PROGRAMA EVIA 2025
JUEVES 10/07
VIERNES 11/07
MIÉRCOLES 09/07
9:00 - 9:15
RECOGIDA DOCUMENTACIÓN
RECOGIDA DOCUMENTACIÓN
9:15 - 9:30
Acto de apertura
La Inteligencia Artificicial en la Torre de Babel
Towards explainability and fairness in recommender systems
Inteligencia Artificial Frugal: Cuando Menos es Más
9:30 - 10:30
Eneko Agirre
Luis Martínez
Bertha Guijarro Berdiñas
Introducción a la cuantificación: estimando prevalencias por clase mediante aprendizaje supervisado
Simplicidad en la resolución de problemas de robótica blanda
Planificación Automática con Heurísticas Modernas
10:30 - 11:30
Raquel Fuentetaja
Concepción Alicia Monje Micharet
Juan José del Coz
11:30 - 12:00
COFFEE BREAK
Aprendizaje federado de modelos no basados en redes neuronales
Minimización de errores avanzada: de la Lógica a la IA
AI and Data Science at idealista
12:00 - 13:00
12:00 - 13:00
12:00 - 13:00
Héctor René Suárez Suárez
José Antonio Gámez Martín
Pelayo Arbués
Learning with Noisy Labeling: Can we train a robust classifier from wrongly annotated data?
¿AI que regularla?
Quantum Machine Learning: retos y oportunidades
13:00 - 14:00
Elías F. Combarro
Petia Radeva
Ignasi Belda
14:00 - 14:15
Acto de clausura
COMIDA
14:15 - 15:00
COMIDA
Premios TFG y TFM
Concurso de tesis doctorales
15:00 - 16:00
Alberto Bugarín José Antonio Gámez Martín
Ulises Cortés
Taller 2 Recommender systems in theory and practice: tools and methodologies (EP-1.3.02)
Taller 1 Cuantificación: Estimación de Prevalencias por clase (EP-1.3.01)
16:00 - 17:00
Doctoral consortium
17:00 - 18:00
José Riquelme María José Del Jesus Díaz
Pablo González Olaya Pérez-Mon
Raciel Yera
18:00 - 19:30
Cena de Gala - Espicha asturiana Duración del evento: 20:30-23:00
Visita guiada por Gijón Duración del evento: 19:30-21:00
19:30 - 23:00
Raquel fuentetaja, UNIVERSIDAD CARLOS III DE MADRID
Raquel Fuentetaja es profesora titular en el Departamento de Informática de la Universidad Carlos III de Madrid (UC3M). Es licenciada en Informática por la UPM (2000) y doctora por la UC3M (2010). Desde 2004, forma parte del grupo de investigación "Planning and Learning Group" (https://plg.uc3m.es/). Ha participado en numerosos proyectos de investigación y publicado en conferencias internacionales como AAAI, IJCAI o ECAI, donde también integra comités científicos. Sus principales áreas de investigación son la planificación automática, el aprendizaje automático y la robótica social asistencial, destacando sus estudios recientes en heurísticas y rehabilitación pediátrica con robots sociales. La planificación automática es una rama esencial de la Inteligencia Artificial desde sus orígenes. Su objetivo principal es determinar las acciones que se deben ejecutar para resolver un problema utilizando algoritmos independientes del dominio, lo que permite que una misma técnica pueda aplicarse en contextos muy diversos como robótica, logística, videojuegos, etc. Se presentarán conceptos fundamentales y algunos avances recientes en el cálculo de heurísticas, que son cruciales para abordar problemas complejos. Se discutirá su papel en el contexto actual de la Inteligencia Artificial resaltando la importancia del razonamiento simbólico y explícito, que sigue siendo indispensable en muchas aplicaciones.
hÉCTOR RENÉ SUÁREZ SUÁREZ, INSTITUTO NACIONAL DE CIBERSEGURIDAD
En la actualidad Héctor R. Suárez es Big Data, Data Science & Artificial Inteligence Leader de INCIBE. Su formación es en los campos de Matemáticas y Estadística Aplicada, Ciberseguridad, Data Mining, Data Science, Big Data e Inteligencia Artificial. Desde 2004 trabaja en INCIBE, en distintos puestos relacionados con dichos campos, dentro de los Servicios Preventivos y Reactivos de INCIBE-CERT y Ciberseguridad de Sectores Estratégicos. Desde 2012 es Experto Evaluador de la Comisión Europea en proyectos de temáticas relacionadas con Ciberseguridad, Inteligencia Artificial, Big Data, Análisis y Ciencia de Datos. Partiendo de uno de los Principios Básicos de desarrollo e implementación de Sistemas Informáticos, Ciberseguridad e Inteligencia Artificial, "la minimización de errores", de manera muy didáctica se abordarán: (1) principios básicos y (2) métodos avanzados; que ayudan a la minimización de errores en Ciberseguridad, Análisis de Datos e Inteligencia Artificial. Partiendo de la Filosofía de la Ciencia, pasaremos a ver estos sistemas de minimización de errores, referencias en el Análisis de Datos e Inteligencia Artificial. Para finalizar: veremos estos sistemas en casos de uso de análisis de datos de ciberseguridad, así como en algoritmos de Inteligencia Artificial.
