Para ello, The Next Web le preguntó a un panel de emprendedores jóvenes cómo pueden hacer las empresas para seguirle el ritmo a la revolución de la inteligencia artificial. Estas son algunas de sus respuestas.

1.Un experto en el equipo

Una de las recomendaciones más importantes es asegurarse de tener un experto interno. Contratar consultores para que den consejos usualmente termina siendo un gasto alto para pocos resultados, dice uno de los encuestados. Así que se hace necesario un experto que te explique bien cómo aplicar inteligencia artificial y aprendizaje de máquinas a tu negocio. Es tan  importante como la implementación.

2. Usa inteligencia artificial para mejorar tu seguridad

Una de las formas más populares de usar inteligencia artificial en las empresas es para luchar contra el fraude y los crímenes financieros. Los criminales han sofisticado sus técnicas en el mundo digital. Pero las soluciones con inteligencia artificial son capaces de ayudar a las empresas a protegerse.

3. Usa chatbots para servicio al cliente

Los chatbots con inteligencia artificial ofrecen ser asistentes digitales, disponibles 24/7, para resolver las peticiones de tus clientes. Esto de forma económica, constante y muy rápido. Las compañías pueden usar reglas predeterminadas para entender y resolver las consultas de los usuarios. Y después, con aprendizaje de máquinas, el sistema puede aprender de cada interacción y escalar a problemas más complejos.

4. Investiga y lee

Presta atención a qué está sucediendo con la tecnología. Esto lo puedes lograr suscribiéndote a sitios o revistas que informen sobre investigaciones de la industria AI, análisis y actualizaciones.

5. Ten claro cómo la AI puede ser aplicada a tu industria

Lo primero que debes entender es la aplicación específica de la inteligencia artificial para tu industria. Luego, define qué problema de tu negocio necesita ser resuelto. La AI es una herramienta para resolver ese problema. Así, puedes aplicar o aliarte con compañías que puedan solucionar de una forma más eficiente esa situación. Si no existe ese aliado, entonces debes diseñar tu propia solución AI.

6. Comienza con pasos pequeños

Inicia tu camino definiendo de qué formas la automatización puede funcionar para tu empresa a pequeña escala. Puedes comenzar con chats automatizados para tu sitio web. O ahorrando tiempo con ciertas partes de tu flujo de trabajo, por ejemplo.

7. Evolucionar es la intención

La tecnología de inteligencia artificial y machine learning aún está en su infancia. No es recomendable crear de un solo tajo soluciones completamente automatizadas si eres una pequeña empresa. Así que la intención debe ser aumentar, evolucionar, no automatizar. Identifica puntos débiles en tu organización en los que la Ai pueda impulsar y mejorar el proceso actual.

8. Usa tu imaginación

Hay un factor que está haciendo que la AI no tenga una adopción tan masiva. Es la falta de imaginación por parte de los líderes de los negocios. Es necesario pensar en cómo la AI puede transformar la forma en que haces empresas. Para ello, puedes investigar sobre las mejores herramientas que existen para automatizar procesos y reducir los costos operacionales.

Imágenes: Pixabay.

Este mismo curso ha sido tomado por más de 10.000 ingenieros de Google. Y esta es la primera vez que está disponible para el público en general. Además, hace parte de la iniciativa ‘Aprende AI con Google’, según informa The Next Web.

De acuerdo con Google, este curso es gratis porque el mundo necesita entender la inteligencia artificial. “Creemos que el potencial del aprendizaje de máquinas es tan vasto, que todas las personas técnicas deberían aprender los fundamentos de machine learning”, dice la compañía.

Durante este curso, los estudiantes asisten a clases impartidas por investigadores de Google. También participan en visualizaciones interactivas y completan en total 40 lecciones. Todo el curso toma unas 15 horas y usa programas como TensorFlow, que es la plataforma de código abierto de machine learning de Google.

Para tomar este curso, se pide como prerrequisito tener conocimientos introductorios de álgebra. Y también al menos entendimiento de programación básico. Adicionalmente, si ya sabes cálculo y programar en Python, llevas una gran ventaja. Aunque no es necesario.

