Nuestro Blog

mlsev cartel

El objetivo principal de esta segunda edición de la Escuela de Machine Learning  en Sevilla #MLSEV es introducir los conceptos básicos y las técnicas más avanzadas del Aprendizaje Automático (o Machine Learning) para aumentar significativamente la productividad de nuestro negocio.

La amplia experiencia de Machine Learning School en dar la bienvenida a profesionales expertos y técnicos de diferentes áreas del aprendizaje automático, les ha enseñado que una talla única no sirve para todos: «one size doesn´t fit all».  Este evento destaca por ofrecer dos puntos de vista sobre «Lo mejor de ambos mundos» -de ahí, best of both worlds-, al combinar sesiones técnicas-prácticas con sesiones sobre los desafíos a los que nos enfrentamos en el sector y las lecciones aprendidas al implementar sistemas de machine learning en la vida real.

Echemos un vistazo rápido a los aspectos más destacados de lo que los asistentes de #MLSEV pueden esperar los días 26 y 27 de marzo de 2020 en EOI Andalucía:

mlsev speakers

PRIMER DÍA: 26 de Marzo

Después de los comentarios de apertura, el día 26 comienza con Ed Fernández (Arowana) seguido por el profesor Enrique Dans (IE University). En conjunto, brindarán a los asistentes una buena comprensión del impacto empresarial que se está desarrollando a partir del Machine Learning con modernas plataformas de software como BigML. A continuación, el científico jefe de BigML y uno de los padres de la disciplina del aprendizaje automático, el profesor Tom Dietterich, sube al escenario para hablar sobre las técnicas más modernas de Machine Learning, así como para ilustrarnos hacia dónde nos dirigiremos en los próximos años en esta disciplina.

Después de algunas sesiones técnicas-prácticas introductorias impartidas por expertos experimentados de BigML Machine Learning y el magnifico almuerzo, se profundizará en las interesantes presentaciones de Michael Skiba (también conocido como Dr. Fraud), Jan W Veldsink (Rabobank) y Roy Prayikulam / Kevin Nagel (INFORM). En estas sesiones se pretender abordar cómo podemos implementar Machine Learning en la vida real, concretamente, en áreas como la detección de fraudes financieros y el antilavado de dinero (AML).

El primer día termina con un mini ejercicio de Aprendizaje Automático, nombrado “Get your hands dirty” y utilizando el dashboard de BigML de forma que los participantes tengan la oportunidad de interactuar con algunos de los conceptos cubiertos durante la jornada de este primer día.

SEGUNDO DÍA: 27 de marzo

El segundo día comenzará con más sesiones técnicas sobre algunas de las técnicas de aprendizaje supervisado, no supervisado y AutoML más versátiles de la plataforma BigML. Los docentes no solo transmitirán los conceptos de alto nivel detrás de esos enfoques, sino también cómo funcionan en la práctica.

Para completar el programa, los socios de BigML representados por José Cárdenas (Indorama), Christina Rodríguez y Delio Tolivia (Talento Transformación Digital) y Andrés González (CleverData.io) toman el relevo para explicar cómo podemos implementar diferentes casos de uso operacionales para obtener beneficios tangibles como, por ejemplo, la optimización de la calidad y la minimización del tiempo de espera.

Esta jornada finaliza con la demostración de cómo impulsar la producción de los modelos de Machine Learning construidos durante la sesión de práctica realizada al final del Día 1. Esto brindará a los asistentes una comprensión profunda del proceso de aprendizaje automático de extremo a extremo: desde su origen hasta su aplicación.

banner_mlsev20_728

¡Apúntate aquí! 

 

Woven City, la ciudad del futuro, empezará a construirse a partir de 2021 en Japón. Los encargados de diseñar la ciudad serán los arquitectos del despacho danés Bjarke Ingels, que ya adelantaron el día 6 de enero algunas pinceladas de cómo la imaginan.

Este “laboratorio viviente” será el hogar de 2.000 residentes permanentes e investigadores que podrán poner a prueba y desarrollar tecnologías tales como la autonomía, la movilidad personal, la robótica, la inteligencia artificial y las viviendas inteligentes en un entorno de la vida real.

Existirán 3 tipos de vías entrelazadas: una única vía para vehículos rápidos, una segunda para vehículos lentos y peatones y una última sólo para peatones. La vía peatonal y la de vehículos lentos estarán completamente ambientadas con vegetación de principio a fin, con largos parques.

