En un contexto empresarial, sanitario, financiero y gubernamental cada vez más impulsado por la tecnología, el aprendizaje automático (Machine Learning) y, en particular, el aprendizaje profundo (Deep Learning), han dejado de ser herramientas de nicho para convertirse en pilares fundamentales de la transformación digital. Sin embargo, esta progresiva penetración genera una paradoja: si bien los modelos de IA moderna alcanzan niveles sin precedentes de precisión, también tienden a funcionar como “cajas negras“, cuyas decisiones escasean de transparencia.
Ante esta realidad, se hace imperativa la necesidad de entender, explicar y justificar las decisiones automatizadas, tanto desde una óptica ética como regulatoria. Es en este marco donde cobra relevancia el enfoque de la Inteligencia Artificial Explicable (XAI), que apuesta por desarrollar sistemas de IA más comprensibles, rastreables y confiables.
En esta presentación, Christian Oliva Moya evisa las técnicas de explicabilidad e interpretabilidad de las redes neuronales en el contexto de la inteligencia artificial explicable (XAI) y presenta las principales aportaciones de la tesis a la interpretabilidad del DL, como el coeficiente de explicabilidad-rendimiento o una metodología para dotar de interpretabilidad global a las redes neuronales recurrentes.
Ponente:
Christian Oliva Moya graduado en Ingeniería Informática y doctorando en Ingeniería Informática y Telecomunicaciones en la Universidad Autónoma de Madrid, especializado en la XAI y la interpretabilidad de las redes neuronales profundas.
Fecha y lugar:
29 de septiembre de 2025
Entrada libre hasta llenar aforo
Aula 3 de ITEFI
