Los negocios como de costumbre no brindan las mismas oportunidades a las niñas
La brecha de género en la educación es grave. A más de 130 millones de niñas ya se les negaba la educación antes de que golpeara COVID-19. Y a medida que cerraron las escuelas en todo el mundo, la UNESCO estimó que 11 millones de niñas corren el riesgo de no regresar a ellas.
Esto podría significar un gran paso atrás después de años de progreso lento pero constante hacia la igualdad de género. También pone a las niñas en riesgo de embarazos en la adolescencia, matrimonios precoces y forzados y violencia de género. Incluso antes de COVID-19, la tasa de cambio no era lo rápida que se necesitaba, de acuerdo con Justine Sass, jefa de la Sección de Educación para la Inclusión y la Igualdad de Género de la UNESCO. La UNESCO se asoció con Microsoft en el hackathon bajo la Iniciativa de Género de la Coalición Mundial para la Educación de la UNESCO, que une a más de 70 instituciones de las Naciones Unidas, la sociedad civil, el mundo académico y el sector privado, para ayudar a minimizar los efectos de COVID-19 en la educación y la igualdad de género.
La UNESCO cree que reducir la educación de las niñas tiene un impacto final en el mundo entero. En una era en la que los trabajos requieren cada vez más de habilidades digitales, educar a las niñas puede impulsar las economías locales y regionales y combatir la pobreza. Pero esto no sucede con la velocidad suficiente.
“El año pasado fue el 25 aniversario de la Declaración de Beijing”, comentó Sass, refiriéndose a la declaración de la ONU de garantizar la igualdad para las mujeres en todo el mundo. “Si seguimos a este ritmo, no conseguiremos que todas las niñas vayan a la escuela primaria hasta 2050”.
Y aun así, dos tercios de los adultos analfabetos en el mundo son mujeres, dice.
“Ha sido la misma proporción desde el año 2000, así que no hemos tenido progreso en esa área”, comentó Sass.
“Si el punto de la educación es abrir oportunidades iguales para niños y jóvenes, sin importar su género, no ha funcionado hasta el momento.”
No puedes ser lo que no ves
Un primer paso fundamental es exponer a las niñas a modelos femeninos positivos en los campos STEM. Las niñas que conocen a una mujer en una profesión STEM son, de manera significativa, más propensas a sentirse seguras al hacer cursos STEM (61%) que aquellas que no conocen a una mujer en una profesión STEM (44%).
Por desgracia, la mayoría de las niñas tan solo no tienen ese tipo de modelos a seguir en sus vidas. Cuando se les pide que describan a un científico, ingeniero, matemático o programador, el 30% de las niñas esbozan personajes masculinos. Incluso las mujeres adultas hacen lo mismo (40%), incluido el 43% de las mujeres que trabajan en STEM.
“En la UNESCO, a menudo buscamos abordar los estereotipos de género, por ejemplo, en los libros de texto, y ofrecer visiones más equitativas del mundo”, comentó Sass. “Necesitamos empezar con algo pequeño. ¿Quién está representado como político y quién está representado en la cocina en los libros que los estudiantes ven en la escuela?”
Quizás aún más importante, una investigación reciente de Microsoft muestra que las niñas no ven cómo una carrera STEM puede ser creativa y tener un impacto positivo en el mundo. Pero al poner en escena “intervenciones” en forma de dar a las niñas modelos a seguir y exponerlas a aplicaciones STEM del mundo real, los educadores tienen el poder de cambiar sus formas de pensar de manera importante.
Un estudio encontró que participar en una “intervención de modelo a seguir” proactiva, aumentó el interés de las niñas en STEM entre un 20% y 30%. Esta es justo la razón por la que la UNESCO busca involucrar a modelos a seguir femeninos, incluidas profesoras, para cerrar las brechas digital y de STEM, a través de iniciativas como YouthMobile, que se movilizó para apoyar a esta primera edición para niñas del Imagine Cup Junior Virtual AI Hackathon de Microsoft.
“No tenemos niñas mayores que demuestren que son capaces”, comentó Karla, estudiante de último año de la Escuela Superior de Matemáticas y Ciencias Naturales en Osijek, Croacia, una pequeña ciudad en el río Drava. Su equipo quedó tercero en el hackathon. Tal vez existan, dicen, pero “no hablan de eso y no nos muestran al resto de nosotros lo que hacen”.
Justo por esa falta de visibilidad de mujeres en STEM, fue un gran impulso participar en el hackathon junto con más de 80 niñas de países de Europa, África y Medio Oriente y recibir consejos de otras mujeres en el campo, comentó Anamika, estudiante de tercer año en Corro Waterfall High School en el sur de Sudáfrica, y miembro del equipo sudafricano.
Un hackathon como intervención para interesar a las niñas en la IA
El tema del hackathon se centró en AI for Earth y sustentabilidad. Los únicos requisitos previos eran que las niñas tuvieran entre 14 y 18 años y estuvieran interesadas en STEM.
