Mi nombre es Pablo Hernández Cámara, y soy estudiante de doctorado en la Universidad de Valencia, donde centro mi investigación interdisciplinar en la intersección entre la Neurociencia Computacional y la Inteligencia Artificial. Tras graduarme en Física y completar un Máster en Ciencia de Datos, decidí orientar mi carrera hacia entender cómo el cerebro procesa la información y cómo esos principios pueden inspirar avances en inteligencia artificial.
Desde que comencé mi doctorado, mi trabajo se ha enfocado en intentar comprender los mecanismos del cerebro humano y traducirlos en soluciones para mejorar los sistemas de inteligencia artificial. Esta línea de investigación tiene aplicaciones directas en áreas críticas como la conducción autónoma, donde es esencial procesar imágenes de manera robusta y eficiente. En particular, la robustez en los sistemas de conducción autónoma es crucial, es decir, deben ser capaces de funcionar correctamente en una variedad de condiciones ambientales. Un fallo en su capacidad de percepción puede tener consecuencias gravísimas, como accidentes de tráfico que ponen en peligro vidas humanas.
En 2023, publiqué el artículo “Neural Networks with Divisive Normalization for Image Segmentation” en la revista Pattern Recognition Letters. En este trabajo, una continuación de mi trabajo de Fin de Máster, mostramos cómo la incorporación de mecanismos de adaptación inspirados en la neurociencia, como la normalización divisiva, no solo mejora el rendimiento de las redes neuronales en la detección de objetos, señales de tráfico y personas en conducción autónoma, sino que también las hace significativamente más robustas, especialmente en condiciones climáticas adversas, como niebla o poca iluminación, que son escenarios críticos para la seguridad en la conducción autónoma. Nuestros resultados demuestran ganancias de hasta un 20% en la detección de objetos y personas en las imágenes donde la climatología es especialmente adversa como en el caso de niebla muy densa.
Actualmente tengo en revisión en la revista Neurocomputing el artículo “Why Divisive Normalization Works in Image Segmentation?”. Este trabajo profundiza en el impacto y las ventajas de la normalización divisiva, respondiendo a preguntas clave sobre cuándo y por qué este mecanismo es útil para mejorar y hacer más robustos los modelos de IA de conducción autónoma. Esto es especialmente relevante ya que la capacidad de comprender dónde y por qué los modelos pueden fallar es crucial para evitar situaciones peligrosas.
Mi interés por combinar neurociencia e inteligencia artificial surge de mi convicción de que muchas de las limitaciones actuales en aprendizaje profundo, como su gran número de parámetros que necesitan ser ajustados y su falta de adaptabilidad a nuevos entornos, pueden abordarse inspirándonos en cómo el cerebro resuelve estos problemas.
Además de mi trabajo de investigación, me apasiona compartir el conocimiento y he participado en talleres y charlas en distintas empresas donde explico cómo la ciencia básica puede inspirar soluciones a problemas tecnológicos complejos. También imparto clases en varios grados y másteres en la Universidad de Valencia donde intento compartir con mis alumnos mi interés por la ciencia y la Inteligencia Artificial.
