Machine Learning Tarragona

Quieres enviar un email, abres una página web, haces login, lo escribes y lo envías. O quieres poner una foto en Instagram. Lo abres desde el ordenador y ya está. O ingresas desde el móvil. Y eso que habías visto en tu casa ahora se lo quieres mostrar a la gente del trabajo.

Todo esto que haces cada día, desde diferentes dispositivos y en diferentes ubicaciones, forma parte de lo que eres tú en las redes sociales, o en diferentes servicios.

Y todas estas acciones tienen un elemento en común: tu identidad online.

Al acceder a cada uno de estos servicios o aplicaciones, de alguna manera se identifica que quien está accediendo efectivamente seas tú, por medio de una contraseña, de un mensaje al móvil, revisando tu ubicación y por otros métodos.

¿Pero qué sucede si alguien se quiere hacer pasar por tí? ¿Cómo puede un servicio online verificar que tú eres realmente tú y no otra persona que intenta acceder al servicio en tu nombre, con diferentes objetivos?

Estas tareas entran dentro del campo de la ciberseguridad, donde Machine Learning puede ayudar mucho, ya que la suplantación de identidad es un tipo de amenaza que muestra una tasa muy alta de crecimiento y vulnerabilidad, de acuerdo al estudio de Identity Defined Security Alliance (IDSA) titulado "Identity Security: A Work in Progress", realizado con responsables de seguridad de TI o de la gestión de acceso a la identidad en grandes empresas.

Estos son algunos de los datos más importantes que debes conocer:  

- Seguridad en evitar un ataque: 26%

Sólo el 26% de las empresas dicen estar muy seguras de que pueden frustrar una suplantación de identidad, aunque es cierto que el 70% está "algo seguro" de poder lograrlo.
Un factor clave en este aspecto es el tener que verificar identidades humanas e identidades virtuales, como es el caso de aplicaciones que utilicen un acceso a datos por medio de una API. En el primer caso ya se cuentan con diferentes protocolos para su verificación, pero en el caso del acceso a una API la verificación de identidad es una tarea más compleja.
 

- Violaciones relacionadas con la identidad: 94%

Prácticamente todos las empresas encuestadas han sufrido un evento de este tipo, lo que es realmente alarmante.
Un detalle no menor está relacionado con el tiempo de detección de este problema, que se encuentra, en promedio, en los 206 días para identificar la intrusión inicial, y otros 73 días para resolverla.
Esto implica no sólo un problema de imagen hacia los clientes sino también importantes multas. Por ejemplo, las empresas que han logrado detectar y contener una violación de identidad en menos de 200 días gastaron 1,23 millones de dólares menos en costes de infracción.
 

- Phising y robo de credenciales: +667%

Estos tipos de ataques son los responsables de la mayoría de las violaciones de identidad en los últimos dos años. Desde finales de Febrero de 2020 y en tan sólo 6 meses, los ataques por correo electrónico utilizando estas técnicas relacionándolas con el COVID19, ha aumentado un 667%.


Estos datos muestran una clara oportunidad donde puedes aplicar tus conocimientos de Machine Learning para ayudar que las aplicaciones y los servicios sean cada vez más seguros.

   

El proceso de contratación ha recorrido un largo camino desde los días de currículums en papel y llamadas frías a través de un teléfono fijo. Los sitios de trabajo online ahora son básicos en la adquisición de talento, pero la Inteligencia Artificial (IA) y Machine Learning están mejorando el panorama de reclutamiento y contratación.

Cuando se le preguntó sobre el estado actual de la Inteligencia Artificial y Machine Learning en la contratación, Mark Brandau, analista principal del equipo de CIO de Forrester, dijo: "Todos los proveedores se están moviendo en esa dirección sin dudas. Es el camino hacia el futuro".

El poder de la Inteligencia Artificial radica en su capacidad para procesar grandes volúmenes de datos a altas velocidades, mejorando la eficiencia y la productividad de las organizaciones. Esas mismas características y beneficios también se pueden aplicar al proceso de contratación.

"A medida que las organizaciones buscan Inteligencia Artificial y Machine Learning para mejorar sus prácticas, hay dos objetivos en mente", dijo Lauren Smith, vicepresidenta de recursos humanos de Gartner. "La primera es ¿cómo impulsamos más eficiencia en el proceso? Y la segunda es simplemente reconocer que podemos obtener mejores resultados: la efectividad de nuestro proceso puede ser mejorada".

Las principales empresas de todos los sectores, incluidos Hilton, Humana, AT&T, Procter & Gamble y CapitalOne, utilizan Inteligencia Artificial y Machine Learning para navegar a través de miles de aplicaciones, organizar entrevistas, realizar evaluaciones iniciales y más.

No todas las organizaciones están implementando la automatización para lograr esas tareas, pero muchas están integrando la tecnología a cierta capacidad, dijo Brandau.
 

Las 3 mejores aplicaciones de Inteligencia Artificial y Machine Learning en la contratación

1. Búsqueda de talento

La búsqueda de talento es una de las formas más destacadas en que las empresas utilizan la tecnología en la contratación, dijo Smith.

"Identifica dónde está el talento que estamos buscando. Esa tecnología es realmente buena para obtener sitios profesionales de redes sociales, información académica y una variedad de fuentes diferentes para ayudar a identificar el segmento de talento que está buscando", dijo Smith .

"Esa ha sido obviamente la mina de oro para los reclutadores, ya que están buscando talento en un mercado laboral cada vez más hipercompetitivo", agregó.

2. Compromiso del candidato

Según Smith, la automatización en el compromiso de los candidatos es la aplicación más madura en el reclutamiento hasta ahora.

