Join the Meetup to hear talks in Spanish from experts on cutting-edge topics across AI, ML, and computer vision.

La inteligencia artificial (IA) se ha consolidado como una herramienta clave para afrontar algunos de los mayores desafíos en la agricultura actual, desde la optimización del uso de insumos hasta el monitoreo preciso de cultivos y la predicción de rendimientos. En este seminario se presentarán varios casos prácticos reales en los que la IA ha demostrado su potencial para mejorar la eficiencia, sostenibilidad y rentabilidad en distintas etapas de la producción agrícola. Sin embargo, a pesar de sus beneficios, la adopción de estas tecnologías en el sector sigue siendo limitada. Factores como la falta de relevo generacional, el envejecimiento de la población agraria, la baja digitalización en el medio rural y la percepción de complejidad o desconfianza hacia las herramientas digitales suponen importantes barreras. Esta charla, se aborda éxitos y obstáculos actuales, destacando la importancia de diseñar soluciones accesibles, acompañadas de formación y apoyo técnico, que se ajusten a la realidad de un sector tradicional en proceso de transformación.

José Blasco es doctor en Informática por la Universitat Politècnica de
València (2001) y desarrolla su actividad investigadora en el
Instituto Valenciano de Investigaciones Agrarias (IVIA) desde 1996. Ha
sido responsable del Área de Visión Artificial y Espectroscopia,
coordinador del Centro de Agroingeniería y director del IVIA. Su línea
de investigación se centra en el desarrollo, adaptación y aplicación
de tecnologías electrónicas e informáticas para la inspección
automática en campo y poscosecha, la agricultura de precisión y el
manejo de datos agronómicos.

¿Te imaginas poder buscar un objeto dentro de una imagen de la misma forma que lo harías en Google Images o Bing? En esta charla veremos paso a paso cómo diseñar e implementar un sistema de búsqueda visual desde cero utilizando redes neuronales y Python.

Carlos Bustillo es un ingeniero en inteligencia artificial con más de seis años de experiencia en Machine Learning, Computer Vision y Data Science. Ha trabajado en proyectos de alto impacto en sectores como fintech, banca, retail, ciberseguridad y hasta en la industria nuclear, colaborando con empresas en América Latina, Europa y Estados Unidos.

En su trayectoria, ha explorado desde computación cuántica hasta el desarrollo de aplicaciones con inteligencia artificial que impactan a más de 350 millones de usuarios en todo el mundo. Le apasiona resolver problemas complejos con tecnología, ya sea optimizando modelos de IA, creando soluciones con Graph Neural Networks (GNN) o desplegando sistemas escalables con MLOps.

Convencido de que el conocimiento se potencia cuando se comparte, Carlos es un miembro activo de comunidades de Open Source, Software Libre y Python en América Latina. Como instructor en Platzi, disfruta ayudar a más personas a descubrir el poder de la inteligencia artificial y su aplicación en el mundo real.

¿Tus VLMs realmente ven el peligro? Con FiftyOne te muestro cómo entender y evaluar modelos visión-lenguaje para conducción autónoma, haciendo visible el riesgo y el sesgo en segundos. Compararemos modelos en las mismas escenas, revelaremos fallos y edge cases, y verás un dashboard simple para decidir qué datos curar y qué ajustar. Te llevas un método claro, práctico y replicable para subir el listón de seguridad.

Aqui puedes acceder a los tres modelos, fast vlm, qwen y gemini:

Adonai Vera - Machine Learning Engineer & DevRel @ Voxel51. Con más de 7 años construyendo modelos de visión por computador y ML con TensorFlow, Docker y OpenCV. Empecé como dev de software, pasé a IA, lideré equipos y fui CTO. Hoy conecto código y comunidad para crear IA abierta y lista para producción, con el propósito de hacer tecnología simple, accesible y confiable.

This talk explores the transformative potential of modulo imaging for achieving unlimited dynamic range capture, fundamentally reimagining how we approach high dynamic range photography beyond traditional sensor limitations. By introducing cyclical intensity wrapping through the modulo operator, we unlock new opportunities for computational imaging that transcends conventional well-capacity constraints.

The modulo imaging paradigm presents fascinating new challenges in distinguishing authentic scene structure from artificial wrap discontinuities, a problem that pushes the boundaries of classical phase unwrapping into unexplored territory. Deep learning has emerged as a natural solution, providing advanced pattern-recognition capabilities to resolve ambiguities that traditional optimization methods cannot effectively address.

We present complementary approaches leveraging unrolled optimization networks and feature lifting strategies that teach neural architectures to handle wrapped measurements effectiveness. The introduction of scaling equivariance principles enables robust adaptation across varying exposure conditions, while physics-informed input representations guide networks toward meaningful reconstructions.

This work addresses fundamental questions about unlimited sampling theory in practical imaging systems, revealing how modulo measurements can codify arbitrarily bright scenes within finite bit depths. The implications extend beyond photography into autonomous systems, scientific imaging, and any application demanding extreme dynamic range. These advances establish computational modulo imaging as a viable pathway toward truly unlimited dynamic range capture, opening new frontiers in computational photography.

Brayan Monroy (Student Member, IEEE) received the B.S. and M.Sc. degree in systems engineering in 2022 and 2024, respectively, from the Universidad Industrial de Santander, Bucaramanga, Colombia, where he is currently working toward a Ph.D. in Computer Science. His work includes developing methodologies for self-supervised learning beyond Gaussian noise assumptions, exploring re-corruption strategies, and contributing to HDR image reconstruction through supervised and semi-supervised learning strategies from modulo measurements, including optimization-based algorithms, with applications in autonomous driving scenarios. His research interests include computational imaging, self-supervised learning, and imaging inverse problems.