Acto de clausura, Escuela de verano de inteligencia artificial 2025
Fecha: 11/07/2025, a las 14h00 Ubicación: Salón de actos, Escuela Politécnica de Ingeniería de Gijón Dª Susana Luque Rodríguez, Vicerrectora de Transferencia y Relaciones con la Empresa de la Universidad de Oviedo D. Ignasi Belda Reig, Director de la Agencia Española de Supervisión de Inteligencia Artificial Dª Beatriz Remeseiro López, Presidenta del Comité organizador EVIA 2025
Luis Martínez, Universidad de Jáen
Luis Martínez López es catedrático de la Universidad de Jaén. Ha sido investigador principal en 19 proyectos de I+D, ha publicado más de 330 artículos en revistas JCR y ha realizado más de 300 contribuciones en conferencias internacionales y nacionales relacionadas con sus áreas de especialización. Sus intereses de investigación actuales incluyen el apoyo inteligente a la toma de decisiones, la inteligencia computacional y la IA confiable. Recibió el premio al mejor artículo de IEEE Transactions on fuzzy systems en 2008 y 2012. Es coeditor jefe de la revista International Journal of Computational Intelligence Systems. Obtuvo el IFSA fellow en 2021. Finalmente, ha sido nombrado investigador altamente citado en Informática por el WoS desde 2017 hasta la actualidad. Actualmente, muchas redes sociales usan sistemas automatizados, como los sistemas de recomendación para grupos (GRS), para gestionar contenidos y personalizar experiencias. Se prevé que este mercado alcance los 16.130 millones de dólares en 2026. Sin embargo, la falta de transparencia en estos sistemas plantea riesgos en áreas como la equidad laboral, el comercio justo o la exposición informativa. Para generar confianza, es clave que estos sistemas sean explicables y equitativos. Esta charla propone nuevas direcciones algorítmicas y herramientas para mejorar la equidad, explicabilidad y sinergia en GRS, promoviendo resultados justos y neutrales frente a características sociodemográficas.
Concepción Alicia Monje Micharet, Catedrática de la Universidad Carlos III de Madrid
Concha Monje es Profesora Catedrática de la Universidad Carlos III de Madrid (UC3M), donde dirige el Laboratorio de Robótica Blanda dentro del grupo de investigación RoboticsLab, pionero en el desarrollo y control de articulaciones robóticas blandas. Ha sido investigadora principal de numerosos proyectos competitivos y con empresa, cuenta con +160 publicaciones y +8100 citas, y ha dirigido numerosas tesis doctorales. Algunos reconocimientos relevantes son: Finalista Premio Talgo a la Excelencia Profesional de la Mujer en Ingeniería, Top 100 Mujeres Líderes en España, Premio Ada Byron a la Mujer Tecnóloga de la Universidad de Deusto, Premio de Excelencia a la Investigación de la UC3M. Esta charla introduce el concepto de robot blando y aborda el problema del diseño y control de este tipo de robots. Frente a diseños complejos que requieren el uso de técnicas basadas en Inteligencia Artificial para su modelado y control efectivo, se presenta un diseño de articulación robótica blanda versátil y simple, que permite el uso de técnicas analíticas para su modelado y control. Se introduce el concepto de controlador PID fraccionario, una versión generalizada del conocido controlador PID, y se demuestra cómo los órdenes de integración y derivación del mismo pueden otorgar al robot blando la robustez necesaria sin necesidad de recurrir a técnicas basadas en datos.
Concurso de Tesis Doctorales
Reconocimiento a las mejores tesis doctorales defendidas en el ámbito de la inteligencia artificial entre 2023 y 2024. Presentarán sus trabajos: 1º PREMIO TESIS DOCTORAL: Oscar Sainz Jiménez, Extracción de información con recursos limitados. Universidad del País Vasco 2º PREMIO TESIS DOCTORAL: Iris Domínguez-Catena, Demographic Bias in Machine Learning: Measuring Transference from Dataset Bias to Model Predictions. Universidad Pública de Navarra
Pelayo Arbués, Head of Data Science en idealista
Pelayo Arbués es Head of Data Science en idealista, donde lidera el equipo de Ciencia de Datos y desarrolla soluciones de IA para el mayor marketplace inmobiliario del sur de Europa. Anteriormente aplicó ciencia de datos en sectores como retail, banca y telecomunicaciones. Doctor en Economía, combina rigor técnico y visión estratégica para crear productos de datos con impacto real. Imparte clases en escuelas como IE School of Technology, Instituto Tramontana y The Valley, donde acerca la IA a profesionales de negocio y forma a perfiles técnicos. En esta sesión exploraremos cómo idealista aplica ciencia de datos e inteligencia artificial para mejorar productos existentes, optimizar procesos y crear nuevas líneas de negocio. Compartiremos casos reales como los modelos automáticos de valoración (AVMs), sistemas de recomendación y proyectos de computer vision, así como los retos técnicos y organizativos que conlleva poner IA en producción a escala. También hablaremos de cómo estructuramos nuestro equipo, colaboramos con producto y promovemos una cultura basada en evidencia para tomar mejores decisiones.
Jose Antonio gámez, catedrático de la Universidad de Castilla-La Mancha
José Antonio Gámez es C.U. en la Universidad de Castilla-La Mancha desde 2011, donde co-dirige el grupo de investigación en Sistemas Inteligentes y Minería de Datos. Sus principales líneas de investigación se centran en los modelos gráficos probabilísticos, el aprendizaje automático y la optimización metaheurística, y sus aplicaciones a problemas reales. En estas líneas de investigación ha dirigido 14 tesis doctorales, una docena de proyectos de investigación y otros tantos contratos de I+D. Su investigación se ha plasmado en más de 200 publicaciones entre revistas y congresos internacionales. Fue director durante dos años del Máster de Investigación en IA organizado por AEPIA. El aprendizaje federado es un paradigma emergente que permite el entrenamiento colaborativo de modelos sin compartir datos sensibles entre las partes implicadas. Esta charla introduce los fundamentos del aprendizaje federado y describe algunos de sus escenarios más habituales. El énfasis estará en ir más allá del paradigma habitual, redes neuronales, discutiendo posibilidades de aprendizaje federado para redes bayesianas, árboles de decisión y modelos de ensemble. Por último, se abordará el tema de la interpretabilidad y explicabilidad en el marco del aprendizaje federado.
Eneko agirre, Director del centro HiTZ, Universidad del País Vasco UPV/EHU
Eneko Agirre es Catedrático de Informática y director del centro HiTZ de Tecnología del Lenguaje en la Universidad del País Vasco (UPV/EHU). Ha sido investigador visitante en universidades de EE. UU. y Australia. Recibió el Premio Nacional de Investigación en Informática en 2021 y es miembro de Jakiunde y fellow de la ACL. Fue presidente de SIGLEX, editor en revistas como Computational Linguistics, y cofundador de la conferencia *SEM. Ha recibido premios de Google y reconocimientos a sus publicaciones y tesis dirigidas. Cuenta con más de 200 trabajos en procesamiento del lenguaje y ha ofrecido más de 20 charlas invitadas. Los modelos de IA generativa ya son multilingües, lo que plantea dudas sobre su rendimiento en distintos idiomas y culturas, especialmente en lenguas con pocos hablantes. En esta charla se abordan preguntas clave: ¿Se pueden crear LLMs eficaces para lenguas con pocos recursos? El equipo desarrolló un modelo avanzado para el euskera y una evaluación reproducible de extremo a extremo. ¿Piensan mejor en inglés que en el idioma local? Los resultados indican que los LLMs no aprovechan todo su potencial multilingüe fuera del inglés. También se estudió cómo manejan el conocimiento local, revelando que este puede transferirse entre lenguas. Este trabajo fue premiado en ACL 2024.