"La Inteligencia Artificial se ha vuelto más prominente a medida que los candidatos se parecen más a los consumidores que antes", dijo Smith.

"Esperan transparencia en el proceso. Esperan una respuesta oportuna a sus preguntas. La mayoría de las funciones de reclutamiento no están configuradas para hacerlo bien", dijo Smith. "Usar cosas como los bots de chat en lugar de los reclutadores, que se comunican directamente con los candidatos en las diferentes etapas del proceso, comunican dónde se encuentran en el proceso, con quién tienen que entrevistar a continuación, etcétera".

3. Evaluación y selección de empleados prospectivos

El uso de Inteligencia Artificial para evaluar candidatos ayuda a reducir el talento, haciendo que el proceso de contratación sea más rápido y más eficiente, dijo Smith.

"Muchas organizaciones obtienen cientos de miles de aplicaciones para un solo rol, y eso es muy abrumador", dijo Smith. "La mayoría utiliza la detección de currículums para clasificar ese ruido e identificar a las personas que quieren participar del proceso".

"La segunda parte de la evaluación y selección es menos madura", continuó Smith. "Hay muchos titulares de noticias en torno al uso de algoritmos para evaluar y realizar la contratación final. Hay mucho debate al respecto en el espacio de reclutamiento, porque puede ser más propenso a sesgos. Pero esa es un área que vemos a algunas organizaciones experimentando diferentes estrategias.".

AI redefine la contratación

A pesar de la prevalencia y la utilidad de la Inteligencia Artificial y Machine Learning en el reclutamiento, la tecnología no reemplazará la contratación de profesionales, dijo Brandau.

Brandau se hizo eco de los mismos casos de uso de Inteligencia Artificial que Smith describió, pero agregó que estas aplicaciones no significan que los humanos serán eliminados del proceso.

"Esto no es para reemplazar trabajos; esto es realmente para ayudar", dijo Brandau.

La Inteligencia Artificial está destinada a acelerar los procesos manuales que llevan mucho tiempo a los reclutadores y a los gerentes de contratación, como examinar miles de aplicaciones. La tecnología está destinada a dar a los profesionales humanos más tiempo para realizar un trabajo más valioso.

"Esto no entra y dice que todo se hará automáticamente. No creo que ese sea el caso", dijo Brandau. "Cuando piensas en el proceso de adquisición de talento, es profundamente humano".

"Tiene que haber conexiones humanas allí. Incluso si algunos de los procesos obtienen ayuda del software, eso no reemplazará a nadie, eso solo acelerará el tiempo de contratación y tal vez encuentre un mejor candidato a un precio más bajo con el tiempo", agregó Brandau.

   

El coche Genesis G80 a estrenarse el año 2021 presenta todos los accesorios de un sedán mediano de lujo, pero una característica que destaca el avance creciente de la tecnología disruptiva es el uso de Machine Learning para su control de velocidad.

"Los últimos sistemas de seguridad activa y de conducción asistida de Genesis también se tienen en cuenta, incluida la Asistencia de conducción en carretera que ahora puede cambiar de carril con solo pulsar la señal de giro y Smart Cruise Control con Machine Learning que se adapta de manera inteligente al estilo de conducción de su propietario", comenta un artículo de Chris Tsui en The Drive.

La idea de Machine Learning ya estaba avanzando incluso antes del lanzamiento del  Genesis G80 año 2021. En particular, su uso en la industria automotriz permite a la tecnología que puede mejorar la experiencia del conductor al adaptarla a su gusto.

“Machine Learning facilita la personalización y la asistencia personal inteligente. Incorpora resultados de análisis y aprende rasgos de la personalidad del usuario, creando así perfiles específicos del usuario, que luego pueden aprovecharse para proporcionar personalización y asistencia ”, señaló un artículo de Allerin en 2017.
   

Google ha lanzado una nueva tecnología para mejorar la calidad de audio en las llamadas de Duo cuando el servicio no puede mantener una conexión estable, llamada WaveNetEQ. Se basa en tecnología de la división DeepMind de Google que tiene como objetivo reemplazar el jitter de audio (fluctuación de auido que produce un ruido no deseado) con ruido artificial que suena como el habla humana, generado mediante Machine Learning.

Si alguna vez ha realizado una llamada a través de Internet, es probable que haya experimentado fluctuaciones de audio. Ocurre cuando los paquetes de datos de audio enviados como parte de la llamada se pierden en el camino o llegan tarde o en el orden incorrecto. Google dice que el 99 por ciento de las llamadas de Duo experimentan pérdida de paquetes: el 20% de ellas pierde más del 3% de su audio y el 10% pierde más del 85. Eso es mucho audio para reemplazar.

Cada aplicación de llamadas tiene que lidiar con esta pérdida de paquetes de alguna manera, pero Google dice que estos procesos de ocultación de pérdida de paquetes (PLC) pueden tener dificultades para llenar huecos de 60 ms o más sin sonar robóticos o repetitivos. La solución de WaveNetEQ se basa en la tecnología de red neuronal de DeepMind y se ha capacitado en datos de más de 100 hablantes en 48 idiomas diferentes.

Sin embargo, hay un límite para la cantidad de audio que el sistema puede reemplazar. La tecnología de Google está diseñada para reemplazar sonidos cortos, en lugar de palabras completas. Entonces, después de 120 ms, se desvanece y produce silencio. Google dice que evaluó el sistema para asegurarse de que no estaba introduciendo ningún sonido nuevo significativo. Además, todo el procesamiento también debe realizarse en el dispositivo, ya que las llamadas de Google Duo están encriptadas de extremo a extremo de forma predeterminada. Una vez que se reanude el audio real de la llamada, WaveNetEQ volverá a la realidad sin problemas.