Antes del hackathon, a las participaciones se les asignaron tareas y actividades de “nivelación” que las introdujeron en la codificación. Durante el evento virtual de dos días en Microsoft Teams, se les invitó a asistir a charlas de mujeres en los campos STEM y a participar en talleres prácticos donde trabajaron juntas en ejercicios prácticos diseñados para enseñarles cómo la IA podría usarse para resolver problemas del mundo real a través de modelado y técnicas de predicción de IA, como árboles de decisión y bosques de decisión aleatoria.
El desafío definitivo que fue presentado a los equipos: Usar las herramientas de IA que habían aprendido para encontrar una forma de salvar una especie.
La mayoría de las chicas entraron en el hackathon sintiéndose nerviosas e inseguras de sí mismas, de acuerdo con Nokuthula Mnguni, profesora de tecnologías de la información que fue mentora del equipo sudafricano.
“En verdad no sabían si tenían o no las habilidades correctas que se necesitaban”, comentó. “Pero dada la oportunidad, al final encontraron fortalezas que ni siquiera sabían que tenían”.
En 2018, Microsoft encargó una investigación para indagar las actitudes de las niñas hacia STEM, a la espera de resultados negativos. “Pero para nuestra sorpresa, encontramos que en realidad eran bastante positivas sobre STEM y la tecnología”, comentó Alexa Joyce, directora de habilidades preparadas para el futuro de Microsoft, quien respondió preguntas y compartió consejos durante el hackathon para mujeres jóvenes que buscan cambiar el mundo a través de IA.
“Por lo general, escuchas, ‘Oh, las chicas piensan que la tecnología es difícil o aburrida’. Pero nuestra investigación no lo confirmó”, comentó. En su lugar, las chicas tenían un claro interés en usar la tecnología para ser creativas y abordar problemas que pudieran afectar al mundo. Fue la aplicación de la tecnología, no la tecnología por sí misma, lo que las fascinó.
“Esta generación es muy aspiracional. Quieren comprometerse con algo más grande que ellos mismos.”
Sass dice que no podemos permitirnos vivir en un mundo donde las soluciones científicas y tecnológicas se necesitan con desesperación y, sin embargo, excluyen a la mitad del talento mundial necesario para ayudar a crearlas. “Todavía hay una gran cantidad de sesgos en la IA. Mucho de eso se debe a que los hombres son todavía los que impulsan la agenda y a que no participa la suficiente cantidad de mujeres”.
[vc_row][vc_column][vc_column_text]A medida que las empresas buscan salir fortalecidas de la pandemia, atendiendo mejor a sus clientes y encontrando nuevas fuentes de valor, los líderes de negocio deben estar preparados para defender la apertura y la agilidad en seis dimensiones clave.
Desarrollar un ecosistema de socios: La apertura es la característica que define a la empresa virtual, ya que los líderes son llamados a crear los ecosistemas necesarios para solucionar los problemas, mejorar la innovación y garantizar las oportunidades de mercado en este mundo cada vez más interconectado. Establecer relaciones estratégicas con otras organizaciones requiere una visión clara del potencial de crecimiento y de la ventaja competitiva que supone orquestar la plataforma de negocio ampliada en la que otros desean y necesitan participar. El potencial de los ecosistemas para conectarse con los clientes y los participantes adquiere una nueva dimensión gracias al poder de la conectividad digital, el intercambio de información y las nuevas combinaciones de datos. Las arquitecturas tecnológicas basadas en estándares abiertos y seguros y las redes definidas por software permiten que estos compromisos sean cada vez más sencillos.
Innovar con enfoques científicos avanzados y basados en datos: La ciencia y el descubrimiento constituyen USD 52 billones de los USD 88 billones de la economía mundial, según IBM Research Strategic Business Insights. Con un enfoque de descubrimiento científico, la apertura acelera el acceso a nuevos productos y a la innovación de servicios. El acceso a tecnologías exponenciales como la inteligencia artificial, la Internet de las Cosas (IoT) y la computación cuántica habilitan procesos relacionados a los negocios, más rápido que nunca y a través de muchas industrias diferentes. Todo esto puede ejecutarse en tiempo real a través de ecosistemas y flujos de trabajo inteligentes, que permiten identificar y extraer nuevas reservas de valor más rápido y mejor. Esto se reduce a cómo los líderes utilizan los datos como una fuente de innovación en todos los ecosistemas y piensan en cómo los productos y servicios podrían modernizarse para tener éxito en ese mundo.
Ampliar los flujos de trabajo inteligentes: Desde hace unos años, las organizaciones están aplicando la IA y la automatización a los procesos esenciales del «corazón» de la empresa, como la contratación, la cadena de suministro y el servicio al cliente. A lo largo de la pandemia, esto se aceleró, ya que las empresas dependían de la automatización extrema y la IA para satisfacer las necesidades de conectividad y servicio de clientes y empleados. El siguiente paso es ampliar esos flujos de trabajo inteligentes más allá de la empresa, a través de los ecosistemas, para romper los silos y ganar aún más conocimientos y valor.
