About The Event

RIIAA brings together the Mexican and Latin American artificial intelligence (AI) ecosystem. Emphasizing the interaction between actors based in Mexico and abroad, as well as the academic and industrial communities, in order to catalyze the development, adaptation and use of AI in the country.

WHERE
Virtual

WHEN
25 – 28 of August 2020

Buy Tickets
Code of conduct


Catalysing Artificial Intelligence in Latin America.

The 3th International Meeting on Artificial Intelligence and its Applications will take place online from August 25th through August 28th, 2020.

Looking to the future and recognizing an increasingly transformative role for AI, the RIIAA is organized by a group of Mexican students, academics, and professionals seeking to bring together existing communities and groups in the field. Originated from a meeting at the NeurIPS conference, this meeting aims to be an important complement to other conferences, emphasizing the interaction between groups based both in Mexico and abroad, as well as between the communities dedicated to research and practice.


Wide range of panels discussing AI

The conference had panels dedicated to a wide spectrum of topics, from the development of theory to relevant applications for civil society, the public sector and Mexican industry.

It also featured lectures and a summer school for university students. We had a diverse group of participants: on the one hand, academics and research groups from Mexican and foreign institutions; on the other, university students, government representatives and industry professionals.


Sponsors

Thank you to our generous sponsors!

GOLD

GOLD


SILVER



BRONZE

Partners

We thank the help of our collaborators.

Confirmed Speakers Include

Grace Lindsay

Grace Lindsay

Gatsby and SWC Research Fellow
Pilar Gómez Gil

Pilar Gómez Gil

INAOE
Yolanda Martínez

Yolanda Martínez

Banco Interamericano de Desarrollo (BID)
Liset M de la Prida

Liset M de la Prida

Instituto Cajal - CSIC

Bryan Pardo

Bryan Pardo

Northwestern University
Rediet Abebe

Rediet Abebe

Harvard
Victor Fragoso

Victor Fragoso

Microsoft Research
Evgeny Burnaev

Evgeny Burnaev

Associate Professor at Skoltech

Sergey Levine

Sergey Levine

Berkeley
Gemma G. Clavell

Gemma G. Clavell

Eticas Research & Consulting
Xiaoou Li

Xiaoou Li

CINVESTAV-IPN
Ida Momennejad

Ida Momennejad

Senior Reinforcement Learning researcher at Microsoft Research NYC

Mihaela van der Schaar

Mihaela van der Schaar

Cambridge University & The Alan Turing Institute
<a href="https://ccc.inaoep.mx/~esucar/">Enrique Sucar</a>

Enrique Sucar

INAOE
Stevie Chancellor

Stevie Chancellor

Northwestern University/ University of Minnesota
Gonzalo Ramos

Gonzalo Ramos

Microsoft Research

Eva Dyer

Eva Dyer

Georgia Institute of Technology Assistant Professor
Cengiz Ostireli

Cengiz Ostireli

Associate professor at the University of Cambridge & Senior researcher at Google
Ximena Gutierrez

Ximena Gutierrez

Researcher at University of Zürich
Montserrat González Arenas

Montserrat González Arenas

Google Brain

José Gonzalo Rangel

José Gonzalo Rangel

Executive Director of Analytics at Banorte Financial Group
Vicente Ordoñez-Roman

Vicente Ordoñez-Roman

University of Virginia
Raúl Monroy Borja

Raúl Monroy Borja

Tecnológico de Monterrey
Gerardo Carrera Mendoza

Gerardo Carrera Mendoza

Head of Data Science at Mabe Corporativo

Aisha Alaagib

Aisha Alaagib

AMMI & Vector Institute
Virginia Yannibelli

Virginia Yannibelli

UNICEN
Margarita Sordo

Margarita Sordo

Harvard
Fernanda Cobos Armijo

Fernanda Cobos Armijo

Coordinator of the Technology Promotion Council, FUNSALUD

Pablo Duboue

Pablo Duboue

Textualization Software Inc
Zeynep Akata

Zeynep Akata

Profesor at University of Tübingen
Maine Fariello

Maine Fariello

Researcher at Universidad de la República
Mariama Drame

Mariama Drame

Hugging Face / AIMS Rwanda

Edgar Duéñez-Guzman

Edgar Duéñez-Guzman

Senior Research Engineer At Deepmind
Alexander Rush

Alexander Rush

Professor at Cornell University
Jeffrey P. Bigham

Jeffrey P. Bigham

Apple
María de Lourdes Martínez Villaseñor

María de Lourdes Martínez Villaseñor

Universidad Panamericana

Conference Schedule

We are proud to have been joined by renowned speakers from all over the world

  • Day 1

    Aug 25, 2020 UTC-5

  • Este taller te enseñará cómo identificar los problemas éticos que pudieran surgir en cualquier sistema o proceso computacional que utiliza inteligencia artificial (IA). El taller te ayudará a: (1) identificar dónde podrían surgir problemas éticos en un sistema o proceso de IA; (2) aprender a diseñar sistemas inteligentes de alto impacto que respeten los derechos humanos; (3) pensar críticamente en cómo estos sistemas inteligentes se deben implementar en nuestra sociedad y que debemos (y no debemos) permitirles. Estudiaremos estos temas con discusiones y código en Python que involucran temas relacionados a desinformación política, el futuro del trabajo, discriminación y vigilancia policíaca. No se requiere experiencia previa para este taller.
    Summer School

