Tag: Data Science
Desde que el coronavirus (COVID-19) brotó en Wuhan (China) a finales de 2019, este virus gripal se ha ido extendiendo a lo largo de todo el mundo hasta llegar afectar a más de 180 mil personas en 100 países. Cuando China inició su respuesta al virus, se apoyó en su fuerte sector tecnológico y específicamente en la Inteligencia Artificial (IA) y el Data Science para rastrear y combatir la pandemia.
Hemos podido ver como en el corazón de la epidemia del coronavirus se ha ido desplegando todo tipo de tecnologías para luchar contra la enfermedad. Desde bots para desinfectar, drones con cámaras térmicas, cascos inteligentes o hasta software de reconocimiento facial. Por este motivo, os desglosamos un ranking de las 5 tecnologías más relevantes basadas en Inteligencia Artificial y Data Science empleadas en China para combatir el COVID-19.
1. Inteligencia Artifical para identificar, rastrear y pronosticar brotes
Cuanto mejor podamos rastrear el virus, mejor podremos combatirlo. Al analizar noticias, redes sociales y documentos gubernamentales, la Inteligencia Artificial (IA) puede aprender a detectar cuándo es posible que se genere un brote. El seguimiento de los riesgos de enfermedades infecciosas mediante el uso de IA, ha servido para advertir sobre la amenaza del virus varios días antes de que los Centros para el Control y la Prevención de Enfermedades o la Organización Mundial de la Salud emitieran sus advertencias públicas.
Asimismo, gracias a la Inteligencia Artificial ha sido posible que trabajadores de atención médica primaria hayan podido detectar y controlar la enfermedad de manera eficiente. Un ejemplo es el gigante chino de comercio electrónico Alibaba, que construyó un sistema de diagnóstico basado en IA para diagnosticar el virus en segundos y con un 96% de precisión.
2. Drones entregan suministros médicos
Una de las formas más seguras y rápidas de obtener suministros médicos allí donde se necesita durante un brote epidémico es la entrega mediante drones. Empresas fabricantes de drones está utilizando sus vehículos aéreos no tripulados para transportar muestras médicas y material de cuarentena con un riesgo mínimo entre centros de control sanitario y hospitales. También, se han utilizado drones para patrullar espacios públicos, rastrear el incumplimiento de los mandatos de la cuarentena y para capturar imágenes térmicas.
3. Los robots esterilizan, entregan suministros, entre otras tareas.
En China, empresas que han desarrollado tecnologías automatizadas o robots, han destinado estos productos para completar muchas tareas, como limpiar y esterilizar; y entregar alimentos o medicamentos, para reducir la cantidad de contacto entre personas. Algunos de estos robots utilizan luz ultravioleta para matar de forma autónoma bacterias y virus. En China, una empresa desplegó sus robots que generalmente los utilizaban en la industria de la restauración para dar servicios de este tipo a más de 40 hospitales de todo el país.
Chengdu city, Sichuan Province, has armed #COVID19 epidemic control personnel with a high-tech smart helmet that can automatically measure passengers-by temperature when they enter a 5-meter range. The helmet will ring an alarm if anyone has a fever. pic.twitter.com/t56hpBwHVJ
— Global Times (@globaltimesnews) March 3, 2020
Más allá de los robots y los drones, China también ha movilizado su sofisticado sistema de vigilancia para controlar a las personas infectadas y establecer las cuarentenas. Las cámaras de reconocimiento facial son comunes en China, y ahora las compañías están actualizando el software para escanear multitudes en busca de gente con fiebre o para identificar a las personas que no usan máscaras
4. Telas perfeccionadas para la protección
Empresas como la startup israelí Sonovia Tech esperan armar sistemas de salud y otros sectores con máscaras faciales hechas con un tejido antipatógeno y antibacteriano que se basa en nanopartículas de óxido de metal.
