XVII ValgrAI Matinal de Investigación
¡No os perdáis la decimosexta edición de los «ValgrAI Matinales de Investigación» este próximo 9 de mayo las 9:30h! Desde ValgrAI, estamos emocionados de seguir ofreciendo un espacio dinámico para dialogar y descubrir las innovaciones más recientes en el campo de la inteligencia artificial.
Detalles del evento
- Fecha: 9 de mayo
- Hora: 9:30 AM
- Formato: Online (Microsoft Teams)
¿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.
Ponencias del XVI ValgrAI Matinal de Investigación:
Yulia Karpova Krylova
Titulo: La importancia de considerar aspectos realistas para la validación de estrategias de reubicación de ambulancias
La reubicación de las ambulancias disponibles es una de las alternativas al aumento de la flota de vehículos para mantener el nivel de servicios adecuado cuando algunos vehículos están ocupados. En los últimos treinta años se ha propuesto un amplio abanico de estrategias de reubicación, pero su implementación en los Servicios de Emergencias Sanitarias reales ha sido muy escasa. Uno de los posibles motivos de este problema es la falta de considerar aspectos realistas del proceso de asistencia a las emergencias como, por ejemplo, la tasa de llamadas, las distancias reales, los turnos de trabajo. En este estudio se presenta un algoritmo de reubicación de ambulancias que tiene en cuenta varios aspectos realistas y se muestra la importancia de considerar estos aspectos. Se analiza un caso real, el de la ciudad de Valencia.
Álvaro Belmonte Baeza
Título: Control de robots basado en aprendizaje por refuerzo profundo.
En esta charla se presentará cómo el aprendizaje por refuerzo profundo (Deep Reinforcement Learning, DRL) está revolucionando el control de robots. Tras una breve introducción sobre los métodos clásicos de control, se destacarán sus limitaciones ante tareas complejas y entornos cambiantes. A partir de ahí, se introducirá el aprendizaje por refuerzo, un enfoque en el que un agente aprende a actuar maximizando una señal de recompensa mediante la interacción con su entorno. Al combinarlo con redes neuronales profundas, se logran comportamientos complejos y generalizables sin necesidad de modelado explícito. Se mostrarán ejemplos concretos de éxito en tareas de manipulación robótica, locomoción y control coordinado de múltiples brazos robóticos, incluyendo aplicaciones en robótica orbital. Estos casos evidencian cómo el DRL permite a los robots adaptarse, optimizar su desempeño y afrontar escenarios que serían inviables con técnicas tradicionales.
