Conferencia

KHIPU 2019

Fecha
11–15 de noviembre de 2019
Gente
332 participantes de 13 países (1.030 postulaciones)
Organiza
KHIPU2 eventos · Ya no se junta

6 fotosVer todas las fotos de KHIPU

Foto: KHIPU · Sitio de KHIPU. Cada foto se ve desde donde está publicada y lleva a la original. ¿Aparecés en una y preferís que no esté? Pedí que la saquemos, o tocala y pedilo desde ahí.

Qué fue

KHIPU 2019 fue la primera edición del Latin American Meeting in Artificial Intelligence, un encuentro de cinco días que se hizo del 11 al 15 de noviembre de 2019 en la Facultad de Ingeniería de la Universidad de la República, en Montevideo. Con un formato inspirado en el Deep Learning Indaba, combinó clases intensivas de machine learning (fundamentos, redes convolucionales y recurrentes, aprendizaje por refuerzo), charlas de investigadores de la región, paneles y sesiones de pósters, con el objetivo de formar talento latinoamericano en IA y conectar a la comunidad regional con la internacional.

Hubo 1.030 postulaciones y 332 participantes de 13 países de América Latina: 203 personas seleccionadas, 37 oradores, 17 organizadores y 75 representantes de patrocinadores y socios. La inscripción fue gratuita para estudiantes y académicos, y se otorgaron 156 becas de viaje y alojamiento. Se presentaron 141 pósters y todo el encuentro se transmitió en vivo; según el informe final, gente de 73 países siguió el streaming.

Entre los oradores estuvieron Yoshua Bengio, Jeff Dean, Nando de Freitas, Oriol Vinyals, Chelsea Finn, Kyunghyun Cho y Martín Abadi; el keynote lo dio Guillermo Sapiro, sobre el uso de IA para detectar autismo de forma temprana. Hubo paneles sobre IA para el bien social y sobre la vida de una startup de machine learning, y un encuentro Women in AI organizado por Google. En su charla, Jeff Dean anunció acceso gratuito a TPUs en la nube para los participantes; con ese recurso, un grupo de asistentes entrenó BETO, un modelo BERT solo con textos en español.

Charlas

  1. Keynote: ML Challenges and Opportunities of Computational Behavioral Phenotyping in Developmental Health

    Guillermo Sapiro

  2. Machine Learning Fundamentals

    Luciana Ferrer

  3. Deep Learning Fundamentals

    René Vidal

  4. Convolutional Neural Networks I

    Enzo Ferrante

  5. Convolutional Neural Networks II

    Juan Carlos Niebles

  6. Recurrent Neural Networks

    Kyunghyun Cho

  7. Machine Learning for Healthcare

    Danielle Belgrave

  8. Perspectives on AI

    Yoshua Bengio

  9. Reinforcement Learning

    Nando de Freitas

  10. Climate and Artificial Intelligence

    Claire Monteleoni

  11. Robotics and Continuous Control

    Chelsea Finn

  12. Causality and Generalization

    David Lopez-Paz

  13. Modeling the Space of Natural Images: History and Applications

    Pablo Musé

  14. Microdata Anonymization for Learning Analytics

    Lorena Etcheverry

  15. Privacy and Security in Machine Learning

    Martín Abadi

  16. AlphaStar: StarCraft II using multi-agent RL

    Oriol Vinyals

  17. Machine Learning for Subsurface Characterization

    Bianca Zadrozny

  18. Deep Learning to Solve Challenging Problems

    Jeff Dean