Juan José del Coz, Catedrático de la Universidad de Oviedo
Juan José del Coz Velasco es Catedrático de Ciencias de la Computación e Inteligencia Artificial de la Universidad de Oviedo. Lleva desarrollando su labor investigadora desde 1998 dentro del campo del Machine Learning, principalmente aprendizaje supervisado. Actualmente, su línea de investigación prioritaria es la cuantificación y ha dirigido 4 tesis doctorales sobre ella. Ha sido investigador principal de varios proyectos y ha publicado sus trabajos en revistas de prestigio como Journal of Machine Learning Research, IEEE Transactions on Neural Networks and Learning Systems, Information Fusion o Machine Learning, y en congresos de primer nivel como ICML, AAAI, IJCAI o Neurips. En la charla se dará una introducción a la cuantificación como problema de aprendizaje automático: en qué consiste exactamente, aplicaciones reales en las que surge, por qué no puede resolverse usando simplemente un clasificador, es decir, clasificando y contando individuos, asunciones de aprendizaje que hacen los métodos de cuantificación, y una somera descripción de los mejores algoritmos de cuantificación existentes en la actualidad. La ponencia se complementará con un taller donde se podrá ver cómo hay que trabajar en la práctica con este tipo de algoritmos y las particularidades necesarias para evaluar correctamente su precisión.
Taller 1 - Cuantificación: Estimación de Prevalencias por clase, Pablo Gónzalez y Olaya Pérez-Mon, Universidad de oviedo
Pablo González González es Profesor Ayudante Doctor en el Departamento de Informática de la Universidad de Oviedo, especializado en aprendizaje automático y la estimación de prevalencias en conjuntos de datos (cuantificación). Olaya Pérez Mon es Profesora Sustituta en el Departamento Ingeniería Eléctrica, Electrónica, de Comunicaciones y de Sistemas de la Universidad de Oviedo. Este taller ofrece una introducción práctica a la cuantificación, una técnica de aprendizaje automático orientada a estimar la prevalencia de clases en muestras de datos. A través de ejemplos prácticos, los participantes aprenderán a identificar escenarios donde la cuantificación supera al enfoque tradicional de clasificar y contar. Se utilizarán librerías especializadas como QuantificationLib, con el objetivo de dotar a los asistentes de herramientas prácticas para abordar problemas reales en diferentes areas donde conocer la distribución de clases es más relevante que clasificar instancias individuales.
Cena de gala – Espicha asturiana
Disfrutaremos de una auténtica espicha tradicional asturiana, con una selección de productos típicos de la gastronomía local en un ambiente informal y festivo. Ubicación: Tierra Astur Poniente (Gijón) Hora: 20:30
Acto de apertura, Escuela de verano de inteligencia artificial 2025
Fecha: 09/07/2025, a las 9h15 Ubicación: Salón de actos, Escuela Politécnica de Ingeniería de Gijón Dª Irene Díaz Rodríguez, Vicerrectora de Investigación de la Universidad de Oviedo D. Juan José Palacios Alonso, Subdirector de Ordenación Académica de la Escuela Politécnica de Ingeniería de Gijón Dª Beatriz Remeseiro López, Presidenta del Comité organizador EVIA 2025
Petia radeva, catedrática de la Universitat de barcelona
Prof. Petia Radeva es catedrática en la Universidad de Barcelona y lidera el grupo AIBA, especializado en inteligencia artificial y visión por computador aplicadas a la salud. Sus líneas de investigación incluyen aprendizaje profundo centrado en datos, aprendizaje continuo, multimodal y con etiquetas ruidosas, reconocimiento de alimentos y NeRF. Ha dirigido más de 50 proyectos nacionales e internacionales y fue gestora de investigación en la AEI (2019–2024). Es editora en jefe de Pattern Recognition y ha recibido numerosos premios, como la medalla Narcís Monturiol (2024). Con más de 400 publicaciones y un índice h de 58, figura entre el 2 % de científicas más influyentes del mundo. La creación de conjuntos de datos a gran escala anotados por humanos inevitablemente introduce etiquetas ruidosas, lo que provoca una reducción en la capacidad de generalización de los modelos de aprendizaje profundo. El aprendizaje basado en la selección de muestras con etiquetas ruidosas es un enfoque reciente que ha mostrado mejoras prometedoras en el rendimiento. La selección de muestras limpias entre las muestras ruidosas es un criterio importante en el proceso de aprendizaje de estos modelos. En esta charla, profundizaremos en la decisión de separar las muestras limpias de las ruidosas y destacaremos que una demarcación efectiva de las muestras conduce a un mejor rendimiento.
ignasi belda, Director general de la Agencia Española de Supervisión de Inteligencia Artificial (AESIA)
El Dr. Ignasi Belda es un profesional en gestión de empresas y organismos basados en inteligencia artificial y de base científica que ha recibido múltiples premios por sus actividades de gestión e innovación, incluido el Premio Príncipe de Girona 2014 y el premio Catalyst otorgado en 2020 por la Academia Americana de Medicina. Ha fundado seis compañías internacionales y durante dos años dirigió el Parc Científic de Barcelona. Paralelamente a estas actividades, Belda ha recibido formación en administración de empresas, finanzas, economía, contabilidad e impuestos (Universidad de Cambridge y Universidad Abierta de Cataluña) y tiene dos doctorados, uno en inteligencia artificial aplicada a las ciencias de la vida y otro en derecho de la ciencia y la tecnología. Actualmente es director general de la AESIA. Se explica la necesidad de establecer un marco regulatorio claro para la IA en Europa. Destaca cómo el Reglamento Europeo de IA clasifica las aplicaciones según su nivel de riesgo: inaceptable, alto, medio y bajo. También menciona iniciativas como los "sandbox" regulatorios y un buzón ciudadano para denunciar usos indebidos de la IA. AESIA será la autoridad encargada de supervisar el cumplimiento del RIA en España y podrá proponer sanciones desde 2025. La charla subrayará la importancia de garantizar la supervisión humana, la transparencia y la trazabilidad de los sistemas de IA además de la protección de derechos fundamentales.