Crear asociaciones humano-tecnológicas inclusivas: Los extremos del acceso virtual a los clientes y a los compañeros de trabajo han cambiado las perspectivas de las interfaces humano-tecnológicas. A medida que la ubicación se vuelve menos importante, la oportunidad de acceder a las habilidades y capacidades desde cualquier lugar se vuelve real. La virtualización del trabajo ha dado lugar a capacidades globales, recursos a los que se puede acceder con mayor facilidad. Pero este acceso ampliado a los empleados de toda la organización tiene tanto desafíos como potencial. La COVID-19 impulsó a los empleados a elevar permanentemente las expectativas de sus empleadores por mayor soporte en materia de habilidades, capacitación y crecimiento profesional, así como bienestar individual. Las nuevas formas híbridas de trabajar requerirán que los líderes redefinan los flujos de trabajo, proporcionen herramientas, sistemas y reglas de interacción más fáciles de usar para las personas, los equipos y las organizaciones, así como que cultiven una confianza renovada en los datos y la tecnología como impulsores clave de la toma de decisiones.
Abrazar el poder de la sostenibilidad: La pandemia nos ha recordado lo conectados que estamos unos con otros y con nuestro planeta. Nueve de cada diez consumidores informan que la pandemia ha afectado su opinión sobre la sostenibilidad ambiental, y muchos están dispuestos a pagar más por un futuro sostenible. Con la sostenibilidad y el capitalismo de accionistas que se afianzan en el nivel ejecutivo, nuevos modelos de negocio posibilitados por la tecnología ayudarán a proporcionar soluciones a los principales desafíos de nuestro tiempo en torno al clima, la salud, la seguridad y la igualdad. Este foco en la sostenibilidad y el capitalismo de las partes interesadas también cumple un papel cada vez más importante en la forma en que clientes, socios y empleados se sienten con respecto a interactuar con las organizaciones, y en la forma en que los líderes necesitarán tomar decisiones sobre el futuro.
Desarrollar una arquitectura abierta y segura: Los datos y la información son la materia prima del negocio actual, pero la capacidad de poner esos datos a trabajar depende de las decisiones arquitectónicas que los líderes están tomando ahora. Una arquitectura abierta y segura suministrada en la nube híbrida es la columna vertebral que los líderes necesitan para hacer uso de sus datos, sin importar dónde estos residan, y lograr la flexibilidad, la adaptabilidad y la seguridad que exige la aceleración digital. Las arquitecturas de nube híbrida también habilitan la apertura para conectar con los socios y acceder a todo el potencial de las principales tecnologías e ideas abiertas para impulsar la innovación.
Incluso después de que el mundo se recupere, la situación no volverá a ser como antes de la pandemia. Las interrupciones futuras son tan inevitables como imprevisibles, ya sea un desastre natural, un ciberataque importante o incluso otra pandemia. Al situar esta revolución en el contexto de un mundo cada vez más virtual, vemos que surge aún más poder por parte de los ecosistemas, los flujos de trabajo digitales y las organizaciones en red que se hacen posibles.[/vc_column_text][us_separator show_line=”1″][vc_column_text]Fuente: IBM[/vc_column_text][/vc_column][/vc_row]
[vc_row][vc_column][vc_column_text]La institución desarrolló un asistente virtual a partir de la solución Bot Framework Composer de Microsoft Azure, con el objetivo de optimizar la atención a sus diferentes públicos y acelerar los tiempos de respuesta a dudas y solicitudes.
Ciudad de México, México – El Instituto Tecnológico de Monterrey ha puesto en marcha un asistente virtual para atender las necesidades de estudiantes, docentes, personal administrativo y otros miembros de su comunidad educativa. TECbot, un chatbot que conecta las solicitudes de servicio para resolver dudas que van desde el proceso de inscripción hasta procesos financieros, está impulsado por capacidades de Inteligencia Artificial basadas en Microsoft Azure, brindando así una atención automatizada más intuitiva, eficiente y desplegada con un lenguaje natural.
Desarrollado en el servicio Azure Framework Composer, el asistente virtual cuenta con una amplia variedad de diálogos, modelos de comprensión de lenguaje, bases de conocimiento y generación de respuestas que le permiten desplegar conversaciones orgánicas que se adaptan a las necesidades de cada caso, proporcionando servicio en tiempo real incluso ante un gran volumen de solicitudes.
Se estima que en México 12% de las interacciones de servicio al cliente se desarrollan a través de un chatbot [1], mientras que a nivel mundial se observó un crecimiento del 8% [2] en el empleo de este tipo de asistentes como efecto de la pandemia. Si bien gran parte de estos sistemas cuentan con un abanico de respuestas preestablecidas, el potencial para adaptarse a las necesidades de los usuarios y brindarles el acompañamiento que necesitan durante el proceso de resolución de problemas es un diferenciador clave de las soluciones basadas en Inteligencia Artificial.