Ya te puedes registrar

‘Machine Learning Crash Course’ es ideal para cualquier persona que quiera iniciarse en el mundo de la inteligencia artificial. Y específicamente en TensorFlow. Los estudiantes aprenderán sobre algoritmos básicos, modelos de clasificación y cómo funcionan las redes neuronales. Con este curso, los estudiantes ya quedan con los fundamentos básicos necesarios para comenzar a trabajar en proyectos básicos en el entorno de TensorFlow.

Las clases están disponibles en inglés, francés, coreano, mandarín y español. Y si estás interesado, te puedes inscribir en este enlace. Si quieres aprender sobre inteligencia artificial, pero crees que no cumples con los requisitos, hay otros tutoriales y guías en el sitio para todos los niveles de conocimientos.

Imagen: iStock.

Es cierto que estamos aún en épocas tempranas de implementación de inteligencia artificial. Pero, desde ya, las empresas pueden visualizar cómo esta tecnología les puede ayudar a cambiar su compañía. Es por eso que The Next Web le preguntó a varios emprendedores de startups cómo creen que la inteligencia artificial transformará a las empresas en 2018. Te contaremos aquí algunas de sus respuestas.

1. Creará una experiencia de cliente más personalizada

Uno de los emprendedores opina que la inteligencia artificial no solo ayudará a optimizar los procesos dentro de las empresas. Una de sus labores será impulsar la experiencia de los clientes y esto sucederá de manera más ‘agresiva’ en 2018. Muchas más empresas y marcas usarán inteligencia artificial para personalizar la experiencia del usuario. Esto al tiempo que analizan datos, patrones de compras e historiales de búsqueda.

Con herramientas de este tipo, las empresas ya no necesitarán pedir al usuario el nombre, el correo o información de contacto, por ejemplo. Todo esto estará ya disponible en pantalla con el uso de la inteligencia artificial.

2. Cambiará la forma en que usamos las redes sociales

Según una de las opiniones, el mayor impacto de la inteligencia artificial este año involucrará a las redes sociales. En los próximos meses veremos un aumento en el uso de contenidos enfocados a públicos específicos. Esto con el fin de aumentar las oportunidades de ventas. El papel de la AI en esta labor será analizar el comportamiento de las personas y así desplegar los contenidos con objetivo. Y todos estos contenidos los veremos ‘volando’ a través de las redes sociales.

3. Prevención de fraudes con ‘superpoderes’

Los hackers y cibercriminales son ágiles y tienen la más alta tecnología para cumplir sus cometidos. Pero, por suerte, este año veremos más uso de herramientas con inteligencia artificial para detectar fraudes. Estos servicios ayudan a los negocios a protegerse contra sofisticados esquemas de fraudes. Ellos usan tecnologías como máquinas de aprendizaje, procesamiento de lenguaje natural, reconocimiento de voz y de video, entre otros.

4. Datos más accesibles

Los negocios pueden tener problemas a la hora de contratar un científico de datos de tiempo completo para la empresa. Pero con inteligencia artificial es posible tener acceso a datos importantes sobre los clientes y las estrategias de marketing. Todo esto por una fracción del costo. Por ejemplo, hoy tenemos la función de Google Analytics Intelligence. No es necesario ser experto en analítica para encontrar la información que se necesita. Y también es muy fácil investigar y hacer preguntas dentro de este tipo de plataformas.

5. Ayudará a predecir el comportamiento de los clientes

En los últimos años hemos visto cómo las grandes marcas han usado inteligencia artificial para predecir el comportamiento de los clientes. Pero este año esa aplicación tendrá un gran impulso. Además, cada vez más empresas medianas y pequeñas usarán herramientas de este tipo para detectar si un cliente quiere comprar un producto, buscar soporte o cambiar a otro proveedor. Todo esto antes de que los usuarios digan una palabra. El enfoque este año estará también en hacer que el aprendizaje de máquinas parezca más humano, para obtener mejores interacciones.

Imágenes: Pixabay.

