Machine Learning Tarragona es el resumen principal de noticias de Machine Learning (Aprendizaje Automático) y Deep Learning (Aprendizaje Profundo) para el área de Tarragona, España.

Los principales desarrollos en este campo, ya sean nuevas tecnologías, compañías o productos, procesados y simplificados para que lo puedas tener de forma fácil, simple y gratis!

Los ejemplos y tutoriales de Machine Learning permiten que los nuevos contenidos, muchas veces de gran complejidad, sean accesibles para una audiencia más amplia. A su vez, las técnicas y algoritmos de Machine Learning, ofrecen los últimos avances en investigación de forma más interesante y simple de comprender. Se incluye, también, ejemplos y técnicas de Python, ya que es uno de los lenguajes más utilizados en este campo.

Este contenido se complementa con información específica para el área de Tarragona, España.

Los españoles realizaron compras por 147.431 millones de euros utilizando tarjetas de crédito/débito en 2018

El repunte del crédito al consumo podría transformarse en un aumento de la morosidad y en un deterioro de la cartera de las entidades, que podría poner en riesgo la economía. Por ello, el Banco de España recomienda a la banca la adopción de medidas preventivas en la gestión de su riesgo. La aplicación de Inteligencia Artificial puede marcar la diferencia en los resultados de esa gestión

Alerta por el crédito al consumo
Ante el repunte del crédito al consumo (incluido el de las operaciones con tarjeta) y dada la preocupación del Banco de España porque este crecimiento no se transforme en un aumento de la morosidad y en un deterioro de la cartera de las entidades que pueda poner en riesgo la economía, conviene que la banca tome medidas preventivas en la gestión de su riesgo en general, pero en el derivado de las tarjetas de crédito en particular.

La Inteligencia artificial como respuesta
Para combatir los riesgos principales derivados de uso masivo de las tarjetas de crédito, según AIS Group hay que atender tres frentes principales “y en los tres, la implementación de técnicas de Inteligencia Artificial (IA) como Machine Learning tiene mucho que aportar”, afirma Pere-Joan Ventura, director del área de modelos de riesgo de crédito de AIS Group.

Primero conviene controlar las tarjetas ya emitidas. Es recomendable poner en marcha sistemas de alertas para el seguimiento capaces de identificar comportamientos que denoten una probabilidad alta de caer en impago. Machine Learning tiene dos grandes virtudes que lo hacen especialmente recomendable para este tipo de herramientas. Por un lado, es capaz de trabajar con una gran cantidad de variables, analizarlas, encontrar relaciones entre ellas y todo ello a gran velocidad. Por otro lado y relacionado con lo anterior, su poder predictivo es mucho más elevado que el de otras técnicas, por lo que es capaz de detectar esas señales que anuncian un posible impago con mayor antelación.

El segundo frente es la concesión de nuevas tarjetas. Aunque prácticamente todas las entidades financieras disponen de sistemas de scoring que determinan a quién otorgan las tarjetas, la aplicación de modelos de Inteligencia Artificial puede lograr un salto cualitativo. Y lo hacen gracias a la posibilidad de utilizar las tecnologías basadas en open banking, que permiten tener una visión más amplia del comportamiento del solicitante de la tarjeta. “Se trata de herramientas –dice Ventura- que recopilan toda la información transaccional de las personas que solicitan una tarjeta, no sólo la del propio banco, sino la de todas las entidades con las que opera, de modo que obtengamos un retrato mucho más completo que nos permita decidir si de acuerdo a su perfil es conveniente conceder”.

http://bit.ly/2O0pijW

 

¿Qué es Machine Learning?

En diciembre de 2017, DeepMind, el laboratorio de investigación adquirido por Google en 2014, presentó AlphaZero, un programa de Inteligencia Artificial que podría derrotar a los campeones del mundo en varios juegos de mesa.

Curiosamente, AlphaZero recibió cero instrucciones de los humanos sobre cómo jugar los juegos (de ahí el nombre). En su lugar, utilizó Machine Learning, una rama de la Inteligencia Artificial que desarrolla su comportamiento a través de la experiencia en lugar de comandos explícitos.

En 24 horas, AlphaZero logró un rendimiento sobrehumano en el ajedrez y derrotó al anterior campeón mundial de ajedrez. Poco después, el algoritmo de Machine Learning de AlphaZero también dominó Shogi (ajedrez japonés) y el juego de mesa chino Go, y derrotó a su antecesor, AlphaGo, de 100 a cero.

Machine Learning se ha hecho popular en los últimos años y está ayudando a los ordenadores a resolver problemas que antes se pensaba que eran el dominio exclusivo de la inteligencia humana. Y aunque todavía está muy lejos de la visión original de la Inteligencia Artificial, Machine Learning nos ha acercado mucho más al objetivo final de crear máquinas pensantes.
¿Cuál es la diferencia entre la Inteligencia Artificial y Machine Learning?