Es un poco de tecnología que debería hacer que las llamadas sean mucho más fáciles de entender cuando Internet falla. La tecnología ya está disponible para las llamadas de Duo realizadas en teléfonos Pixel 4, gracias a una filtración de funciones del teléfono en diciembre, y Google dice que está en proceso de implementarla en otros teléfonos.

   

Cuando se trata de lenguajes de programación en India, Python es el más popular entre los estudiantes por su papel en aplicaciones de Inteligencia Artificial (AI), Ciencia de Datos, Machine Learning (ML) y análisis de datos, dijo la compañía de educación en línea con sede en EE. UU. Coursera.

Python dominó la lista de los 10 principales con cursos como "Programación para todos", "Estructuras de datos de Python", "Python para Ciencia de Datos e Inteligencia Artificial" y más.

Python también es fácil de comenzar, ofrece mucha flexibilidad y es versátil.

“Su naturaleza de código abierto hace que sea fácil de aprender. Una gran cantidad de bibliotecas para tareas como desarrollo web, procesamiento de texto, cálculos se suman a su atractivo ”, dice el informe.

El rápido crecimiento de Python en los últimos cinco años ha sido impulsado por una gran y creciente comunidad de profesionales de Ciencia de Datos.

Además de Python, los otros cursos de tecnología más populares se centraron en TensorFlow para Inteligencia Artificial, computación en la nube y algoritmos.

En cuanto a los cursos más populares en Ciencia de Datos, la lista incluía temas como Machine Learning, redes neuronales y conceptos básicos de Ciencia de Datos, además de Python.

Otros cursos más populares son Google Cloud Platform Fundamentals: Core Structure y AWS Fundamentals: Going Cloud Native.

Según el reciente informe "GitHub-State of Octoverse", Python se encuentra entre los principales lenguajes de programación del mundo.

Un informe reciente de Coursera descubrió que el 90 por ciento de las economías en desarrollo, incluida la India, se están quedando atrás o corren el riesgo de quedarse atrás en las habilidades críticas relacionadas con los negocios, la tecnología y Ciencia de Datos.

El informe, que analizó las tendencias de habilidades y los datos de rendimiento para 60 países, reveló que, en términos de habilidades comerciales, India ocupó el puesto 50, 44 en tecnología y 51 en Ciencia de Datos.

También se descubrió que India está rezagada entre los 16 países de Asia Pacífico, lo que indica una gran oportunidad para esfuerzos de mejoramiento más centrados en las competencias clave.  

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.

Ética, Machine Learning y discapacidades

Hay muchos temas que generan interés dentro de la accesibilidad y la discapacidad, pero los temas de Inteligencia Artificial (IA) y Machine Learning (ML) y el potencial para la aparición de sesgos (no intencionales) hacia las personas con discapacidad es claramente algo en lo que muchas personas están pensando. Techshare Pro 2019 celebró un panel sobre este tema; "Ética, Machine Learning y discapacidades", presidida por Abi James de AbilityNet e incluida Reema Patel, Jefa de Participación Pública del Instituto Ada Lovelace, Christopher Patnoe, Jefe de Programas de Accesibilidad en Google, Sarah Herrlinger, Directora de Políticas e Iniciativas de Accesibilidad Global en Apple, y Anja Thieme, Investigadora Senior en Interacción Humano-Computadora para Microsoft.

Lavado de ética y compras de ética
Reema Patel comenzó la discusión destacando el papel del (relativamente nuevo) Instituto Ada Lovelace y su misión; "Para garantizar que los datos y la Inteligencia Artificial funcionen para las personas y la sociedad". Reema deseaba destacar que el término "ética" en sí mismo es impugnado y que era importante evitar lo que ella llamó "lavado de ética" o "compra de ética": elegir arbitrariamente principios éticos de una lista. En cambio, propuso un enfoque en responder a diversas voces y perspectivas.

Sesgo y discriminación
El panel destacó que los grupos que actualmente desarrollan Inteligencia Artificial y sistemas basados ​​en datos no son típicamente representativos de la población en general y, aunque esto ha atraído críticas generalizadas en términos de diversidad de género, también hay poca representación de la discapacidad y la diversidad socioeconómica en estos equipos de desarrollo. También se sugirió que tal vez debería haber un objetivo para la sobre-representación de las personas marginadas, ya sea raza, género, religión o discapacidad, para garantizar que todos tengan voz. Para las personas involucradas en impulsar la accesibilidad, se trata de entrar en la conversación y garantizar que permanezca presente en estas conversaciones. El equipo de accesibilidad en Apple, por ejemplo, participó en el punto en el que se estaba discutiendo Face ID y, por lo tanto, pudo ayudar a desarrollar el algoritmo para garantizar que se consideraran todos los tipos de rostro: personas con prótesis, personas que pueden tener los ojos cerrados todo el tiempo; un conjunto de datos diverso de usuarios y casos de uso que pueden no haberse considerado sin esta entrada.

http://bit.ly/2RS1EXb

 

Cómo comenzar en Inteligencia Artificial y Machine Learning

Para aquellos de vosotros que estéis interesados ​​en carreras en Inteligencia Artificial y Machine Learning, recomendamos lo siguiente:

- Aprende a escribir CÓDIGO: la codificación es un ejercicio increíble de disciplina y lógica que, cuando se hace de la manera correcta, puede ayudar a tu mente a comprender problemas y soluciones que no hubieras considerado originalmente. Una excelente forma de comenzar sería Python, que es un lenguaje de programación sofisticado y de alto nivel, pero muy práctico para Machine Learning.