Doctoral Consortium
Espacio de intercambio académico donde estudiantes de doctorado presentarán sus proyectos de tesis en curso con otros doctorandos e investigadores senior, fomentando el debate y la colaboración.
Elías F. Combarro, catedrático de la Universidad de Oviedo
Elías F. Combarro es catedrático en el Departamento de Informática de la Universidad de Oviedo. Su investigación se centra en la aplicación de técnicas de computación cuántica a problemas algebraicos, de optimización y de inteligencia artificial. Ha sido colaborador asociado en el CERN (2020 y 2022), profesor visitante en la Universidad de Harvard (2024), y representante de España en el Consejo Asesor de Tecnologías Cuánticas del CERN (2021-2024). Es autor de los libros A Practical Guide to Quantum Machine Learning and Quantum Optimization (Packt, 2023) y A Practical Guide to Quantum Computing (Packt, 2025). En los últimos años, la computación cuántica se ha consolidado como una disciplina emergente con el potencial de acelerar determinados cálculos más allá de las capacidades de los ordenadores clásicos. En esta charla, se analizarán las posibles aplicaciones de las tecnologías cuánticas en el ámbito de la inteligencia artificial, prestando especial atención al campo del aprendizaje automático. Los conceptos expuestos se ilustrarán mediante ejemplos de proyectos desarrollados en colaboración con instituciones de reconocido prestigio, como el CERN, la Universidad de Cambridge, ETH Zürich y EPFL (Lausanne, Suiza).
Visita guiada por gijón
Recorreremos el casco antiguo de Gijón, conocido como Cimavilla, el histórico barrio de cigarreras y pescadores, lleno de encanto y tradición. Punto de encuentro: Estatua de Pelayo, Plaza del Marqués (Gijón) Hora: 19:30
Bertha Guijarro Berdiñas, Universidade da Coruña
Doctora en Informática e investigadora del Laboratorio de I+D en IA (LIDIA) de la Universidade da Coruña, centra su labor en el desarrollo de sistemas basados en conocimiento, agentes inteligentes y, especialmente, en el área del aprendizaje automático. Su trabajo, realizado a través de más 25 proyectos y otros tantos contratos de I+D, la investigación básica para mejorar la precisión, escalabilidad y sostenibilidad de algoritmos de aprendizaje, así como aplicaciones en colaboración con empresas como INDRA, PRISA Digital o Navantia. En 2009 se integra como investigadora en el Centro en Investigación en TIC (CITIC) de la UDC, centro que codirigió hasta 2018. Actualmente, es Coordinadora del Grado en IA de la UDC. En la última década, el aprendizaje automático ha avanzado a gran escala gracias al crecimiento exponencial de los datos y la potencia computacional. Sin embargo, este progreso conlleva importantes retos, como el elevado consumo de recursos o la inaccesibilidad de los modelos más complejos en contextos con limitaciones económicas o técnicas (IoT, robótica, etc.). La Inteligencia Artificial Frugal plantea una alternativa: desarrollar modelos capaces de aprender y operar eficazmente con recursos limitados, ya sea referidos a datos, tiempo o capacidad computacional. Esta charla abordará los principios de la IA Frugal y explorará algunas de las estrategias como el aprendizaje con pocos ejemplos, el aprendizaje incremental, el federado o el positive-unlabeled learning.
Taller 2 - Recommender systems in theory and practice: tools and methodologies, Raciel Yera, universidad de jaén
Raciel Yera es actualmente Investigador Postdoctoral Marie Curie en la Universidad de Jaén. Previamente ha sido profesor en el Departamento de Ciencias Informáticas en la Universidad de Ciego de Ávila, Cuba (2012-2022), y posteriormente Investigador Postdoctoral María Zambrano (2022-2024). Es Doctor en Ciencias Técnicas desde 2016, siendo su principal área de investigación la personalización y los sistemas de recomendación. Ha presentado su trabajo en revistas y conferencias reconocidas, como Knowledge-Based Systems, Decision Support Systems, Applied Soft Computing, o la conferencia User Modeling, Adaptation, and Personalization (UMAP). El taller tiene como objetivo proveer a los investigadores noveles de herramientas y conocimiento imprescindibles en el área de los sistemas de recomendación. Se discutirán brevemente la recomendación basada en contenido y la recomendación basada en filtrado colaborativo, como paradigmas fundamentales. Se presentará la librería Surprise como herramienta básica para implementar estos paradigmas. Se discutirán los protocolos de evaluación más comunes, así como métricas enfocadas en la eficacia, la diversidad, y el cubrimiento. Se discutirá la implementación de técnicas para optimizar algunas de estas métricas, tales como la hibridización de métodos, o la corrección de ruido natural.
Premios TFG y TFM
Segunda edición del premio al mejor Trabajo de Fin de Grado y Fin de Máster en inteligencia artificial, con el objetivo de dar visibilidad a los trabajos universitarios más destacados. Presentarán sus trabajos: 1º PREMIO TRABAJO FIN DE GRADO: Javier Jiménez Santana, Aprendizaje profundo para la emulación en tiempo real de equipamiento de guitarra eléctrica con Raspberry Pi 5. 1º PREMIO TRABAJO FIN DE MÁSTER: Alejandro Dopico-Castro, Efficient Single-Step Framework for Incremental Class Learning in Neural Networks.
