Actor-critic para gestión de inventario en pesca acuícola
Visión general
De qué trata este proyecto.
En equipo de 2-3, recibes 2 años de datos diarios por jaula (alimento dado, temperatura, mortalidad, peso muestreado mensualmente) y construyes un simulador calibrado del crecimiento (modelo de Iwama-Tautz como base) y desperdicio. Implementa A2C con red compartida (actor + critic), acción continua (kg de alimento), recompensa = peso_ganado - alpha*desperdicio - beta*mortalidad. Compara contra la política experta del operador. Éxito = ROI estimado >= 6% sobre la política experta en simulación, con análisis de riesgo (peor jaula, peor temporada) y memo defensible ante un técnico acuícola escéptico.
El Briefing
Lo que harás y lo que demostrarás.
Aprender una política de alimentación con A2C que mejore ROI sobre la práctica experta sin aumentar riesgo operativo.
Earning criteria — what you'll demonstrate
- Implementar actor-critic (A2C) para acciones continuas
- Calibrar un simulador biológico con datos históricos
- Cuantificar riesgo operativo (peor caso) además del promedio
- Comunicar resultados de RL a expertos de dominio escépticos
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosInvestigador/a de Machine Learning
Calibrar simulador, entrenar A2C y defender la política ante expertos de dominio es trabajo nuclear del ML researcher en aquaculture e industrias biológicas.
Este proyecto afina
- reinforcement-learning
- actor-critic
- simulation
Ingeniero/a de Machine Learning
Llevar A2C a una simulación calibrada con análisis de riesgo CVaR es la franja senior del trabajo de MLE en industria.
Este proyecto afina
- reinforcement-learning
- deep-learning
- python
Científico/a Aplicado/a de IA
Modelar el dominio (crecimiento, mortalidad) y comunicar caveats biológicos a expertos es exactamente el día a día del applied AI scientist en agritech/aquaculture.
Este proyecto afina
- domain-modeling
- simulation
- reinforcement-learning
Científico/a de Datos
Calibrar modelo biológico con 2 años de datos y producir análisis de riesgo accionable es competencia transversal del data scientist senior.
Este proyecto afina
- domain-modeling
- simulation
- python