Inteligencia artificial.
Un diálogo sobre oportunidades y desafíos para la sociedad española
Bajo la dirección académica de Senén Barro y Ofelia Tejerina
Fundación FIDE (https://thinkfide.com/)

https://thinkfide.com/wp-content/uploads/2025/03/IA-Un-dialogo-sobre-oportunidades-y-desafios-para-la-sociedad-espanola-Foro-de-Debate-AI-Connect-Fide-Google.pdf

Este documento recoge las conclusiones alcanzadas por los expertos externos que participaron en las sesiones de debate celebradas dentro del Foro AI Connect, iniciativa organizada por Google y FIDE con el objetivo de facilitar un diálogo abierto en torno a la IA.
Dirigido por Senén Barro Ameneiro, Director del CiTIUS-Centro Singular de Investigación en Tecnologías Inteligentes de la Universidad de Santiago de Compostela, y Ofelia Tejerina Rodríguez, Presidenta de la Asociación de Internautas, en este foro se han abordado cuestiones fundamentales para la sociedad como son el futuro del trabajo, la democracia, la ciencia, la salud, la ciberseguridad y el medioambiente.

IA en las universidades: ¿un paso más en la automatización o una transformación?
Faraón Llorens

Jornada Interuniversitaria de IA en la Administración Universitaria
https://ice.ua.es/es/formacion/2024/jornada-interuniversitaria-ia/jornada-info.html

Grabación de la jornada:
Parte 1. Presentación y ponencias de Faraón Llorens y Rubén Martínez.
https://vertice.cpd.ua.es/301241

Self explainable graph convolutional recurrent network for spatio-temporal forecasting
Javier García-Sigüenza, Manuel Curado, Faraón Llorens-Largo & José F. Vicent
Machine Learning
Volume 114, article 2 (2025)
doi: doi.org/10.1007/s10994-024-06725-6
Published 14 January 2025
https://link.springer.com/article/10.1007/s10994-024-06725-6

Abstract
Artificial intelligence (AI) is transforming industries and decision-making processes, but concerns about transparency and fairness have increased. Explainable artificial intelligence (XAI) is crucial to address these concerns, providing transparency in AI decision making, alleviating the effect of biases and fostering trust. However, the application of XAI in conjunction with problems with spatio-temporal components represents a challenge due to the small number of options, which when implemented penalize performance in exchange for the explainability obtained. This paper proposes self explainable graph convolutional recurrent network (SEGCRN), a model that seeks to integrate explainability into the architecture itself, seeking to increase the ability to infer the relationship and dependence between the different nodes, proposing an alternative to explainability techniques, which are applied as a second layer. The proposed model has been able to show in different data sets the ability to reduce the amount of information needed to make a prediction, while reducing the impact on the prediction caused by applying an explainability technique, having managed to reduce the use of information without loss of accuracy. Thus, SEGCRN is proposed as a gray box, which allows a better understanding of its behavior than black box models, having validated the model with traffic data, combining both spatial and temporal components, achieving promising results.

Keywords: Graph neural networks, Deep learning, Data analysis, Explainability, Spatio-temporal forecasting

Se ha publicado el 3º Informe del Observatorio de Inteligencia Artificial en Educación Superior de la Universidad Europea.

Web del observatorio: https://universidadeuropea.com/conocenos/observatorio-inteligencia-artificial-educacion-superior

Informe OIAES#3 (8 enero 2025).
El impacto de la IA en planes de estudio y resultados de aprendizaje; competencias y contenidos de las asignaturas actuales y/o futuras
(pdf)