EVIA 2025
UniOvi Genially
Created on April 11, 2025
Start designing with a free template
Discover more than 1500 professional designs like these:
View
Akihabara Agenda
View
Akihabara Content Repository
View
Internal Guidelines for Artificial Intelligence Use
View
Correct Concepts
View
Sorting Cards
View
Interactive Scoreboard
View
Semicircle Mind Map
Explore all templates
Transcript
PROGRAMA EVIA 2025
JUEVES 10/07
VIERNES 11/07
MIÉRCOLES 09/07
9:00 - 9:15
RECOGIDA DOCUMENTACIÓN
RECOGIDA DOCUMENTACIÓN
9:15 - 9:30
Acto de apertura
La Inteligencia Artificicial en la Torre de Babel
Towards explainability and fairness in recommender systems
Inteligencia Artificial Frugal: Cuando Menos es Más
9:30 - 10:30
Eneko Agirre
Luis Martínez
Bertha Guijarro Berdiñas
Introducción a la cuantificación: estimando prevalencias por clase mediante aprendizaje supervisado
Simplicidad en la resolución de problemas de robótica blanda
Planificación Automática con Heurísticas Modernas
10:30 - 11:30
Raquel Fuentetaja
Concepción Alicia Monje Micharet
Juan José del Coz
11:30 - 12:00
COFFEE BREAK
Aprendizaje federado de modelos no basados en redes neuronales
Minimización de errores avanzada: de la Lógica a la IA
AI and Data Science at idealista
12:00 - 13:00
12:00 - 13:00
12:00 - 13:00
Héctor René Suárez Suárez
José Antonio Gámez Martín
Pelayo Arbués
Learning with Noisy Labeling: Can we train a robust classifier from wrongly annotated data?
¿AI que regularla?
Quantum Machine Learning: retos y oportunidades
13:00 - 14:00
Elías F. Combarro
Petia Radeva
Ignasi Belda
14:00 - 14:15
Acto de clausura
COMIDA
14:15 - 15:00
COMIDA
Premios TFG y TFM
Concurso de tesis doctorales
15:00 - 16:00
Alberto Bugarín José Antonio Gámez Martín
Ulises Cortés
Taller 2 Recommender systems in theory and practice: tools and methodologies (EP-1.3.02)
Taller 1 Cuantificación: Estimación de Prevalencias por clase (EP-1.3.01)
16:00 - 17:00
Doctoral consortium
17:00 - 18:00
José Riquelme María José Del Jesus Díaz
Pablo González Olaya Pérez-Mon
Raciel Yera
18:00 - 19:30
Cena de Gala - Espicha asturiana Duración del evento: 20:30-23:00
Visita guiada por Gijón Duración del evento: 19:30-21:00
19:30 - 23:00
Raquel fuentetaja, UNIVERSIDAD CARLOS III DE MADRID
Raquel Fuentetaja es profesora titular en el Departamento de Informática de la Universidad Carlos III de Madrid (UC3M). Es licenciada en Informática por la UPM (2000) y doctora por la UC3M (2010). Desde 2004, forma parte del grupo de investigación "Planning and Learning Group" (https://plg.uc3m.es/). Ha participado en numerosos proyectos de investigación y publicado en conferencias internacionales como AAAI, IJCAI o ECAI, donde también integra comités científicos. Sus principales áreas de investigación son la planificación automática, el aprendizaje automático y la robótica social asistencial, destacando sus estudios recientes en heurísticas y rehabilitación pediátrica con robots sociales. La planificación automática es una rama esencial de la Inteligencia Artificial desde sus orígenes. Su objetivo principal es determinar las acciones que se deben ejecutar para resolver un problema utilizando algoritmos independientes del dominio, lo que permite que una misma técnica pueda aplicarse en contextos muy diversos como robótica, logística, videojuegos, etc. Se presentarán conceptos fundamentales y algunos avances recientes en el cálculo de heurísticas, que son cruciales para abordar problemas complejos. Se discutirá su papel en el contexto actual de la Inteligencia Artificial resaltando la importancia del razonamiento simbólico y explícito, que sigue siendo indispensable en muchas aplicaciones.
hÉCTOR RENÉ SUÁREZ SUÁREZ, INSTITUTO NACIONAL DE CIBERSEGURIDAD
En la actualidad Héctor R. Suárez es Big Data, Data Science & Artificial Inteligence Leader de INCIBE. Su formación es en los campos de Matemáticas y Estadística Aplicada, Ciberseguridad, Data Mining, Data Science, Big Data e Inteligencia Artificial. Desde 2004 trabaja en INCIBE, en distintos puestos relacionados con dichos campos, dentro de los Servicios Preventivos y Reactivos de INCIBE-CERT y Ciberseguridad de Sectores Estratégicos. Desde 2012 es Experto Evaluador de la Comisión Europea en proyectos de temáticas relacionadas con Ciberseguridad, Inteligencia Artificial, Big Data, Análisis y Ciencia de Datos. Partiendo de uno de los Principios Básicos de desarrollo e implementación de Sistemas Informáticos, Ciberseguridad e Inteligencia Artificial, "la minimización de errores", de manera muy didáctica se abordarán: (1) principios básicos y (2) métodos avanzados; que ayudan a la minimización de errores en Ciberseguridad, Análisis de Datos e Inteligencia Artificial. Partiendo de la Filosofía de la Ciencia, pasaremos a ver estos sistemas de minimización de errores, referencias en el Análisis de Datos e Inteligencia Artificial. Para finalizar: veremos estos sistemas en casos de uso de análisis de datos de ciberseguridad, así como en algoritmos de Inteligencia Artificial.
