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.

New York-Presbyterian, WorkFusion y la automatización inteligente de la administración de atención médica

La Inteligencia Artificial (IA) en la atención médica generalmente se centra en la transformación de los procesos de atención clínica, como el diagnóstico y el tratamiento. Muchos investigadores, startups y empresas de tecnología establecidas se centran en curar el cáncer, desarrollar medicina de precisión utilizando datos genómicos y de otro tipo, y automatizar el escaneo de imágenes médicas. Estas son ciertamente actividades dignas, y se están haciendo progresos en ellas, aunque más lentamente de lo que muchos esperarían.

Sin embargo, hay otro lado de la atención médica que merece igualmente los beneficios de las máquinas inteligentes. Implica procesos administrativos y financieros que apoyan la prestación de atención. Tienen un enorme impacto en el costo y la conveniencia de la atención, y ocupan demasiado tiempo del médico que podría dedicarse a los pacientes. Un estudio sugiere que los médicos dedicaron una sexta parte de su tiempo a tareas administrativas. Un estudio de enfermeras sugiere que solo pasan el 37% de su tiempo con los pacientes; gran parte del resto es consumido por tareas administrativas.

Estas tareas administrativas y financieras son el tema de los esfuerzos de automatización inteligente del New York-Presbyterian Hospital, un centro médico académico con sede en la ciudad de Nueva York. El arquitecto de su uso es el Dr. David Tsay, un médico notablemente bien educado (M.D./Ph.D.) pero, sin embargo, humilde médico que también es Oficial Asociado de Transformación en el hospital. El resumen de Tsay incluye los aspectos de tecnología digital y avanzada de la transformación del hospital, incluida la Inteligencia Artificial.

http://bit.ly/2IcpV4o

 

Cómo la Inteligencia Artificial está haciendo el cambio del sistema al ecosistema

Cuando IBM presentó por primera vez su sistema Watson en el programa de juegos Jeopardy! en 2011, fue como algo sacado de la ciencia ficción. Aquí había un ordenador que no solo podía entender las preguntas habladas, sino responderlas más rápido y con mayor precisión que los mejores jugadores humanos. Nadie había visto algo así ni remotamente antes.

Hoy, menos de una década después, la Inteligencia Artificial se ha transformado de lo increíble a algo cercano a lo mundano. No solo tenemos capacidades similares al sistema original de Watson en nuestros teléfonos, también podemos acceder a recursos de primer nivel de varias compañías, a menudo de forma gratuita.

Sin embargo, probablemente la mayor diferencia con respecto a esos primeros días de Watson es cómo la Inteligencia Artificial ha evolucionado de un sistema a un ecosistema. Al igual que la evolución de los mainframes a los ordenadores personales, las compañías ahora pueden acceder a diferentes componentes para construir un sistema diseñado específicamente para sus negocios. Así es como una tecnología se transforma.

Adquisición de recursos de datos
Lo que hace que la Inteligencia Artificial sea diferente a las tecnologías anteriores es que el sistema aprende a medida que los datos se introducen en él. Entonces, los datos son el combustible que hace que todo funcione. Es por eso que Josh Sutton, CEO de Agorai, una plataforma que ayuda a las empresas a crear aplicaciones de Inteligencia Artificial para sus negocios, llama a los datos, "el activo empresarial más valioso que no reside en un balance".

"Lo primero que sugiero que pregunte una empresa es ¿qué valor puedo crear con Inteligencia Artificial? ", dijo Sutton. “A partir de ahí, puede averiguar qué datos necesita para impulsar esas aplicaciones, qué activos de datos ya tiene, qué puede generar y qué necesita comprar. También vería qué datos tengo que pueden ser valiosos para otros, pero no de valor estratégico para mí, que puedo usar para generar un flujo de ingresos".

http://bit.ly/2ZKy36m

 

Mejores simulaciones revolucionarán Machine Learning

No hay duda de que Machine Learning a menudo se siente mágico. Como ingeniero de Machine Learning, todavía estoy fascinado cuando mi modelo resuelve un problema muy difícil de alta dimensión que, de lo contrario, no hubiera podido resolverse. Estoy convencido de que las soluciones basadas en datos resolverán los problemas más desafiantes en el futuro, como la conducción autónoma y que el Software 2.0 desempeñará un papel muy importante.

Sin embargo, el rendimiento de esos algoritmos depende en gran medida de sus datos. Si alguna vez ha entrenado una red neuronal usted mismo, descubrirá rápidamente que está limitado tanto por la calidad como por la cantidad de sus datos.

Podríamos resumirlo así:
- Si tiene suficientes datos de buena calidad -> El rendimiento podría ser bueno.
- Si tiene datos incorrectos -> El rendimiento será malo.

¿De dónde obtengo suficientes datos buenos?
Obtener los datos es el problema más difícil en Machine Learning en mi opinión. Si desea enseñarle a un automóvil a conducir solo, necesitará miles de millas de conducción humana. Si desea detectar cuándo se rompe una ventana, tendrá que romper miles de ventanas usted mismo y grabar sus sonidos (de hecho, conozco una empresa que lo hizo).

Romper miles de ventanas diferentes es costoso y lleva mucho tiempo. Este es el mayor cuello de botella para resolver la mayoría de los problemas con una solución basada en datos como Machine Learning.

La simulación
Pero, ¿qué pasaría si pudieras construir una buena simulación donde pudiéramos romper ventanas y conducir autos? Podríamos generar millones de muestras de entrenamiento en poco tiempo y sin esfuerzo.

http://bit.ly/2ZIwlCs

 
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