Gracias a la inteligencia artificial, ahora podemos detectar el cáncer y pensamientos suicidas. El aprendizaje de máquinas se está infiltrando y está optimizando cada aspecto de la medicina. Desde la forma en que funcionan los servicios de emergencia, hasta la asistencia a los médicos durante las cirugías. La inteligencia artificial ayuda a predecir la muerte de pacientes terminales. Y también permite detectar enfermedades oculares. Hoy te contaremos algunos ejemplos que menciona The Next Web en un artículo, de empresas que están usando inteligencia artificial para mejorar servicios médicos.

1.Corti

Los despachadores del servicio de emergencia en Copenhagen, Dinamarca, están usando una nueva tecnología de asistencia de voz llamada Corti.  Corti funciona al escuchar todas las llamadas telefónicas de emergencia. El sistema analiza la conversación y detecta pistas que luego relaciona con su base de datos. Luego, le muestra a los despachadores la información relacionada. La combinación entre humanos y máquinas ha demostrados ser exitosa, explica el CEO de EMS en Copenhagen.

Corti le ha salvado la vida a muchas personas, porque en situaciones de emergencia, las personas suelen estar bajo mucha presión. Tanto las personas en problemas, como los despachadores pueden estar nerviosos. Y es ahí cuando la información sobre síntomas y condiciones médicas es vital. Corti busca ser una ayuda al trabajo humano, nunca un reemplazo, explican sus creadores. Mira en este video exactamente cómo funciona Corti.

1. RadIO

La inteligencia artificial es uno de los aliados más poderosos que tenemos en la lucha contra el cáncer. Uno de los ejemplos que nos menciona el medio es la tecnología RadIO. El Departamento TI del Gobierno de Moscú (DIT) que lanzó la semana pasada este novedoso sistema. Se trata de un código de fuente abierta de detección de cáncer, que está disponible en Github, y que usa ‘deep learning’ para encontrar signos de cáncer de pulmón en radiografías.

RadIO está disponible gratuitamente para cualquier persona que quiera usarlo, y hay tutoriales sobre cómo ejecutarlo. No es un botón mágico de detección de cáncer, pero es probable que salve muchas vidas. Según el DIT, RadIO permite crear algoritmos de ‘deep learning’ en una pieza de código Python corta y fácil de leer. Ese sistema es tan rápido que según los investigadores, es capaz de procesar las radiografías de toda la población de Moscú (12 millones de personas) en 30 segundos.

3. Art Medical

Art Medical es una compañía que quiere resolver un gran problema con la medicina. En específico, el hecho de que los pacientes se enferman más en los hospitales. Art Medical desarrolló tubos de alimentación y monitores inteligentes, que actualmente están en pruebas clínicas. Estos dispositivos están hechos para evitar complicaciones fatales en pacientes que están en cuidados intensivos en los hospitales y clínicas. La empresa espera que con sus productos se puedan prevenir complicaciones que no están relacionadas con el motivo original de hospitalización. Un ejemplo de complicación es neumonía de aspiración, que es un gran riesgo que corren los pacientes intubados.

4. IBM y la psicosis

El lenguaje es la herramienta con la que los psiquiatras evalúan a sus pacientes para ciertos desórdenes mentales, como la esquizofrenia. Sin embargo, estas evaluaciones dependen de la disponibilidad de profesionales altamente entrados, y de instalaciones adecuadas.

Es por eso que un equipo compuesto por investigadores de psiquiatría, datos, ingeniería y medicina IBM decidieron hacer una solución con tecnología. Juntos, desarrollaron una inteligencia artificial capaz de predecir, con precisión relativa, la presencia de psicosis en un paciente. Así, una herramienta de este tipo estaría disponible para los pacientes en cualquier momento, según explicó Futurism.  Hasta el momento, el sistema tiene un porcentaje de precisión de casi 80%. Puedes ver en este video una reseña de la solución:

Imágenes: capturas de pantalla y Pixabay.

Yamaha hizo debut de esta tecnología un concierto en Tokyo. El reconocido bailarín japonés Kaiki Moriyama hizo la demostración del sistema, acompañado del Ensamble Scharoun de la Orquesta Filarmónica de Berlín, según informó Japankyo.

