En la última década, las redes neuronales profundas se han consolidado como una de las herramientas más exitosas para abordar una amplia variedad de problemas de visión por computadora. Gran parte de este éxito se debe a su capacidad para aprender representaciones útiles a partir de grandes cantidades de datos. Pero, ¿qué ocurre cuando los datos disponibles para un nuevo problema son escasos? Una estrategia común consiste en reutilizar el conocimiento aprendido por una red entrenada previamente en otro conjunto de datos. Esta idea, conocida como transferencia de conocimiento, permite aprovechar representaciones aprendidas en un problema para resolver otros. Lo sorprendente es que este conocimiento puede resultar útil incluso cuando existe una diferencia considerable entre los problemas de origen y de destino. En particular, representaciones aprendidas a partir de grandes colecciones de imágenes de objetos cotidianos han demostrado ser útiles para tareas tan diversas como el análisis de imágenes astronómicas, la interpretación de imágenes médicas o la clasificación de contenido audiovisual.

En esta plática se explorará la capacidad de las redes profundas para transferir conocimiento entre diferentes dominios y tareas, ilustrándola con tres casos de estudio: el análisis de imágenes astronómicas, la clasificación de patologías en radiografías de tórax con muy pocos ejemplos etiquetados y la clasificación multietiqueta de géneros en avances cinematográficos.

Semblanza del Dr. Gibrán Fuentes Pineda

Obtuvo los grados de Ingeniero en Computación y Maestro en Ciencias de Ingeniería en Microelectrónica por la Escuela Superior de Ingeniería Mecánica y Eléctrica (ESIME) del Instituto Politécnico Nacional (IPN), así como el de Doctor en Sistemas de Información por la Universidad de Electro-Comunicaciones de Tokio, Japón. Realizó una estancia posdoctoral en el Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas (IIMAS) de la Universidad Nacional Autónoma de México (UNAM), donde participó en el desarrollo de los sistemas de visión, reconocimiento y manipulación de los robots de servicio Golem-II+ y Golem-III, así como en el diseño de modelos de programación y especificación funcional para robots autónomos.

Actualmente se desempeña como Investigador Titular "B" en el Departamento de Ciencias de la Computación del IIMAS-UNAM, donde realiza investigación en las áreas de inteligencia artificial, aprendizaje automático, aprendizaje profundo, modelos generativos, modelos multimodales y minería de datos masivos. Sus líneas de trabajo abarcan el desarrollo de métodos para el análisis y modelado de datos complejos, así como sus aplicaciones en salud, astronomía, procesamiento de lenguaje natural, visión por computadora, robótica de servicio y análisis de señales biomédicas. Participa en diversos proyectos nacionales e internacionales de inteligencia artificial aplicada a la salud, la astronomía y el análisis de grandes volúmenes de datos, incluyendo colaboraciones vinculadas al sondeo Legacy Survey of Space and Time (LSST) del Observatorio Vera C. Rubin.

Ha publicado artículos científicos en revistas internacionales arbitradas y congresos especializados y ha dirigido tesis de licenciatura, maestría y doctorado en temas relacionados con inteligencia artificial y ciencia de datos. En el ámbito docente, ha impartido de manera continua los cursos de Aprendizaje Automatizado y Aprendizaje Profundo en el Posgrado en Ciencia e Ingeniería de la Computación de la UNAM. Asimismo, ha impartido los cursos Datos Masivos I y Datos Masivos II en la Licenciatura en Ciencia de Datos del IIMAS.