Showing posts from tagged with: machine learning

Machine Learning: ¿somos conscientes del uso de nuestra huella digital?

Escrito por Cesar Munoz Rosales en Apps & Software, Blog, Hardware, Diseño & Makerspace, High Tech, Tech | 0 Comentarios

08.05.17

“Ninguna tecnología es tecnológicamente determinista, siempre es socialmente construida”, dice Martín Hilbert, Doctor en Ciencias Sociales y asesor tecnológico de la Biblioteca del Congreso de EEUU. Aunque el concepto de aprendizaje de las máquinas (machine learning) nos puede llevar tan lejos, como una obra de ciencia ficción, muchas de sus aplicaciones forman parte de nuestra vida diaria. Esta tecnología, ya está presente  en áreas tan disímiles como la biotecnología, la genómica, el transporte, el marketing e incluso la política. Sus aplicaciones ya son un hecho. El análisis de grandes volúmenes de datos (Big Data) y el vínculo con la computación de alto rendimiento (HPC, por sus siglas en inglés), ha ido adquiriendo notoriedad, aunque no sin encontrar visiones contrapuestas. El machine learning se refiere a la capacidad de una máquina de funcionar en base a un aprendizaje automatizado. Es un tipo de “inteligencia artificial” que funciona por inducción de conocimiento, donde el objetivo principal es posibilitar que computadores asimilen datos, entreguen respuestas y tomen decisiones por sí mismas. El término se viene utilizando desde los años 50, cuando el famoso Alan Turing creó el Test Turing, donde ponía a prueba la capacidad de una máquina para actuar como humano, cobrando particular relevancia en la última década por el procesamiento de mayores volúmenes de información a través del creciente big data. El aprendizaje automatizado es una parte fundamental en el aprovechamiento del big data. Pensemos que se estima que solamente Facebook genera cerca de 500 terabytes de datos por día, cuestión que crece exponencialmente, por ejemplo, con el auge del Internet de las cosas (IoT, por sus siglás en inglés). Cuando se cuenta con dichos volúmenes de información, es necesario recurrir a tecnologías que puedan lidiar con esta densidad.

Los algoritmos destinados al aprendizaje automatizado pueden generarse de varias formas, donde los más comunes son los supervisados (transaccionales generalmente) y los no supervisados. En el primer caso, se tienen órdenes que ayudan a asimilar los datos en el momento de su análisis; un ejemplo sería el sistema de detección de spam de Google, donde se utilizan datos referidos a las categorizaciones de los usuarios (mensajes spam o legítimos). En el segundo caso, el aprendizaje no es supervisado, vale decir, no se cuenta con una experiencia previa para analizar datos, de modo que se emplea principalmente para buscar patrones (frecuentemente en el análisis de datos científicos o para segmentar públicos).

El cielo es el límite

machine_learning Las alcances de la automatización de procesos con machine learning son variadas y sofistican las nuevas tecnologías a pasos agigantados, permitiendo optimizar recursos y sustituyendo tareas manuales ahora realizadas por máquinas o robots. Por ejemplo. Hoy en día, el aprendizaje de máquinas puede ser utilizado para evaluar la tasa de éxito de intervenciones quirúrgicas según estadísticas de pacientes; segmentación de públicos para efectividad de mensajes (de las Telcos por ejemplo); predicciones climáticas; control de tráfico por afluencia de vehículos; mercado de valores; eficiencia en transporte; etcétera. Esta tecnología es parte cada vez más importante en la toma de decisiones. Sin embargo, la idea del manejo de grandes volúmenes de datos trae a colación temas como la vigilancia cibernética y el potencial uso que pudiese tener nuestra huella digital (rastro que queda en nuestra actividad por internet). Tal como lo advirtió recientemente Martin Hilbert, Doctor en Ciencias Sociales y asesor tecnológico de la Biblioteca del Congreso de EEUU, se vuelve preocupante cómo se está interpretando la idea de 'privacidad'.
“Vivimos en un mundo donde los políticos pueden usar la tecnología para cambiar cerebros, los operadores de telefonía móvil predecir a dónde iremos y los algoritmos de redes sociales descifrar nuestra personalidad”, dijo Hilbert  en entrevista a la BBC, refiriéndose a la importancia de reinventar la democracia representativa para evitar una “dictadura de la información”.
La idea del machine learning es un punto de partida, pues evidentemente la epistemología admite múltiples enfoques y acepciones. Para “aprender”, hacen falta inteligencias y en los humanos, por ejemplo, encontramos sistemas heterogéneos y abiertos, con dinámicas complejas y en muchos casos aún por explorar. El mismo Turing abordó en Computing Machinery and Intelligence, los problemas para definir los alcances de cuestiones como el “pensamiento”, al momento de construir una máquina “pensante”. Incluso podríamos ir más allá y adentrarnos en clásicos del cyberpunk, si quisiéramos imaginar un futuro tecnológico distópico. Lo que sí es un hecho, es la relevancia que cobra entender los alcances de nuestro rastro por el ciberespacio y el uso de los grandes volúmenes de datos.

