Conferencia BISFAI sobre IA

Ayer se inauguró la conferencia BISFAI de dos días, coordinada y organizada por el Dr. Reot Mirsky y el Dr. Alex Schleipman.
A la conferencia asisten más de 100 investigadores de todas las universidades de Israel. La conferencia se lleva a cabo una vez cada dos años en Bar Ilan y es una oportunidad para que los investigadores de inteligencia artificial de todo el país se pongan al día con la investigación de varios laboratorios.
Además, 3 oradores invitados se presentaron en la conferencia de ayer: Gal Chechik de Ciencias de la Computación en Bar Ilan, el Prof. Michal Feldman de la Universidad de Tel Aviv y Yuval Shahar de Ingeniería de Software y Sistemas de Información en Ben Gurion.
Estos son algunos de los temas de las conferencias en la conferencia y fotos de la exhibición de carteles:

Hablar de imágenes: Aprende a razonar sobre el mundo percibido
AI tiene como objetivo construir sistemas que puedan interactuar con su entorno, con personas y con otros agentes en el mundo real. Esta visión plantea desafíos algorítmicos difíciles para el aprendizaje. Dichos sistemas a menudo deben aprender a generalizar de manera efectiva a partir de unas pocas muestras, comunicar su comprensión de manera natural para las personas y «usar el sentido común» para tener en cuenta el contexto invisible de una imagen. Discutiré varios impulsos de investigación para enfrentar estos desafíos, desde el procesamiento de gráficos de escena, pasando por el aprendizaje por eliminación hasta la personalización de modelos generativos de IA.

Yuval Shahar (BGU)
Reduciendo el Ruido en la Atención Médica a Través de la Integración de la Ciencia de Datos y el Razonamiento Simbólico
La atención médica moderna ha dado varios pasos de gigante en el último siglo. Sin embargo, además del conocimiento insuficiente sobre múltiples trastornos, la atención médica también sufre de ruido significativo (varianza injustificable entre proveedores e intraproveedor), varios tipos de sesgos cognitivos y limitaciones debido a la racionalidad humana limitada con respecto a la capacidad de acceder y procesar datos de pacientes longitudinales y multivariados, la capacidad de recuperar el conocimiento sensible al contexto más relevante para procesarlo y la capacidad de calcular correctamente la estrategia óptima para cada paciente. Estas deficiencias existen incluso en dominios en los que existe un conocimiento suficiente sobre las directrices de mejores prácticas.
En el núcleo de la atención médica se encuentran varias tareas fundamentales, como el monitoreo, la interpretación y el análisis sensibles al contexto de grandes cantidades de datos clínicos con marca de tiempo, provenientes de múltiples fuentes, y la aplicación de conocimientos de procedimientos basados ​​en evidencia apropiados para manejar al paciente. según sea necesario, teniendo en cuenta también sus características personales y referencias.
Los ejemplos en los que las tareas fundamentales son cruciales incluyen el manejo de pacientes crónicos utilizando guías clínicas basadas en evidencia, la evaluación retrospectiva de la calidad de la aplicación de dicha guía y el aprendizaje de nuevos conocimientos a partir del análisis de datos clínicos multivariados y orientados al tiempo. , que admite tareas como la agrupación en clústeres, la clasificación y la predicción.
La provisión de soporte automatizado para la gestión adecuada de los pacientes requiere la integración de un análisis basado en datos de un gran número de datos longitudinales multivariados de pacientes, con la aplicación de conocimientos médicos declarativos y de procedimientos, al mismo tiempo que se tienen en cuenta los contextos y las preferencias personales de los pacientes.
La charla describe varias arquitecturas conceptuales y computacionales desarrolladas por mis equipos de investigación en las universidades de Stanford y Ben Gurion, para el desempeño de estas tareas, así como varias evaluaciones rigurosas de estas arquitecturas en los EE. UU., Europa e Israel, para demostrar cómo la cantidad de Se pueden reducir varios tipos de ruido inherentes a la atención médica.

Sesión: ML y aplicaciones

  • Dibújame una flor: procesamiento y fundamentación de la abstracción en el lenguaje natural / Royi Lachmy, Valentina Pyatkin, Avshalom Manevich, Reut Tsarfaty
  • Análisis QASem: modelado de texto a texto de semántica basada en control de calidad / Ayal Klein, Eran Hirsch, Ron Eliav
  • Búsqueda de correferencia de eventos entre documentos: tarea, conjunto de datos y modelado / Alon Eirew, Avi Caciularu, Ido Dagan
  • ¿Qué impulsa el rendimiento en los modelos de aprendizaje automático para predecir el resultado de la insuficiencia cardíaca? / Rom Gutman, Doron Aronson, Oren Caspi, Uri Shalit
  • Bounded Future MS-TCN++ para reconocimiento de gestos quirúrgicos / Adam Goldbraikh, Netanell Avisdris, Carla M. Pugh, Shlomi Laufer
  • Incorporación de secuencias de intervalos de tiempo en TV lineal para la predicción del siguiente elemento / Veronika Bogina, Yuri Variat, Tsvi Kuflik, Eyal Dim

Sesión: HCI y HAI

  • Cuéntame algo interesante: utilidad clínica de los modelos de predicción de aprendizaje automático en la UCI / Bar Eini-Porat, Ofra Amir, Danny Eytan, Uri Shalit
  • Consideración de aspectos temporales en los sistemas de recomendación: una encuesta / Veronika Bogina, Tsvi Kuflik, Dietmar Jannach, Maria Bielikova, Michal Kompan, Christoph Trattner
  • Mejora de la percepción de equidad: hacia la IA centrada en el ser humano y explicaciones personalizadas. Comprensión de los factores que influyen en las percepciones de equidad de los legos en las decisiones algorítmicas / Avital Shulner-Tal, Tsvi Kuflik, Doron Kliger
  • «No lo creo»: resumen de los desacuerdos de políticas para la comparación de agentes / Yotam Amitai, Ofra Amir
  • Una teoría de la (des)información de las preferencias reveladas y no reveladas / Nitay Alon, Lion Schulz, Jeffrey S. Rosenschein, Peter Dayan

Más información