Los enfoques tradicionales para desarrollar Inteligencia Artificial incluyen la codificación meticulosa de todas las reglas y el conocimiento que definen el comportamiento de un agente de Inteligencia Artificial. Al crear una Inteligencia Artificial basada en reglas, los desarrolladores deben escribir instrucciones que especifiquen cómo debe comportarse la Inteligencia Artificial en respuesta a cada situación posible. Este enfoque basado en reglas, también conocido como buena Inteligencia Artificial anticuada (GOFAI) o Inteligencia Artificial simbólica, trata de imitar las funciones de representación del conocimiento y el razonamiento de la mente humana.

Un ejemplo perfecto de la Inteligencia Artificial simbólica es Stockfish, un motor de ajedrez de código abierto de primer nivel con más de 10 años de fabricación. Cientos de programadores y jugadores de ajedrez han contribuido a Stockfish y han ayudado a desarrollar su lógica mediante la codificación de sus reglas, por ejemplo, qué debe hacer la Inteligencia Artificial cuando el oponente mueve su caballo de B1 a C3.


Machine Learning detrás de las escenas
Pero la Inteligencia Artificial basada en reglas a menudo se rompe cuando se trata de situaciones donde las reglas son demasiado complejas e implícitas. Reconocer el habla y los objetos en imágenes, por ejemplo, son operaciones avanzadas que no pueden expresarse en reglas lógicas.

A diferencia de la Inteligencia Artificial simbólica, los modelos de Inteligencia Artificial para Machine Learning no se desarrollan al escribir reglas sino a la recopilación de ejemplos. Por ejemplo, para crear un motor de ajedrez basado en Machine Learning, un desarrollador crea un algoritmo base y luego lo "entrena" con datos de miles de juegos de ajedrez jugados anteriormente. Al analizar los datos, la Inteligencia Artificial encuentra patrones comunes que definen estrategias ganadoras, que puede usar para derrotar a los oponentes reales.

Cuantos más juegos revise la Inteligencia Artificial, mejor se volverá a predecir movimientos ganadores durante el juego. Por esta razón, Machine Learning se define como un programa cuyo rendimiento mejora con la experiencia.

Machine Learning es aplicable a muchas tareas del mundo real, incluidas la clasificación de imágenes, el reconocimiento de voz, la recomendación de contenido, la detección de fraudes y el procesamiento de lenguaje natural.

http://bit.ly/2Y3Ie5b

 

Vegebot' puede cosechar lechuga gracias a Machine Learning

Gracias a un curso intensivo de Machine Learning en el laboratorio, un robot ahora puede reconocer y cosechar lechuga.

Un equipo de ingenieros de la Universidad de Cambridge ha desarrollado "Vegebot", un robot que fue entrenado para detectar y cosechar lechuga iceberg en su laboratorio. Desde entonces, han utilizado Vegebot en una serie de pruebas en una variedad de campos locales, con la ayuda de la cooperativa de frutas y hortalizas G´s productores.

Si bien Vegebot no es tan rápido o eficiente como los trabajadores humanos, pudo reconocer la lechuga y recuperarla.

Es una gran noticia para los agricultores que cultivan cosechas como la lechuga que no se han automatizado con éxito en el pasado.

"Cada campo es diferente, cada lechuga es diferente", dijo el coautor, Dr. Simon Birrell, en un comunicado de prensa. "Pero si podemos hacer que una cosechadora robótica funcione con lechuga iceberg, también podríamos hacer que funcione con muchos otros cultivos".

A diferencia de los cultivos como las uvas, el trigo y las patatas, el iceberg y otros tipos de lechuga no han sido buenos candidatos para la cosecha automatizada en el pasado. La lechuga iceberg, por ejemplo, crece cerca del suelo y se daña fácilmente, lo que dificulta el uso de un proceso automatizado sin dañar el cultivo.

"En este momento, la cosecha es la única parte del ciclo de vida de la lechuga que se realiza manualmente, y es muy exigente físicamente", dijo la coautora Julia Cai.

El Vegebot tiene un sistema de visión computarizado que le permite analizar las plantas, identificarlas como lechugas y determinar si están listas para ser cosechadas. También tiene un complejo sistema de corte que le permite cosechar cada cabeza de lechuga sin triturarla, por lo que está "listo para el supermercado".

Machine Learning se utilizó para enseñar a Vegebot cómo reconocer diferentes tipos de lechuga en el laboratorio. Luego, los ingenieros lo sacaron al campo y le enseñaron a reconocer la lechuga en diferentes configuraciones.

http://bit.ly/2JBvAlN

 
Tu opinión es muy importante! Deja tu comentario con sugerencias o ideas de cómo mejorar este servicio.

Puedes seguir noticias y eventos en facebook: https://www.facebook.com/machinelearningtarragona

#machinelearning #deeplearning #tarragona