Construye tu ‘Dream Team’ en Data Science

Escrito por Julio Serrano en Blog, Ecosistema, Innovación, Startups | 0 Comentarios

27.03.17

infografia-datascience-01

¿Podrá la Inteligencia Artificial de las Cosas-AIOT reemplazar algún día al operario humano?

Escrito por Julio Serrano en Apps & Software, Blog, High Tech, Tech | 0 Comentarios

16.12.16

Las venideras plataformas de Internet de las Cosas (IoT, por sus siglas en inglés) serán aquellas que transformen a los objetos conectados en cosas que puedan 'pensar' y ser capaces de 'aprender'. Imaginemos un smartwatch que no sólo pueda predecir algunos síntomas que avisen un inminente ataque al corazón, sino que también pueda detectar cuando un hacker esté intentando ingresar a tus datos personales, ¡por medio de tu reloj inteligente!

La mejor forma de incrementar las 'cosas con cerebro', es mejorarlas vía Inteligencia Artificial (AI, por sus siglas en inglés). El nombre que se le da a la fusión de ambos conceptos es Inteligencia Artificial de las Cosas (AIOT, por sus siglas en inglés).

Este año se han registrado cifras nunca antes vistas en materia de inversión en AI, donde Estados Unidos lidera las recaudaciones con US$ 1.500 millones. Se espera que los frutos de estas inversiones puedan verse en la cotidianidad de las personas prontamente... Para entender dónde la AI jugará un rol importante, es necesario entender a qué estamos llamando Inteligencia Artificial y qué no lo es.

cdn3-uvnimg-com

La Inteligencia Artificial es un algoritmo nutrido por modelos estadísticos que permiten "aprender" por medio de la retroalimentación. Por lo mismo, en vez de tener modelos determinados donde el algoritmo actúe bajo reglas predefinidas sobre las cuales basar sus decisiones, se aplican otros modelos.

Un ejemplo es Google. El gigante de Mountain View utiliza una técnica llamada 'Deep Learning'. El Deep Learning toma conceptos básicos de la AI y los enfoca en la resolución de problemas del mundo real, a partir de redes neuronales profundas que imitan la forma en que nuestro cerebro toma decisiones. Es decir, emplea los datos que conoce para tomar decisiones sobre datos nuevos. Por eso, es una de las tecnologías más similares al funcionamiento cerebral humano.

deeplearning

Por lo tanto, gran parte del proceso está inspirado en el funcionamiento del cerebro humano. Los modelos ya no son determinantes y, dada esa lógica, puede ser que la forma en que el uso de la AI ayude a tomar una decisión, tenga una mayor dificultad y consecuencias inesperadas. Tal como sucedió con el chatbot Tay de Microsoft, el que se volvió racista luego de pocas horas analizando las publicaciones en Twitter.

¿Se convertirán las herramientas basadas en AI en máquinas omniscientes? Actualmente no hay chance, principalmente porque el desarrollo de estas se realiza en dominios específicos para impedir que se aplique el conocimiento en otros contextos.

Entonces, ¿cómo potenciará la AI al IoT? 

Una de las industrias más probables es la manufacturera, que actualmente está gastando grandes sumas de dinero en el desarrollo del Internet de las Cosas. El uso que le dan a la AI es principalmente para tareas de mantenimiento predictivo. Esto es lo que llamamos 'Machine Learning'.

Si el mantenimiento predictivo es tan importante, ¿por qué no se ha adoptado completamente todavía? Bueno, hay algunos obstáculos. La falta de sensores confiables para monitorear el desempeño y el comportamiento de las máquinas es uno, los desafíos de conseguir una conectividad confiable en las operaciones de la planta de trabajo es otro. Ambos son pre requisitos para recopilar los datos que son necesarios al momento de probar los modelos estadísticos.

Luego, podemos añadir, existe una falta de modelos estadísticos que puedan predecir el comportamiento. Esto se produce, en gran parte debido a la escasez de científicos de datos que pueden construirlos y probarlos. Y el mundo real es complejo; las máquinas están en todas partes y trabajan bajo diversas condiciones. Por ejemplo, la vibración de una máquina se verá influenciada por el tipo de suelo en el que se encuentre (un piso de madera influirá en las medidas de manera a lo que lo hará uno concreto).

Es altamente probable que los modelos deterministas sean insuficientes para hacer frente a las situaciones anteriores expuestas de manera efectiva, y la única manera de abordar estos desafíos (hasta ahora) será por medio de la Inteligencia Artificial y los enfoques de análisis en tiempo real.