XXVII ValgrAI Matinal 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.

• 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

Iván Monzón Catalán

Título: Predicción de humedad del suelo con redes neuronales — Modelos de aprendizaje profundo aplicados a la agricultura.

En esta ponencia se presenta el desarrollo de un sistema de predicción de humedad del suelo basado en arquitecturas de aprendizaje profundo. El objetivo de la predicción es mejorar la toma de decisiones en agricultura a la hora de activar el riego o no. El sistema parte de una parcela experimental situada en el norte de la Comunidad Valenciana, donde se han recogido durante casi tres años datos a intervalos de quince minutos procedentes de sensores enterrados a cuatro profundidades, una estación meteorológica completa y registros de riego. Sobre esta base se construye una pipeline de procesado que incorpora codificaciones temporales cíclicas y acumuladores de variables hidrológicas, diseñada para garantizar la consistencia del balance de masas de agua en el suelo, un aspecto frecuentemente omitido en la literatura del área.

Como caso de aplicación se ha realizado un estudio comparativo de cinco arquitecturas representativas del estado del arte en predicción de series temporales: LSTM, GRU, NBEATSx, NHiTS y Temporal Fusion Transformer. La evaluación se ha llevado a cabo en horizontes de predicción de seis, doce y veinticuatro horas sobre las cuatro profundidades monitorizadas, utilizando una partición temporal estricta y optimización de hiperparámetros con Optuna. Los resultados muestran que la selección adecuada de variables de entrada resulta tan determinante como la propia arquitectura del modelo, y que solo los modelos capaces de incorporar información futura conocida, como el riego programado y el pronóstico meteorológico, logran mantener un rendimiento robusto en horizontes largos. La ponencia cierra con una reflexión sobre la convergencia entre aprendizaje profundo y modelos físicos clásicos, apuntando hacia arquitecturas informadas por física como siguiente paso natural en la predicción hidrológica aplicada a la agricultura.

Carlos Martín Abellán

Título: Hablando con la Red Eléctrica: Sistemas Multiagente y LLMs.

La implantación masiva de infraestructura de medición avanzada (AMI) genera enormes volúmenes de datos telemétricos a intervalos de 10–15 minutos. Sin embargo, la extracción de información operativa útil a partir de estos datos sigue requiriendo conocimientos avanzados de SQL e ingeniería de datos, lo que crea un cuello de botella crítico para el personal técnico de campo que más necesita acceder a ellos. A esto se suma que las estrictas regulaciones de privacidad del sector energético impiden, en muchos casos, el envío de datos sensibles a modelos de lenguaje en la nube.

En esta ponencia se presenta un sistema multiagente (MAS) diseñado para traducir consultas en lenguaje natural a código ejecutable y explicaciones comprensibles sobre datos de contadores inteligentes. El sistema opera íntegramente con LLMs de código abierto ejecutados en hardware local, garantizando por diseño que ningún dato abandone las instalaciones del operador. La arquitectura se articula en torno a tres agentes especializados: un Orquestador que clasifica la intención del usuario y prepara dinámicamente el conocimiento de dominio relevante para cada consulta; un Agente de Codificación que genera y ejecuta SQL y Python con un bucle autónomo de autocorrección; y un Agente de Interpretación que sintetiza los resultados numéricos en explicaciones en lenguaje natural fundamentadas en normativa del sector. Para validar la arquitectura se ha diseñado un estudio de ablación con seis escenarios sobre datos reales de un despliegue industrial del fabricante esloveno, comparando una arquitectura monolítica frente a la descomposición multiagente y aislando la contribución incremental de cada componente del pipeline: la autocorrección iterativa y la inyección selectiva de conocimiento de dominio. Durante la ponencia se describirán el diseño experimental, las métricas de evaluación empleadas y las principales lecciones aprendidas durante el desarrollo del sistema.