- DOMINAR lo que está codificando: algunas personas afirman ser ingenieros de Machine Learning o ingenieros de Inteligencia Artificial porque son capaces de clonar un repositorio git (tomando prestado un fragmento de código que alguien escribió e hizo público) para una tarea específica o sigue una línea de tutoría en línea. Es un gran comienzo, sin embargo, no hay nada más dañino (técnicamente hablando) para una compañía de Inteligencia Artificial que un ingeniero que no entiende lo que está haciendo, codificando y desplegando. Comprender y poseer tu código (tan pequeño como pueda pensar que es) te dará una ventaja increíble y un control sobre tu proyecto de Inteligencia Artificial. No importa si no es el código más "optimizado" al principio, siempre que lo entiendas. Un buen ejercicio sería participar en las competencias de Kaggle o contribuir activamente a un repositorio de github popular. Ambos te darán una validación de la comunidad, que es muy valiosa para las empresas que contratan ingenieros centrados en Machine Learning.

- ENTIENDE lo que estás codificando: Machine Learning es un campo complejo y vasto, que se basa en conceptos matemáticos específicos y enfoques estadísticos. Comprender las matemáticas detrás del código, te dará una ventaja increíble cuando se trata de optimizar un algoritmo, corregir un error o simplemente reconocer un problema y traducirlo en un problema de Inteligencia Artificial. Esto también te ayudará a reunir el conjunto de datos correcto y a poseer su código.

- No inventes problemas para resolver: No es raro ver las startups, especialmente en Silicon Valley, lanzadas porque los fundadores tienen una solución (un algoritmo, un conjunto de datos, etc.) y deciden inventar un problema. Por favor, no hagas eso. La mejor manera de construir y desarrollar con éxito una startup de Inteligencia Artificial es identificar un problema REAL en la vida cotidiana de las personas y luego encontrar una solución que puedas CODIFICAR, DOMINAR y ENTIENDA.

Finalmente, PERSEVERA. Inteligencia Artificial y Machine Learning son campos complicados que requieren mucha disciplina y trabajo. Este es un viaje largo, así que espera. Sé humilde, nunca dudes en hacer preguntas y ayudar a tu comunidad.

http://bit.ly/2BQO3WE

 

Los nuevos sectores más populares de la nación de nueva creación para la India: tecnología publicitaria y de medios

Israel es conocida como la "nación emergente" y tiene fama en la India por sus tecnologías innovadoras en tratamiento y gestión del agua, agricultura, atención médica y, por supuesto, seguridad. Pero la nación emergente no se detiene en estos sectores. De hecho, otros sectores podrían ser mucho más prometedores para las tecnologías israelíes en la India. Echemos un vistazo a dos sectores en los que las nuevas empresas israelíes sobresalen a nivel mundial y ofrecen oportunidades emocionantes para el sector privado en la India: tecnología publicitaria y tecnología de medios.


Oportunidades publicitarias en el mercado indio

No muchos saben que Israel es uno de los líderes mundiales en tecnologías de publicidad digital, con un gran ecosistema que genera una multitud de empresas innovadoras y exitosas. El ejemplo más obvio es el gigante de la tecnología publicitaria creado por la reciente fusión de Outbrain en Taboola. Otro líder emergente del sector es Appsflyer, cuya tecnología para análisis de marketing móvil lo llevó a una valoración estimada de $ 1.5 mil millones. También es digno de mención Datorama, con su plataforma de inteligencia de marketing, adquirida por Salesforce el año pasado por $ 850 millones. La lista podría seguir.

Mientras tanto, el marketing digital está creciendo en India en un 30-40 por ciento al año. Las oportunidades para la tecnología publicitaria israelí en India son especialmente prometedoras ya que ambos países confían en las mismas plataformas: Google, Facebook y las compañías de su grupo. Esto significa que la tecnología israelí no necesita una gran cantidad de ajustes para su despliegue en el mercado indio (en marcado contraste con el sector agro-tecnológico, por ejemplo, donde las diferencias entre la realidad sobre el terreno para los agricultores en India e Israel crean grandes desafíos para la integración). Las nuevas empresas israelíes prometedoras ofrecen soluciones para las últimas tendencias mundiales en el sector, como el marketing de influencers, el video interactivo y otras soluciones únicas, como los widgets que son anuncios gamificantes y el uso de Machine Learning para obtener información sobre los espectadores.


Tecnología de medios de vanguardia

El sector estrechamente relacionado de la tecnología de medios es nuevamente un área fuerte de innovación en Israel. La fortaleza de los fundadores israelíes en Inteligencia Artificial y Machine Learning (a menudo derivada de un entorno militar) está en el centro de muchas soluciones innovadoras en este sector. Junto a compañías establecidas como la ahora plataforma de medios deportivos con sede en Londres Minute Media, podemos mencionar Replay Technologies, con sus soluciones de imágenes de video multidimensionales adquiridas por Intel por $ 175 millones, y Magisto, que creó una herramienta de edición de video y fue adquirida por Vimeo por $ 200 millones.

http://bit.ly/2PoLxgE

 
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

 

En Machine Learning Tarragona (TGN) encontrarás las principales noticias y ejemplos para conocer las tecnologías y aplicaciones de Machine Learning y Deep Learning.

De una manera fácil, simple y gratis, podrás aprender los últimos avances en las técnicas, librerías y algoritmos más utilizados. Se incluyen diferentes métodos y tutoriales para utilizar Pyhton, Tensorflow y otras tecnologías y herramientas de software en el campo del aprendizaje profundo (Deep Learning).