Los chatbots impulsados por la Inteligencia Artificial de Microsoft Azure utilizan procesamiento de lenguaje natural para conectar e interactuar no solo a nivel conversacional, sino integrándose al flujo de datos de diferentes servicios web o aplicaciones para dar respuestas efectivas y realizar tareas sencillas, dentro de un marco de lenguaje natural que resulte cómodo, confiable e intuitivo para las personas.
TECbot, una iniciativa que forma parte del proyecto TEC Services, creado en 2019, se apoya en la tecnología de Microsoft para el desarrollo del asistente, pero valiéndose también de Cosmos DB para el despliegue de conversaciones y SQL para generar reportes de eficiencia del bot e insights de analítica, todo esto con el fin de unificar los procesos de atención y mejorar la experiencia de los más de 90,000 alumnos y 13,000 profesores que abarca la institución.
“La idea de los bot fue una cuestión de innovación y de atender una necesidad de servicio, hoy gracias a la tecnología la atención es inmediata”, cuenta Hernán García, Vicepresidente de Talento y Experiencia en TEC Monterrey. “Actualmente el asistente virtual se expandió y está presente en TEC Milenio y TEC Salud. Aunque tecnológicamente se trata del mismo bot, este tiene distintas bases conversacionales para cada TEC y cada público”.
Cada semestre, tan sólo durante el periodo de inscripciones, el Tec de Monterrey recibe casi 14 mil preguntas de sus estudiantes, con la implementación del asistente virtual los alumnos pueden recibir atención personalizada en tiempo real, mejorando significativamente la experiencia de servicios escolares. A tan solo unos meses de su lanzamiento, TECbot ha sido utilizado por más de 40 mil usuarios y ha registrado más de 250 mil conversaciones, convirtiéndose en el nivel cero de atención.
Tomando un plazo de seis semanas para el desarrollo de una primera versión del chatbot, se calcula que la implementación del asistente virtual logró reducir a un solo punto de atención la cobertura de procesos que solían requerir 10 personas dedicadas, agilizando también el lapso de solución gracias al uso de Inteligencia Artificial.
“Hoy gracias a la tecnología la atención es inmediata”, agregó Hernán García. “Actualmente el asistente virtual se expandió y está presente en TEC Milenio y TEC Salud. Aunque tecnológicamente se trata del mismo bot, este tiene distintas bases conversacionales para cada TEC y cada público”.
A través de la implementación de tecnologías avanzadas como Inteligencia Artificial o Aprendizaje Automático, las organizaciones pueden encontrar una alternativa para simplificar la distribución de tickets de atención y asignar al personal las solicitudes más complejas, permitiendo una operación más estratégica de sus colaboradores. Del mismo modo, los usuarios cuentan con un músculo de servicio fácil, ágil e inteligente capaz de resolver dudas básicas y entregarles una experiencia óptima basada en soluciones digitales.
[vc_row][vc_column][vc_column_text]La inteligencia artificial (IA) ha transformado el mundo y sigue evolucionando rápidamente. Pero, ¿sabías que sus raíces se remontan a siglos atrás? Desde la antigua Grecia hasta la era digital, la IA ha alcanzado hitos que han marcado el rumbo de esta revolucionaria tecnología. A continuación, exploramos los eventos clave que han impulsado su desarrollo.
1950: La Prueba de Turing
El matemático Alan Turing publica “Computing Machinery and Intelligence”, un artículo innovador que plantea la pregunta “¿Pueden las máquinas pensar?” y propone la famosa Prueba de Turing, diseñada para evaluar si una máquina puede demostrar inteligencia similar a la humana. Este artículo sigue siendo influyente en el campo de la IA.
1956: Nace el Término “Inteligencia Artificial”
En 1956, el científico John McCarthy acuña el término “inteligencia artificial” durante una conferencia en Dartmouth College, y poco después se crea el primer programa de IA, Logic Theorist. Este hito marca el comienzo de la IA como disciplina formal.
1967: El Perceptrón Mark 1
Frank Rosenblatt construye el Perceptrón Mark 1, el primer sistema de red neuronal que aprende a través de prueba y error. Poco después, el influyente libro “Perceptrones” se convierte en referencia para estudios sobre redes neuronales.
Década de 1980: Redes Neuronales y Propagación Inversa
Durante los años 80, las redes neuronales avanzan significativamente con la introducción del algoritmo de propagación inversa, permitiendo aplicaciones de IA cada vez más sofisticadas.
1997: Deep Blue vence a Kasparov
IBM logra una hazaña histórica cuando su sistema Deep Blue derrota al campeón mundial de ajedrez, Garry Kasparov. Este evento representa un avance importante en la capacidad de las máquinas para resolver problemas complejos.[/vc_column_text][vc_row_inner][vc_column_inner][us_separator][vc_column_text]
IBM vuelve a sorprender cuando su sistema Watson supera a los campeones de Jeopardy! en 2011, demostrando la habilidad de la IA para procesar y entender el lenguaje natural en un formato competitivo.