5. Inteligencia Artificial para identificar personas infectadas
Si bien es un uso controvertido de la tecnología y la Inteligencia Artificial, el sofisticado sistema de vigilancia de China utilizó tecnología de reconocimiento facial y software de detección de temperatura para identificar a las personas que podrían tener fiebre y tener más probabilidades de tener el virus.
Otra tecnología similar a los «cascos inteligentes» utilizados por los funcionarios de la provincia de Sichuan para identificar a las personas con fiebre. El gobierno chino también ha desarrollado un sistema de monitoreo llamado Código de Salud que utiliza grandes datos (big data) para identificar y evaluar el riesgo de cada individuo en función de su historial de viajes, cuánto tiempo han pasado en puntos críticos de virus y la posible exposición a las personas que portan el virus. A los ciudadanos se les asigna un código de color (rojo, amarillo o verde), al que pueden acceder a través de una app para indicar si deben ser puestos en cuarentena o permitidos en público.
En una pandemia global como COVID-19, la tecnología, la Inteligencia Artificial y la ciencia de datos se han vuelto críticas para ayudar a las sociedades a enfrentar el brote de manera efectiva.
Fuente: By Bernard Marr en Forbes (2020): «Coronavirus: How Artificial Intelligence, Data Science And Technology Is Used To Fight The Pandemic«
ALGORITMO. En Ciencias de la Computación, un algoritmo es un conjunto de pasos para realizar una tarea. En otras palabras, una secuencia lógica y con instrucciones que forman una fórmula matemática o estadística para realizar el análisis de datos.
ANÁLISIS DE SENTIMIENTO. El análisis de sentimiento se refiere a los diferentes métodos de lingüística computacional que ayudan a identificar y extraer información subjetiva del contenido existente en el mundo digital. Gracias al análisis del sentimiento, podemos ser capaces de extraer un valor tangible y directo, como puede ser determinar si un texto extraído de la red Internet contiene connotaciones positivas o negativas.
ANÁLISIS PREDICTIVO (AP). El análisis predictivo pertenece al área de la Analítica Empresarial. Se trata de utilizar los datos para determinar que puede pasar en el futuro. La AP permite determinar la probabilidad asociada a eventos futuros a partir del análisis de la información disponible (presente y pasada). También permite descubrir relaciones entre los datos que normalmente no es detectada con un análisis menos sofisticado. Técnicas como la minería de datos (data mining) y los modelos predictivos son utilizados.
ANALÍTICA EMPRESARIAL (AE). La Analítica Empresarial comprende los métodos y las técnicas que se utilizan para recopilar, analizar e investigar el conjunto de datos de una organización, lo cual genera conocimiento que se transforma en oportunidades de negocio y mejora la estrategia empresarial. AE permite una mejora en la toma de decisiones ya que éstas se basan en la obtención de datos reales y tiempo real y permite conseguir objetivos empresariales a partir del análisis de estos datos.
BIG DATA (Grande volúmenes de datos). Actualmente nos encontramos en un entorno en el que cada día se generan trillones de bytes de información. A esta enorme cantidad de datos producidos día a día, la denominamos Big Data. El crecimiento de los datos provocados en Internet y otras áreas (Ej. Genómica) hacen necesarias nuevas técnicas para poder acceder y utilizar estos datos. Al mismo tiempo estos grandes volúmenes de datos ofrecen nuevas posibilidades de conocimiento y nuevos modelos de negocio. En particular, en Internet, este crecimiento comienza con la multiplicación en el número de webs comenzando los buscadores (ej. Google) a buscar nuevas formas de almacenar y acceder a estos grandes volúmenes de datos. Esta tendencia (blogs, redes sociales, IoT …) está provocando la aparición de nuevas herramientas de Big Data y la generalización de su uso.
BUSINESS ANALYTICS (Analítica Empresarial). La Analítica Empresarial o Business Analytics permite conseguir los objetivos empresariales, a partir del análisis de datos. Básicamente permite detectar tendencias y realizar pronósticos a partir de modelos predictivos y utilizar estos modelos para optimizar los procesos de negocio.