El sistema de Yamaha se asegura que la danza ‘cree’ música con sentido, o con una melodía agradable. En lugar de notas al azar. Moriyama llevaba puestos cuatro tipos de sensores en su espalda, muñecas y pies, que traducían sus movimientos en datos.

La inteligencia artificial instantáneamente crea melodías basada en la base de datos de música MIDI. Los datos MIDI luego se envían al reproductor del piano Yamaha Disklavier. En este caso, un instrumento de más de 150.000 dólares, que traduce las notas en sonido.

De acuerdo con Engadget, es válido preguntarnos qué tanto depende la música de los movimientos de Moriyama. Podríamos pensar que el ritmo sí tiene mucho que ver con la danza ¿Pero qué pasa con la melodía? En una entrevista, el bailarín explica que su labor tiene mucho que ver. Según él, la música cambiaba según cómo se balanceaba, lo cual le permitía crear distintas tonadas usando todo su cuerpo.

Como puedes notar en el video, que es un fragmento de la presentación, no se trata del próximo éxito de la radio. Pero definitivamente es una pieza interesante. Usualmente estamos acostumbrados a que las personas bailen al ritmo de la música, y no al contrario. Incluso, cuando vemos el video, se te puede pasar por la cabeza que el bailarín ‘está siguiendo la pista de la melodía’.

Inteligencia artificial y arte

Nos podríamos preguntar, ¿para qué sirve todo esto? Yamaha intentó responder a esa pregunta con un comunicado sobre su tecnología. La compañía dice que este tipo de sistemas le permitirá a las personas usar inteligencia artificial como un ‘puente’ entre ellos y sus instrumentos musicales. Esto a su vez hará que puedan expresarse de una forma más directa y libre. Es una respuesta un poco abstracta, pero quizá tienen un punto.

Hace ya casi dos años, Google lanzó un proyecto que también mezclaba música e inteligencia artificial. Magenta es un sistema de ‘deep learning’ que logró componer música por sí mismo, sin ninguna ayuda humana. Magenta logró componer una melodía de 90 segundos creada con una red de entrenamiento neural. Solo se le tuvieron que dar cuatro notas para que Magenta compusiera esta pieza.

Imagen: captura de pantalla.

Así que no es una novedad decir que aplicaciones como Facebook, Instagram, Twitter, Gmail o YouTube usan inteligencia artificial, para muchos fines. O que los asistentes personales en nuestros celulares o parlantes usan aprendizaje de máquinas para determinar nuestras preferencias y reconocer nuestra voz.

Pero hay muchas aplicaciones móviles, con diversas utilidades, que usan sistemas de inteligencia artificial, que quizá no conocías. O las puedes haber usado y no sabías que la tecnología detrás de ellas es aprendizaje de máquinas. Hoy te contaremos sobre cinco de ellas.

1.Recent News

Esta app funciona con algoritmos de inteligencia artificial que estudian tus hábitos de lectura. Te mantiene actualizado con los más recientes artículos, noticias y textos relevantes para ti, según tus intereses y comportamientos pasados. Recent News es una de las mejores aplicaciones para mantenerte informado y actualizado sobre los temas que te interesan. No tienes que pedirle constantemente al sistema que te muestre sugerencias o noticias según etiquetas específicas, sino que los algoritmos lo hacen por ti.

Puede ser sincronizado con otros dispositivos para mantener los marcadores que pones en tu smartphone, también en tu computador o en tu tableta. Esta app es ideal para personas que están interesadas y a la ‘caza’ de noticias, artículos o blogs relevantes a sus temas de interés. Puedes descargarla para Android o iOS.

2. Elsa

Si estás interesado en mejorar tu pronunciación o acento en inglés, sin necesidad de pagar un costoso curso, esta app es perfecta para ti. Elsa significa English Language Speech Assistant. Es una app con inteligencia artificial que ofrece guía profesional para la pronunciación en inglés. Esto se logra con ejercicios y materiales de estudio.

La app primero te pide tu idioma nativo, y programa sus preguntas de acuerdo al mismo. Si quieres saber la pronunciación de una palabra en específico. Solo tienes que escribir la palabra o decirla y la app te enseña. Esta aplicación está disponible en Play Store y iTunes gratis.