2015: Baidu y la Red Neuronal Convolucional
El superordenador Minwa de Baidu emplea redes neuronales profundas y convolucionales para clasificar imágenes con alta precisión, superando el promedio humano en esta tarea.
2016: AlphaGo y la Conquista del Go
En un logro impresionante, el programa AlphaGo de DeepMind vence al campeón mundial de Go, Lee Sedol. Este triunfo se considera un hito por la complejidad del juego Go, que tiene más de 14,5 billones de combinaciones posibles en solo cuatro movimientos.[/vc_column_text][us_separator size=”small” show_line=”1″][vc_column_text]Fuente: IBM[/vc_column_text][/vc_column][/vc_row]
[vc_row][vc_column][vc_column_text]Pathways es una nueva forma de pensar sobre la IA que aborda muchas de las debilidades de los sistemas existentes y sintetiza sus fortalezas. Para mostrarte lo que quiero decir, veamos algunas de las deficiencias actuales de la IA y cómo Pathways puede mejorarlas.
Los modelos de IA actuales suelen estar entrenados para hacer sólo una cosa. Pathways nos permitirá entrenar un solo modelo para hacer miles o millones de cosas.
Los sistemas de IA actuales a menudo se entrenan desde cero para cada nuevo problema: los parámetros del modelo matemático se inician literalmente con números aleatorios. Imagínate que, cada vez que aprendieras una nueva habilidad (saltar la cuerda, por ejemplo), olvidaras todo lo que habías aprendido (cómo mantener el equilibrio, cómo saltar, cómo coordinar el movimiento de tus manos) y comenzaras a aprender cada nueva habilidad desde cero.
Así es más o menos cómo entrenamos la mayoría de los modelos de aprendizaje automático en la actualidad. En lugar de extender los modelos existentes para aprender nuevas tareas, entrenamos cada nuevo modelo desde cero para hacer una cosa y sólo una cosa (o, a veces, especializamos un modelo general para una tarea específica). El resultado es que terminamos desarrollando miles de modelos para miles de tareas individuales. No sólo el aprendizaje de cada nueva tarea toma más tiempo de esta manera, sino que también requiere de muchos más datos para aprender cada nueva tarea, ya que estamos tratando de aprender todo sobre el mundo y los detalles de esa tarea desde cero (completamente diferente a cómo las personas abordan nuevas tareas).
Los modelos actuales se centran principalmente en un sentido. Pathways permitirá múltiples sentidos.
Las personas dependen de múltiples sentidos para percibir el mundo. Eso es muy diferente de cómo los sistemas de IA actuales digieren la información. La mayoría de los modelos actuales procesan sólo una modalidad de información a la vez. Pueden captar texto, imágenes o voz, pero normalmente no los tres a la vez.
Pathways podría permitir modelos multimodales que abarquen la vista, el oído y la comprensión del lenguaje simultáneamente. Entonces, ya sea que el modelo esté procesando la palabra “leopardo”, el sonido de alguien que dice “leopardo” o un video de un leopardo corriendo, la misma respuesta se activa internamente: el concepto de leopardo. El resultado es un modelo más perspicaz y menos propenso a errores y sesgos.
Y, por supuesto, un modelo de IA no tiene por qué limitarse a estos sentidos tan familiares; Pathways podría manejar formas de datos más abstractas, ayudando a encontrar patrones útiles que han eludido a los científicos humanos en sistemas complejos como la dinámica climática.
Los modelos actuales son densos e ineficientes. Pathways los hará mínimos y eficientes.
Un tercer problema es que la mayoría de los modelos actuales son “densos”, lo que significa que toda la red neuronal se activa para realizar una tarea, sin importar si es muy simple o realmente complicada.
La IA puede funcionar de la misma manera. Lo que significa que sólo se activan pequeñas rutas a través de la red según sea necesario. De hecho, el modelo aprende dinámicamente qué partes de la red son buenas en qué tareas; aprende cómo enrutar las tareas a través de las partes más relevantes del modelo. Un gran beneficio de este tipo de arquitectura es que no sólo tiene una mayor capacidad para aprender una variedad de tareas, también es más rápido y mucho más eficiente energéticamente, porque no activamos toda la red para cada tarea.
Para recapitular: los modelos de aprendizaje automático de hoy tienden a especializarse demasiado en tareas individuales cuando podrían sobresalir en muchas. Dependen de una forma de entrada cuando pueden sintetizar varias. Y con demasiada frecuencia recurren a la fuerza bruta cuando bastan la destreza y la especialización de conocimientos.
