natalia diaz rodriguez south tech week

Natalia Díaz Rodríguez

Más sobre Natalia Díaz Rodríguez:

ENSTA  – Assistant Professor

Natalia Díaz Rodríguez se graduó en la Universidad de Granada en 2010. Obtuvo su doble doctorado de Abo Akademi (Finlandia) y de la Universidad de Granada en 2015.

Su especialidad es la Inteligencia Artificial simbólica (modelado y reconocimiento de la gravedad humana basada en datos y conocimiento híbrido para asistencia ambiental vivo).

Natalia Rodríguez es Asst. Prof. de Inteligencia Artificial en el Autonomous Systems y Robotics Lab en ENSTA Paris. Destacamos también su presencia en el Institute Polytechnique de Paris y el equipo de INRIA Flowers en robotics de desarrollo.

Su experiencia se centra en la representación de conocimiento, razonamiento y aprendizaje automático. Sus intereses actuales incluyen el aprendizaje profundo, reforzado y no supervisado.

Además de un aprendizaje abierto, continuo/permanente y de representación (estatal). También se centra en la computación neural-simbólica, visión por computadora, sistemas autónomos e IA explicable y para el bien social.

Ha trabajado en I+D en CERN (Suiza), Philips Research (Países Bajos) y Universidad de California Santa Cruz. Destacar también su trabajo en la industria de Silicon Valley en Stitch Fix Inc. (San Francisco, CA).

Participó en una variedad de proyectos internacionales (por ejemplo el EU H2020 DREAM) y fue miembro del Comité de Gestión de EU COST (CooperaHon Europea en Ciencia y Tecnología). Colaboró además en el Action AAPELE.EU (Algoritmos, Arquitecturas y Platforms para entornos de vida mejorados), Google Anita Borg Scholar 2014, becario Heidelberg Laureate Forum 2014/2017 y Nokia Foundation.

Es cofundadora y miembro de la junta de la organización sin fines de lucro continual AI.org organisation. Además lo es de la comunidad abierta en línea de entusiastas del Aprendizaje Continual, con cerca de 600 miembros en todo el mundo.

Natalia Díaz Rodríguez hablará sobre:

Continual Learning for Robotics, an overview

15:40 - 16:10 Miércoles 11 Marzo


Masterclass:

Continual learning (CL) es un paradigma particular de aprendizaje automático donde la distribución de datos y el objetivo de aprendizaje cambian a través del tiempo, o donde todos los datos de capacitación y criterios objetivos nunca están disponibles a la vez. La evolución del proceso de aprendizaje está modelada por una secuencia de experiencias de aprendizaje donde el objetivo es poder aprender nuevas habilidades a lo largo de la secuencia, sin olvidar lo que se ha aprendido previamente. El aprendizaje continuo también pretende, al mismo tiempo, optimizar la memoria, el poder de cálculo y la velocidad durante el proceso de aprendizaje.
Un desafío importante para el continual learning no es necesariamente encontrar soluciones que funcionen en el mundo real, sino encontrar algoritmos estables que puedan aprender en el mundo real. Por lo tanto, el enfoque ideal sería abordar el mundo real en una plataforma incorporada: un agente autónomo. El aprendizaje continuo sería efectivo para un agente autónomo o robot, que aprendería de manera autónoma en el tiempo, sobre una realidad externa y desarrollaría gradualmente un conjunto de habilidades y conocimientos complejos.
Los agentes robóticos tienen que aprender a adaptarse e interactuar con su entorno utilizando un flujo continuo de observaciones.
Algunos enfoques recientes pretenden abordar el aprendizaje continuo para la robótica, pero los documentos más recientes sobre aprendizaje continuo solo experimentan con enfoques en simulación o con conjuntos de datos estáticos. Desafortunadamente, la evaluación de esos algoritmos no proporciona información sobre si sus soluciones pueden ayudar al aprendizaje continuo en el contexto de la robótica. Esta charla tiene como objetivo revisar el estado actual del arte del aprendizaje continuo, resumir los puntos de referencia y las métricas existentes, y proponer un marco para presentar y evaluar los enfoques robóticos y no robóticos de una manera que facilite la transferencia entre ambos campos.

 

Nivel: Experto.


Idioma de la ponencia: Español