IA Agente para Recomendaciones de Turismo Responsable

¿Cómo pueden los sistemas de recomendación impulsados por IA ir más allá de la optimización de las preferencias individuales para apoyar un turismo más responsable? \nComenzamos examinando la evolución de los sistemas de recomendación tradicionales a la recomendación impulsada por LLM y agente, explorando cómo los LLMs permiten una comprensión contextual más rica, interacción conversacional y razonamiento, y cómo la IA agente puede integrar múltiples objetivos y partes interesadas en el proceso de recomendación.\nEnraizando esta transición en la investigación práctica, destacamos dos proyectos recientes: Collab-REC, un marco multi-agente que reúne objetivos de personalización, popularidad y sostenibilidad, y TRACE, un sistema conversacional interactivo diseñado para ayudar a los usuarios a entender y considerar opciones de viaje más sostenibles. Usando Gemini y el Kit de Desarrollo de Agentes (ADK) de Google, estos proyectos ilustran cómo las arquitecturas emergentes de agente pueden traducir ideas de investigación en sistemas de IA prácticos.\nMirando hacia adelante, a medida que los recomendadores agentes se vuelven más autónomos y personalizados, surgen nuevas preguntas sobre privacidad, transparencia, evaluación, responsabilidad y el equilibrio entre las preferencias del usuario y el impacto social y medioambiental. La charla explora estos desafíos abiertos y oportunidades para construir sistemas de IA que sean no solo más capaces, sino también más responsables.\n¿Quién debería asistir? \nLa arquitectura subyacente de los sistemas de recomendación resuelve un cuello de botella universal en la IA para la Ciencia: cómo construir sistemas de agentes autónomos que negocien objetivos complejos y en competencia en lugar de optimizar para una sola métrica. Ya sea equilibrando la eficacia terapéutica contra la toxicidad en los regímenes de atención médica, intercambiando el rendimiento mecánico contra las huellas de carbono del ciclo de vida en el descubrimiento de materiales, o navegando por las limitaciones ecológicas en la modelización de recursos geocientíficos, el desafío es idéntico. Los asistentes se irán con flujos de trabajo prácticos para orquestar el consenso multi-agente, enraizar agentes generativos en estrictas restricciones de dominio y diseñar un razonamiento transparente con el usuario en el bucle. Si su investigación exige flujos de trabajo de IA que razonen sobre compensaciones entre múltiples partes interesadas, ética y sostenibilidad, esta sesión proporciona un plano aplicable en el descubrimiento científico y la ingeniería.\n