Inicio Events - valgrAI XXIX ValgrAI Matinal de Investigación

Regístrate aquí

CAPTCHA image

This helps us prevent spam, thank you.

Localización
Webinar Online

Fecha

02 Oct 2026

Hora

09:30 - 10:30

Idioma

Español

Localización

Online

Streaming

Sí

XXIX ValgrAI Matinal de Investigación

¡Llega el cambio estacional y con él, un nuevo «café» de investigación de ValgrAI! El Matinal de Investigación de octubre nos traerá DOS NUEVAS PONENCIAS sobre los proyectos investigación en Inteligencia Artificial más punteros en nuestro entorno de trabajo. ¡Carguemos bien las pilas para este otoño con una nueva ronda de innovación en IA!

¿Qué son los Matinales de Investigación?

  • Son un ciclo de sesiones dedicadas a la divulgación científica en Inteligencia Artificial.
  • Cada sesión incluye varias ponencias impartidas por personal investigador del ecosistema de ValgrAI.
  • Abiertos a la participación de la comunidad académica, profesional y estudiantil interesada.
  • Se organiza un Matinal de Investigación (generalmente) el primer viernes de cada mes.

¿Por qué no puedes perdértelo?

  • Sumérgete en las investigaciones más innovadoras en inteligencia artificial.
  • Dialoga directamente con los expertos durante una sesión de preguntas y respuestas.
  • Amplía tu red conectando con otros apasionados de la tecnología.
  • Déjate inspirar por nuevas ideas y oportunidades en el apasionante mundo de la IA

Daniel Romero Alvarado

Título: Más allá de las capacidades: cómo medir las propensiones de los modelos de Inteligencia Artificial.

La evaluación de los modelos de inteligencia artificial se ha centrado tradicionalmente en medir sus capacidades, es decir, lo que son capaces de hacer. Sin embargo, para comprender y predecir su comportamiento también es necesario evaluar sus propensiones: las tendencias que muestran a exhibir determinados comportamientos, las cuales pueden afectar tanto a su rendimiento como a su seguridad.
Al entrenarse exclusivamente con la morfología de las señales de línea de visión directa (LoS) del entorno de origen, el modelo logra identificar las condiciones NLOS como anomalías sin necesidad de etiquetas en el entorno de destino. Este método logra un 83.58% de precisión en transferencias directas a entornos no vistos y reduce el tamaño del modelo a solo 12k parámetros (37 veces menos que las alternativas supervisadas). Esta eficiencia resulta ideal para su despliegue en microcontroladores de bajo consumo.

Juan Carlos Santamaria Pedrón

Título: Identificación de Señales NLOS en Sistemas UWB mediante un Autoencoder Convolucional Ligero.

La detección robusta de condiciones de no visión directa (NLOS) resulta fundamental para el posicionamiento Ultra-Wideband (UWB) de alta precisión en entornos de la Industria 4.0. Sin embargo, los modelos de Deep Learning supervisados suelen tener dificultades para generalizar al cambiar de entorno debido a las variaciones en la propagación de la señal (domain-shift). Esto obliga a realizar un costoso proceso de etiquetado manual para cada nuevo despliegue. Para resolver esta limitación, este trabajo propone una arquitectura ligera de detección de anomalías One-Class basada en un Autoencoder Convolucional 1D.
Para ello, se ha creado un nuevo marco de evaluación para medir de forma rigurosa las propensiones de los modelos de IA. A través de experimentos con distintas familias de grandes modelos de lenguaje (LLMs), se mostrará cómo estas propensiones pueden cuantificarse, cómo influyen en el desempeño de los modelos y cómo permiten predecir su comportamiento en tareas nuevas. Los resultados muestran que combinar la evaluación de capacidades y propensiones ofrece una visión más completa y mejora significativamente la capacidad de anticipar el comportamiento de los sistemas de IA.

Daniel Romero Alvarado

Daniel Romero Alvarado es investigador predoctoral en Inteligencia Artificial en la Universitat Politècnica de València (UPV) e integrante del Valencian Research Institute for Artificial Intelligence (VRAIN). Su investigación se centra en la evaluación de las capacidades y propensiones de los modelos de inteligencia artificial, el desarrollo de métricas para caracterizarlas y su aplicación para mejorar la predictibilidad y fiabilidad de los sistemas de IA. Es graduado en Ciencia de Datos por la UPV y máster en Investigación en Inteligencia Artificial por la Universidad Internacional Menéndez Pelayo (UIMP).

Juan Carlos Santamaria Pedrón

Juan Carlos Santamaria Pedrón realizó el grado en Ingeniería Telemática y el Máster en Tecnologías Web, Computación en la Nube y Aplicaciones Móviles por la Universitat de València (UV). Actualmente es investigador predoctoral en el Departamento de Informática de la UV (CIDEXG/2023/17), centrado en la integración de Machine Learning para Sistemas de Posicionamiento en Interiores (IPS) de alta precisión mediante tecnología UWB.

¡Puedes ver aquí las anteriores ediciones!

Etiquetas: , , , , , , , , , , , , , ,