Por supuesto el interior de los hogares contarán con robots omnipresentes, los cuales contarán con un sensor que controle la salud de los residentes. Los edificios estarán construidos a partir de paredes de madera, para reducir la huella de carbono y, para aprovechar la energía solar, los tejados contaran con placas fotovoltaicas.

«Construir una ciudad completa desde sus cimientos, incluso en una escala pequeña como esta, es una oportunidad única para desarrollar tecnologías futuras, incluido un sistema operativo digital para la infraestructura de la ciudad. Con las personas, los edificios y los vehículos conectados y comunicándose entre sí mediante datos y sensores, podremos poner a prueba tecnología de IA conectada, tanto en el reino virtual como en el físico, y optimizar su potencial», afirma Akio Toyoda, presidente de Toyota Motor Corporation.

Toyota invitará a científicos e investigadores interesados de todo el mundo y la colaboración de otros socios comerciales y académicos.

Con más de 600 millones de descargas en 2019 a nivel mundial y con más de 14 millones de descargas en España, Tik Tok está conquistando, cada vez más, a los jóvenes entre 16 y 25 años en todo el mundo. Por este motivo, esta red social de vídeos cortos está en el radar de muchos anunciantes, marcas y, sobre todo, en la mente de muchos Social Media Managers.

El marketing para la generación millenial y la Generación Z debe evitar los mensajes de ventas, ya que son un público que no busca ser vendido sino que busca una marca que se alinee con sus valores personales. Por lo que hay que prestar especial atención qué estrategia de contenidos en Tik Tok se debe desarrollar para este tipo de público. Sin embargo, esta cuestión no la abordaremos en este post. Nos centraremos en la herramienta de Analytics que nos ofrece Tik Tok para medir el alcance y engagement de los contenidos publicados en esta red social.

Tik Tok Analytics: ¿qué métricas utilizar en Tik Tok? 

Aunque la analítica social de TikTok aún se encuentra en las primeras etapas de desarrollo, tiene algunos análisis bastante básicos y fáciles de leer, en base al alcance y engagement, y sólo disponible para PRO Accounts

Según los objetivos que se hayan marcado en el plan estratégico de Social Media, algunas métricas a tener en cuenta a la hora del seguimiento en Tik Tok son:

Resumen

  • Visualizaciones de videos: los últimos 7 días o 28 días
  • Seguidores: los últimos 7 días o 28 días
  • Visualizaciones de perfil: los últimos 7 días o 28 días

Contenidos

  • Publicaciones de vídeo: muestra las publicaciones de los últimos 7 días de los más recientes a los más antiguos
  • Videos, estadística de una publicación se puede acceder al hacer clic en los tres puntos horizontales de la derecha del vídeo, el ícono inferior izquierdo muestra «Analytics» que desglosa aún más el rendimiento de la publicación de video:
    • Total de likes
    • Total de comentarios
    • Total de share
    • Tiempo de reproducción
    • Total de visualizaciones
    • Promedio (en tiempo) de visualizaciones
    • Tipos de fuente de tráfico: la procedencia del tráfico del vídeo
    • Ubicación audiencia: número de usuarios que ha visto el vídeo y la distribución de espectadores por ubicación
  • Videos de tendencias: muestra las 9 principales publicaciones de tendencias de los últimos 7 días

Seguidores

  • Total de seguidores: muestra los últimos 7 días de publicaciones junto con una comparación aproximada con los 7 días anteriores
  • Sexo: distribución de los seguidores por sexo (en porcentaje)
  • Ubicaciones más importantes: muestra los cinco principales países.
  • Actividad de seguidores:
    • Horas del día en las que tus seguidores son más activos en Tik Tok
    • Días de las semanas en las que tus seguidores son más activos en Tik Tok
  • Vídeos vistos por tus seguidores: videos populares entre tus seguidores durante un periodo de tiempo determinado (en los últimos siete días)
  • Sonidos escuchados por tus seguidores durante un periodo de tiempo determinado (en los últimos siete días)

Cómo configurar una cuenta Pro
Esta función se encuentra a disposición de cualquiera que quiera habilitarla. Desde la página de perfil, abre la pestaña “Privacidad y ajustes”, elija «Administrar cuenta». Toca «Cambiar a cuenta Pro» y sigue los pasos desde allí. Una vez que active su cuenta Pro, se aplica un nuevo botón de análisis en las opciones de tu cuenta.

