La capacidad de “persuasión humana” de la ciencia y la tecnología
Inteligencia Artificial | Los descubrimientos científicos y tecnológicos están presentando desafíos inéditos a las democracias modernas. Las nuevas tecnologías buscan condicionar las libertades humanas de adentro hacia afuera y sus efectos, imperceptibles en la superficie, son sumamente efectivos.
Para la ciencia la supuesta libertad humana no es tal. Los seres humanos toman decisiones, sí, pero éstas nunca son independientes. Cada una de ellas depende de ciertas condiciones biológicas y sociales que escapan a su control.
Las empresas y gobiernos, munidas de muchos datos y de una gran capacidad informática pueden predecir nuestras decisiones, pero no falta tanto para que también puedan, si así lo desean, manipular nuestros sentimientos. El reciente caso de Facebook y Cambridge Analytica dejó al descubierto que, contando con datos personales de los usuarios, si alguien se lo propone puede construir la información necesaria para manipular a los, en el caso mencionado, votantes.
La propaganda y la manipulación no son ninguna novedad en la historia de la humanidad. Sin embargo, históricamente actuaron en forma masiva. Hoy eligen sus objetivos, no sólo para ofrecer productos, sino también figuras políticas e ideologías. Este fenómeno se suma a que las grandes redes de publicidad (como Facebook, Google y, ahora también, las compañías telefónicas) proveen de sofisticadas herramientas para diseñar y ejecutar campañas de propaganda, medir el impacto y adaptar los mensajes para mejorar la performance; todo esto de manera automatizada y asistida por técnicas de Inteligencia Artificial.
Cuando la humanidad entienda que no somos los individuos libres que creíamos ser y nos conozcamos mejor a nosotros mismos, descubriremos un tipo de libertad completamente nuevo.
Hasta ahora, nos identificabamos firmemente con nuestros deseos y buscábamos la libertad necesaria para cumplirlos ¿Qué sucederá cuando observemos con cuidado la próxima idea que surja en nuestra mente y nos preguntemos de dónde ha venido?
La inteligencia artificial y la bioingeniería están a punto de cambiar el curso de la evolución, y resultará clave desarrollar nuevas ideas y proyectos políticos y sociales más acorde con las realidades científicas y las capacidades tecnológicas del siglo XXI.
Cómo transformar una empresa gracias a la Inteligencia Artificial
Inteligencia Artificial | Así como lo hizo la electricidad hace 100 años, la Inteligencia Artificial transformará al sector productivo en la próxima década. Si bien ya ha calado hondo en la industria TI, esta tecnología seguirá su camino disruptivo hacia otras industrias.
Cualquier organización puede transformarse en una empresa de Inteligencia Artificial, siempre y cuando de los pasos necesarios y adecuados. En este sentido, Andrew Ng, pionero y referente mundial en Inteligencia Artificial, desarrolló un manual de tácticas para motivar a las medianas y grandes empresas a desarrollar soluciones de IA, llamado “AI Transformation Playbook: How to lead your company into the AI era”.
A continuación enumeramos los cinco pasos que Andrew Ng recomienda para que una empresa se enfoque en el desarrollo de soluciones de Inteligencia Artificial (si bien están pensados para medianas y grandes empresas, pueden considerarse para cualquier tamaño de organización a modo orientativo):
1) Ejecutar proyectos piloto para ganar impulso
En los inicios será más importante concretar proyectos realizables que comenzar por iniciativas más ambiciosas. Los pequeños aciertos en los inicios fortalecerán la confianza de la empresa en el aporte que la Inteligencia Artificial hará a su crecimiento y convencerá a los principales decisores acerca de la importancia de apostar a esta tecnología.
Se recomienda que estos proyectos: se lleven a cabo en conjunto entre equipos internos y externos (que no tienen un total dominio del negocio pero sí de la tecnología, como es el caso de 7Puentes que acumula expertise en Inteligencia Artificial y son pioneros en el tema) y que muestren resultados entre los 6 y 12 meses; sean técnicamente factibles; y tengan un objetivo claramente definido, medible y que agregue valor a la organización.
2) Armar un equipo de IA in-house
Como dijimos en el apartado anterior, es importante que en los inicios un equipo externo con los conocimientos adecuados en Inteligencia Artificial brinde soporte a la organización, como es el caso de 7Puentes.
Sin embargo, es importante que pueda formarse un equipo de IA interno que brinde soporte transversal a toda la organización. El camino para armar ese equipo puede transitarse en dos sentidos: capacitando a los profesionales existentes (a través de profesionales externos, por ejemplo) o haciendo nuevas incorporaciones, a través de una política de recruiting adaptada a esta nueva realidad y requerimientos.
3) Capacitar en IA a todo el staff
Si bien ninguna organización cuenta con el número suficiente de talentos capacitados en Inteligencia Artificial, contratarlos en su totalidad tampoco será una tarea sencilla. En ese sentido, la amplia oferta de contenidos de capacitación online que existen hoy pueden ser una gran opción para capacitar al equipo. Este contenido online estandarizado puede ser complementado por contenido customizado y generado por consultores externos expertos en la materia.
La Inteligencia Artificial transformará muchos de los trabajos existentes. Las organizaciones deberán brindar a sus empleados todas las herramientas necesarias para adaptar sus roles a la era IA.
4) Desarrollar una estrategia integral de IA
Una vez que la organización de los primeros pasos con proyectos iniciales de Inteligencia Artificial, estará en condiciones de identificar los sectores donde se buscará crear más valor y enfocar los recursos en dichas áreas. Es en esa instancia en la que deberá desarrollar su propia estrategia de IA.
Para delinear esta estrategia integral, es importante identificar assets específicos que se alineen a ella. Asimismo, se recomienda aprovechar la Inteligencia Artificial para crear una ventaja específica para el sector industrial al cual pertenece la organización, ya que la manera en que IA afecta la estrategia de una empresa dependerá de cada industria y contexto.
En esta instancia son fundamentales los datos, un activo clave para los sistemas de Inteligencia Artificial. Por lo tanto, es importante que haya una estrategia de datos bien pensada que vaya de la mano de la estrategia de IA.
5) Desarrollar comunicaciones internas y externas
IA afecta significativamente el curso de los negocios y, en la medida en la que impacta en los distintos stakeholders de la empresa, ésta deberá tener un programa de comunicación que garantice consistencia en la relación con cada uno de ellos: gobierno, inversores, clientes/usuarios, empleados actuales y potenciales, etc.
En síntesis, para que una organización pegue el salto y se convierta en una empresa de Inteligencia Artificial deberá: contar con el talento necesario (interno y/o externo) para ejecutar proyectos de IA en forma sistemática, tener un conocimiento (general y particular) de Inteligencia Artificial en la empresa para identificar los proyectos de IA adecuados en los cuales embarcarse, y alinear la estrategia general de la compañía con la Inteligencia Artificial como norte.
¿Deberían los científicos de datos adherir a un juramento hipocrático?
Ciencia de Datos | La industria tecnológica se encuentra en un punto de inflexión respecto de los alcances éticos de sus innovaciones. El escándalo más resonante, la manipulación de datos de usuarios de Facebook que la consultora Cambridge Analytica realizó sin autorización previa, llamó a reflexionar a la industria y a los propios programadores y data scientist ¿Deberían estos profesionales firmar una suerte de juramento hipocrático, como hacen los médicos por ejemplo?