Cómo esta startup de 3 años está utilizando Inteligencia Artificial / Machine Learning para implementar y administrar 25,000 sistemas de administración de baterías

Desde la última década, la industria automotriz ha experimentado avances tecnológicos que han transformado el panorama automotriz. Para mantenerse al día con la creciente demanda, casi todos los principales fabricantes de automóviles han lanzado o tienen planes de sumergirse en el mercado de vehículos eléctricos.

ION Energy, con sede en Mumbai, nació del deseo de abordar la amenaza de la degradación climática al permitir una solución de movilidad mucho más amigable con el medio ambiente. Fundada en 2016, ION adquirió un desarrollador francés de sistemas de gestión de batería (BMS) de 8 años, Freemens SAS, en una primera adquisición transfronteriza de su tipo. En 2018, ION salió del modo sigiloso y presentó su primer producto UDYR, una batería portátil para scooters eléctricos y comenzó a comercializar su plataforma BMS insignia.

Para saber más sobre esta industria, nos pusimos en contacto con Akhil Aryan, cofundador y CEO de ION Energy para nuestra columna semanal Deep Dive. Durante la interacción, Aryan también habló sobre cómo ION está utilizando con éxito Inteligencia Artificial y Machine Learning para implementar y administrar 25,000 BMS y está capacitando a más de 60 organizaciones en 12 países en todo el sudeste de Asia, América del Norte y Europa.

ION Energy es una plataforma avanzada de gestión de batería e inteligencia. Se centra en la construcción de tecnologías que mejoran la vida útil y el rendimiento de las baterías de iones de litio que alimentan los vehículos eléctricos y los sistemas de almacenamiento de energía.

http://bit.ly/34utBab

 

6 elementos esenciales para combatir el fraude con Machine Learning

Lo escuchamos todo el tiempo: la prevención del fraude es difícil porque los estafadores cambian y se adaptan continuamente. En el momento en que descubres cómo reconocer y prevenir una estafa, emerge una nueva para tomar su lugar.

Naturalmente, entonces, la mejor tecnología para combatir el fraude es aquella que puede cambiar y adaptarse tan rápido como las tácticas del estafador. Eso es lo que hace que los sistemas de Machine Learning (ML) sean perfectos para combatir el fraude. Cuando se diseñan de manera óptima, aprenden, adaptan y descubren patrones emergentes sin la sobreadaptación que puede dar lugar a demasiados falsos positivos.

Tradicionalmente, las organizaciones se han basado en sistemas basados ​​en reglas para detectar el fraude. Las reglas emplean lógica si-entonces que puede ser exhaustiva para descubrir patrones conocidos de fraude. Y aunque las reglas siguen siendo una herramienta importante para combatir el fraude, especialmente en combinación con enfoques avanzados, se limitan a reconocer patrones que ya conoce y puede programar en la lógica. No son eficaces para adaptarse a los nuevos patrones de fraude, descubrir esquemas desconocidos o identificar técnicas de fraude cada vez más sofisticadas.

Es por eso que cada vez más industrias están adoptando ML e Inteligencia Artificial para la detección de fraudes. Una investigación reciente realizada por SAS y la Asociación de Examinadores de Fraude Certificados, encontró que solo el 13% de las organizaciones en todas las industrias aprovechan estas tecnologías para detectar y disuadir el fraude. Otro 25% planea incorporarlos a sus programas antifraude en los próximos dos años, un salto cercano al 200%.

http://bit.ly/2Y8gzgL

 

CTO de Dell Technologies: por qué la Inteligencia Artificial necesita empatía

Si queremos que los humanos confíen en la Inteligencia Artificial (IA), entonces debemos enseñarles empatía a las máquinas, según John Roese, CTO y presidente de productos y operaciones de Dell Technologies.

Roese se unió a otros CTO de empresas de Dell Technologies en un panel en la Cumbre de Tecnologías de Dell de la semana pasada: Michael Morton de Dell Boomi y Zulfikar Ramzan de RSA. Boomi es una empresa de gestión de datos que permite a las empresas integrar y transferir datos entre aplicaciones en la nube y locales. RSA es una compañía de seguridad cuyos fundadores fueron pioneros en la criptografía de clave pública.

Los tres CTO discutieron tres grandes problemas en la era de los datos: ¿cómo se ve la infraestructura en un entorno de datos en tiempo real basado en Inteligencia Artificial (AI)? ¿Qué roles jugarán los humanos en una tubería de datos en tiempo real impulsada por la Inteligencia Artificial? ¿Y cómo será el modelo de riesgo de seguridad en este nuevo mundo de Inteligencia Artificial?

Estas son tres personas muy, muy inteligentes (no tanto comediantes como admitieron rápidamente). Y, como tal, todos tenían algunas ideas realmente interesantes sobre la Inteligencia Artificial. Pero uno, en particular, que me llamó la atención fue la Inteligencia Artificial empática. Es un tema sobre el que Roese dijo que "ha hablado bastante en el mundo de la Inteligencia Artificial". De hecho, participará en un panel relacionado con este tema en SWSX en marzo de 2020.

Los avances en Inteligencia Artificial no sucederán a menos que los humanos puedan confiar en Machine Learning, dijo Roese. Y en este momento, hay una gran brecha de confianza.

"La Inteligencia Artificial es una caja negra para la mayoría de los seres humanos, y no confiamos en ella porque no entendemos lo que está sucediendo dentro de ella", dijo Roese, y agregó que "su sospecha está bien fundada". La Inteligencia Artificial trabaja en función de los datos que proporciona. No contempla tus emociones, tu felicidad. Básicamente, es tomar un conjunto de datos y encontrar la mejor respuesta posible sin ningún contexto de si es así o no".

http://bit.ly/2RxKvlo

 
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

 

En Machine Learning España (TGN) encontrarás las principales noticias y ejemplos para conocer las tecnologías y aplicaciones de Machine Learning y Deep Learning.

