Laboratorio de Inteligencia Artificial Aplicada
Sobre el grupo
El Laboratorio de Inteligencia Artificial Aplicada (LIAA) es una unidad de investigación del ICC-CONICET y el Departamento de Computación de la UBA, fundada en 2011. Realiza investigación aplicada en Inteligencia Artificial, Neurociencia y Visión Computacional, con foco en trasladar ideas del laboratorio al mundo real con impacto en tres sectores clave: salud, justicia e industria.
El LIAA combina experiencia de dominio con métodos de aprendizaje automático modernos, y promueve buenas prácticas de evaluación rigurosa, calibración, interpretabilidad y equidad. Mantiene una vinculación activa con la comunidad (Olimpíada Argentina de Inteligencia Artificial), capacitaciones especializadas, y desarrollo de productos a medida para organizaciones públicas y privadas.
El laboratorio se organiza en cinco líneas: fundamentos de machine learning, neurociencia computacional, procesamiento de habla y audio, procesamiento de lenguaje natural y visión computacional. En 2026 celebró sus 15 años con un crecimiento significativo en publicaciones de alto impacto en venues como ICLR, ICML, MIDL, WACV y revistas indexadas como NeuroImage e IEEE Transactions on Medical Imaging.
Líneas de investigación (5)
Fundamentos de Machine Learning
Estudio teórico y metodológico de los principios subyacentes al aprendizaje automático: generalización y robustez, evaluación y calibración de modelos, sesgos y equidad, aprendizaje de representaciones, y adaptación de dominio.
Neurociencia
Estudio de cognición humana y mecanismos cerebrales combinando neurociencia clásica con herramientas modernas de IA. Cubre cognición a gran escala, procesamiento de lenguaje y habla, análisis de señales neurofisiológicas (EEG, eye-tracking), comportamiento en entornos naturales y control cognitivo en niños asociado al nivel socioeconómico.
Procesamiento de habla y audio
Sistemas que interpretan información acústica y lingüística compleja. Líneas: detección temprana de deterioro cognitivo a partir del habla, interacción humano-asistente virtual, aprendizaje de representaciones por self-supervised, patologías de la voz, coordinación en diálogos.
Procesamiento de Lenguaje Natural
Cuatro sub-líneas: (1) análisis de procesos lingüísticos en LLMs comparados con la neurolingüística humana; (2) seguridad de IA e interpretabilidad mecanicista (alucinaciones, control conductual); (3) mejora de modelos mediante información cognitiva (eye-tracking); (4) sesgos y evaluación en LLMs, en particular para español y lenguas subrepresentadas.
Visión Computacional
Modelos de deep learning para imágenes médicas (rayos X, TC, MRI): clasificación, segmentación, registración y detección. Subtemas: modelado de incertidumbre, sesgos y equidad demográfica, robustez out-of-distribution, datasets y benchmarks abiertos, modelos multimodales visión-texto en aplicaciones clínicas.
Proyectos (5)
-
Desarrollo de productos y servicios a medida.
-
IA para detección temprana de Alzheimer (con UNNE)
Proyecto colaborativo con la UNNE para el desarrollo de marcadores de IA para diagnóstico temprano de Alzheimer.
-
Capacitaciones y desarrollo a medida.
-
Iniciativa de vinculación y formación temprana en IA para estudiantes secundarios.
-
Modelos predictivos aplicados a entornos clínicos.
Publicaciones destacadas (9)
-
CheXmask-U: Quantifying uncertainty in landmark-based anatomical segmentation for X-ray imagesCosarinsky, Gaggion, Echeveste, FerranteMIDL 2026 (2026)
-
ChronoRoot 2.0: An open AI-powered platform for 2D temporal plant phenotypingGaggion, Boccardo, Bonazzola et al.GigaScience (2026)
-
ConfIC-RCA: Statistically Grounded Efficient Estimation of Segmentation QualityCosarinsky, Billot, Mansilla, Jimenez, Gaggion, Fu, Tirer, FerranteIEEE Transactions on Medical Imaging (2026)
-
Hirsch, Elichiry, Radi, Quiroga, Restrepo, Benotti, Xhardez, Dunstan, FerrantearXiv:2602.13253 (2026)
-
Inference-Time Toxicity Mitigation in Protein Language Models via Logit-Diff AmplificationBurda, Aranguri, Arcuschin, FerranteICLR 2026 Workshop GEM (2026)
-
Kaleidoscope: In-language Exams for Massively Multilingual Vision EvaluationSalazar, Fernandez Burda, Islam et al.ICLR 2026 (2026)
-
Restrepo, Martins, Wu, Nakayama, Lopez, Christodoulidis, Vakalopoulou, FerrantearXiv:2603.17246 (2026)
-
PVeRA: Probabilistic Vector-Based Random Matrix AdaptationFillioux, Ferrante, Cournede, Vakalopoulou, ChristodoulidisWACV 2026 (2026)
-
Semantic memory navigation in mild cognitive impairmentG. Pérez, L. Ferrer, et al.NeuroImage (2026)