3. Stifr Magic Cleaner

Esta app con inteligencia artificial se usa para detectar fotos ‘basura’ en tu celular, y asì ahorrar espacio en la memoria. Todas las fotos e imágenes de tu galería son escrutadas a través de una serie de algoritmos de aprendizaje de máquinas. Aparte de eso, puedes seleccionar las fotos para borrarlas manualmente o solo dejar que Stifr haga el trabajo. Está disponible gratis para Android y iOS.

4. Time

La app Time usa inteligencia artificial y estadística para ayudarte a evitar la procrastinación (perder el tiempo haciendo cosas inútiles). Así, podrás terminar a tiempo tus obligaciones de estudio o trabajo.

Con esta herramienta tienes acceso a una interfaz de cosas por hacer. Ahí agregas las nuevas tareas y las organizas en orden de importancia o tiempos. A cada  tarea le asignas un temporizador, que está en verde cuando comienza el tiempo, y se pone rojo a medida que se acaba el tiempo límite.

Entonces, la utilidad de la inteligencia artificial radica en aprender cómo trabajas, y te ofrece sugerencias personalizadas de  productividad. Puedes ver estadísticas de cuánto tiempo has trabajado, cuánto tiempo has ahorrado, o qué tanto te demoras en comenzar tus tareas. Esto te ayuda a tener un panorama claro sobre tus patrones de trabajo. Está disponible para iOS y cuesta 0,99 dólares.

5. Socratic

Esta app es el acompañante perfecto para las tareas, ya sean de colegio, universidad o cualquier labor de estudio. Usa reconocimiento visual para responder preguntas y buscarlas en Internet. Es decir, no tienes que escribir la pregunta en un buscador, sino simplemente tomar la foto de la pregunta que aparece en tu libro escolar. Esto es particularmente útil para problemas de matemáticas, física o química, en los que debemos escribir muchos símbolos. Es gratis para iOS y Android. Mira en este video cómo funciona.

Imágenes: capturas de pantalla y Pixabay. 

Ese es el caso de la herramienta SageMaker de AWS, lanzada a finales del año pasado. Y Google no quiso quedarse atrás. Hoy lanzó AutoML Vision, un nuevo servicio que le ayuda a los desarrolladores, incluyendo aquellos que no tienen conocimientos de inteligencia artificial, a construir modelos de reconocimiento de imágenes, según informó TechCrunch.

Google tiene planeado expandir su constructor de modelos de ML, con la misma marca AutoML, a otras áreas en las que tiene experiencia. Por ejemplo, reconocimiento de voz, traducción, videos, reconocimiento de lenguaje natural, entre otros. Pero por ahora, solo sirve para modelos de visión computacional.

En pocas palabras, Google dice que esta nueva herramienta le permite a casi cualquier persona ingresar un banco de imágenes, subirlas al sistema y crear etiquetas para clasificarlas. Luego, los sistemas de Google crean automáticamente un modelo de aprendizaje de máquinas. La idea es que cualquier persona puede aplicar a este servicio, ya sea para una aplicación o un sitio web propio, o para una empresa.

Según Google,  Disney usa este sistema para mejorar la función de búsquedas dentro de su tienda online. Gracias al mismo, es más fácil encontrar todos los productos que tengan similitudes con la reina Elsa de ‘Frozen’, y no solo limitar la búsqueda a los productos que tienen la etiqueta de ‘Elsa’. Es lo mismo que hizo Google para Giphy hace unos meses.

Un proceso simple, al alcance de todos

Lo novedoso de este sistema radica en que todo el proceso, de importar datos, etiquetarlos y entrenar el modelo, se hace en una interfaz en la que solo tienes que arrastrar y organizar las piezas. El sistema hace todo el ‘trabajo pesado’ y entrena el modelo por ti.

Esto significa un gran avance para las empresas pequeñas e incluso medianas, ya que, hoy en día, es casi imposible contratar expertos en aprendizaje de máquinas y no quebrar en el proceso. Sencillamente hay mucha demanda, y muy pocos expertos. No queremos decir que la plataforma es tan sencilla como ‘Paint’. Pero a lo mejor cualquier persona que esté acostumbrada a usar software de programación podría descifrarlo con facilidad.