De una manera fácil, simple y gratis, podrás aprender los últimos avances en las técnicas, librerías y algoritmos más utilizados. Se incluyen diferentes métodos y tutoriales para utilizar Pyhton, Tensorflow y otras tecnologías y herramientas de software en el campo del aprendizaje profundo (Deep Learning).

La nueva plataforma InfiniteIO reduce la latencia y acelera el rendimiento para Machine Learning, Inteligencia Artificial y Análisis

InfiniteIO, la plataforma de metadatos más rápida del mundo para reducir la latencia de las aplicaciones, anunció hoy el nuevo Acelerador de Aplicaciones, que ofrece mejoras de rendimiento dramáticas para aplicaciones críticas al procesar metadatos de archivos independientemente del almacenamiento local o los sistemas en la nube. La nueva plataforma ofrece a las organizaciones de todas las industrias la latencia más baja posible para sus aplicaciones de misión crítica, como Inteligencia Artificial / Machine Learning, HPC y genómica, al tiempo que minimiza la interrupción de los equipos de TI.

"Los desafíos de ancho de banda y E/S se han superado en gran medida, pero reducir la latencia sigue siendo una barrera importante para mejorar el rendimiento de la aplicación", dijo Henry Baltazar, vicepresidente de investigación de 451 Research. “Las solicitudes de metadatos son una gran parte de la latencia del sistema de archivos, y constituyen la gran mayoría de las solicitudes a un sistema de almacenamiento o nube. El enfoque de InfiniteIO para abstraer metadatos de datos de archivos ofrece a los gerentes de TI una forma no disruptiva de acelerar de inmediato el rendimiento de las aplicaciones ".

A medida que los datos no estructurados han crecido exponencialmente, las solicitudes de metadatos de archivos (información como atributos de archivos y privilegios de acceso) también se han disparado para convertirse en un importante cuello de botella para el rendimiento de la aplicación. La última versión de InfiniteIO, basada en la arquitectura InfiniteIO Metadata Engine (IME), responde a las solicitudes de metadatos de archivos directamente desde la red en lugar del almacenamiento conectado a la red (NAS) o el sistema de almacenamiento en la nube. La abstracción de metadatos de InfiniteIO puede reducir la latencia de segundos a microsegundos para todos los archivos en un entorno de nube híbrida. Esto da como resultado un acceso más rápido a los datos y acelera el rendimiento de la aplicación.

https://bwnews.pr/2Kz5vDU

 

Así nos podemos aprovechar de la tecnología de las máquinas para invertir y sacar rentabilidades a nuestros ahorros

La revolución de las máquinas ha llegado para quedarse. También, en el mundo de la inversión. La disrupción tecnológica ha permitido avances para garantizar la mayor seguridad de nuestros ahorros junto a una optimización de la rentabilidad más alta. Estas no solo nos permiten procesar los datos, sino hacerlo con frecuencia y rápidamente.

La utilización de la tecnología reduce la subjetividad y el riesgo de sesgo emocional cuando tomamos decisiones para invertir, lo cual desarrolla estrategias de gestionar nuestro dinero “más estructuradas, disciplinadas y repetibles”, concretan los expertos de Unigestion.

El objetivo como inversores, según apunta Fiona Frick, CEO de Unigestion, es “observar el riesgo y apostar por aquello que puede ser rentable teniendo en cuenta dicho factor”. Para ello, puede ser muy atractivo “la utilización de las herramientas que nos proporciona la tecnología”.

En ese sentido, la inteligencia colaborativa, el trabajo combinado entre máquinas y humanos, puede ayudar a comprender “con mayor profundidad los mercados financieros y lograr de ese modo unos mejores resultados” en términos de rendimientos para las carteras de los ahorradores, tal y como expone Frick.

El aprendizaje automático, también llamado machine learning, es una novedad tecnológica que puede aplicarse en la construcción de nuestras carteras. Se trata de una disciplina científica del ámbito de la Inteligencia Artificial que crea sistemas que aprenden automáticamente. Aprender en este contexto quiere decir identificar patrones complejos en millones de datos.

http://bit.ly/2P4topE

 

¿Por qué alguien le pediría a Google consejos de moda?

Los gigantes tecnológicos Amazon, Google y Facebook han comenzado a utilizar Machine Learning para darle consejos sobre qué ponerse. ¿El estilo de moda es el próximo campo que se verá afectado por la Inteligencia Artificial (IA), o el ojo humano seguirá siendo supremo?

Es demasiado pronto para saberlo con certeza, pero comprender en qué es bueno Machine Learning y cómo se superpone eso con lo que se trata la moda puede ayudarnos a hacer algunas conjeturas informadas.

Una cosa que Machine Learning hace muy bien es encontrar patrones y características comunes entre grupos de elementos.

Aprovechando esto, Google Lens y Amazon Style Snap pueden identificar una prenda a partir de una foto o video y luego contarles un poco más, como cómo la han usado otras personas o dónde pueden comprarla.

Esto cumple la misma función que una revista de moda con un aspecto de celebridad y dividiéndolo en pedazos. Al permitir a los consumidores recrear looks de películas, videos musicales, revistas y la pasarela, Machine Learning ayuda a democratizar los elementos del estilo.

Amazon también va más allá, vinculando prendas a una base de datos de looks de personas influyentes de la moda popular. Esto ofrece al cliente inspiración para crear looks y convenientemente les da una comisión a los influencers si el cliente compra la ropa.

http://bit.ly/38or1Wk

 
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

 

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.