OPRA blog itelligent

El pasado mes de octubre de 2019, el Ministerio de Economía y Empresa publicaba el listado de proyectos beneficiarios de las ayudas a Tecnologías Habilitadoras Digitales 2019 entre los que se encontraba el Proyecto OPRA de ITELLIGENT en un segundo puesto entre los 46 proyectos seleccionados.

Las Tecnologías Habilitadoras Digitales son aquellas tecnologías claves para la transformación y el desarrollo de la economía digital. Entre ellas se encuentran: Inteligencia Artificial, el procesamiento del lenguaje natural, las tecnologías para el tratamiento de datos masivos y bases de datos distribuidas (blockchain), el Internet de las Cosas, las futuras redes de comunicación 5G, la supercomputación (HPC), la computación difusa y en la nube, la robótica, la realidad virtual, la ciberseguridad, la biometría y la identidad digital, la micro/nano electrónica.

Concretamente, OPRA se trata de un proyecto pionero en el que se desarrolla un sistema de OPtimización RÁpida basada en Deep Reinforcement Learning, con aplicación a la Industria 4.0 y Smart Cities. La ayuda concedida por la Secretaría de Estado para el Avance Digital para desarrollar el proyecto OPRA asciende a más de 153 mil euros; pero, ¿en qué consiste exactamente?

OPtimización RÁpida basada en Deep Reinforcement Learning, con aplicación a la Industria 4.0 y Smart Cities

En la actualidad, aunque el avance del IOT está permitiendo disponer de cada vez más datos y la inteligencia artificial permita extraer cierto valor de dichos datos, sigue existiendo una importante laguna en la toma de decisiones automática y esto se debe a que los algoritmos de optimización, que son los auténticos motores de los sistemas de decisión, son lentos y complejos de realizar. Por tanto, para conseguir las mejoras en la sociedad que las tecnologías ligadas a la Industria 4.0 y a las Smart Cities prometen, es necesario un importante avance en los actuales sistemas de toma de decisiones y en los algoritmos que los impulsan.

Gran parte de las decisiones a afrontar por la Industria 4.0 y las Smart Cities están ligadas a “problemas de planificación” (ej. planificación tráfico, planificación operaciones en talleres, planificación de transporte, planificación personal en hospitales, planificación de puertos, planificación de entregas de paquetería, …). Los algoritmos de optimización para resolver problemas de planificación, en el actual estado del arte, están en gran medida basados en algoritmos de búsqueda local, que requieren ir probando distintas soluciones hasta conseguir la óptima (o una cercana a la óptima), esto los hace lentos y difíciles de implementar ya que hay que construirlos ad-hoc para cada problema.

Recientemente el mundo de la Inteligencia Artificial se ha visto sacudido por un importante avance en la resolución de problemas de decisión. Este avance ha venido de la mano del Deep Reinforcement Learning (DRL), tecnología que está detrás de la victoria de Google AlphaGo en el juego del Go y otros avances muy relevantes en problemas que requieren tomas de decisiones automáticas. Frente a los algoritmos tradicionales el Deep Reinforcement Learning (DRL) introduce un nuevo paradigma, basado en que es posible aprender a decidir y este aprendizaje, que se puede realizar off-line y mediante simulación, permite ser aplicado con éxito a problemas reales, consiguiéndose con ello reducir el tiempo necesario para la resolución del problema y simplificando extraordinariamente la generación de nuevos algoritmos para problemas de decisión.

El objetivo de este proyecto es desarrollar nuevos Algoritmos de Optimización basados en Deep Reinforcement Learning (DRL), para dos problemas específicos: Vehicle Routing Problem y Scheduling. En este campo todavía no hay experiencias relevantes (TRL 3), por lo que el objetivo es testear estos algoritmos con datos relevantes e incorporarlos en un prototipo que permita a un usuario interactuar de forma controlada con los resultados (TRL 6) y en el futuro, una vez finalizado el proyecto, el objetivo es comercializarlos en modo SaaS a nivel global.

Actualmente, ingenieros de I+D+i de ITELLIGENT están trabajando en el desarrollo del proyecto OPRA, con lo que esperamos que en un próximo post, os contemos cómo ha evolucionado y qué resultados se han obtenido. Mientras tanto, puedes seguir al proyecto OPRA en Twitter y en LinkedIn.