Pathways, que permitirá que un único sistema de IA se generalice en miles o millones de tareas, comprenda diferentes tipos de datos y lo haga con una eficiencia notable; esto nos permitirá pasar de la era de los modelos de propósito único que simplemente reconocen patrones, a una en la que más sistemas inteligentes reflejan una comprensión más profunda de nuestro mundo y pueden adaptarse a nuevas necesidades.[/vc_column_text][us_separator size=”small” show_line=”1″][vc_column_text]Por: Jeff Dean, Senior Fellow y SVP, Google Research[/vc_column_text][/vc_column][/vc_row]
[vc_row][vc_column][vc_column_text]Estamos trayendo un tema que muchas veces causa confusión por su definición, por lo que para empezar dejaremos una nota muy importante: la Inteligencia Artificial no es solo una cosa.
La inteligencia artificial es una fusión de muchas tecnologías diferentes que trabajan juntas para permitir que las máquinas encuentren, comprendan, actúen y aprendan con niveles de inteligencia similares a los de los humanos. Con sus sistemas de aprendizaje que analizan grandes volúmenes de datos, la Inteligencia Artificial puede “aprender por sí misma“.
Tecnologías como el aprendizaje automático, que hemos visto aquí y el procesamiento del lenguaje natural son parte del panorama de la IA. Cada una de estas tecnologías está evolucionando con el tiempo a su propio ritmo, pero cuando se aplican en combinación con datos, análisis y automatización, ayudan a las empresas a alcanzar sus objetivos.
Definición de IA como “limitada” y “general”.
La Inteligencia Artificial limitada (o “débil”), que en su mayor parte experimentamos en el día, proviene de ella, que realiza una sola tarea o un conjunto de tareas estrechamente relacionadas. Algunos ejemplos incluyen:
– Aplicaciones meteorológicas
– Asistentes digitales
– Software que analiza datos con la función de optimizar un determinado negocio
Cuando se aplica correctamente, la Inteligencia Artificial limitada tiene el poder de transformar e influir la forma en que trabajamos y vivimos, tal como lo hace hoy en muchos casos.
La inteligencia artificial general (o “fuerte”) se parece más a lo que se ve en las películas de ciencia ficción, donde las máquinas sensibles emulan la inteligencia humana. Por mucho que las máquinas realicen algunas tareas mejor que los humanos, un ejemplo sería el procesamiento de datos, esta visión igual al cine aún no existe. Por eso la colaboración entre máquina y hombre es muy importante, actualmente la Inteligencia Artificial no es un reemplazo sino una extensión de las capacidades humanas y lo seguirá siendo.
Conociendo las tecnologías detrás de la IA
Hay algunas tecnologías que son la combinación de la Inteligencia Artificial que juntas contribuyen a que evolucione y crezca.
1. Machine Learning
Como hemos visto antes, no necesita presentación. Con ML, en lugar de programar reglas para una máquina y esperar el resultado, hacemos que aprenda por sí sola a partir de los datos.
2. Deep Learning
El Deep Learning “entrena” a las máquinas para que realicen actividades como si fueran humanas, por lo que el sistema puede aprender a defenderse de los ataques, por ejemplo.
El proceso de aprendizaje tiene lugar entre sus capas de neuronas matemáticas, donde la información se transmite a través de cada capa. En este modo, la salida de la capa anterior es la entrada de la posterior.
3. Procesamiento del Lenguaje Natural (PLN)
Tiene como objetivo estudiar e intentar reproducir los procesos de desarrollo vinculados al funcionamiento del lenguaje humano. Para ello, emplea software, programación y otras soluciones.
A través de PLN, las máquinas pueden comprender mejor los textos, esto implica: reconocimiento de contexto, extracción de información, desarrollo abstracto, etc.
También es posible componer textos a partir de datos obtenidos por computadoras, un ejemplo es cuando estás en tu red social, los algoritmos pueden buscar patrones en las publicaciones para entender cómo se sienten los clientes acerca de la marca y el producto.
¿Por qué es importante la IA?
Con el rápido crecimiento de los datos y la madurez de otras innovaciones en el procesamiento de la nube y la potencia informática, el reconocimiento de la inteligencia artificial está creciendo más rápido que nunca. Con estos habilitadores, las organizaciones están empezando a ver cómo la inteligencia artificial puede multiplicar el valor para ellas. Las empresas que se expanden con Inteligencia Artificial ven el triple de retorno en comparación con aquellas que están estancadas en la fase piloto.
Esta capacidad de autoaprendizaje y autooptimización hace que la Inteligencia Artificial integre beneficios al negocio que genera.
La Inteligencia Artificial no solo ayuda a las empresas a adaptarse rápidamente, con un flujo constante de insights para impulsar la innovación, sino que también ofrece una ventaja competitiva en un mundo en cambio constante.[/vc_column_text][us_separator size=”small” show_line=”1″][vc_column_text]Escrito por: Mayara Pimentel | Adaptación: Karina Ríos | Revisión final: Raphael Silva[/vc_column_text][/vc_column][/vc_row]
[vc_row][vc_column][vc_column_text]Ahora que sabes qué es el Machine Learning, entendamos un poco más sobre el rol que juega este profesional.