Uso de Machine Learning y redes neuronales para soluciones espaciales avanzadas

KP Labs, una compañía de NewSpace con sede en Polonia, se especializa en aplicaciones de Machine Learning para la industria espacial y adquisición y procesamiento de imágenes hiperespectrales. La compañía se enfoca en acelerar la exploración espacial mediante el avance de la operación autónoma de naves espaciales y la tecnología robótica. Su producto estrella es la misión satelital Intuition-1. Es un satélite 6U, equipado con un instrumento óptico hiperespectral y un ordenador a bordo "Leopard" que avanzó el procesamiento de datos a través de redes neuronales convolucionales.

Aguas abajo, la compañía se concentra en el uso de imágenes hiperespectrales para fines industriales y agrícolas. Para esta aplicación, ha desarrollado un generador de imágenes ligero e hiperespectral "Zebra".

Hace unos meses, KP Labs firmó un contrato con ACC Clyde Space para la entrega de un autobús satelital y colocar el satélite en órbita terrestre baja. Se espera el lanzamiento de Intuition-1 para 2023. La misión de Intuition-1 es realizar la observación de la Tierra utilizando un instrumento hiperespectral y un procesamiento de datos avanzado basado en redes neuronales profundas (IA) a bordo del satélite.

KP Labs también está involucrado con la Agencia Espacial Europea en proyectos como HYPERNET, que trata sobre la segmentación de imágenes HYPER-espectral usando redes neuronales profundas, y SUPER RESOLUCIÓN - Reconstrucción de súper resolución (SRR) con redes neuronales profundas. El objetivo de las técnicas de SRR es mejorar la calidad y aumentar la resolución de las imágenes mientras se restauran tantos detalles como sea posible de la imagen o imágenes de origen.

http://bit.ly/2DCOQvm

 

Los químicos muestran cómo el sesgo puede surgir en los resultados del algoritmo de Machine Learning

Un equipo de científicos de materiales en el Haverford College ha demostrado cómo el sesgo humano en los datos puede afectar los resultados de los algoritmos de Machine Learning utilizados para predecir nuevos reactivos para su uso en la fabricación de los productos deseados. En su artículo publicado en la revista Nature, el grupo describe la prueba de un algoritmo de Machine Learning con diferentes tipos de conjuntos de datos y lo que encontraron.

Una de las aplicaciones más conocidas de los algoritmos de Machine Learning es el reconocimiento facial. Pero hay posibles problemas con tales algoritmos. Uno de estos problemas ocurre cuando un algoritmo facial destinado a buscar a un individuo entre muchas caras ha sido entrenado con personas de una sola raza. En este nuevo esfuerzo, los investigadores se preguntaron si el sesgo, involuntario o no, podría estar surgiendo en los resultados del algoritmo de Machine Learning utilizados en aplicaciones químicas diseñadas para buscar nuevos productos.

Dichos algoritmos usan datos que describen los ingredientes de las reacciones que resultan en la creación de un nuevo producto. Pero los datos sobre los que se entrena el sistema podrían tener un gran impacto en los resultados. Los investigadores señalan que actualmente, dichos datos se obtienen de los esfuerzos de investigación publicados, lo que significa que generalmente son generados por humanos. Señalan que los datos de tales esfuerzos podrían haber sido generados por los propios investigadores o por otros investigadores que trabajan en esfuerzos separados. Los datos incluso podrían provenir de una sola persona que simplemente se relacionan de memoria, o de la sugerencia de un profesor, o de un estudiante graduado con una idea brillante. El punto es que los datos podrían estar sesgados en términos del fondo del recurso.

http://bit.ly/2PvDSiB

 

Cómo Machine Learning puede ayudar a desbloquear el mundo del antiguo Japón

La rica historia de la humanidad ha dejado una enorme cantidad de documentos y artefactos históricos. Sin embargo, prácticamente ninguno de estos documentos, que contienen historias y experiencias grabadas esenciales para nuestro patrimonio cultural, puede ser entendido por personas no expertas debido a cambios en el idioma y la escritura a lo largo del tiempo.

Por ejemplo, un arqueólogo ha desenterrado decenas de miles de tabletas de arcilla de la antigua Babilonia, pero solo unos pocos cientos de académicos especialmente capacitados pueden traducirlas. La gran mayoría de estos documentos nunca se han leído, incluso si se descubrieron en el siglo XIX. Para dar una ilustración adicional del desafío planteado por esta escala, se recogió una tableta del Cuento de Gilgamesh en una expedición en 1851, pero su importancia no salió a la luz hasta 1872. Esta tableta contiene una narración de inundación prebíblica, que tiene un enorme significado cultural como precursor de la narrativa del Arca de Noé.

Este es un problema global, pero uno de los ejemplos más llamativos es el caso de Japón. Desde 800 hasta 1900 CE, Japón utilizó un sistema de escritura llamado Kuzushiji, que fue eliminado del plan de estudios en 1900 cuando se reformó la educación primaria. Actualmente, la gran mayoría de los hablantes japoneses no pueden leer textos que tienen más de 150 años. El volumen de estos textos, compuesto por más de tres millones de libros almacenados pero que solo puede leer un puñado de académicos especialmente capacitados, es asombroso. Una sola biblioteca ha digitalizado 20 millones de páginas de dichos documentos. El número total de documentos, incluidas, entre otras, cartas y diarios personales, se estima en más de mil millones. Dado que muy pocas personas pueden entender estos textos, principalmente aquellos con doctorados en literatura japonesa clásica e historia japonesa, sería muy costoso y requeriría mucho tiempo financiar a los académicos para convertir estos documentos al japonés moderno. Esto ha motivado el uso de Machine Learning para comprender automáticamente estos textos.

http://bit.ly/33HXaVa

 
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

 

En Machine Learning España (TGN) encontrarás las principales noticias y ejemplos para conocer las tecnologías y aplicaciones de Machine Learning y Deep Learning.