¿Cómo podrías usar un modelo de este tipo en tu empresa?

Hay muchas opciones. Pero una de las más obvias sería el mismo que el de Disney: para optimizar las búsquedas en una tienda online. Solo tendrías que ‘alimentar’ el sistema con todas las fotos de los productos que vendes, separarlos con categorías, y luego especificar cómo se va a aplicar el modelo: en una aplicación, en un sitio web, de manera local (para inventarios, por ejemplo), entre otras opciones.

Para usar AutoML Visions, los desarrolladores tienen que solicitar un acceso. Es un formulario muy sencillo en el que se especifica para qué se va a usar el modelo, de qué son las imágenes, qué cantidad, entre otras preguntas. Las compañía no ha compartido ninguna información sobre precios. Pero según el medio, lo más probable es que se cobre una tarifa única por entrenar el modelo, y luego otra para acceder al modelo a través de sus APIs.

Imágenes: capturas de pantalla

Desde las redes sociales que usamos a diario, pasando por el correo electrónico y los celulares, las grandes compañías están incluyendo algoritmos de inteligencia artificial para mejorar sus productos y servicios. También se está usando para descubrir exoplanetas o detectar pensamientos suicidas, o hasta a encontrar pareja en Internet.

Pero hay un método en específico de AI que este año debutó en cientos de servicios. Se trata de las redes neuronales, que es el proceso para que las máquinas aprendan. Por eso, también se le llama aprendizaje de máquinas o ‘machine learning’. Las redes neuronales buscan simular la forma en que funciona el cerebro humano para aprender.

La idea es enseñarle a un algoritmo a través de datos que sirven como ejemplo. Entonces, si entrenas una máquina para identificar fotos de árboles, lo que debes hacer es mostrarle miles de fotos de distintas especies de árboles ya clasificados. Y con el tiempo, el sistema aprende a diferenciar los tipos de plantas.

Si le muestras una foto ya la máquina habrá aprendido a decirte qué especie de árbol. Si quieres ‘probar’ de primera mano la tecnología de aprendizaje de máquinas, Google nos mostró con un juego interactivo cómo funciona este método. Esta es una simplificación del proceso, pero es la idea central. Con algoritmos, decenas de compañías están usando inteligencia artificial para que sus servicios sean más inteligentes y ágiles. Este gráfico de la Nasa podría ayudarte a entender un poco el proceso.

Inteligencia artificial para todos

Pero esta tecnología no es solo un complejo aparato matemático que usan las grandes empresas. Este año, cada vez más compañías han decidido ofrecer sus plataformas de inteligencia artificial para que desarrolladores ‘del común’ puedan crear soluciones con aprendizaje de máquinas. Ese es el caso de Google, con TensorFlow. O Amazon, con su nueva plataforma Amazon SageMaker, solo por nombrar un par.

Este año también, recibimos una noticia que impactó a muchos. Facebook tuvo que apagar sus sistemas de inteligencia artificial porque se salieron de control. Este suceso comenzó a despertar, por primera vez, un miedo real por ‘máquinas’ que nos controlen en el futuro.

¿El fin el mundo?

Porque hemos visto esta situación muchas veces en películas. Pero nunca antes nos había pasado en la vida real. Incluso Elon Musk causó revuelo porque dijo que la AI será la causa de la Tercera Guerra Mundial. Claramente se trata de especulaciones, pero son una muestra de la importancia que ha tomado la inteligencia artificial en la cotidianidad de todo el mundo.

Vota en los premios ENTER.CO 2017 y llévate un Alcatel A7

¿Qué debes hacer? Vota en todas nuestras categorías de los Premios ENTER.CO 2017 usando el mismo correo electrónico (este correo nos ayudará a filtrar tus respuestas correctas). ¿Cómo elegiremos al ganador? El ganador del Alcatel A7 será quien haya votado en el mayor número de categorías por el nominado que se lleve el premio de la audiencia. En caso de empate entre dos o más participantes, el jurado de ENTER.CO verificará los registros para saber quién respondió más rápido en la última categoría publicada.