  • ¿Cómo podemos aprender de conjuntos de datos no etiquetados? El aprendizaje autosupervisado busca responder a esta pregunta diseñando ingeniosas tareas pretexto que permitan aprender de conjuntos de datos no etiquetados pero de una forma supervisada. En este taller veremos un panorama general del aprendizaje auto-supervisado y algunos ejemplos prácticos.

  • La teoría del Aprendizaje nació con el trabajo seminal de Vapnik y busca proporcionar un marco teórico para explicar cuantitativamente algunos resultados experimentales en Machine Learning. En este taller daremos una introducción formal a este tema motivándolo con algunos algoritmos comúnmente utilizados en Ciencia de Datos tales como Bootsting y SVM. Estudiaremos con detalle la definición de Probably Approximately Correct y la complejidad de Rademacher. Al final del taller expondremos de manera breve algunas aplicaciones modernas de estas ideas tales como Aution Theory, Differential Privacy o Selección de algoritmos.

  • En México existen más de 172,809 kilómetros de carretera pavimentada, que sufren día a día de deterioro por causas como la lluvia, la erosión y la carga diaria de tránsito, generando grietas que pueden producir accidentes de tránsito. La detección de estos riesgos se realiza manualmente; siendo un proceso muy tardado y subjetivo al analizador. El uso de tecnologías como el Machine Learning puede reducir los tiempos de procesado y mejorar la detección. En este taller se explicará el uso de una red neuronal para segmentar las grietas del pavimento de forma rápida, utilizando la técnica Depht-to-Space que reduce el tamaño de la red hasta un 50% comparado a modelos del tipo Encoder–Decoder.

  • En este taller se dará una introducción a la aplicación de técnicas de Machine Learning para gráficas 3D. Se hablará de la combinación de técnicas de gráficas computacionales con técnicas de visión por computadora como segmentación semántica 3D y rasterizers diferenciables. Cerraremos presentando algunos algoritmos estado del arte como CvxNet y NeRF.

  • Los métodos de optimización son el motor que hace funcionar a los algoritmos de Machine Learning. En este taller teórico-practico les daremos los fundamentos necesarios de optimización numérica para que puedan implementar y entender los métodos de optimización mas populares en Machine Learning. Por ejemplo, stochastic gradient descent, ADAM y L-BFGS.

  • Los procesos Gaussianos son herramientas parecidas a las redes neuronales pero que funcionan con menos datos, lo cual los hace especialente utiles en ingenieria. Se usan para modelar sistemas estocasticos y en optimizacion. En este taller tendras la oportunidad de entender las matematicas detras de los procesos Gaussianos y de usarlos en un esquema de optimizacion eficiente llamado Optimizacion Bayesiana.

  • Tienes un conjunto de datos experimentales y varios conjuntos de datos provenientes de simulaciones paramétricas. ¿Qué simulación representa mejor a tus datos experimentales? En este taller compararemos cualitativa y cuantitativamente varios conjuntos de datos simulados con un conjunto de datos experimentales de temperatura utilizando 5 métricas. El proceso de importación de los datos experimentales, simulados y las métricas se implementarán en una clase para automatizar el proceso. En este taller se utilizan temperaturas del aire al interior de un espacio pero el procedimiento es válido para cualquier señal temporal.

  • En este taller se mostrará como levantar una arquitectura de big data sobre aws utilizando varios de sus servicios como lo son EMR, S3, EC2. El objetivo es que el público asistente pueda crear una plantilla (infrastructure as code) y levantar una arquitectura lista para llevar a cabo procesamiento de big data con archivos ubicados en S3, procesarlos sobre el clúster de spark en EMR, y llevar la trazabilidad y gestión de sus modelos mediante AIRFLOW y MLFLOW.

  • Este un taller para directivos y lideres de negocios, nuestro propósito es brindarles una educación esencial en el estado actual de la inteligencia artificial, proporcionando una introducción no técnica a la I.A. y revisando los sistemas modernos de IA. Lo anterior con el fin de ayudar a separar la publicidad de la realidad al evaluar una propuesta de proyecto para su propia organización.

