Dr. Luis Enrique Sucar Succar

RESUMEN

Los humanos aprendemos información causal del mundo y la utilizamos para la toma de decisiones. Los robots también deberían poder aprender relaciones causa-efecto y utilizarlas para  razonar y tomar decisiones.
Esto les permitirá, por un lado, aprender más rápidamente, y, por otro, poder extrapolar lo que aprendan a otras tareas similares.
En esta plática voy a dar una introducción a modelos causales, en particular a las redes bayesianas causales, incluyendo su representación, inferencia y aprendizaje. Presentaré nuestro trabajo en el uso de modelos causales en robótica, en el cual demostramos que si un robot cuenta con cierto modelo causal del dominio, se puede acelerar el proceso de aprender a realizar cierta tarea en comparación con aprendizaje por refuerzo (RL) tradicional.
Ilustraré esto en el aprendizaje de tareas de manipulación con RL profundo.
Además, describiré nuestro trabajo reciente en aprender al mismo tiempo el modelo causal y una política óptima.

BIOGRAFÍA

Nació en Raleigh, Estados Unidos, el 17 de mayo de 1957. Estudió Ingeniería Electrónica y Comunicaciones en el ITESM Campus Monterrey; obtuvo la maestría en Ingeniería Eléctrica por la Universidad de Stanford, California, y el doctorado en Computación por el Imperial College de Londres. Ha realizado estancias de investigación en el Imperial College, en la Universidad de British Columbia, Canadá, en el INRIA, Francia, y en CREATE-NET, Italia. Tiene experiencia como investigador y profesor en el Instituto de Investigaciones Eléctricas, el Tecnológico de Monterrey y actualmente trabaja en la Coordinación de Ciencias Computacionales del Instituto Nacional de Astrofísica, Óptica y Electrónica de Puebla.

Es miembro del Sistema Nacional de Investigadores, de la Academia Mexicana de Ciencias, de la Academia de Ingeniería, Miembro Fundador de la Academia Mexicana de Computación y Senior Member IEEE. En 2014 recibió el Premio TECNOS 2014 por el desarrollo del sistema Gesture Therapy para la rehabilitación de pacientes con embolia cerebral y en 2016 el Premio Nacional de Ciencias en el área de Tecnología, Innovación y Diseño. Ha sido presidente de la Sociedad Mexicana de Inteligencia Artificial, de la Federación Mexicana de Robótica y de la Academia Mexicana de Computación; es Senior Member de la IEEE, Editor Asociado de las Revistas “Computación y Sistemas”, “Pattern Recognition” y “Computational Intelligence”.

Su investigación se centra en tratar de entender y modelar las capacidades mentales que nos permiten razonar y tomar decisiones bajo incertidumbre y con base en eso, desarrollar sistemas inteligentes basados en programas de software. Para ello, se ha basado en el paradigma bayesiano, bajo el cual, se combina el conocimiento previo con la evidencia que se obtiene del mundo a través de sensores. Cuando el problema es muy complejo, el paradigma bayesiano puede llevar a modelos muy complicados, que son difíciles de almacenar y resolver en una computadora. Para enfrentar el problema de complejidad, el Dr. Sucar utiliza “modelos gráficos probabilistas”, que básicamente permiten descomponer un problema grande en muchos pequeños, basados en las independencias entre los factores relevantes. Combinando el paradigma bayesiano con modelos gráficos se pueden resolver computacionalmente problemas complejos con incertidumbre.

En el ámbito de desarrollo tecnológico ha participado en diversos proyectos en aplicaciones médicas e industriales, incluyendo el desarrollo de un sistema de rehabilitación virtual, tecnología para diagnóstico y ayuda de operadores de plantas eléctricas, proyectos para predicción de viento en parques eólicos, entre otros; cuenta con 8 patentes en México y el extranjero.

Tiene más de 300 publicaciones en revistas, libros y conferencias y ha dirigido más de 80 tesis de licenciatura, maestría y doctorado. Su investigación se centra en inteligencia artificial, principalmente en el desarrollo de modelos gráficos probabilistas y su aplicación en visión computacional, robótica, energía, y biomedicina.

Premio Nacional de Ciencias 2016