Luego, desde ENTER.CO elegiremos al ganador de la actividad, quien será contactado a través del correo electrónico con el que diligenció el formulario de votación.

El concurso se cerrará el próximo viernes 5 de enero de 2018 a las 11:59 p.m. Hasta esa fecha tendrás plazo para votar por tu ganador. Todo formulario que sea diligenciado después de la fecha no será tenido en cuenta para entregar el premio, así que no te quedes por fuera y participa.

*Actividad válida únicamente para Colombia

Conoce la política de datos y privacidad de ENTER.CO.

Imágenes: Pixabay, iStock, Nasa.

Coursera, una de las plataformas de cursos en línea más grande del mundo, nos contó cuáles fueron las habilidades  más demandadas por el público este año. Estas habilidades tienen algo en común: todos son de tecnología, y están relacionados con inteligencia artificial, programación o Big Data. Este es el escalafón de las habilidades tecnológicas que más demandaron las personas este año.

1. Inteligencia artificial

No se nos hace raro que la habilidad más demandada este año sea la inteligencia artificial. Sus alcances son cada vez más amplios. Y en el mercado laboral, es una capacidad muy solicitada y rara, especialmente en América Latina. En Coursera encuentras cursos para optimizar redes neuronales, TensorFlow, análisis de error, secuencia de modelos, entre otros.

Como podrás imaginar, aprender inteligencia artificial requiere conocimientos previos en programación, ingeniería de sistemas, ciencia de datos y matemáticas. Sin embargo, también hay cursos pensados únicamente para saber en qué consisten algunos métodos de inteligencia artificial, sin necesidad de aprender a programar para esta especialidad.

2. Programación Python

Python es una de los lenguajes de programación que más fuerza han tomado en los últimos años. Una de sus grandes virtudes es que provee soluciones para diversas funciones. Por ejemplo, en Coursera puedes hacer cursos para recibir y procesar datos, aprender Structured Query Language (SQLite3), Python 3 o bibliotecas de visualización de datos.

En particular, hay una especialización (que no es gratis, pero a la que puedes aspirar a una beca) llamada Python for Everybody (Python para todos). Tiene cinco cursos integrados, en los que se introducen los conceptos fundamentales de programación, como estructuras de datos, interfaces de aplicaciones de redes y bases de datos, usando Python.

3. Procesamiento de Big Data

Las herramientas de Big Data son cada vez más indispensables para las empresas. Si quieres entender cómo el big data impacta a los negocios y a la academia, tienes varios cursos en los que puedes aprender distintos programas, como Apache, Hadoop, MapReduce o Hive. También hay varias especializaciones, que te enseñan a usar las herramientas y sistemas que usan los científicos de datos e ingenieros. En muchas de ellas no se quiere ninguna experiencia en programación.

4. ETL y desarrollo de Data Pipeline

Estas dos especialidades de programación tuvieron un gran auge este año. Vemos cada vez más este tipo de habilidades solicitadas, no solo para empresas tecnológicas, sino para empresas. En particular, te contamos que ETL (extraer, transformar y cargar) es un tipo de procesamiento de datos con el que se extraen datos de sistemas de fuentes y se ubican en ‘almacenamientos’ de datos. Data Pipeline es una máquina de procesamiento de datos ‘embebida’ para Java Virtual Machine (JVM). Hay decenas de cursos disponibles para ‘scripting’ en Python, bibliotecas de análisis de datos ‘pandas’, método ‘K-nearest neighbors’ y minería de datos, entre otros.

5. Aprendizaje de Máquinas

Esta habilidad es sin duda una de las grandes revoluciones de los últimos años. El aprendizaje de máquinas ayuda a optimizar diversas labores en todos los campos que te puedas imaginar. Encuentras en línea cientos de cursos para aprender a programar algoritmos de ‘machine learning’ y aplicarlos a distintos servicios. También puedes aprender a hacer predicciones, clasificaciones, ‘clustering’ y recopilación de información. Para la mayoría de los cursos prácticos de inteligencia artificial se requieren conocimientos y experiencias previas de programación o ciencias de datos.

