Muchos conocemos las ciencias forenses gracias a series como CSI o Bones. Los
protagonistas de estas series tienen una gran soltura para describir características de restos
humanos, tales como poblaciones, sexo, edad, etc, o incluso llegan a identificar a una
víctima de un crimen sin pruebas de ADN. Pero en la vida real, estas tareas son muy
complejas. Es por ello que una rama de la ciencia de datos se ocupa de proveer de
herramientas para comparación de características morfológicas de restos humanos, o
incluso de reconstrucción de rostros. Estas herramientas han revolucionado la ciencia
forense, y cada vez son más usadas. En este episodio entrevistamos a Sergio Damas,
catedrático de la UGR y especialista en ciencia de datos forense.

En noviembre de 2021, OpenAI abrió finalmente la API de GPT-3 a todo el mundo. GPT-3
fue una red neuronal para el procesado del lenguaje natural que supuso un antes y después
en la calidad de texto generado, y que llamó fuertemente la atención de medios generalistas
a finales de 2020. Y sobre atención, el mecanismo subyacente a GPT-3, y transformers,
hablaremos con Marco Formoso, investigador predoctoral del instituto DaSCI, en nuestro
episodio más navideño hasta la fecha.

Siguiendo nuestro ciclo sobre redes neuronales, esta vez le toca el turno a las redes
neuronales convolucionales. Responsables de la gran popularidad del deep learning en los últimos años, las redes convolucionales han cambiado drásticamente como diseñamos sistemas para imágenes. En este episodio hablamos sobre convoluciones, clases de primaria y COVID con nuestra compañera Anabel Gómez Ríos.

La privacidad de los datos es uno de los retos más importantes a los que se enfrenta la
inteligencia artificial. Para construir modelos, muchas veces es necesario tener acceso a
todos los datos, y en el caso de datos especialmente sensibles, implican numerosas
cuestiones éticas. El aprendizaje federado nace para ofrecer una alternativa viable: la
construcción de modelos a gran escala utilizando muchos modelos pequeños, cada uno
entrenado en conjuntos pequeños de datos. De esta forma, cada modelo pequeño sólo
utiliza los datos a los que tiene acceso, y el gran modelo solo tiene acceso a los parámetros
de estos modelos entrenados, y nunca a sus datos. En este episodio hablamos de
aprendizaje federado con Nuria Rodriguez Barroso, doctoranda del Instituto Andaluz de
Inteligencia Artificial - DaSCI-.
Enlaces:
- https://www-inst.eecs.berkeley.edu/~cs162/fa12/hand-outs/Original_Byzantine.pdf

Las primeras redes neuronales surgieron en los años 50. Al principio constaban de muy pocas neuronas, y de procesos de entrenamiento largos, pero ya daban resultados muy relevantes en campos muy variados como la astronomía o la química. Hoy hablamos del percpetrón, el perceptrón multicapa, y de sus aplicaciones en diversos campos con Sebastián Ventura.

El estudio de datos es fundamental en cualquier ciencia. La estadística y algoritmos de procesamiento juegan un papel fundamental para campos como la Astronomía y la Astrofísica, donde las observaciones son ruidosas. Pero a la vez, nos permiten desde calcular órbitas hasta detectar planetas a años luz de nuestro planeta. De astronomía y ciencia de datos hablaremos en este nuevo episodio, con nuestro invitado estelar, Sergio Alonso.

Enlaces:
https://www.nature.com/articles/s41592-021-01252-x

Ya en los comienzos de la inteligencia artificial, los científicos miraron a la naturaleza. Y
concretamente, al cerebro humano, paradigma de la inteligencia “natural”. Así que lo lógico
fue inspirarse, y crear unos análogos de las neuronas y sus conexiones. De esta manera se
crearon, allá por la década de los 50, las bases de las redes neuronales tal y como las
conocemos. En este episodio hablaremos de la historia y las características de las neuronas
artificiales y entrevistamos a Jose Manuel Benítez, catedrático del departamento de ciencias
de la computación e inteligencia artificial de la UGR, y compañero en el Instituto Andaluz de
Inteligencia Artificial - DaSCI.

Enlaces:
Deep neural networks using a single neuron: folded-in-time architecture using
feedback-modulated delay loops. Florian Stelzer, André Röhm, Raul Vicente, Ingo
Fischer & Serhiy Yanchuk. Nature Communications volume 12, 5164 (2021).
https://doi.org/10.1038/s41467-021-25427-4

En este episodio hablaremos de la oscura ciencia de la “Interpretabilidad” y la
“explicabilidad”, en particular en redes neuronales artificiales. Intentaremos desvelar varios misterios junto a un elenco de lujo.
Trataremos de explicar por qué las redes neuronales, habitualmente consideradas cajas negras, deciden clasificar esa imagen como un gato, o como un pulmón con COVID, atendiendo a las características que más influyen en dicha decisión. Y entrevistamos a la Dra. Natalia Díaz Rodríguez, experta en interpretabilidad y recién llegada al instituto DaSCI.

Enlaces:

https://doi.org/10.1016/j.inffus.2019.12.012
https://doi.org/10.1016/j.isci.2021.102679
https://www.bbc.co.uk/programmes/p09k458p
https://dasci.es/es/divulgacion/conferencias/ciclo-de-conferencias-ada-lovelace/

El Internet de las Cosas (IoT) es un nuevo paradigma en el que diferentes dispositivos interactúan entre sí sin intervención humana. Esto lleva a redes autoorganizadas donde hay aparatos encargados de medir el ambiente, los sensores, y otros de actuar sobre el mismo, los actuadores, que permiten controlar espacios para realizar tareas de forma versátil. En este episodio hablamos sobre sensores, actuadores e IoT, y entrevistamos a la profesora Macarena Espinilla, investigadora de la Universidad de Jaén que coordina un proyecto de IoT para la ayuda de personas mayores en residencias.

Enlaces:

● https://blog.twitter.com/engineering/en_us/topics/insights/2021/sharing-learnings-abo
ut-our-image-cropping-algorithm.html
● http://www.uco.es/ucci/es/ciencia-de-tronos

En este capítulo introducimos uno de los problemas básicos que tratan de resolver las herramientas de Inteligencia Artificial: la regresión.

Los modelos de regresión tratan de predecir cierta variable utilizando otras variables como entrada, de modo que el modelo resultante nos revela la relación existente entre ellas.

El deep learning trata estos problemas utilizando redes neuronales que, en ocasiones son muy complejas. Para arrojarnos luz sobre la regresión y la complejidad de estos modelos, entrevistamos a Pablo Mesejo, investigador de DaSCI.



Enlaces:

- Artículo de Pablo Mesejo: https://ieeexplore.ieee.org/document/8686063
- Correlaciones: http://tylervigen.com/spurious-correlations
- Curso Deep Learning: http://cs231n.stanford.edu
- Curso de Coursera! https://www.coursera.org/learn/machine-learning