Mantener los sistemas de aprendizaje automático dentro de límites éticos se ha convertido en un tema candente en la investigación de inteligencia artificial.
En este sentido, comienza a haber esfuerzos de gigantes tecnológicos, como Microsoft que este año lanzó un libro sobre los efectos de la inteligencia artificial en la sociedad en general, o de los propios profesionales de la industria (en San Francisco se reunieron docenas de científicos de datos de empresas de tecnología para comenzar a redactar un código de ética para su profesión), por reflexionar acerca del aspecto ético de la ciencia de datos.
Tal vez sea momento de que los data scientists enfoquen su relevante capacidad de análisis estadístico de los datos en el bien común.
"Debemos capacitar a las personas que trabajan en tecnología para que digan 'Espera, esto no está bien'", sentenció DJ Patil, chief data scientist durante la presidencia de Barack Obama. Patil fue el primer orador del evento mencionado anteriormente, llamado “Data For Good Exchange”, al cual asistieron muchos empleados de Microsoft, Pinterest y Google, entre otros.
Más allá de estos esfuerzos -valiosos por cierto y que, cuanto menos, ponen el tema en agenda-, la evidencia disponible sugiere que las grandes compañías de tecnología generalmente toman en serio las cuestiones éticas cuando perciben una amenaza directa a su balance general. Mark Zuckerberg pudo haber mostrado arrepentimiento por el control de su compañía en la distribución de información, pero esta actitud se produjo solo después de la presión política sobre el papel de Facebook en la interferencia de Rusia en las elecciones de 2016 en Estados Unidos.
Las compañías tecnológicas que ganan dinero al proporcionar plataformas para otros pueden tener una razón adicional para no ser demasiado prescriptivas sobre la ética. Cualquier cosa que pueda asustar a los clientes de construir en su plataforma es arriesgada. Y es en ese sentido, que toma protagonismo un eventual código de ética o, al menos, visibilizar el aspecto ético del manejo inteligente de los datos.
Más allá de las acciones que lleven a cabo o no las empresas tecnológicas, resulta fundamental que, usuarios y científicos de datos, pensemos cuidadosamente acerca de los efectos de productos alimentados por datos personales, y, más aún, que podamos establecer límites éticos más firmes, que no se guíen únicamente por la maximización de las ganancias.
La retracción del mundo “startupero” global: Sillicon Valley ya no es lo que era
Startups | Sillicon Valley ha sido por décadas la capital tecnológica del mundo. De eso no hay dudas. Su combinación de experiencia en ingeniería, redes empresariales prósperas, grandes fondos de capital, universidades sólidas y una cultura tomadora de riesgos han hecho de Sillicon Valley una región difícil de replicar, a pesar de los muchos intentos por hacerlo. Pareciera no haber un rival a la vista del principal centro de innovación del mundo.
Descentralización y concentración. La tendencia mencionada en el párrafo anterior está cambiando. Tantas nuevas empresas se están expandiendo a otros lugares geográficos que la tendencia ya tiene nombre: Off Silicon Valleying. Al mismo tiempo que se da esta descentralización, en la que la innovación se distribuye en distintas ciudades del mundo, comienza a darse un proceso de concentración del capital a invertir en las manos de menos empresas.
Contrario al histórico reinado del Venture Capital (Capitales de Riesgo), un formato de financiación destinado a empresas startup en fases tempranas, el mundo de la innovación tecnológica está virando a lo que se conoce como “Winner-Takes-All Market”, aquellos mercados en los que las empresas con mejor performance se llevan la mayor parte de la financiación, mientras que los restantes jugadores se quedan con el remanente. Se empieza a ver una generación de Capitales de Riesgo mucho más ambiciosos y más parecidos a las tradicionales firmas de capital privado.
La sombra de los colosos. Con esta tendencia, el problema que se plantea es que el campo de juego para la innovación también se va reduciendo.. Las startups luchan cada vez más para atraer capital a la sombra de los gigantes tecnológicos, los “big fish”. En 2017, el número de primeras rondas de financiamiento en Estados Unidos se redujo en aproximadamente un 22%. Cuando las posibilidades de éxito de una startup son aún menos seguras y los beneficios salariales no distan de los de un trabajo estable en uno de los gigantes, el dinamismo sufre.
La segunda forma en que la innovación se está reduciendo es mediante políticas cada vez más hostiles en Occidente. El creciente sentimiento antiinmigrante y un régimen de visa más estrictos introducido por el presidente Donald Trump tienen efectos en toda la economía: los empresarios extranjeros crean alrededor del 25% de las nuevas empresas en Estados Unidos. Silicon Valley floreció por primera vez, en gran parte, debido a la generosidad del gobierno. Pero el gasto estatal en universidades públicas en toda América y Europa ha caído desde la crisis financiera de 2007-08. La financiación para la investigación básica es inadecuada: el gasto federal y gubernamental de los Estados Unidos en I&D fue de 0.6% del PIB en 2015, un tercio de lo que era en 1964, y va en la dirección equivocada.
Si el declive relativo de Silicon Valley anunciara el auge de una red global de prósperos centros tecnológicos rivales, valdría la pena celebrar. Desafortunadamente, este panorama se parece más a una advertencia de que la innovación en todas partes se está volviendo más difícil de concretar, y de que los emprendedores deberán potenciar aún más cuestiones que están en su ADN y son sus principales fortalezas y valores diferenciales, como lo son la la agilidad, la eficiencia y la innovación.
Web data extraction | La recolección y estructuración automática de datos disponibles en la web (portales, redes sociales, foros) se ha convertido en los últimos años en uno de los caminos para que las organizaciones, a partir de los datos, crezcan y potencien sus ventajas competitivas respecto de la competencia. Como expertos en web data extraction, queremos destacar tres lineamientos claves en este tipo de desarrollo:
Inteligencia artificial y ciberseguridad: nuevos perfiles de usuarios
En los últimos años han surgido nuevos tipos de consumidores de datos, cuyos intereses se centran en el desarrollo de la inteligencia artificial, así como en la inteligencia sobre amenazas a la ciberseguridad.
Si bien estos dos dominios crecen a una velocidad vertiginosa, cada uno de ellos tiene necesidades diferentes respecto de los datos provenientes de la web: los especialistas en inteligencia artificial a menudo ven a la web como un repositorio masivo de contenido de lenguaje natural, que sus algoritmos de machine learning con gusto consumirán para volverse más robustos; mientras que las compañías (o los equipos) de ciberseguridad buscan escanear la web para identificar comportamientos sospechosos e indicios que puedan suponer una violación de datos o la comercialización ilegal de artículos.
El dominio de estos dos jugadores seguramente seguirá consolidándose, ya que las propias industrias de ciberseguridad e IA están en una clara trayectoria de crecimiento. Asimismo, esta tendencia influirá en la forma en la que los proveedores de web data extraction, como 7Puentes, recopilemos, estructuremos y comercialicemos los datos web extraídos.