Acto de clausura, Escuela de verano de inteligencia artificial 2025
Fecha: 11/07/2025, a las 14h00 Ubicación: Salón de actos, Escuela Politécnica de Ingeniería de Gijón Dª Susana Luque Rodríguez, Vicerrectora de Transferencia y Relaciones con la Empresa de la Universidad de Oviedo D. Ignasi Belda Reig, Director de la Agencia Española de Supervisión de Inteligencia Artificial Dª Beatriz Remeseiro López, Presidenta del Comité organizador EVIA 2025
Luis Martínez, Universidad de Jáen
Luis Martínez López es catedrático de la Universidad de Jaén. Ha sido investigador principal en 19 proyectos de I+D, ha publicado más de 330 artículos en revistas JCR y ha realizado más de 300 contribuciones en conferencias internacionales y nacionales relacionadas con sus áreas de especialización. Sus intereses de investigación actuales incluyen el apoyo inteligente a la toma de decisiones, la inteligencia computacional y la IA confiable. Recibió el premio al mejor artículo de IEEE Transactions on fuzzy systems en 2008 y 2012. Es coeditor jefe de la revista International Journal of Computational Intelligence Systems. Obtuvo el IFSA fellow en 2021. Finalmente, ha sido nombrado investigador altamente citado en Informática por el WoS desde 2017 hasta la actualidad. Actualmente, muchas redes sociales usan sistemas automatizados, como los sistemas de recomendación para grupos (GRS), para gestionar contenidos y personalizar experiencias. Se prevé que este mercado alcance los 16.130 millones de dólares en 2026. Sin embargo, la falta de transparencia en estos sistemas plantea riesgos en áreas como la equidad laboral, el comercio justo o la exposición informativa. Para generar confianza, es clave que estos sistemas sean explicables y equitativos. Esta charla propone nuevas direcciones algorítmicas y herramientas para mejorar la equidad, explicabilidad y sinergia en GRS, promoviendo resultados justos y neutrales frente a características sociodemográficas.
Concepción Alicia Monje Micharet, Catedrática de la Universidad Carlos III de Madrid
Concha Monje es Profesora Catedrática de la Universidad Carlos III de Madrid (UC3M), donde dirige el Laboratorio de Robótica Blanda dentro del grupo de investigación RoboticsLab, pionero en el desarrollo y control de articulaciones robóticas blandas. Ha sido investigadora principal de numerosos proyectos competitivos y con empresa, cuenta con +160 publicaciones y +8100 citas, y ha dirigido numerosas tesis doctorales. Algunos reconocimientos relevantes son: Finalista Premio Talgo a la Excelencia Profesional de la Mujer en Ingeniería, Top 100 Mujeres Líderes en España, Premio Ada Byron a la Mujer Tecnóloga de la Universidad de Deusto, Premio de Excelencia a la Investigación de la UC3M. Esta charla introduce el concepto de robot blando y aborda el problema del diseño y control de este tipo de robots. Frente a diseños complejos que requieren el uso de técnicas basadas en Inteligencia Artificial para su modelado y control efectivo, se presenta un diseño de articulación robótica blanda versátil y simple, que permite el uso de técnicas analíticas para su modelado y control. Se introduce el concepto de controlador PID fraccionario, una versión generalizada del conocido controlador PID, y se demuestra cómo los órdenes de integración y derivación del mismo pueden otorgar al robot blando la robustez necesaria sin necesidad de recurrir a técnicas basadas en datos.
Concurso de Tesis Doctorales
Reconocimiento a las mejores tesis doctorales defendidas en el ámbito de la inteligencia artificial entre 2023 y 2024. Presentarán sus trabajos: 1º PREMIO TESIS DOCTORAL: Oscar Sainz Jiménez, Extracción de información con recursos limitados. Universidad del País Vasco 2º PREMIO TESIS DOCTORAL: Iris Domínguez-Catena, Demographic Bias in Machine Learning: Measuring Transference from Dataset Bias to Model Predictions. Universidad Pública de Navarra
Pelayo Arbués, Head of Data Science en idealista
Pelayo Arbués es Head of Data Science en idealista, donde lidera el equipo de Ciencia de Datos y desarrolla soluciones de IA para el mayor marketplace inmobiliario del sur de Europa. Anteriormente aplicó ciencia de datos en sectores como retail, banca y telecomunicaciones. Doctor en Economía, combina rigor técnico y visión estratégica para crear productos de datos con impacto real. Imparte clases en escuelas como IE School of Technology, Instituto Tramontana y The Valley, donde acerca la IA a profesionales de negocio y forma a perfiles técnicos. En esta sesión exploraremos cómo idealista aplica ciencia de datos e inteligencia artificial para mejorar productos existentes, optimizar procesos y crear nuevas líneas de negocio. Compartiremos casos reales como los modelos automáticos de valoración (AVMs), sistemas de recomendación y proyectos de computer vision, así como los retos técnicos y organizativos que conlleva poner IA en producción a escala. También hablaremos de cómo estructuramos nuestro equipo, colaboramos con producto y promovemos una cultura basada en evidencia para tomar mejores decisiones.
Jose Antonio gámez, catedrático de la Universidad de Castilla-La Mancha
José Antonio Gámez es C.U. en la Universidad de Castilla-La Mancha desde 2011, donde co-dirige el grupo de investigación en Sistemas Inteligentes y Minería de Datos. Sus principales líneas de investigación se centran en los modelos gráficos probabilísticos, el aprendizaje automático y la optimización metaheurística, y sus aplicaciones a problemas reales. En estas líneas de investigación ha dirigido 14 tesis doctorales, una docena de proyectos de investigación y otros tantos contratos de I+D. Su investigación se ha plasmado en más de 200 publicaciones entre revistas y congresos internacionales. Fue director durante dos años del Máster de Investigación en IA organizado por AEPIA. El aprendizaje federado es un paradigma emergente que permite el entrenamiento colaborativo de modelos sin compartir datos sensibles entre las partes implicadas. Esta charla introduce los fundamentos del aprendizaje federado y describe algunos de sus escenarios más habituales. El énfasis estará en ir más allá del paradigma habitual, redes neuronales, discutiendo posibilidades de aprendizaje federado para redes bayesianas, árboles de decisión y modelos de ensemble. Por último, se abordará el tema de la interpretabilidad y explicabilidad en el marco del aprendizaje federado.
