TasaractDavut Emre Taşar
Español

Perfil

Soy científico de datos en AI Innovation, dentro del área de AI Transformation de BBVA. En mi doctorado en la Universidad de Navarra estudio cómo medir y reducir la incertidumbre para que las decisiones bancarias que se apoyan en la IA sean más justas.

Ver datos en bruto JSON

Sobre mí

Soy de İzmir, en la costa turca del Egeo. Antes era ingeniero civil. Entonces, como en Skyrim, me alcanzó una flecha en la rodilla. Cambié el casco de obra por la bata de laboratorio y hoy soy científico de datos en el equipo de AI Innovation de BBVA en Madrid.

En mi doctorado en la Universidad de Navarra investigo cómo medir y reducir la incertidumbre de los modelos de IA para que los bancos tomen decisiones más justas. En el Strategic Management Executive Programme de Oxford me interesó la misma cuestión desde otro ángulo. ¿Cómo decides cuando el futuro sigue abierto?

Me gusta encontrar conexiones inesperadas. Las matemáticas abstractas, la física cuántica y la filosofía me llevan a una misma pregunta. Después de medir algo, ¿qué sabemos realmente?

Voy descubriendo Madrid mientras aprendo español y conozco mejor las culturas de España y América Latina. También disfruto pintando y jugando al ajedrez.

En casa preparo mucho café. Tengo una pequeña darbuka, una kalimba y un Zanpakuto inspirado en Bleach con el que practico kendo. Siempre que puedo, me invento una historia para hacer reír a mi hija pequeña.

Oxford Strategic Management Executive Programme

Dónde trabajo y estudio

BBVA · AI Transformation · AI Innovation
Ingeniero y científico aplicado
Universidad de Navarra
Doctorando en equidad en inteligencia artificial

Intereses

Ontologías y estructuras de datos

¿Qué cambia en un grafo cuando se retrasa un tren?

Una estación es un lugar. Una salida es un suceso. Si uso un tipo de nodo para cada uno y guardo la fuente de cada hora, ¿puedo rastrear qué enlaces afecta un solo retraso?

Imaginemos dos trenes que tienen prevista la salida de la misma estación a las nueve. En un grafo puedo representar la estación una sola vez y darle a cada salida su propia identidad. Así puedo actualizar la hora de un tren sin cambiar la del otro.

Conservaría tanto la hora prevista como la actualización, junto con la fuente de cada dato. Si una salida pasa de las 09:00 a las 09:10, puedo seguir los enlaces de esa salida para ver qué transbordos conviene revisar. Guardar una sola hora para toda la estación borraría esa distinción.

RDF 1.1 · W3C
Meaning-Native Computing

¿Puede un ordenador predecir mejor qué instrucciones se ejecutarán a continuación si conoce las reglas del programa?

Meaning-Native Computing es mi proyecto de investigación independiente. Quiero comparar dos métodos de predicción con el mismo programa y recursos de cálculo similares. A uno le doy también una descripción explícita de las reglas que debe cumplir el programa. ¿Le ayuda a anticipar los siguientes pasos? Antes de aplicar un cambio previsto, una comprobación independiente debe confirmar que respeta esas reglas.

En este proyecto de investigación independiente quiero comparar dos métodos que observan el mismo programa en ejecución y disponen de recursos de cómputo similares. A uno le doy, además, una ontología ejecutable, es decir, las reglas del programa expresadas de forma que el ordenador pueda aplicarlas. ¿Le ayuda eso a predecir qué instrucciones se ejecutarán a continuación?

Las reglas podrían permitir dos pasos distintos. Un método puede equivocarse al elegir entre ellos sin infringir ninguna regla. Quiero contrastar su predicción con lo que el programa haga en realidad. Antes de aplicar un cambio propuesto, una comprobación independiente debe confirmar que está permitido.

Meaning-Native Computing
Teoría de categorías

¿Qué se conserva al componer dos transformaciones?

Un proceso convierte un horario en un grafo y otro busca una ruta en él. Al componerlos, ¿cómo conservo la relación entre cada hora y su estación?

Un proceso convierte un horario de trenes en un grafo. Otro encuentra una ruta en ese grafo. Encadenarlos es un ejemplo de composición. Me interesa saber si al final del recorrido aún puedo averiguar a qué estación corresponde cada hora.

Supongamos que en dos estaciones sale un tren a las 09:00. Si el primer proceso guarda la hora y descarta la estación, el segundo no puede recuperar esa relación a partir de la hora por sí sola. Hasta un horario sencillo invita a pensar qué información debe llegar al siguiente paso.

Seven Sketches in Compositionality
Medición cuántica

¿Y si le hago otra pregunta al mismo cúbit?

Preparo el estado “+”. Al medir en la base X siempre obtengo +. En la base Z, 0 y 1 son equiprobables. Me fascina que la respuesta dependa de cómo mido aun cuando preparo el estado de la misma forma.

Imaginemos que antes de cada medición preparo un cúbit en el estado «más». En la base X, una medición ideal siempre da «más». En la base Z, con la misma preparación, salen 0 y 1 con la misma probabilidad.

Diez mediciones en la base Z podrían dar siete ceros y tres unos. La probabilidad de obtener un cero es de un medio en cada intento, pero eso no fija cuántos ceros saldrán en diez. Es un detalle fácil de pasar por alto cuando se ven pocos resultados.

Quantum Information · IBM · Specify observables in the Pauli basis · IBM Quantum Documentation

Un reconocimiento a mi trabajo

En 2024 recibí el premio We Think Big de BBVA por mi trabajo en patentes y mis contribuciones académicas.

Ver la foto del premio

Contacto y perfiles