Madurez y creciente legitimidad
La legalidad de la extracción de datos web que estén públicamente disponibles para ser recopilados y analizados legítimamente por terceros, incluso sin el permiso de los propietarios del sitio, representa una tendencia generalizada y que continuará en alza. Hay una aceptación cada vez mayor del rastreo web como una práctica comercial legítima.
Si bien todavía hay proveedores que eliminan datos que claramente no están destinados a estar disponibles públicamente para fines semi-legales o simplemente ilegales, la delimitación entre las buenas y malas prácticas se vuelve cada vez más clara.
La estructuración de los datos y la segmentación se vuelven cruciales
Desde una perspectiva técnica, la capacidad de acomodar diferentes estructuras de datos para diferentes tipos de datos se está volviendo crucial. La web de hoy es mucho más compleja de lo que solía ser hace una década, a medida que más y más partes de nuestras vidas se vuelven “online”. Lo que es más: el nivel de análisis que las organizaciones desean realizar es a menudo mucho más profundo y complejo.
Las organizaciones que monitorean y analizan la web buscarán, cada vez más, datos estructurados que sean fácilmente legibles en forma automática y que puedan segmentarse y estructurarse según dimensiones predefinidas. Estas dimensiones deberán variar de acuerdo al tipo de contenido que se analice (por ejemplo, un sitio web de comercio electrónico difiere enormemente de un medio de noticias en línea y, por lo tanto, normalmente debería abordarse de manera diferente desde una perspectiva analítica).
Más allá de estos tres puntos, que deberán ser tenidos en cuenta a la hora de pensar en el camino que recorrerá a futuro la extracción de datos en la web, es crucial entender que la conversión de información disponible en registros útiles listos para ser utilizados, uno de los pilares del offering de 7Puentes, llegó para quedarse y, lo que es más, para seguir creciendo.
Discriminación 2.0: Sesgo de género en Inteligencia Artificial
Los modelos de Inteligencia Artificial se encuentran determinados y atravesados por diversos sesgos que reproducen (e, incluso, amplifican) relaciones de poder que subyacen en la realidad. Entendido como ese conjunto de suposiciones que efectuamos al momento de comenzar nuestro análisis, el sesgo puede estar en las limitaciones que tiene nuestro algoritmo, en las preguntas que nos hacemos, en los datos que tomamos como set de entrenamiento, en cómo validamos el modelo y cómo lo comunicamos.
En Inteligencia Artificial no intentamos programar a partir de reglas explícitas y conocidas, sino que buscamos explicar determinadas cuestiones a partir de datos o evidencias. Algunas técnicas simplifican esa lógica, en pos de ganar poder de generalización, esto es, tratan de aplicar hipótesis a una población nueva, que desconocemos. En esa simplificación aparecen algunas barreras éticas por encima, discriminando a los individuos por su condición de pertenencia a un grupo que ya estaba discriminado previamente. El peligro aquí radica en el poder de reproducción que tiene el mundo digital, permitiendo que se masifique un set de reglas discriminatorias e injustas preexistentes: se reproducen y se replican lógicas discriminatorias que ya existían. Tal es el caso del sesgo de género.
Hace unos pocos años, especialistas en Procesamiento de Lenguaje Natural -PLN, la rama de la Inteligencia Artificial que estudia el lenguaje- confeccionaron un mapa de relaciones entre palabras a partir de miles de millones de textos. Este ejercicio permitió -entre otras cosas- llevar las palabras a un espacio vectorial y luego medir la distancia entre cualquier par de palabras, insumo muy útil para aplicaciones de machine learning que se basan en el lenguaje. Recurriendo a esa red se pueden inducir relaciones como:
Hasta aquí, ningún problema. Sin embargo, ese mismo modelo también responde cosas como:
El espacio de word embeddings replicó los estereotipos de género presentes en la sociedad. De manera análoga a lo que nos pasa a nosotros con la ‘parcialidad implícita’, los modelos de lenguaje inducen las reglas implícitas en el inconsciente social, lo mismo le sucedió a los modelos de lenguaje, quienes inducen las reglas implícitas en el inconsciente social.
Ante este escenario, la pregunta que surge es qué pasaría en un equipo integrado 100% por mujeres, ¿diseñarían modelos de IA menos discriminatorios? Es muy probable.
Antes de sacar a la calle cualquier sistema, el mismo se testea. Y, si bien los más importantes obviamente son los test de validación, antes de llegar a esa instancia los sistemas se prueban internamente entre los mismos integrantes del equipo: “¿qué película me recomendaría a mí?” “¿cómo detecta mi rostro?”. Entonces, si hay más mujeres en el diseño de un modelo de Inteligencia Artificial, sin duda se reducirá la posibilidad de que aparezcan, en el marco del funcionamiento del sistema, lógicas de discriminación de género.
Si como programador no se está atento a considerar a las minorías, se pasa por alto la presencia de estos grupos y no se los incluye. En ocasiones, más que una cuestión de pertenecer a un género o a otro, a una determinada raza u a otra, se trata de tener una cierta sensibilidad de las minorías. Ese compromiso lo asumimos en 7Puentes, como empresa involucrada directamente con la automatización de tareas de nuestros clientes, a través del desarrollo de modelos de IA.
La IA será tan sexista y racista como las sociedades de las que aprende. Si no nos damos cuenta, lo que haremos será diseñar mecanismos que reproduzcan y amplifiquen en el mundo digital las injusticias at eternum. La responsabilidad de los que diseñamos Inteligencia Artificial es preguntarnos si un modelo no está reproduciendo una lógica de poder que queremos cambiar. Evitemos, entonces, ocultar supuestos discriminatorios bajo la fachada de algoritmos supuestamente justo y honestos.
Inclusión financiera: Cómo web data extraction revoluciona el mundo de los créditos blandos
El scoring crediticio es, sin lugar a dudas, la principal barrera que deben sortear quienes quieren acceder a un crédito para el consumo. Como, en general, las instituciones financieras califican a los potenciales clientes por su historial crediticio, muchas personas quedan excluidas de la posibilidad de contar con el dinero necesario para poder hacer frente a un gasto específico.
Las nuevas organizaciones financieras que surgieron en los últimos años -las llamadas fintechs- entienden que los potenciales clientes aún pueden calificar para un préstamo aunque su historial crediticio no los respalde, y que su capacidad de pago podría determinarse analizando grandes cantidades de datos, especialmente datos que tradicionalmente no han sido parte de la evaluación de créditos. El ADN de las empresas fintech se basa en una evaluación del riesgo crediticio más rápida y precisa, y en el llegar a una base mayor de clientes, minimizando fallas.
Aquí es donde entran en juego dos procedimientos tecnológicos relevantes y necesarios en este contexto: web data extraction (también conocido como information extraction) y machine learning. La enorme cantidad de información proveniente de la Web se presenta de forma no estructurada. Estos datos, antes desaprovechados por no estar tabulados, se convierten en registros útiles de una base de datos, listos para ser aprovechados, gracias a las herramientas de extracción de información. 7Puentes aplica este tipo de tecnologías y herramientas para potenciar el negocio de distintas empresas de la industria financiera, a través de un procesamiento inteligente de los datos, propios o provenientes de Internet.
