Mi experiencia en Khipu 2025: Inteligencia Artificial desde una perspectiva latinoamericana
1 Una experiencia transformadora
Este marzo tuve el privilegio de asistir a la Khipu 2025, el encuentro latinoamericano de Inteligencia Artificial más importante de nuestra región. Fueron días intensos de aprendizaje, networking y, sobre todo, de reafirmar que Latinoamérica tiene mucho que aportar al mundo de la IA.
Khipu es más que una conferencia: es un movimiento que busca fortalecer la comunidad de machine learning e IA en Latinoamérica, ofreciendo formación en temas avanzados y creando oportunidades de colaboración entre investigadores de la región y la comunidad internacional.
2 Los talleres que marcaron mi experiencia
Durante el evento, participé en dos talleres prácticos que me dieron perspectivas únicas sobre cómo abordar la IA desde nuestra realidad latinoamericana.
2.1 🌍 Evaluación Socio-Cultural de la IA
Uno de los talleres más reveladores fue el de Socio-Cultural Evaluation of AI. Este taller me abrió los ojos sobre algo fundamental: los sistemas de IA no son neutrales, reflejan y amplifican los sesgos culturales presentes en sus datos de entrenamiento.
2.1.1 Lo que aprendí
Durante el taller:
Analizamos sesgos en modelos de lenguaje: Descubrimos cómo los LLMs pueden perpetuar estereotipos sobre nuestras culturas latinoamericanas.
Exploramos benchmarks culturalmente situados: Trabajamos con herramientas como SeeGULL y HESEIA, diseñadas específicamente para evaluar sesgos desde diferentes perspectivas culturales.
Experimentamos como anotadores: Una actividad particularmente impactante fue ponernos en el rol de crowdworkers para entender cómo las decisiones de anotación moldean los resultados de la IA.
Lo más valioso fue entender que necesitamos desarrollar nuestras propias métricas y benchmarks que reflejen la diversidad cultural latinoamericana, no simplemente importar estándares del norte global.
2.2 🛰️ Machine Learning Geoespacial
El segundo taller, Geospatial Machine Learning, fue una inmersión práctica en el uso de ML para resolver problemas reales de nuestra región.
2.2.1 El desafío: Mapear la agricultura chilena
El objetivo era clasificar tipos de cultivos a nivel de granja en Chile usando imágenes satelitales Sentinel-2. Este tipo de aplicaciones son cruciales para:
- 🌱 Seguridad alimentaria
- 💧 Gestión de recursos hídricos
- 🌡️ Adaptación al cambio climático
- 📊 Políticas públicas basadas en datos
# Ejemplo conceptual del flujo de trabajo
import ee # Google Earth Engine
import pandas as pd
import numpy as np
from sklearn.ensemble import RandomForestClassifier
# Inicializar Earth Engine
ee.Initialize()
# Definir área de interés (Chile central)
aoi = ee.Geometry.Rectangle([-71.5, -34.0, -70.0, -32.5])
# Obtener imágenes Sentinel-2
sentinel = ee.ImageCollection('COPERNICUS/S2_SR') \
.filterBounds(aoi) \
.filterDate('2023-01-01', '2023-12-31') \
.filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20))
# Calcular índices vegetacionales
def add_indices(image):
ndvi = image.normalizedDifference(['B8', 'B4']).rename('NDVI')
ndwi = image.normalizedDifference(['B3', 'B8']).rename('NDWI')
return image.addBands([ndvi, ndwi])
# Aplicar a la colección
sentinel_with_indices = sentinel.map(add_indices)2.2.2 Aprendizajes técnicos
Preprocesamiento de datos satelitales: Aprendí sobre corrección atmosférica, manejo de nubes y composición temporal.
Feature engineering geoespacial: Creación de índices espectrales (NDVI, NDWI, EVI) y características temporales.
Validación espacial: La importancia de considerar la autocorrelación espacial en la evaluación de modelos.
- Google Earth Engine: Para procesamiento masivo de imágenes satelitales
- GeoPandas: Manejo de datos vectoriales
- Rasterio: Lectura y escritura de datos raster
- scikit-learn: Modelos de ML adaptados al contexto geoespacial
3 Conexiones y comunidad
Más allá de lo técnico, Khipu fue un espacio de conexión humana. Conocí a:
- Investigadores trabajando en problemas similares en diferentes países
- Estudiantes con ideas frescas y ganas de cambiar el mundo
- Profesionales de la industria buscando aplicar IA de manera responsable
3.1 La red Khipu
Una de las iniciativas más valiosas es KHIPUx, que busca replicar el espíritu de Khipu a escala local en diferentes países. Esto permite que más personas accedan a formación de calidad sin necesidad de viajar.
4 Reflexiones finales: IA con identidad latinoamericana
Mi experiencia en Khipu 2025 reforzó tres convicciones:
4.1 1. Necesitamos IA contextualizada
No podemos simplemente importar soluciones. Nuestros problemas requieren enfoques que consideren: - Nuestra diversidad lingüística (español, portugués, lenguas indígenas) - Nuestras realidades socioeconómicas - Nuestros desafíos únicos (informalidad, brechas digitales, etc.)
4.2 2. La colaboración regional es clave
Los problemas que enfrentamos trascienden fronteras: - Cambio climático en los Andes - Deforestación en la Amazonía - Migración y movilidad urbana - Inclusión financiera
4.3 3. Podemos liderar en IA responsable
Tenemos la oportunidad de desarrollar IA de manera diferente: - Priorizando la inclusión desde el diseño - Considerando el impacto social desde el inicio - Valorando el conocimiento local y tradicional
5 Recursos y próximos pasos
Para quienes quieran profundizar:
5.1 📚 Repositorios de Khipu
5.2 🎯 Cómo involucrarse
- Únete a la comunidad: Sigue @Khipu_AI
- Participa en KHIPUx: Organiza o asiste a eventos locales
- Contribuye: Comparte tus proyectos y aprendizajes
5.3 💡 Proyectos inspirados
Desde mi regreso, estoy trabajando en: - Un dataset de imágenes satelitales para monitoreo agrícola en Argentina - Herramientas para evaluar sesgos en modelos de lenguaje en español - Colaboraciones con otros participantes de Khipu
6 Agradecimientos
Gracias a los organizadores de Khipu por crear este espacio único, a los instructores de los talleres por compartir su conocimiento, y a todos los participantes por las conversaciones enriquecedoras.
Este post es parte de mi compromiso de compartir conocimiento y fortalecer la comunidad de IA en Latinoamérica. Si te resultó útil, compártelo con otros que puedan estar interesados.