Doctor(a) en Ingeniería Electrónica, Automatización, Ciencia de Datos o afines. Alta capacidad analítica y experiencia en proyectos con Inteligencia Artificial aplicada a sistemas productivos. Publicaciones científicas en revistas indexadas. Diseñar el modelo de arquitectura de IA para monitoreo automatizado. Supervisar el diseño experimental y asegurar la calidad metodológica del proyecto. Asesorar en la validación estadística de los resultados. Coordinar la publicación de al menos un artículo en revista Q1. Apoyar en la articulación con redes internacionales de investigación. Proyecto Postdoctoral Título: Desarrollo de un Sistema de Inteligencia Artificial Híbrido para el Monitoreo Predictivo de Parámetros Productivos en Unidades Acuícolas Automatizadas Objetivo General: Desarrollar un sistema de inteligencia artificial híbrido (machine learning + lógica difusa) que permita el monitoreo predictivo de parámetros críticos en la producción acuícola, utilizando datos recolectados de sensores embebidos en sistemas automatizados. Objetivos Específicos: 1. Identificar las variables críticas de producción acuícola a partir de literatura especializada y datos históricos. 2. Diseñar un modelo híbrido que combine redes neuronales con lógica difusa para mejorar la precisión y la interpretabilidad del sistema de monitoreo. 3. Entrenar un modelo híbrido utilizando un conjunto de datos reales provenientes de las unidades piloto. 4. Evaluar el desempeño del sistema con métricas como precisión, sensibilidad, especificidad, y capacidad de predicción anticipada. 5. Documentar los resultados en un artículo de alto impacto (Q1 o Q2) y difundirlos en un congreso internacional. Metodología: Fase 1 – Revisión Sistemática y Selección de Variables: Aplicación de técnicas de revisión PRISMA. Entrevistas con expertos y análisis de series de tiempo. Fase 2 – Desarrollo del Modelo Híbrido: Uso de herramientas como Python (Scikit-learn, TensorFlow, Fuzzy Logic Toolbox). Arquitectura basada en modelos LSTM + sistemas difusos Mamdani o Takagi-Sugeno. Fase 3 – Validación y Análisis de Desempeño: División del dataset (train/test/validation). Comparación con modelos tradicionales (Random Forest, SVM, etc.). Fase 4 – Redacción y Publicación de Resultados: Redacción de artículo técnico. Presentación en evento como IEEE, AI for Agriculture o similares. Un sistema híbrido validado con datos reales. Una herramienta con capacidad predictiva para eventos de riesgo productivo. Publicación indexada y socialización de resultados técnicos. Propuesta de patente o diseño industrial, si aplica. #J-18808-Ljbffr