  • Day 2

    Aug 26, 2020 UTC-5

  • La ingeniería de características de aprendizaje (Feature Engineering, en inglés) permite mejorar la calidad de los modelos aprendidos incorporando conocimiento del dominio. En este taller veremos Feature Engineering en datos espaciales (vuelos de pájaros cucú en África) y temporales (población histórica).

  • Introducción al aprendizaje por refuerzo, y revisión de las implementaciones de algunos de los algorithmos principales.

  • La comunidad emergente de Inteligencia Artificial (IA) en la infraestructura de Supercómputo (SC) es fundamental para lograr avances más rápidos, de mayor impacto y que puedan ser escalables. En este taller, vamos a explorar la sinergia que hay entre la IA y el SC. Adicionalmente, resaltaremos la importancia de uso del de hardware especializado, principalmente en el área del aprendizaje profundo. Además, haremos una revisión del estado del arte de las principales aplicaciones de IA que únicamente son posibles en infraestructuras de SC. Por último, abordaremos algunas herramientas para acelerar y paralelizar códigos en Python.

  • En los últimos años, ha habido una explosión de avances en el área de generación de lenguaje natural. Esto se debe mayoritariamente a los modelos basados en transformadores que son pre-entrenados en gran cantidades de texto. La gran mayoría de las tareas en el área de NLG son en inglés y mono-lenguaje, sin embargo para México y latinoamérica, modelos que puedan generar texto que sea fluido, coherente y relevante es muy importante. En este taller usaremos modelos pre-entrenados en español, afinaremos los modelos aún más en datos adicionales. Finalmente, analizaremos las dificultades que enfrentan los modelos de generación así como las técnicas que se han propuesto para sobrepasarlas.

  • En este taller se abordara la detección de neumonía en imágenes de rayos X, mediante el uso de redes neuronales convolucionales (CNN) las cuales son uno de los algoritmos más populares para Deep learning. La implementación práctica se realizará en Python y haciendo uso de TensorFlow.

  • ¿Cómo podemos construir modelos de aprendizaje automático que sean capaces de aprender nuevos conceptos rápidamente usando pocos ejemplos de entrenamiento? Eso es lo que el meta aprendizaje pretende resolver a través de esquemas de aprendizaje que se adapten fácilmente a nuevas tareas con pocos ejemplos.

  • La venta de automática de bienes es uno de las actividades más importantes en linea. Compañías como AirBnB, Google y eBay realizan millones de transacciones diarias. Todas estás transacciones involucran agentes que quieren maximizar sus ganancias. En este taller presentaré una introducción sobre como usar aprendizaje de máquinas para resolver esta importante tarea. Descubriremos porque soluciones tradicionales tales como regresión no nos ayudan a resolver este problema y presentaremos algoritmos que hoy en día se usan en la industria para optimizar ganancias. Finalmente, discutiremos estrategias que los compradores pueden usar para "engañar" a estos algoritmos.

  • La Teoría de la Percepción es un formalismo matemático desarrollado por Ulf Grenander que busca explicar la complejidad matemática detrás de la inteligencia artificial. Utilizando las ideas de D. Mumford en este taller describiremos a partir de la inferencia Bayesiana algunos aspectos fundamentales que si bien en la mayoría de los casos no resuelven los problemas concretos sí explican desde un punto de vista matemático la complejidad de los problemas a los que nos enfrentamos cuando buscamos desarrollar inteligencia artificial.

  • Los métodos para el Procesamiento de Lenguaje Natural (PLN) han ido evolucionando de manera acelerada en las últimas décadas. En este taller daremos un vistazo a las Redes Neuronales Recurrentes y cómo arquitecturas con mecanismos de atención han pasado a tomar un papel protagónico para dar origen a los Transformadores. Al final de este taller, podrá comprender y entrenar este tipo de arquitecturas.

  • Taller centrado en los conceptos básicos del Procesamiento de Lenguaje Natural, utilizando Redes Neuronales Artificiales y técnicas de Word Embeddings (Palabras incrustadas) para la clasificación de textos y su implementación en una de las aplicaciones más conocidas y llamativas de este tipo de sistemas, los ChatBots. Durante el taller se aprenderá lo necesario para desarrollar un sistema conversacional capaz de contestar preguntas de cultura general, programado 100% en Python.