A través de algoritmos y técnicas de machine learning, es posible encontrar patrones significativos en los datos, que permiten desarrollar modelos de predicción y score crediticios superadores e inclusivos para el mercado financiero. La información recopilada también puede orientar a los usuarios en el tipo de producto crediticio adecuado para sus necesidades y condiciones.
La exactitud y la capacidad predictiva son drásticamente potenciadas con la aplicación de web data extraction y de técnicas de machine learning. Para que esto suceda no solo se requiere la consideración de un modelo de fuentes de datos robustos, sino también de una correcta calibración de la recopilación de los mismos.
En síntesis, se ha vuelto vital para el futuro de las finanzas que estas entidades no tradicionales adquieran un rol cada vez más protagónico y relevante. El escenario financiero, así como el proceso de toma de decisiones, se están viendo drásticamente alterados, y la innovación tecnológica es parte fundamental de esta transformación.
Sector público: ¿Qué le aporta la Inteligencia Artificial?
A través de las herramientas de IA, los organismos de gobierno, y el sector público en general, pueden lograr una mayor eficiencia y transparencia que beneficie directamente a los ciudadanos.
Las herramientas de Inteligencia Artificial (IA) se están convirtiendo en una parte integral de la toma de decisiones de la organización, tanto en el sector público como en el privado. Mejorar el desempeño de los organismos de gobierno, los servicios y la rendición de cuentas y desarrollar soluciones centradas en el bienestar de las personas son las principales exigencias que se buscan resolver.
Esta demanda no es imposible de satisfacer. El sector público, que desde hace años viene acumulando experiencia y registra información de manera no estructurada (expedientes y otros documentos), tiene hoy a su alcance tecnologías de AI y de Analytics para optimizar procesos y utilizar datos que satisfagan las crecientes exigencias que buscan mejorar la vida de los ciudadanos. Ser más inteligente, más eficiente y más receptivo es el propósito.
Hay ejemplos concretos de este tipo innovación en el sector público, incluso en Argentina. 7Puentes, junto a la Fundación Sadosky, relevó y diseñó un Sistema de Gestión de Seguimiento de Casos en el Ministerio Público Fiscal de la Nación. Este proyecto incluyó la planificación de la arquitectura de la información, el diseño del modelo de datos y sus relaciones; el desarrollo de la base de conocimiento (knowledge-base) y el sistema de exploración de información no-vinculada. Se le brindaron, además, recomendaciones sobre técnicas y metodologías de digitalización masiva de libros escritos a mano y formas de explotación de la información. Valiéndose de técnicas de Machine Learning, Computer Vision y el asesoramiento brindado, esto hizo posible formalizar y optimizar el proceso de los casos de investigación que trataba la Unidad Fiscal.
Las herramientas de IA pueden utilizarse no solo para la automatización o la analítica predictiva, sino también como un activo estratégico que puede monitorear los sistemas de información dentro y entre las agencias públicas.
Si bien tiene el potencial de transformar los procesos de toma de decisiones, estas herramientas a menudo se promueven como una solución de política única para todos. La capacidad de las herramientas de IA para automatizar estos procesos depende de cinco consideraciones clave:
En primer lugar, es importante entender la naturaleza del problema que se buscan resolver utilizando herramientas de Inteligencia Artificial. Por ejemplo, no todas las decisiones políticas dependen de la predicción; algunos problemas de política requieren inferencias causales, es decir, la comprensión de los mecanismos subyacentes. Comprender la diferencia entre el problema de la política de causalidad y predicción es un primer paso fundamental para desarrollar herramientas de IA.
En segundo lugar, una vez que se ha identificado el problema, es importante considerar los tipos de datos disponibles para abordar el problema. Históricamente, esto ha sido un problema en Gobierno donde los datos están fragmentados, no están normalizados y se despliegan ampliamente. La construcción de herramientas de IA que ayuden a la toma de decisiones (o tomen decisiones directamente) dependerá de la disponibilidad de grandes volúmenes de datos. Asimismo, la alimentación de datos de calidad que provienen de múltiples fuentes será un ingrediente esencial para desarrollar estas herramientas.
En tercer lugar, estas herramientas de IA necesitan grandes volúmenes de datos de entrenamiento. Los algoritmos necesitan datos de capacitación suficientes para desarrollar sus capacidades de predicción antes de que puedan implementarse con confianza. Además, el conjunto de datos de resultados debe ser una muestra representativa que capte varios matices del conjunto de la población. De lo contrario, la herramienta tendrá una utilidad práctica limitada.
En cuarto lugar, es fundamental evaluar la calidad de los datos que se integran en las bases de datos. El poder de decisión de las herramientas de IA depende de la calidad de los datos alimentados en estos sistemas. Los algoritmos de negociación están diseñados para responder a las tendencias de las noticias, y la difusión sin control de información falsa puede potencialmente engañar a estas herramientas.
Finalmente, a medida que aprovechamos cada vez más las herramientas de IA para clasificar, recomendar y tomar decisiones, debemos garantizar la seguridad informática. Las iniciativas coordinadas en todas las agencias públicas son un buen primer paso para proteger los datos de los piratas informáticos, especialmente cuando las herramientas de IA se convierten en un componente crítico para la prestación de servicios públicos. Las agencias públicas también deben pensar en diseñar sistemas y procesos de flujo de datos que tengan elementos de privacidad incorporados.
Del mismo modo que lo hace con otras industrias, 7Puentes ofrece al sector público soluciones tecnológicas basadas en datos cuyo objetivo sea lograr administraciones eficientes y transparentes, poniendo por encima de todo al usuario final que es la población toda.
Data Science & Retail: mucho más que una tendencia
De qué manera la Ciencia de Datos puede ofrecer soluciones concretas a los desafíos de un sector en constante cambio y cuyo objetivo primordial es la diferenciación y la generación de nuevas oportunidades de valor.
La aplicación de técnicas de Data Science en el sector de Retail lleva a la industria mucho más allá de los conceptos básicos de Big Data. Durante años se ha evangelizado sobre que los datos son la clave y que deben aprovecharse para tomar todas las decisiones: qué almacenar, cuánto comprar, qué productos recomendar a los clientes habituales, etc. Pero hacer mucho más con esos datos a través de Data Science es, sin lugar a duda, lo que los profesionales del Retail deben hacer para asegurar el éxito en las condiciones actuales del mercado.
El Retail es una industria muy representativa en la mayoría de los mercados, que crece año tras año, sosteniendo dicho crecimiento en la necesidad de innovar constantemente. En 7Puentes entendemos que este sector es el que más necesidad tiene de entender a los consumidores que demandan personalización, elasticidad y mayor adaptación a sus necesidades.
Data Science busca contribuir al desarrollo de esta industria, para:
Predecir las necesidades y el comportamiento de los clientes, maximizando su fidelización
Prever exitosamente la demanda en los puntos de ventas de bienes y servicios
Administrar el stock en los centros de distribución, las tiendas y la cadena de suministro
Optimizar la fijación de precios
Casos de uso de Data Science en el sector de Retail
Existen distintos modos en los que los datos pueden usarse en el Retail. Uno de ellos tiene que ver con los datos demográficos: todos los retailers quieren conocer a su comprador objetivo. Sin embargo, no basta con conocer el pasado y presente de sus interacciones.