De una manera fácil, simple y gratis, podrás aprender los últimos avances en las técnicas, librerías y algoritmos más utilizados. Se incluyen diferentes métodos y tutoriales para utilizar Pyhton, Tensorflow y otras tecnologías y herramientas de software en el campo del aprendizaje profundo (Deep Learning).

La herramienta de Inteligencia Artificial interna 'Overton' de Apple ayuda con el desarrollo de Siri

Apple ha ofrecido detalles de una herramienta de desarrollo interna titulada "Overton", un sistema para monitorizar y mejorar las aplicaciones de Machine Learning, sobre cómo Siri determina los resultados de las consultas, manejando las tareas de nivel inferior y permitiendo a los ingenieros centrarse más en conceptos de nivel superior.

La Inteligencia Artificial y Machine Learning pueden ser un campo difícil de administrar, trabajando para permitir que los sistemas comprendan perfectamente las declaraciones, reconozcan una imagen o ayuden a impulsar sistemas de vehículos autónomos como el "Proyecto Titán" de Apple. El problema con el desarrollo de Machine Learning es que los ingenieros tienen que examinar detenidamente cómo se analizan los datos y determinar cómo se deben gestionar las excepciones a los datos normales, una tarea que solo se volverá más difícil a medida que los sistemas se vuelvan más grandes y más sofisticados.

Con ese fin, Apple produjo el marco "Overton", un documento de investigación realizado por ingenieros de Apple presentado por VentureBeat. Overton está diseñado para automatizar la capacitación de los sistemas de Inteligencia Artificial al ofrecer resúmenes de alto nivel proporcionados por los ingenieros.

Por ejemplo, Overton podría generar un modelo para proporcionar la respuesta a una pregunta que puede ser difícil de analizar para los asistentes digitales como Siri, como "¿Qué tan alto es el presidente de los Estados Unidos?". Este tipo de consulta requiere que se obtengan múltiples canalizaciones de datos, con muchas partes a determinar antes de crear la respuesta deseada.

http://bit.ly/34Okrqi

 

¿Utilizan las pymes españolas Inteligencia Artificial?

Las grandes empresas y las startups son las que más utilizan la inteligencia artificial, al menos eso es lo que muestran distintos estudios. Pero… ¿conocen las pequeñas y medianas empresas qué es este tipo de tecnología y cómo funciona? Una encuesta pasada durante un curso de inteligencia artificial revela que 49 de las 50 pymes encuestadas sí han oído hablar de la IA.

La mayoría de las empresas encuestadas asocian la inteligencia artificial al llamado machine learning y el software inteligente. Pero no solo eso, pues los empresarios también asocian esta tecnología a las máquinas pensantes y los robots y una parte significativa de las pymes también considera que la IA puede referirse a todos esos datos conjuntamente.

Aparte de eso, el 80% de los participantes conoce casos donde se ha utilizado la IA y el 75% es consciente de los riesgos asociados a esta tecnología como puede ser el hecho de condicionar el futuro del trabajo.

Las pymes se enfrentan a retos como el acceso a las competencias técnicas necesarias, como la ingeniería de datos, el análisis y el Machine Learning. Más del 75% de ellas no tienen acceso a los conocimientos adecuados , algo que dificulta la introducción de este tipo de tecnologías.

http://bit.ly/2O2Dwif

 

Skylum Luminar 4 agrega herramientas de Machine Learning para fotógrafos

Skylum ha anunciado la disponibilidad inmediata de la aplicación de edición de fotos Luminar 4 con tecnología de Inteligencia Artificial para Mac y Windows. Con una interfaz nueva y flujos de trabajo mejorados, la actualización presenta varias herramientas nuevas vinculadas estrechamente a Machine Learning.

Cambiando su enfoque de un enfoque basado en herramientas a uno basado en un propósito, Luminar 4 ha sido diseñado para acortar el proceso de aprendizaje. Al hacerlo, se alienta a los fotógrafos a experimentar de manera más creativa. Entre las nuevas herramientas se encuentran Reemplazo de Cielo con Inteligencia Artificial, Estructura con Inteligencia Artificial, Mejora de Piel con Inteligencia Artificial y Mejora de Porta-retrato.

Con Reemplazo de Cielo con Inteligencia Artificial, Luminar ahora tiene la capacidad de detectar tanto el cielo como los otros objetos en una escena. A partir de ahí, puede ajustar fácilmente la profundidad de campo, el tono, la exposición y el color a voluntad. Mejor aún, los objetos molestos asociados durante mucho tiempo con imágenes del cielo como halos, artefactos y bordes de transiciones se eliminan automáticamente.

Estructura con Inteligencia Artificial se concentra en identificar objetos como personas y edificios, luego agrega detalles y claridad a las caras, la piel y otras superficies. La herramienta está diseñada para ayudar a los fotógrafos a eliminar la necesidad de enmascarar o cepillar los efectos, creando así un producto final más agradable.

Mientras tanto, el acné, las pecas, los lunares y otras imperfecciones de la piel se suavizan con el nuevo Mejora de Piel con Inteligencia Artificial de Luminar 4. Finalmente, con el nuevo Mejora de Porta-retrato, ahora puede resaltar y mejorar la cara de una persona con solo hacer clic en un botón.

http://bit.ly/2DCWsxZ

 
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