Dentro de las carreras de datos, Machine Learning Engineer fue el último que surgió, ocupándose de la parte de monitoreo y poniendo los modelos en producción, estructurando y facilitando el deploit de Data Scientit.
Para hacerlo más fácil, comencemos analizando los pasos de un proyecto de Data Science para una mejor comprensión.
En este primer momento, se produce la cuestión empresarial y la comprensión, el cliente presenta los problemas y luego hay una comprensión real del dolor del cliente. Después de comprender las raíces de los problemas, llegamos a la fase de recopilación de datos, donde hay una gran cantidad de SQL, solicitudes y APIs distribuidas en un solo lugar. Una vez realizado este paso y la limpieza de datos, se entiende qué es un problema sistémico y cuál es un problema intrínseco del negocio.
Posteriormente se realiza la exploración de datos, donde se utilizan técnicas y estadísticas para comprender el fenómeno que se está modelando a través de los datos, en ese momento en que se genera inshtg, para comprender las variables y el modelo que será mejor aplicado. Pasando al paso de modelado es donde el algoritmo comienza a aprender y aplicar transformaciones y separaciones para preparar los datos.
A partir de esta fase se inicia el algoritmo de Machine Learning, donde se aplican los algoritmos para aprender el comportamiento o asignación deseada, luego se realiza la evaluación de este algoritmo, separando lo que es bueno, de lo que no y luego de este análisis de desempeño del modelo se irá para producción, donde se traslada a un entorno Cloud donde el dispositivo de Internet es capaz de consumir las previsiones que el modelo proporciona. La continuación de este proceso es el papel del Machine Learning Engineer. Obviamente, el desarrollo en sí no es tan simple como parece.[/vc_column_text][us_image image=”7384″][us_separator size=”small”][vc_column_text]
Responsabilidad del Machine Learning después del proceso
Todo comienza con la productización del flujo de datos, de donde sacas todas las tareas, desde la recopilación de datos hasta el modelo de producción, para convertirse en un producto que sea fácil de escalar, fácil de mantener y siempre mantenido de forma organizada para el trabajo de otros profesionales.
Después de volverse un producto, integraremos el modelo; ejemplo: frontend consume las predicciones de sus modelos, cada vez que el usuario ingresa y la página de inicio se está cargando, el frontend consume la predicción del modelo y habla sobre la propensión de los productos del cliente, por lo que no puede demorar en regresar sino ralentiza el sitio, para eso necesitamos integrar en otros sistemas respetando los requisitos. Finalmente, es necesario crear Técnicas de Monitoreo, donde se crean métricas para saber si el modelo es correcto o si los errores están aumentando; como es la distribucion de variables, etc.
Te explicamos el proceso
Data Scientits recolecta los datos, entrena el modelo y luego pasará a producción para ser aplicado, a partir de este punto comienza el rol del Machine Learning.
Recordando que los clientes pueden consumir el resultado a través del backend, sitio web, dispositivo móvil e IBA, para conectar a las personas que necesitan las predicciones con los modelos que las brindan, es necesario realizar una API (conexión entre los dos mundos de cliente y servicio, según se explica en nuestras redes sociales) los clientes comienzan a realizar solicitudes a la API, ésta interpretará la solicitud y si tiene permiso para acceder a estos datos.
Los datos de API son datos sin procesar, es decir, datos de RO, porque los datos no vienen con las transformaciones que usamos allí en Model Training. Por lo tanto, es necesario cambiar los datos de RO para la feature, así se realizará la predicción.
Podemos usar la siguiente idea como ejemplo: una persona tiene la aplicación y quiere ver la predicción de los ingresos de la tienda. Una de las features es la edad del usuario, cuánto tiempo está abierta la tienda… esta feature se almacena en el Feature Store, donde puede encontrar varias características que los Data Scientits crearon para poder modelar y entrenar los modelos de Machine Learning.
Dentro de la Feature Store, en este caso, encontraríamos en su interior varios datos, como la fecha en que la tienda comenzó a operar. Luego, la API va a Feature Story y recupera las features solicitadas por el modelo que fue entrenado para hacer esta predicción y regresa al modelo de Machine Learning con el conjunto de features, hace la predicción y regresa a la API, que devuelve la información a el cliente que hizo la predicción.
Este ejemplo sería un proceso simple, la diferencia es que tiene la función precalculada dentro de una tienda de funciones, que debe actualizarse cada vez. *Farture consumpotin, es el proceso de consumir la feature.
Para mantener la feature store actualizada, es necesaro consultar el Data Warehouse, donde se encuentran los datos modelados (realizados por el Data Engineer), para crear una feature y así almacenarla en la feature store, este proceso se llama Feature Creation.
Echa un vistazo a la ejemplicación mediante un modelo visual[/vc_column_text][us_image image=”7383″][vc_column_text]Esta imagen representa el papel completo del Machine Learning Engineer, centrado en la producción en lugar del desarrollo, lo que ayuda a los Data Scientes a poner los modelos en producción más rápido.