La clave de los servicios de Data Science que ofrecemos en 7Puentes a nuestros clientes del sector de Retail está en predecir qué harán y qué necesitarán los clientes en el futuro para, de ese modo, administrar el stock de los puntos de venta y las ofertas.
Asimismo, los datos demográficos del comprador no son permanentes: que un comprador adquiera un determinado producto para la higiene del bebé, por ejemplo, no significa que debamos sugerírselo para siempre. Las necesidades de los clientes cambian con el tiempo y los profesionales del Retail necesitan de los datos para diferenciar aquellos productos adquiridos en el pasado que podría volver a comprar, de aquellos que seguramente comprará por única vez o en forma temporal.
Otro caso de uso tiene que ver con lo que se denomina precio dinámico. Data Science hace posible la fijación de precios en tiempo real, utilizando métricas “segundo a segundo” (información de cadena de abastecimiento e inventario, precios de competidores, datos de comportamiento del mercado y de los consumidores, etc.).
Una vez que los retailers cuentan con los datos y la capacidad para actuar sobre los hábitos de gasto, el comportamiento y las tendencias del mercado, pueden personalizar sus ofertas para crear una experiencia que impulse las ventas.
Data Science permite automatizar el análisis de la información e ir más allá de lo superficial para llegar a conocer realmente al cliente, descubrir patrones detrás de los datos y hacer que los mismos sean procesables mediante la incorporación de análisis predictivos. En lugar de simplemente entender en qué consisten los surtidos de sus competidores y qué han comprado sus clientes en el pasado, pueden descubrir cómo planear mejor sus ofertas para proporcionar lo que los compradores quieren, incluso, antes de saber que lo quieren.
En este contexto, Data Science lleva Big Data a un nivel superior y une las piezas de un rompecabezas fragmentado. Esto se logra combinando los datos de los clientes con las tendencias del mercado y, así, ofrecer a los retailers un plan de acción holístico para llegar mejor a sus clientes. De este modo, podrán optimizar los precios y predecir el comportamiento de compra con un mayor grado de precisión.
Desde la perspectiva de 7Puentes, un procesamiento inteligente de los datos mejora el proceso de toma de decisiones, al contar con información más precisa que acompañe este camino. Esta mejora, finalmente lo que hace es impulsar el crecimiento de los ingresos de una manera más eficiente.
Cómo enfrentarnos al avance inminente de la Inteligencia Artificial en el ámbito laboral y cómo aprovecharla en pos de lograr una mayor productividad
Decir que estamos viviendo la era dorada de la Inteligencia Artificial no sería 100% fiel a la realidad. IA es un recurso lo suficientemente sólido como para hacer frente a muchas tareas complejas, pero no es tan poderoso como para temerle. Para aquellas tareas en las que se requiere un uso intensivo del pensamiento humano, aún necesitamos de las personas. De hecho, muchas industrias creativas por naturaleza han tenido que retroceder en el uso intensivo de la Inteligencia Artificial por no estar a la altura de las circunstancias.
En ese sentido, sí podemos afirmar que estamos viviendo la era de la productividad mejorada gracias a la Inteligencia Artificial. De hecho, en 7Puentes entendemos que IA debe ser parte integral de la gran mayoría de los procesos de trabajo al ofrecer beneficios concretos.
Los saltos tecnológicos suelen ser resistidos (hay trabajadores que no pueden concebir la idea de contar con la colaboración de máquinas en el desempeño de sus tareas). Sin embargo, la clave para que el pánico no nos invada radica en tener claro qué cuestiones de nuestro trabajo pueden ser reemplazadas por máquinas y en cuáles el factor humano agrega valor excluyentemente.
Si aquellos detractores extremos de la cooperación con las máquinas no quieren perder sus trabajos en manos de colegas que aprendieron a trabajar colaborativamente con ellas, el primer paso es dejar de “tapar el sol con la mano”. La salida de este callejón está en prestar atención a los recursos que la Inteligencia Artificial puede ofrecernos para facilitar nuestro trabajo.
No podemos renunciar a la creatividad y a la intuición como rasgos humanos, eso está claro. Ambos atributos representan una suerte de sexto sentido inherentemente humano. Pero eso no quita que no reconozcamos que las máquinas pueden ser altamente creativas y que pueden producir sorprendentes y artísticamente innovadores trabajos.
La intuición, mientras tanto, sigue siendo un tema “espinoso”. Los mejores expertos en Inteligencia Artificial del mundo aún no han podido resolver cómo equiparar IA e intuición. Mientras ese enigma no se devele, los seres humanos seguiremos corriendo con ventaja respecto de las máquinas en nuestros lugares de trabajo.
Con la Inteligencia Artificial como compañera de trabajo, nuestro día a día se vuelve sospechosamente utópico. Las máquinas pueden hacerse cargo de las tareas más ingratas que, hasta hace poco, eran demasiado complejas para ser automatizadas. Los seres humanos, podemos sumergirnos en los aspectos más creativos y gratificantes de nuestros trabajos. La automatización de tareas, el principal foco de 7Puentes en los proyectos de IA, permite liberar capital humano para enfocarlo en aspectos más relevantes del proceso productivo.
Nos encontramos en una extraña posición: tenemos que aceptar que la Inteligencia Artificial está dominando rápidamente lo que por mucho tiempo hemos considerado por fuera de sus posibilidades. No sólo eso, también debemos reconocer el hecho de que adoptar AI se está convirtiendo rápidamente en un prerrequisito para sobresalir en muchos campos.
Démosle la bienvenida, entonces, a la Inteligencia Artificial como una nueva compañera de trabajo.
Inteligencia artificial y blockchain: los caballos de batalla del mundo de las finanzas
Un acercamiento a la forma en la que estas dos tecnologías interactúan entre sí para potenciar la industria financiera.
Las tecnologías disruptivas transforman a las industrias tradicionales y nadie puede detener este incesante avance. Los negocios requerirán, cada vez más, de soluciones innovadoras: los errores humanos son, rápidamente, reemplazados por “fallas del sistema”.
En este contexto, blockchain (base de datos distribuida, formada por cadenas de bloques diseñadas para evitar su modificación una vez que un dato ha sido publicado usando un sellado de tiempo confiable) e inteligencia artificial son dos componentes fuertemente sinérgicos y complementarios: el ying y el yang de los negocios digitales, por así decirlo. Mientras la primera nos ayuda a verificar, ejecutar y registrar; la segunda, permite valorar, comprender, reconocer y tomar decisiones.
Mientras las técnicas de machine learning, parte esencial de la inteligencia artificial, sostienen y potencian la toma de decisiones y la detección de oportunidades, las blockchains hacen posible la verificación automática de las partes transaccionales del mismo proceso. IA es la parte “creativa”, abstracta, del proceso; mientras que blockchain se centra en el aspecto pragmático del mismo, en los hechos y, de ese modo, valida los mismos y aporta la confianza y el respaldo necesarios. De ahí que su principal aplicación, o la más difundida, sea el mundo de las finanzas.
La adopción de blockchain a nivel mundial crece aceleradamente, siendo cada vez más visible la aceptación de innovaciones financieras en distintas naciones alrededor del mundo. Su naturaleza descentralizada se está utilizando para aprovechar la inteligencia comunitaria. Esto hace que la inversión sea más accesible para todos y aprovecha las nuevas posibilidades de inteligencia artificial de última generación y el aprendizaje automático.
