alguien de tu tamaño: ¿los ratones grandes son más agresivos? |
| 44 | Guido Ivetta | EDIA: Lexical methods for bias exploration from a Latin American perspective |
| 45 | Nicolás Bruno | Innovación y Comunidad en NeuroTechX Buenos Aires: Construyendo un Hub de Neurotecnología en Argentina |
Se dispone de datos pre-procesados, los detalles de la tarea a resolver y un dataset de entrenamiento con etiquetas para entrenar tus modelos.
Se usarán los modelos para predecir sobre los datos de prueba, que no tienen etiquetas visibles.
Durante las jornadas, se anunciarán los ganadores de la competencia!
El evento se desarrollará en el Auditorio de la Facultad de Ciencias Médicas de la UNL, ubicado en la Ciudad Universitaria de la UNL en Santa Fe.