BUSINESS INTELLIGENCE (Inteligencia de Negocio). Otro concepto relacionado con la AE es la Inteligencia Empresarial (IE) centrada en el uso de los datos de una empresa para facilitar también la toma de decisiones y anticipar acciones empresariales. La diferencia con la AE es que la IE es un concepto más amplio, no solo se centra en el análisis de datos sino que éste es un área dentro de la IE. Es decir, la IE se trata de un conjunto de estrategias, aplicaciones, datos, tecnología y arquitectura técnica entre las que se encuentra la AE; y todo ello, enfocado a la creación de nuevo conocimiento a través de los datos existentes de la empresa
DATA MINING o minería de datos. Data Mining (minería de datos) es también conocida como Knowledge Discovery in database (KDD). Es comúnmente definida como el proceso para descubrir patrones útiles o conocimientos a partir de fuentes de datos tales como Bases de Datos, textos, imágenes, la web, etc. Los patrones deben ser válidos, potencialmente útiles y entendibles. La minería de datos es un campo multidisciplinar que incluye: aprendizaje automático, estadísticas, sistemas de base de datos, inteligencia artificial, Information Retrieval, visualización de la información, … El objetivo general del proceso de minería de datos consiste en extraer información de un conjunto de datos y transformarla en una estructura comprensible para su uso posterior.
DATA SCIENCE (Ciencia de datos). La oportunidad que los datos ofrecen para generar nuevo conocimiento requiere de técnicas sofisticadas de preparación de estos datos (estructuración) y análisis de los mismos. Así en Internet, sistemas de recomendación, traducción automática y otros sistemas de Inteligencia Artificial se basan en técnicas de Data Science.
DATA SCIENTIST. El data scientist, como su propio nombre indica, es un experto en la Ciencia de Datos (Data Science). Su trabajo se centra en extraer conocimiento a partir de grandes volúmenes de datos (Big Data) extraídos de diversas fuentes y múltiples formatos para dar respuesta a las cuestiones que se planteen.
DEEP LEARNING o aprendizaje profundo es una técnica dentro del machine learning basado en arquitecturas neuronales. Un modelo basado en deep learning puede aprender a realizar tareas de clasificación directamente a partir de imágenes, texto o sonido, etc. Sin necesidad de intervención humana para la selección de características, esto se puede considera la principal característica y ventaja del deep learning, llamada “feature discovering”. Pueden, además, poseer una precisión que supera al ser humano.
GEOMARKETING. El análisis conjunto de los datos demográficos, económicos y geográficos posibilita estudios de mercado para rentabilizar las estrategias de marketing. El análisis de este tipo de datos se puede llevar a cabo a través del Geomarketing. Tal como su propio nombre indica, Geomarketing es una confluencia entre geografía y marketing. Se trata de un sistema integrado de información -datos de diversa índole-, métodos estadísticos y representaciones gráficas orientados a dar respuestas a cuestiones de marketing de forma rápida y sencilla.
INTELIGENCIA ARTIFICIAL. En computación se trata de programas o bots diseñados para realizar determinadas operaciones que se consideran propias de la inteligencia humana. Se trata de hacer que éstos sean tan inteligentes como un humano. La idea es que perciban su entorno y actúen en base a ello, centrado en el auto-aprendizaje, sean capaces de reaccionar ante nuevas situaciones.
INTELIGENCIA ELECTORAL. Este nuevo término “Inteligencia Electoral (IE)” es la adaptación de modelos matemáticos y de Inteligencia Artificial a las peculiaridades de una campaña electoral. El objetivo de esta inteligencia es la obtención de una ventaja competitiva en los procesos electorales. ¿Sabes cómo funciona?
INTERNET OF THINGS (IoT). Este concepto, Internet de las Cosas, fue creado por Kevin Ashton y hace referencia al ecosistema en el que los objetos cotidianos están interconectados a través de Internet.
MACHIEN LEARNIN (Aprendizaje automático). Este término hace referencia a la creación de sistemas a través de la Inteligencia Artificial, donde lo que realmente aprende es un algoritmo, el cual supervisa los datos con la intención de poder predecir comportamientos futuros.