La industria fintech tiene un rol cada vez más protagónico en la economía actual, y su relevancia crece a la misma velocidad que las tecnologías mencionadas. Desde nuestro punto de vista, ha alterado radicalmente el escenario financiero al facilitar la aplicación de Big Data y de complejos cálculos en la toma de decisiones financieras: blockchain hará con el sistema financiero lo que Internet ha hecho con los medios de comunicación, ya nada volverá a ser como antes. Asimismo, será fundamento para el desarrollo de la Internet de las cosas, pues servirá para proveer el 20% de estos servicios en 2020, según vaticina la firma de analistas IDC.
En este contexto, la ciberseguridad, de la mano inevitable de la inteligencia artificial, se vuelve vital: reducción del fraude, incremento de la eficiencia y, en conclusión, reducción de costos. Nuevos puntos en común entre IA y blockchain: esta última permite transformar activos no digitales en "contratos inteligentes" digitales para aumentar su seguridad.
Como dijimos al comienzo de este artículo, este ritmo incesante de innovación ya no se detendrá. Las entidades bancarias tradicionales deberán evolucionar para sobrevivir y las fintech forzarán este proceso de transformación digital. Empresas como 7Puentes pueden potenciar la exactitud y capacidad predictiva necesarias gracias a la aplicación de Data Science en el mundo de las finanzas no tradicionales.
AgTech & Imágenes Satelitales: Una imagen vale más que mil palabras
A través de la aplicación de técnicas de machine learning, hoy es posible conocer el historial de inundaciones de una superficie rural.
Existen hoy múltiples aplicaciones para el procesamiento de imágenes satelitales. Su principal beneficio radica en que podemos abordar problemáticas complejas y comprenderlas para, así, tomar mejores decisiones que agreguen valor al negocio.
La tecnología ha evolucionado de tal manera que un objeto en el espacio (un satélite) puede detectar minúsculos cambios en la información (imágenes, en este caso) a cientos de kilómetros de distancia de la Tierra. Desde niveles de agua hasta densidad de población, desde expansión urbana, pasando por las especies de árboles que crecen en una determinada selva, las imágenes satelitales pueden mapear volúmenes de datos prácticamente ilimitados.
Los satélites en órbita toman fotografías específicas que estarán disponibles para ser manipuladas con el propósito de rastrear distintos tipos de información. Pueden ser utilizadas para un número ilimitado de propósitos por las distintas organizaciones que tengan acceso a ellas y que cuenten con la habilidad de analizar la información que contienen (no son fotografías tradicionales sino que toman radiación más allá del espectro visible). En el caso de 7Puentes, venimos trabajando desde hace tiempo en el procesamiento de imágenes satelitales, a través de la aplicación de técnicas de machine learning -sistemas capaces de aprender en forma automática e identificar patrones complejos en millones de datos, prediciendo comportamientos futuros.
Análisis de inundaciones rurales
Como anticipamos, existe una multiplicidad de usos del procesamiento de imágenes satelitales y una de las industrias que mayor provecho saca de estas técnicas, que buscan hacer detección de riesgo en forma temprana y focalizada con el objetivo de reducir costos, es el agro.
Un ejemplo de nuestro trabajo en esta área tiene que ver con el estudio del anegamiento de zonas rurales de Argentina. A partir del análisis de las imágenes de un sector rural en períodos de tiempo determinados, pudimos establecer el riesgo de anegamiento de dicha zona. Este tipo de información puede resultar vital para inmobiliarias rurales, consignatarios de hacienda, productores, bancos, compañías aseguradoras, desarrolladores de fideicomisos agropecuarios y consorcios.
¿Cómo lo hicimos? Se analizaron dos imágenes de un mismo radio de nueve kilómetros cuadrados provenientes del satélite landsat 8, tanto de 2015 (año en que el Río Salado, cercano al área analizada, se desbordó) como de 2017. La primera imagen (2015) muestra que en el radio monitoreado hay zonas (azul) con el máximo de agua posible (inundación) y otras sin agua:
La segunda imagen (2017) muestra que, si bien hubo lluvias, no se desbordó el Río Salado y la zona no se mostró anegada en ningún sector:
Recurrir a imágenes es tan contundente que no deja lugar a dudas. El análisis de estas imágenes satelitales nos lleva a la conclusión de que esta es una buena zona para la explotación agropecuaria, desde el punto de vista hídrico.
Así, desde 7Puentes ofrecemos grandes volúmenes de datos recolectados y procesados en forma inteligente cuyo fin es generar un valor agregado.
Procesamiento de imágenes satelitales: el desafío de la selva del Amazonas
En 7Puentes somos amantes de los desafíos y si tienen que ver con aquello que nos gusta y sabemos hacer, mejor aún. Es por ello que nos anotamos en una competencia de Kaggle, la comunidad de cientistas de datos más grande del mundo, llamada "Planet: Understanding the Amazon from Space".
El propósito de la competencia es, a través de imágenes satelitales, detectar la deforestación en el bosque tropical más extenso del mundo: la selva del Amazonas. Para ello, el reto consiste en desarrollar un algoritmo que pueda “taggear” (o clasificar) en 17 categorías posibles imágenes satelitales con diversas condiciones atmosféricas y clases de superficies.
Al evidenciarse la transformación de la superficie en las imágenes satelitales, se busca hacer un aporte para poder prevenir y tratar las áreas deforestadas a futuro.
La competencia provee de un dataset de imágenes satelitales del tipo GeoTiff. Cada una de estas imágenes (en la competencia se llaman chips) posee cuatro bandas de datos: roja, verde, azul e infrarroja. Este tipo de imágenes se suelen llamar multiespectrales y son tomadas por cámaras especiales que no solo toman el reflejo del espectro visible, sino también las bandas infrarrojas y ultravioletas. El tamaño de cada imagen es de 256px por 256px, donde cada pixel representa alrededor de 3,15 metros cuadrados.
Cada chip es clasificada en una o más categorías, indicando que puede observarse de una forma parecida a como se ve en la imagen de abajo:
Para hacer frente a este desafío elegimos utilizar redes convolutivas (CNN por sus siglas en inglés), un tipo de red neuronal especializada en visión por computadora (Computer Vision). Este tipo de redes, si bien están presentes en la literatura especializada hace ya mucho tiempo, son parte del auge actual del deep learning o aprendizaje profundo.
Pero quizás muchos no estén al tanto de este auge actual, así que empecemos por el principio: ¿Qué es una red neuronal?
Una red neuronal es un modelo que imita el funcionamiento de las redes neuronales de los organismos vivos y, al igual que estos sistemas, está formado por un conjunto de neuronas conectadas entre sí. Una neurona puede ser vista como una función que "mapea" un dato de entrada a una salida y una red neuronal, es un aglomerado de dichas funciones para poder hacer "mapeos" más complejos. Ninguna de estas neuronas tiene una tarea concreta: a la red se la provee de un input y de un output. Posteriormente, las neuronas van creando y reforzando ciertas conexiones para "aprender" y, en un futuro, recibir sólo el input y, por ejemplo, poder definir el output por sí solas.