Machine Learning ayuda a crear las clases donde los Data Scients importan y reescriben los métodos para realizar el entrenamiento, después de que el modelo se entrena y se devuelve con todos los métodos utilizados y las características creadas se aplican en producción.
Esperamos que te haya resultado más fácil comprender cómo funciona el rol del Machine Learning Engineer. Si tienes alguna pregunta, comentario o sugerencia, estaremos encantados de ayudarte y responder. Es importante recordar que contamos con contenido rápido y muy útil en nuestras redes sociales, allí también ponemos casillas de preguntas para apoyarte lo más posible en este camino de conocimiento y aprendizaje.[/vc_column_text][us_separator size=”small” show_line=”1″][vc_column_text]Escrito por: Mayara Pimentel | Adaptación: Karina Ríos | Revisión: Raphael Silva[/vc_column_text][/vc_column][/vc_row]
[vc_row][vc_column][vc_column_text]Para empezar por entender esta área… un poco más reciente en el mercado; debemos detenernos a pensar en el aprendizaje y comprender ¿qué es Machine Learning? también conocido como aprendizaje automático y en qué se diferencia de la Inteligencia Artificial. Si prestamos atención a estas dos palabras conformadas por “Aprendizaje Automático”, nos daremos cuenta de que por si solas pueden explicar perfectamente en que consiste, pero vamos por parte, ¿si?
¿Cuál es la diferencia entre Machine Learning e Inteligencia Artificial?
Mucha gente piensa que ambos son lo mismo, pero no necesariamente es así… ya que básicamente, Machine Learning es uno de los recursos de la Inteligencia Artificial. Por lo tanto, la Inteligencia Artificial es un mecanismo computacional que se construye en el comportamiento humano para resolver un problema.
¿Qué es el Machine Learning?
Es una tecnología que está en todas partes y lo usamos muchas veces sin reparar en ello, como por ejemplo: Traductor de Google, Asistente virtual Siri y las recomendaciones de productos en sitios web. Esta es una tecnología en la que las computadoras tienen la capacidad de aprender de las respuestas esperadas mediante la asociación de diferentes tipos de datos, que incluyen: imágenes y números.
Con esto entendemos que Machine Learning seria el aprendizaje de la máquina, adecuando su comportamiento en base a su propia experiencia, buscando optimizar y mejorar el desempeño de una determinada tarea a través de reglas lógicas.
Su algoritmo se crea a través de datos que serán analizados y de resultados esperados. Finalmente el sistema elabora su propia regla o pregunta.[/vc_column_text][us_separator size=”small” show_line=”1″][vc_column_text]Escrito por: Mayara Pimentel | Adaptado por: Karina Ríos | Revisado por: Raphael Silva[/vc_column_text][/vc_column][/vc_row]
[vc_row][vc_column][vc_column_text]Esto ayudará a generar nuevas experiencias en diversos ámbitos y áreas, mediante realidad aumentada o virtual e inteligencia artificial.
La necesidad de estar conectados crece en forma exponencial. Más dispositivos, organizaciones y personas necesitan conexión permanente a la red. De acuerdo a Cisco, el principal fabricante mundial de infraestructura de redes, para el año próximo el 52% de la población mundial estará conectada, habrá en promedio 3,4 dispositivos por persona y el consumo per cápita será de 25,1 GB mensuales.
Para satisfacer estos niveles de demanda, es necesario desarrollar una infraestructura capaz de soportar esta cantidad de tráfico y ampliarla a niveles inimaginables. Para 2022 se creará más tráfico que en los 32 años combinados desde que comenzó Internet y más de la mitad de este tráfico que transportarán las redes IP será Wi-Fi.
Por tal motivo es que ya ha comenzado una nueva era en la conectividad: el Wi-Fi 6. Se trata de un nuevo estándar que potenciará nuestra capacidad de conexión hacia nuevos horizontes, para todos los sectores posibles, democratizando la conectividad, por lo que ahora será más fácil que personas de todo el mundo estén conectadas debido a la reducción de costos de infraestructura y mayor capacidad de la red.
Esto ayudará a generar nuevas experiencias en diversos ámbitos y áreas, mediante realidad aumentada o virtual e inteligencia artificial, que podrá aplicarse a distintos sectores como el educativo, el retail o en la salud.
El Wi-Fi 6 junto a la red móvil de quinta generación (5G), que está en fase de implementaciones en algunas ciudades del mundo, tienen la capacidad de impactar más allá del mundo de las tecnologías de la información.[/vc_column_text][us_btn label=”Enteráte más clicando aquí” link=”url:https%3A%2F%2Fgblogs.cisco.com%2Fla%2Fnetworking1-jmonginiwi-fi-6-y-5g-el-proximo-cambio-masivo-en-conectividad-y-datos%2F|target:_blank”][us_separator size=”small” show_line=”1″][vc_column_text]Escrito por: Juan Pablo Mongini – Head of Enterprise Networks Sales Cisco Latin America[/vc_column_text][/vc_column][/vc_row]