  • Day 4

    Aug 28, 2020 UTC-5

  • Felix Hill: "Language learning in embodied agents - why more is different"
    Grace Linsay: "Attention in neuroscience and machine learning"
    Ida Momennejad: "Predictive Cognitive Maps"
    Eva Dyer: "Comparing neural datasets across time, space, and behavior"
    Evgeny Burnaev: "AI for Neuroscience: new challenges and perspectives"
    Neuroscience

  • Gerardo Carrera: "Data Science meets the Home Appliance Industry: How we bring modern analysis to this industry"
    Fernanda Cobo: "AI as a tool to decrease health disparities: challenges and opportunities in LATAM"
    José Gonzalo Rangel: "AI + Analytics: the key to achieve customer-centricity in banking"

  • Descripción:

    Explicaremos qué tanto se ha explotado el ML para combate de enfermedades. Compartiremos ejemplos de los esfuerzos hechos en el estado de Chihuahua.

    Moderadores Panel:

    • Dr. Jaime Adame Gallegos*
    • Dr. José Manuel Nápoles Duarte*

    Panelistas:

    • Dra. Leticia Ruiz González**
    • Dr. Octavio Hinojosa de la Garza*
    • Dr José Luis Herrera Aguilar*
    • Dr. Gilberto Sandino Aquino de Los Ríos*

    ** Secretaría de Salud del Estado de Chihuahua

    *Universidad Autónoma de Chihuahua


  • Descripción:

    La inteligencia artificial ha ganado cada vez más atención en la investigación bioinformática y la biología molecular computacional. En esta mesa redonda se discutirán los algoritmos más utilizados en bioinformática, retos y nuevas fronteras.

    Moderadores Mesa Redonda:

    • Said Muñoz Montero, IMEGEN
    • Oscar Mendez Lucio, Janssen Pharmaceutica

    Expositores:

    • Elizabeth Cadenas Castrejon
    • Ignacio Arroyo Fernandez
    • Fabián MoAv

  • Descripción:

    Conocer puntos de vista acerca del impacto de la IA en la forma de vivir y relacionarnos en el presente y el rol de System Thinking en facilitar la implementación de estas tecnologías.

    Moderadores Panel:

    • David Mercado, Digital Consultant & Co-founder de Systemico (Consultoria de Systems Thinking)
    • Eric Platas

    Panelistas:

    • Miguel Pantaleon, System Thinker de Systemico (Consultoria de Systems Thinking)
    • Raúl Leal, Deputy Director, Centre for Systems
    • Engineering, University College London (UCL)
    • Jorge Nuñez, CEO AdQuiver

  • Moderador Mesa Redonda:

    Miguel Guevara

    Google


  • Descripción:

    Discutiremos sobre las labores que 5 centros de investigación están haciendo para impulsar el desarrollo de AI en México. También aprenderemos cómo algunas industrias mexicanas utilizan AI en su día a día.

    Moderador Panel:

    Leobardo Morales, IBM México

    Panelistas:

    • Mariano Rivera, CIMAT

  • Descripción:

    Hablaremos con expertos, investigadores e ingenieros en Ai/ML entre Silicon Valley y México sobre cual es el día a día del profesionista en estos dos ecosistemas de desarrollo de tecnología. Compartiendo experiencias y tips sobre como es el proceso de aplicar Ai en la industria, qué retos enfrentan los profesionistas actualmente y como poder conseguir un trabajo exitósamente en este campo.

    Moderador Panel:

    Ivan Lozano, Robotics Engineer, Vicarious AI

    Expositores:

    • Hugo Cen, CEO - Ai Lab School
    • Raúl Águila, Ai Engineer (Ai Lab School / Biometría Aplicada)

  • Descripción:

    Hablaremos sobre cómo usar redes neuronales para procesamiento de imágenes con el fin de preservar la memoria fotográfica de la historia, cultura y evolución de una sociedad.

    Moderadores Mesa Redonda:

    • Tatiana Delgadillo, Data Science Engineer, Mojix Engineering
    • Daniel Poppe Villa Romero, Business Intelligence Analyst, Banco Bisa Bolivia

    Expositores:

    • Rafael Villca Poggian, Co Founder del Club de ciencia de Datos Bolivia
    • Stanley Salvatierra, CTO, DeepMicrosystems.com

  • Descripción:

    Discutiremos sobre cómo ha evolucionado la construcción de redes neuronales, desde los primeros conceptos hasta los casos más recientes.

    Moderadores Mesa Redonda:

    • Dr. Juan Pedro Palomares Báez*
    • Dr. José Manuel Nápoles Duarte*

    *Facultad de Ciencias Químicas, Universidad Autónoma de Chihuahua

    Expositores:

    • José Luis Rodríguez López Instituto Potosino de Investigación Científica y Tecnológica
    • Luz María Rodriguez Valdez, Facultad de Ciencias Químicas de la Universidad Autónoma de Chihuahua
    • Jesús Ramón Carmona Jaquéz, Est. de Maestría, Facultad de Ingeniería de la Universidad Autónoma de Chihuahua
    • Jose Luis Herrera Aguilar, Facultad de Ingeniería de la Universidad Autónoma de Chihuahua