¿Cómo se crean y refuerzan las conexiones entre neuronas? Existen diferentes algoritmos de aprendizaje para darles comportamiento (peso), lo que definirá cuáles de ellas son más o menos significativas y cuándo propagarán información a las neuronas a las cuales están conectadas.
Para poder construir nuestro algoritmo primeramente elegimos usar Python, como lenguaje, y TensorFlow, que es una librería de software de código abierto desarrollada y utilizada por el equipo de Cerebro de Google. Para simplificar aún más la tarea, elegimos utilizar una librería llamada Keras, que permite focalizarnos solamente en la forma de la red neuronal y en el aprendizaje de la misma, y no tanto en detalles de bajo nivel. Además, recurrimos a la investigación de redes neuronales profundas, que permite la manipulación de imágenes mediante cálculos matemáticos y aumenta considerablemente la velocidad de aprendizaje de una red neuronal.
Para llevar a cabo el desarrollo elegimos utilizar Jupyter Notebook. Esta aplicación web de código abierto nos permite crear y compartir documentos en tiempo real. Cuenta con soporte para alrededor de 40 diferentes lenguajes de programación incluyendo a Python, nuestro lenguaje elegido, por lo que el desarrollo y la prueba del código fueron hechas con esta herramienta.
El código es ejecutado en una instancia p2.xlarge de Amazon que se caracterizan por ser instancias potentes y escalables diseñadas para la paralelización y el cálculo mediante el uso de GPUS, ideales, entre otras cosas, para machine learning.
Lo primero hicimos fue transformar nuestro set de training, 40.479 imágenes .tif y sus respectivos, en un input para la red neuronal:
Para ello cargamos las imágenes como una matriz de 256x256x4 (256x256 es su tamaño original y 4 son las bandas). A esa matriz la redujimos a una de dimensión 128x128x4 por problemas con la memoria ya que, luego de intentarlo con el tamaño original, descubrimos que las imágenes eran tan grandes que no llegaban a completar el training.
Para los labels elegimos mapear cada uno de ellos a un número i ∈ [0,16] ya que decidimos representarlos como un array de 17 ceros, donde la posición i sólo tendría valor uno si el label mapeado al número i pertenece a esa imagen. De esta manera, los labels de cada imagen son representados por una matriz de 1x17. Cada una de las representaciones de los labels son agregados al array y_train.
Entonces ya tenemos por un lado todas las imágenes en x_train y sus respectivos labels en y_train.
Con los datos cargados luego dividimos el total de imágenes en un conjunto de test y en otro de validación que serán utilizados por la red neuronal para entrenarse y, según los resultados que obtenga más los esperados, auto ajustar los parámetros con el fin de aprender a etiquetar correctamente las imágenes.
Elegimos que el set de training sea considerablemente más grande que el de validación para nutrir la red neuronal con más ejemplos de input, por eso tomamos para train 35.000 imágenes para que en validación sólo queden las restantes 5.497.
Luego armamos el modelo, es decir, el esqueleto de la red neuronal:
Elegimos una red neuronal secuencial, lo que supone que la información pasa entre las capas en el orden que les demos, una sóla vez.
Cada una de las operaciones “add” que le aplicamos al modelo es una nueva capa de neuronas que agregamos para formar la red, entre las cuales podemos destacar tres:
Las capas de neuronas convolucionales: aquellas que aplican una convolución a la entrada (en nuestro caso las capas creadas con Conv2D). Esta operación produce una transformación en los datos para que ciertas características que son determinadas por la forma del núcleo de la neurona se vean resaltadas en la imagen de salida mediante un valor numérico más alto en los pixeles que la representan. Esto se usa por ejemplo para la detección de formas y bordes.
Las capas de neuronas de reducción de muestreo, que se encargan de encontrar los valores máximos en una muestra y pasar esos valores como las características más importantes sobre el área de input (por ejemplo, las capas creadas con MaxPooling2D). De esta manera, el tamaño de los datos se va reduciendo a las características más representativas de las imágenes.
Las capas de prevención de overfitting (prevenir que el aprendizaje de la red sólo sirva para este grupo de imágenes por estar demasiado ligado con el input), que apaga o pone en cero un porcentaje dado de unidades del input al azar en cada vuelta de aprendizaje de la red neuronal (en nuestro caso la capa dropout que apaga el 0,15 % del input aleatoriamente)
Después del armado del esqueleto de la red neuronal, se compiló la misma y se eligió una función de pérdida, de optimización y de qué manera se sacarán las métricas para que la red pueda realizar el ajuste de parámetros.
Una vez hecho esto, sólo resta alimentar la red neuronal con el conjunto de test y el de validation anteriormente creados eligiendo cuantas épocas tendrá (que tantas veces se va a alimentar de todo el input para ajustar los parámetros):
Para esto tenemos que repetir los pasos de transformación de las imágenes tiff para training: transformarlos en una matriz 256x256x4, luego reducirla a 128x128x128 y dividir por el máximo para que los valores sean entre cero y uno.
Ahora, simplemente le pedimos al modelo que prediga el output del nuevo set de imágenes del cual no tenemos sus correspondientes labels:
El output de la red neuronal son las representaciones de labels de cada uno de los archivos que recibimos como input, es decir, cada una de las representaciones es un array de 17 posiciones con un valor de cero a uno.
Cómo nosotros tenemos que guardar en un archivo .csv el nombre de la imagen junto a sus labels, elegimos un umbral por el cual si el valor de la posición i de la representación es mayor a él, entonces la imagen tendrá ese label.
Luego de 8 intentos subidos a la competencia de Kaggle en los cuales variamos el tamaño de las imágenes, la cantidad de épocas y el umbral, actualmente estamos en la posición 302 de la competencia, habiendo subido 15 puestos desde nuestro primer intento.
En próximos posts podrán conocer nuestros avances y, también, una nueva y absolutamente diferente aplicación concreta de esta metodología de deep learning: se trata del recuento de individuos presentes en una manifestación masiva en la Ciudad de Buenos Aires.
Algoritmos y data mining para resolver los desafíos de datos de la Web
El inmenso caudal de datos que deben administrar hoy las empresas, contemplando las múltiples ofertas de comunicación con el cliente, lo que se llama omnicanal, presenta el desafío de lidiar con un elevado tráfico de datos. Hasta las tareas más simples, como contar con visitantes únicos, se vuelve compleja cuando pensamos en millones de usuarios y cientos de miles de recursos; en ese contexto es necesario recurrir a una nueva algoritmia para resolver estos desafíos.
Bajo el título “Tópicos de Estadística y Data Mining en Big Data”, Ernesto Mislej, Director de 7Puentes, dictó un taller en el que presentó una recopilación de técnicas, algoritmos y problemas para resolver los desafíos anteriormente planteados. Allí se puso énfasis en Big Data, focalizándose en problemas derivados de la web.
“Los algoritmos y métodos de minería de datos tradicionales, son revisitados para poder tratar las características que nos desafía Big Data ¿Qué pasa cuando los volúmenes de datos son tan grandes que no pueden ser alojados en un único disco rígido? ¿Cómo podemos medir el impacto de una campaña cuando nuestra audiencia es tan volátil que, cuando nos disponemos a observarla, ya se esfumó? ¿Es posible utilizar la totalidad de la información disponible, o debemos escoger una muestra?Y en ese caso, ¿cómo lo hacemos?”, fueron los puntos tratados por Mislej junto a los asistentes al workshop.