MINERÍA WEB. La minería web tiene como objeto descubrir información útil o el conocimiento (KNOWLEDGE) procedente de la estructura de hipervínculo web, contenido de la página y datos de usuario. Aunque la minería web utiliza muchas técnicas de minería de datos, no es meramente una aplicación de técnicas de minería de datos tradicionales, debido a la heterogeneidad y la naturaleza semi-estructurada o no estructurada de los datos de la web. La minería web o web mining comprende una serie de técnicas encaminadas a obtener inteligencia a partir de datos procedentes de la web. Aunque las técnicas utilizadas tienen su raíz en las técnicas de data mining o minería de datos, presentan características propias debido a las particularidades que presentan las páginas webs.
OPEN DATA. El Open Data es una práctica que tiene la intención de disponer de unos tipos de datos de forma libre para todo el mundo, sin restricciones de derecho de autor, patentes u otros mecanismos. Su objetivo es que estos datos puedan ser consultados, redistribuidos y reutilizados libremente por cualquiera, respetando siempre la privacidad y seguridad de la información.
PERIODISMO DE DATOS (periodismo computacional). De una forma simple y directa, se trata del periodismo que para crear artículos o investigaciones periodísticas se requiere del conocimiento de técnicas del áreas de data science, big data, inteligencia artificial, entre otras. El periodista de datos debe ser capaz de dar soporte a sus artículos mediante el análisis de datos, utilizando técnicas analíticas como el análisis de redes sociales, clustering, information retrieval, recommendation systems, etc.
PROCESAMIENTO DEL LENGUAJE NATURAL (PLN). Del procesamiento conjunto de la ciencia computacional y la lingüística aplicada, nace el Procesamiento de Lenguaje Natural (PLN o NLP en inglés), cuyo objetivo no es otro que el de hacer posible la compresión y procesamiento asistidos por ordenador de información expresada en lenguaje humano, o lo que es lo mismo, hacer posible la comunicación entre personas y máquinas.
PRODUCT MATCHING. El Product Matching es un área perteneciente a Data Matching o Record Linkage encargada de identificar automáticamente aquellas ofertas, productos o entidades en general, que aparecen en la web procedente de diversas fuentes, aparentemente de forma distinta e independiente, pero que hacen referencia a una misma entidad real. En otras palabras, el proceso de Product Matching consiste en relacionar para distintas fuentes aquellos productos que son el mismo.
La era digital ha provocado una explosión de datos en todas las formas y desde todas las regiones del mundo. Esta explosión de datos, conocido como Big Data, no siempre están bien estructurados y no son accesibles. Se podría tardar que una persona pudiera manualmente extraer la información relevante de estos grandes datos desestructurados. Sin embargo, existen técnicas de Inteligencia Artificial que permiten la estructuración de los datos y posibilita la extracción de información útil de los mismos. Por este motivo, las empresas se dan cuenta el increíble potencial del Big Data & Inteligencia Artificial.
QUÉ ES DEEP LEARNING
Deep learning (aprendizaje profundo) es una nueva técnica dentro del aprendizaje automático (machine learning) basado en arquitecturas de redes neuronales. Está relacionado con algoritmos inspirados en la estructura y función del cerebro, de ahí el nombre redes neuronales artificiales. Las redes neuronales artificiales se construyen como el cerebro humano, con nodos de neuronas conectados como una red.
Mientras que los modelos tradicionales crean análisis con estructuras lineales, los modelos de deep learning se caracterizan por su estructura jerárquica permitiendo procesar los datos con un enfoque no lineal.
¿Qué tiene de especial el deep learning? Un modelo basado en deep learning puede aprender a realizar tareas de clasificación directamente a partir de imágenes, texto o sonido, etc. Sin necesidad de intervención humana para la selección de características, esto se puede considera la principal característica y ventaja del deep learning, llamada “feature discovering” .Pueden, además, poseer una precisión que supera al ser humano.