Eneko agirre, Director del centro HiTZ, Universidad del País Vasco UPV/EHU
Eneko Agirre es Catedrático de Informática y director del centro HiTZ de Tecnología del Lenguaje en la Universidad del País Vasco (UPV/EHU). Ha sido investigador visitante en universidades de EE. UU. y Australia. Recibió el Premio Nacional de Investigación en Informática en 2021 y es miembro de Jakiunde y fellow de la ACL. Fue presidente de SIGLEX, editor en revistas como Computational Linguistics, y cofundador de la conferencia *SEM. Ha recibido premios de Google y reconocimientos a sus publicaciones y tesis dirigidas. Cuenta con más de 200 trabajos en procesamiento del lenguaje y ha ofrecido más de 20 charlas invitadas. Los modelos de IA generativa ya son multilingües, lo que plantea dudas sobre su rendimiento en distintos idiomas y culturas, especialmente en lenguas con pocos hablantes. En esta charla se abordan preguntas clave: ¿Se pueden crear LLMs eficaces para lenguas con pocos recursos? El equipo desarrolló un modelo avanzado para el euskera y una evaluación reproducible de extremo a extremo. ¿Piensan mejor en inglés que en el idioma local? Los resultados indican que los LLMs no aprovechan todo su potencial multilingüe fuera del inglés. También se estudió cómo manejan el conocimiento local, revelando que este puede transferirse entre lenguas. Este trabajo fue premiado en ACL 2024.
Juan José del Coz, Catedrático de la Universidad de Oviedo
Juan José del Coz Velasco es Catedrático de Ciencias de la Computación e Inteligencia Artificial de la Universidad de Oviedo. Lleva desarrollando su labor investigadora desde 1998 dentro del campo del Machine Learning, principalmente aprendizaje supervisado. Actualmente, su línea de investigación prioritaria es la cuantificación y ha dirigido 4 tesis doctorales sobre ella. Ha sido investigador principal de varios proyectos y ha publicado sus trabajos en revistas de prestigio como Journal of Machine Learning Research, IEEE Transactions on Neural Networks and Learning Systems, Information Fusion o Machine Learning, y en congresos de primer nivel como ICML, AAAI, IJCAI o Neurips. En la charla se dará una introducción a la cuantificación como problema de aprendizaje automático: en qué consiste exactamente, aplicaciones reales en las que surge, por qué no puede resolverse usando simplemente un clasificador, es decir, clasificando y contando individuos, asunciones de aprendizaje que hacen los métodos de cuantificación, y una somera descripción de los mejores algoritmos de cuantificación existentes en la actualidad. La ponencia se complementará con un taller donde se podrá ver cómo hay que trabajar en la práctica con este tipo de algoritmos y las particularidades necesarias para evaluar correctamente su precisión.
Taller 1 - Cuantificación: Estimación de Prevalencias por clase, Pablo Gónzalez y Olaya Pérez-Mon, Universidad de oviedo
Pablo González González es Profesor Ayudante Doctor en el Departamento de Informática de la Universidad de Oviedo, especializado en aprendizaje automático y la estimación de prevalencias en conjuntos de datos (cuantificación). Olaya Pérez Mon es Profesora Sustituta en el Departamento Ingeniería Eléctrica, Electrónica, de Comunicaciones y de Sistemas de la Universidad de Oviedo. Este taller ofrece una introducción práctica a la cuantificación, una técnica de aprendizaje automático orientada a estimar la prevalencia de clases en muestras de datos. A través de ejemplos prácticos, los participantes aprenderán a identificar escenarios donde la cuantificación supera al enfoque tradicional de clasificar y contar. Se utilizarán librerías especializadas como QuantificationLib, con el objetivo de dotar a los asistentes de herramientas prácticas para abordar problemas reales en diferentes areas donde conocer la distribución de clases es más relevante que clasificar instancias individuales.
Cena de gala – Espicha asturiana
Disfrutaremos de una auténtica espicha tradicional asturiana, con una selección de productos típicos de la gastronomía local en un ambiente informal y festivo. Ubicación: Tierra Astur Poniente (Gijón) Hora: 20:30
Acto de apertura, Escuela de verano de inteligencia artificial 2025
Fecha: 09/07/2025, a las 9h15 Ubicación: Salón de actos, Escuela Politécnica de Ingeniería de Gijón Dª Irene Díaz Rodríguez, Vicerrectora de Investigación de la Universidad de Oviedo D. Juan José Palacios Alonso, Subdirector de Ordenación Académica de la Escuela Politécnica de Ingeniería de Gijón Dª Beatriz Remeseiro López, Presidenta del Comité organizador EVIA 2025
Petia radeva, catedrática de la Universitat de barcelona
Prof. Petia Radeva es catedrática en la Universidad de Barcelona y lidera el grupo AIBA, especializado en inteligencia artificial y visión por computador aplicadas a la salud. Sus líneas de investigación incluyen aprendizaje profundo centrado en datos, aprendizaje continuo, multimodal y con etiquetas ruidosas, reconocimiento de alimentos y NeRF. Ha dirigido más de 50 proyectos nacionales e internacionales y fue gestora de investigación en la AEI (2019–2024). Es editora en jefe de Pattern Recognition y ha recibido numerosos premios, como la medalla Narcís Monturiol (2024). Con más de 400 publicaciones y un índice h de 58, figura entre el 2 % de científicas más influyentes del mundo. La creación de conjuntos de datos a gran escala anotados por humanos inevitablemente introduce etiquetas ruidosas, lo que provoca una reducción en la capacidad de generalización de los modelos de aprendizaje profundo. El aprendizaje basado en la selección de muestras con etiquetas ruidosas es un enfoque reciente que ha mostrado mejoras prometedoras en el rendimiento. La selección de muestras limpias entre las muestras ruidosas es un criterio importante en el proceso de aprendizaje de estos modelos. En esta charla, profundizaremos en la decisión de separar las muestras limpias de las ruidosas y destacaremos que una demarcación efectiva de las muestras conduce a un mejor rendimiento.
ignasi belda, Director general de la Agencia Española de Supervisión de Inteligencia Artificial (AESIA)
El Dr. Ignasi Belda es un profesional en gestión de empresas y organismos basados en inteligencia artificial y de base científica que ha recibido múltiples premios por sus actividades de gestión e innovación, incluido el Premio Príncipe de Girona 2014 y el premio Catalyst otorgado en 2020 por la Academia Americana de Medicina. Ha fundado seis compañías internacionales y durante dos años dirigió el Parc Científic de Barcelona. Paralelamente a estas actividades, Belda ha recibido formación en administración de empresas, finanzas, economía, contabilidad e impuestos (Universidad de Cambridge y Universidad Abierta de Cataluña) y tiene dos doctorados, uno en inteligencia artificial aplicada a las ciencias de la vida y otro en derecho de la ciencia y la tecnología. Actualmente es director general de la AESIA. Se explica la necesidad de establecer un marco regulatorio claro para la IA en Europa. Destaca cómo el Reglamento Europeo de IA clasifica las aplicaciones según su nivel de riesgo: inaceptable, alto, medio y bajo. También menciona iniciativas como los "sandbox" regulatorios y un buzón ciudadano para denunciar usos indebidos de la IA. AESIA será la autoridad encargada de supervisar el cumplimiento del RIA en España y podrá proponer sanciones desde 2025. La charla subrayará la importancia de garantizar la supervisión humana, la transparencia y la trazabilidad de los sistemas de IA además de la protección de derechos fundamentales.