Este taller se dictó en el marco del workshop de verano: “Extracción eficientes de datos semánticos”, dictado en Santiago de Chile los días 16 y 17 de enero de 2017 y organizado por el Centro de Investigación Semántica de la Web. El propósito del CIWS (por sus siglas en inglés) es el de investigar cuál es la forma más eficiente de extraer datos semánticos de la Web y desarrollar herramientas básicas para hacer que esa extracción sea aún más efectiva. Esta iniciativa congrega a docentes, investigadores y estudiantes de distintas universidades de Chile.
Datos abiertos: ¿cuál es el límite para la innovación en el uso de los datos?
7Puentes participó en Argentina Abierta, el Primer Foro Nacional de Gobierno Abierto y Tecnología Cívica de Argentina organizado en Tecnópolis por el Ministerio de Modernización de la Nación. Innovación Pública, Datos Abiertos, Alianza para el Gobierno Abierto, Tecnologías Cívicas, Parlamento Abierto, Justicia Abierta, Emprendedorismo y Periodismo de datos, Acceso a la Información y Anticorrupción fueron los temas abordados por casi 130 expositores en 26 paneles.
“Cuando hablamos de innovación en el uso de los datos, nos estamos refiriendo a que se utilizarán con fines diferentes al propósito original para el que esos datos fueron relevados”, explicó Ernesto Mislej, socio de 7Puentes y expositor en el panel Ciencia Abierta sobre la temática Datos Abiertos. Para aclarar la idea de innovación en datos citó el caso de LinkedIn “una red social que nació para administrar currículums pero cuyos datos almacenados permiten, por ejemplo, conocer cuál es la demanda laboral de una determinada sociedad”.
La transparencia es un pilar fundamental de los estados modernos y abiertos a la ciudadanía. No obstante, a la hora de hablar y defender la idea de una apertura de los datos, debemos estar dispuestos a dar el siguiente debate: hay que ser cuidadosos con la doble tensión que surge entre aquellas empresas u organismos que usan esos datos recopilados con otro fin y, por otro lado, la manera en que dichos datos son protegidos por el Estado o amparados en leyes de datos personales. “Liberar los datos indiscriminadamente y no regular su utilización resulta irresponsable a primera vista”, opinó Mislej.
7Puentes brinda asesoramiento a start ups en Tucumán
En la Provincia de Tucumán se está gestando algo más que interesante. AETTI (la Asociación de Empresas Tucumanas de Tecnología de la Información) creó una incubadora que ofrece acompañamiento a los emprendedores que quieran obtener financiamiento para hacer crecer sus negocios: AETTI Hub. Y hasta allá fuimos, a aportarles nuevas ideas, propuestas de valor para sus empresas y para motivarlos a que tracen puentes entre los distintos sectores.
Ernesto Mislej, Director de 7Puentes, brindó en la capital tucumana semanas atrás una charla a las empresas que integran AETTI Hub. Puso foco en la importancia de aprovechar los datos para obtener mayor rentabilidad en las organizaciones. “Estas empresas, más allá de tener modelos de negocios particulares y propios, generan datos, lo que las transforma en compañías de información. La clave está en investigar qué otros valores pueden extraer de esos datos para monetizarse y desarrollar otras líneas de negocio que las vuelvan aún más rentables”, explicó Mislej luego de su exposición, realizada en el marco de Camino Emprendedor, evento organizado por la incubadora.
Desde la perspectiva de la ciencia de datos, estos últimos hoy se presentan de manera compleja y, a la vez, tienen la potencialidad de utilizarse dentro de un modelo de negocio que permita ganar dinero, predecir eventos y modelar el comportamiento de los consumidores.
Entonces, esta complejidad es un desafío porque las empresas, como las start ups en este caso, deberán ser lo suficientemente inteligentes para trabajar con un solo aspecto de esa complejidad, para seleccionar los parámetros que permitan simplificarla. “Ante ese sinfín de datos hay que frenar y preguntarse si hace falta ese nivel de rigurosidad, si se debe monitorear una variable y no todas”, recomendó Mislej. En ese contexto es que 7Puentes propone a los emprendedores pensar en términos de MVM: Minimum Valuable Model.
“MVM parte del principio presupuesto de que las starts ups basadas en datos necesitan contar con modelos de data science accesibles para su realidad financiera pero que, de todos modos, sean aceptables en términos de precisión. Esta metodología de trabajo, basada en modelos mínimos y efectivos, reduce los riesgos a la inversión”, explicó Mislej a las empresas de AETTI Hub.
Con este y otros conceptos, 7Puentes capacitó y seguirá asesorando a estas start ups para despertar motivaciones, hacer que puedan evaluar emprendimientos de distintas partes del mundo y para que aprendan a ver cómo generar un nuevo valor a partir del uso de los datos que generan ellas.
Big Data y agro dijeron presente en las JAIIO 2016
7Puentes presentó Palenque, la plataforma de grandes datos para el agro, junto a sus colegas de FluxIT, en AGRANDA, el Simposio Argentino de Grandes Datos, que este año formó parte de las 45° Jornadas Argentinas de Informática (JAIIO 2016), organizadas por la Sociedad Argentina de Informática e Investigación Operativa (SADIO).
Palenque es una plataforma y un ecosistema de aplicaciones que brindarán soluciones tecnológicas basadas en grandes datos a los productores agropecuarios, así como al sector público y otros actores del sistema productivo y científico.
Este proyecto, que fue cofinanciado entre la Fundación Sadosky (Ministerio de Ciencia y Tecnología de la Nación) y el Ministerio de Agroindustria y que contó también con el soporte del equipo de I+D de AACREA (Asociación Argentina de Consorcios Regionales de Experimentación Agrícola), surge en un contexto en el cual comienza a desarrollarse una nueva tendencia relacionada a la agricultura denominada data drive agriculture, en la cual la tecnología de la información se posiciona en el corazón de la explotación agrícola.
“El concepto de data drive agriculture supone que las tecnologías vinculadas al sistema de geoposicionamiento satelital permiten obtener datos georreferenciales de distintos sitios de un lote para luego poder procesar esta información con sistemas especializados, lo que permite elaborar diferentes mapas o modelos con información precisa en sus diferentes áreas”, explica Ernesto Mislej, Director de 7Puentes y quien expuso los resultados de Palenque en AGRANDA. Las nuevas tecnologías permiten realizar el seguimiento y la gestión de todas estas tareas de manera integrada, remota y en tiempo real, pudiendo regular sus acciones a partir del retorno que reciben.
La presentación obtuvo interesantes repercusiones y los expositores de ambas empresas, FluxIT 7Puentes, contaron con un público numeroso.
En un país como Argentina, en el cual la agricultura ostenta un nivel de competitividad único en el mundo, un proyecto como Palenque se volvía esencial y prioritario. Con un mayor nivel de precisión en la información puede potenciarse el rendimiento productivo de los campos y, en definitiva, aumentar la producción agrícola. Tecnología y agricultura trabajando de la mano para estar a la vanguardia y agregar un valor incalculable.