EN QUÉ CONSISTE, CÓMO FUNCIONA
Los modelos se entrenan mediante un amplio conjunto de datos etiquetados y arquitecturas de redes neuronales que contienen muchas capas.
La primera capa de la red neuronal procesa una entrada de datos brutos como por ejemplo una imagen, y la pasa a la siguiente capa como salida, este proceso se va repitiendo sucesivamente hasta completar todas las capas de la red neuronal. Por ejemplo, una imagen que comienza como una matriz de píxeles. Las características aprendidas en la primera capa puede ser por ejemplo, la aparición o no de ejes en una parte concreta de la imagen. La segunda capa detecta uniones de ejes. La tercera capa aprende combinaciones que correspondería a partes de objetos. La principal característica de este método es que estas capas realizan el descubrimiento de características sin intervención humana, aprendiéndolo directamente de los datos brutos.
El término “deep” (profundo) suele hacer referencia al número de capas ocultas en la red neuronal que pueden ser hasta 150 capas (las redes neuronales tradicionales solo contienen dos o tres capas oculta).
ARQUITECTURAS DEEP LEARNING
Hemos comentado que la mayoría de métodos de machine learning emplean arquitecturas neuronales, por lo que las arquitecturas de deep learning emplean modelización de redes neuronales, tales como:
- Deep Neural Network (DNN) o Redes neuronales profundas
- Convolutional Neuronal Network (CNN) ó Redes neuronales profundas convolucionales
- Deep Belief Network (DBN) o Redes de creencia profundas
CONVOLUTIONAL NEURONAL NETWORK
En este post nos centraremos en la arquitectura de deep learning, Convolutional Neural Network (CNN) que, traducido al español, se trata de Redes Neuronales Convolucionales. En este tipo de arquitectura se emplean modelizacion de redes neuronales artificiales donde las neuronas correspondes a campos receptivos -similar a las neuronas en la corteza visual V1 de un cerebro humano-. Este tipo de redes son muy efectivas para tareas de:
- Detección y categorización de objetos
- Clasificación y segmentación de imágenes
El objetivo de CNN es aprender características de orden superior utilizando la operación de convolución. Puesto que las redes neuronales convolucionales puede aprenden relaciones de entrada-salida (donde la entrada es una imagen), en la convolución, cada pixel de salida es una combinación lineal de los pixeles de entrada.
Pero, ¿qué significa «convolucion»? La convolución consiste en filtrar una imagen utilizando una máscara. Diferentes máscaras producen distintos resultados. Las máscaras representan las conexiones entre neuronas de capas anteriores. (INAOE).
Estas capas aprenden progresivamente las características de orden superior de la entrada sin procesar. Este proceso para aprender características automáticas es la característica principal del modelo de deep learning, llamado descubrimiento de características.
Las redes neuronales convolucionales se forman usando dos tipos de capas: convolucionales y pooling.(INAOE). La capa de convolución transforma los datos de entrada utilizando la operación matemática de convolución. La operación de convolución describe cómo fusionar dos conjuntos de información diferentes.
Después de la capa o capas de convolucion se usa una capa de pooling. La función de las capas de pooling es resumir las respuestas de las salidas cercanas. La principal característica de la capa de pooling son dos. Primero, la capa de pooling reduce progresivamente el tamaño espacial de los datos. Y segundo, la agrupación ayuda a obtener una representación invariable a una pequeña traslacion de la entrada.
Las redes neuronales convolucionales fueron algunas de las primeras redes neuronales aplicadas para resolver aplicaciones comerciales importantes. Un ejemplo de ello fue en la década de 1990, AT & T desarrolló un modelo de CNN para la lectura de cheques. También más tarde se desarrollaron muchos sistemas OCR basados en CNN. Actualmente, el interés por el deep learning se debe en gran parte a la victoria de Krizhevsky et al. en el desafío de imageNet.
Aviso Legal | Política de Cookies | Política de Privacidad