Sucar Succar, Luis Enrique
esucar@inaoep.mx
El Dr. Sucar es Ingeniero en Electrónica y Comunicaciones del ITESM (1980); maestría en Ingeniería Eléctrica de la Universidad de Stanford, EUA (1982) y doctorado en Computación por el Imperial Collage y Universidad de British Columbia, Canadá. Actualmente es Investigador Titular en el Instituto Nacional de Astrofísica, Óptica y Electrónica de Puebla.
El Dr. Sucar ha sido investigador en el Instituto de Investigaciones Eléctricas y Profesor en el ITESM-Cuernavaca. Cuenta con más de 100 publicaciones, destacando reconocimientos como mejores artículos en IEA/AIE’95 e Iberamia’02. Ha dirigido 9 tesis doctorales, 30 de maestría y 2 de licenciatura.
Desde 1984 es miembro del Sistema Nacional de Investigadores, actualmente Nivel II. Ha sido Presidente de la Sociedad Mexicana de Inteligencia Artificial y miembro del Comité Asesor del “International Joint Conference in Artificial Intelligence” (IJCAI) y es Editor Asociado de las Revistas “Computación y Sistemas” “Iberoamericana de Inteligencia Artificial”. Ha sido miembro del Comité de Programa de IJCAI, UAI, MICAI, entre otros. Su investigación se centra en inteligencia artificial, en particular en el desarrollo de modelos gráficos probabilistas y su aplicación en el reconocimiento de imágenes, robótica móvil y sistemas tutores inteligentes.
Los humanos tenemos capacidades que aún las máquinas no logran emular. Por ejemplo, podemos interpretar imágenes y reconocer una gran cantidad de objetos en diferentes condiciones y contextos. Somos capaces de tomar decisiones generalmente buenas en situaciones en que la información es escasa e incierta; por ejemplo, cuando un médico receta a un paciente en base a una descripción ambigüa de sus síntomas. Podemos fácilmente ubicarnos en un ambiente desconocido y llegar al lugar que deseamos. En todos estos casos, interpretamos información, construimos modelos mentales y tomamos decisiones bajo incertidumbre.
Su investigación se centra en tratar de entender y modelar esas capacidades mentales que nos permiten razonar y tomar decisiones bajo incertidumbre y en base a esto desarrollar sistemas inteligentes en base a programas de software. Para ello, me baso en el paradigma bayesiano, bajo el cual, combinamos nuestro conocimiento previo (o probabilidad a priori) con la evidencia que obtenemos del mundo a través de sensores. Cuando el problema es muy complejo, el paradigma bayesiano puede llevarnos a modelos muy complicados, que son difíciles de almacenar y resolver en una computadora. Para enfrentar el problema de complejidad, utilizo “modelos gráficos probabilistas”, que básicamente permiten descomponer un problema grande en muchos pequeños, en base a las independencias entre los factores relevantes. Combinando el paradigma bayesiano con modelos gráficos podemos resolver computacionalmente problemas complejos con incertidumbre.
Este paradigma lo he llevado a diversas aplicaciones, principalmente en interpretación de imágenes, diagnóstico médico e industrial, robótica y sistemas educativos. Por ejemplo, desarrollamos un sistema que ayuda a un médico endoscopista basado en interpretar las imágenes del tubo digestivo. Hemos trabajado en sistemas para validar sensores y diagnosticar fallas en centrales eléctricas. Desarrollamos sistemas que en base al análisis de imágenes pueden reconocer los movimientos que hace una persona con sus manos, esto lo estamos aplicando para comandar robots y para ayuda en la rehabilitación de pacientes. Hemos desarrollado programas que le permiten a un robot construir un mapa de su entorno y en base a esto localizarse y navegar al lugar deseado. También trabajamos en el desarrollo de sistemas tutores inteligentes, que permiten dar ayuda personalizada a estudiantes mediante la computadora así como laboratorios virtuales para poder hacer experimentos en ambientes simulados o remotos a través de Internet.
Inteligencia Artificial