Doctoral Consortium
Espacio de intercambio académico donde estudiantes de doctorado presentarán sus proyectos de tesis en curso con otros doctorandos e investigadores senior, fomentando el debate y la colaboración.
Elías F. Combarro, catedrático de la Universidad de Oviedo
Elías F. Combarro es catedrático en el Departamento de Informática de la Universidad de Oviedo. Su investigación se centra en la aplicación de técnicas de computación cuántica a problemas algebraicos, de optimización y de inteligencia artificial. Ha sido colaborador asociado en el CERN (2020 y 2022), profesor visitante en la Universidad de Harvard (2024), y representante de España en el Consejo Asesor de Tecnologías Cuánticas del CERN (2021-2024). Es autor de los libros A Practical Guide to Quantum Machine Learning and Quantum Optimization (Packt, 2023) y A Practical Guide to Quantum Computing (Packt, 2025). En los últimos años, la computación cuántica se ha consolidado como una disciplina emergente con el potencial de acelerar determinados cálculos más allá de las capacidades de los ordenadores clásicos. En esta charla, se analizarán las posibles aplicaciones de las tecnologías cuánticas en el ámbito de la inteligencia artificial, prestando especial atención al campo del aprendizaje automático. Los conceptos expuestos se ilustrarán mediante ejemplos de proyectos desarrollados en colaboración con instituciones de reconocido prestigio, como el CERN, la Universidad de Cambridge, ETH Zürich y EPFL (Lausanne, Suiza).
Visita guiada por gijón
Recorreremos el casco antiguo de Gijón, conocido como Cimavilla, el histórico barrio de cigarreras y pescadores, lleno de encanto y tradición. Punto de encuentro: Estatua de Pelayo, Plaza del Marqués (Gijón) Hora: 19:30
Bertha Guijarro Berdiñas, Universidade da Coruña
Doctora en Informática e investigadora del Laboratorio de I+D en IA (LIDIA) de la Universidade da Coruña, centra su labor en el desarrollo de sistemas basados en conocimiento, agentes inteligentes y, especialmente, en el área del aprendizaje automático. Su trabajo, realizado a través de más 25 proyectos y otros tantos contratos de I+D, la investigación básica para mejorar la precisión, escalabilidad y sostenibilidad de algoritmos de aprendizaje, así como aplicaciones en colaboración con empresas como INDRA, PRISA Digital o Navantia. En 2009 se integra como investigadora en el Centro en Investigación en TIC (CITIC) de la UDC, centro que codirigió hasta 2018. Actualmente, es Coordinadora del Grado en IA de la UDC. En la última década, el aprendizaje automático ha avanzado a gran escala gracias al crecimiento exponencial de los datos y la potencia computacional. Sin embargo, este progreso conlleva importantes retos, como el elevado consumo de recursos o la inaccesibilidad de los modelos más complejos en contextos con limitaciones económicas o técnicas (IoT, robótica, etc.). La Inteligencia Artificial Frugal plantea una alternativa: desarrollar modelos capaces de aprender y operar eficazmente con recursos limitados, ya sea referidos a datos, tiempo o capacidad computacional. Esta charla abordará los principios de la IA Frugal y explorará algunas de las estrategias como el aprendizaje con pocos ejemplos, el aprendizaje incremental, el federado o el positive-unlabeled learning.
Taller 2 - Recommender systems in theory and practice: tools and methodologies, Raciel Yera, universidad de jaén
Raciel Yera es actualmente Investigador Postdoctoral Marie Curie en la Universidad de Jaén. Previamente ha sido profesor en el Departamento de Ciencias Informáticas en la Universidad de Ciego de Ávila, Cuba (2012-2022), y posteriormente Investigador Postdoctoral María Zambrano (2022-2024). Es Doctor en Ciencias Técnicas desde 2016, siendo su principal área de investigación la personalización y los sistemas de recomendación. Ha presentado su trabajo en revistas y conferencias reconocidas, como Knowledge-Based Systems, Decision Support Systems, Applied Soft Computing, o la conferencia User Modeling, Adaptation, and Personalization (UMAP). El taller tiene como objetivo proveer a los investigadores noveles de herramientas y conocimiento imprescindibles en el área de los sistemas de recomendación. Se discutirán brevemente la recomendación basada en contenido y la recomendación basada en filtrado colaborativo, como paradigmas fundamentales. Se presentará la librería Surprise como herramienta básica para implementar estos paradigmas. Se discutirán los protocolos de evaluación más comunes, así como métricas enfocadas en la eficacia, la diversidad, y el cubrimiento. Se discutirá la implementación de técnicas para optimizar algunas de estas métricas, tales como la hibridización de métodos, o la corrección de ruido natural.
Premios TFG y TFM
Segunda edición del premio al mejor Trabajo de Fin de Grado y Fin de Máster en inteligencia artificial, con el objetivo de dar visibilidad a los trabajos universitarios más destacados. Presentarán sus trabajos: 1º PREMIO TRABAJO FIN DE GRADO: Javier Jiménez Santana, Aprendizaje profundo para la emulación en tiempo real de equipamiento de guitarra eléctrica con Raspberry Pi 5. 1º PREMIO TRABAJO FIN DE MÁSTER: Alejandro Dopico-Castro, Efficient Single-Step Framework for Incremental Class Learning in Neural Networks.