Talento Anáhuac destaca en congreso de IA aplicada a la ingeniería y tecnología

Alumnos de Ingeniería Mecatrónica recibieron el premio al Mejor Cartel, mientras que estudiantes de Ingeniería en Sistemas y Tecnologías de la Información publicaron un artículo en las memorias del congreso. 

En la edición más reciente del Congreso Estudiantil de Inteligencia Artificial Aplicada a la Ingeniería y Tecnología (CEIAAIT) organizado por la Facultad de Estudios Superiores Cuautitlán de la Universidad Nacional Autónoma de México (UNAM), dos equipos de la Facultad de Ingeniería representaron a la Universidad Anáhuac México con resultados sobresalientes.

Por un lado, los alumnos de Ingeniería Mecatrónica, Eunice García Trejo, en colaboración con Daniela Karina Gutiérrez Torres, Raymundo Sebastián Nava Vizcarra y Regina Daniela García García, recibieron el premio al Mejor Cartel con el proyecto titulado “Sistema clasificador de granos de café”, en el que aplicaron técnicas de procesamiento de imágenes y algoritmos de aprendizaje automático para identificar y clasificar los granos que cumplen con los criterios de calidad en una producción cafetalera, con un enfoque accesible y de bajo costo para pequeños productores.  

Cabe resaltar que este trabajo surgió como proyecto final de la materia de Sistemas de visión industrial impartida por la Dra. Elizabeth Guevara, y también fue primer lugar de la Semana de Ingeniería 2025, lo que demuestra que un proyecto de clase puede ir más allá del aula.

Además, Santiago Cosme Cervera, Sebastián Rodríguez Arellano y Luis Roberto Rocha Barrón, estudiantes de Ingeniería en Sistemas y Tecnologías de la Información, junto con su profesor, el Dr. José de Jesús Ángel Ángel, desarrollaron y presentaron el artículo “¿Qué tan vulnerable es la regresión lineal ante los datos del mundo real?” publicado en las memorias del congreso.

En este trabajo exploraron la robustez de la regresión lineal ante datos del mundo real, evaluando cómo este modelo de aprendizaje automático clásico se comporta en los supuestos tradicionales como en escenarios donde existen cambios en los datos, como dataset shift y concept drift. Para ello, realizaron experimentos con datos reales y conjuntos sintéticos con el fin de comparar su desempeño en distintas condiciones, utilizando herramientas como Python, NumPy, Pandas y scikit-learn, y aplicando conceptos de matemáticas y estadística.

Estos logros reflejan el tipo de experiencias que buscamos fortalecer en el Nodo de Inteligencia Artificial: proyectos aplicativos, investigación y divulgación académica, con el objetivo de seguir impulsando iniciativas que resuelvan retos reales.