6. Programación Scala

Scala es otro lenguaje de programación con una gran demanda en la actualidad. Una de las ventajas que ofrece, según los cursos en línea, es que se puede desplegar un código que funciona la primera vez que se ejecuta. Con los cursos disponibles para Scala puedes aprender computación Parallel, programación funcional y análisis de big data con Apache Spark. Hay muchos cursos que proveen introducciones desde 0 a esta técnica de programación, y otros que ofrecen especializaciones con conocimientos previos del lenguaje.

7. Gestión de Productos

La gestión de productos es una función dentro de una compañía en la que se planea, se pronostica, se produce y se hacen gestiones de mercadeo para los productos de la empresa, en todas las etapas del mismo. Actualmente también existe una función que es la de desarrollar software para gestión de productos. Para ella, se requiere saber de prácticas de software de gestión con Agile. Con estos conocimientos, los gerentes pueden liderar a sus desarrolladores y guiar a sus clientes. Con cursos en línea se aprende a usar Agile, requerimientos de software y monitoreo de métricas, entre otros.

8. Desarrollo para web e Híbridos

Una de las habilidades más demandadas este año fue desarrollo híbrido de plataformas cruzadas (como podríamos traducir el término). Consiste en una técnica de programación para desarrollo web, que incluye plataformas cruzadas para desarrollo móvil e híbrido (para ambas). Las apps de plataformas cruzadas se desarrollan usando lenguajes intermedios, como Javascript, que no es nativo al sistema operativo de los dispositivos que usamos. Eso significa que la mayoría, o todo, el código puede ser compartido a través de distintas plataformas. Por ejemplo, para iOS y también para Android. Hay cientos de cursos en línea para que aprendas NativeScript, Cordova, responsive UI, CSS, entre otras técnicas y habilidades.

9. Programación en Java

Java también entró en la lista de habilidades tecnológicas más demandadas del año. Los cursos más pedidos son aquellos que introducen a este lenguaje de programación, que es uno de los más demandados y es la base para el sistema operativo Android. Hay muchos cursos para principiantes, en los que se aprende la sintaxis y la semántica en Java, paquetes Java, almacenamiento y manipulación de datos.

10. Fundamentos de Desarrollo Web

Finalmente, tenemos en nuestra lista los fundamentos para crear experiencias interactivas para la web, ya sea en HTML5 y CSS3, o con JavaScript. Estas tecnologías te permiten desarrollar sitios web de alta calidad que funcionan perfectamente en navegadores de smartphones, tabletas o de computadores.

Imágenes: Pixabay.

Según anunció la Nasa, sus científicos lograron descubrir un planeta llamado Kepler-90i. Este planeta estaba ‘escondido’ bajo los ‘bultos’ de datos recopilados por el telescopio Kepler de la Nasa. El nuevo planeta ‘convive’ con otros siete planetas, que orbitan a una estrella que está apenas a 2.500 años luz de distancia.

De acuerdo con la Nasa, el telescopio Kepler ya había demostrado que la mayoría de estrellas en el universo tienen planetas. Pero en esta ocasión, Kepler confirmó que las estrellas pueden tener una gran familia de planetas, al igual que nuestro sistema solar.

Kepler, el descubridor de planetas

El telescopio Kepler, lanzado en 2009. El sistema es capaz de analizar 150.000 estrellas a la vez, ‘mirando’ hacia el cielo. Su misión es observar pequeños parches de oscuridad en la luz de una estrella. Estos parches son causados por planetas que se atraviesan en la luz de las estrellas. Con esos datos, los científicos descubren no solo que se trata de un planeta. También lograr saber su tamaño y qué tan lejos orbitan a su estrella.

Hasta el momento, Kepler ha identificado 2.525 planetas, según informó NatGeo. Además, es probable que algunos todavía estén enterrados bajo las pilas de datos de Kepler. Sin embargo, la tarea de confirmar un planeta como real es difícil. Revisar todos los datos que arroja Kepler, ‘a mano’ es una labor ‘imposible’ para los humanos. Además, solo porque se vea una sombra en una estrella, no significa que se trate de una planeta. También puede ser una mancha solar, un patrón en la estrella o cualquier otro cuerpo celeste.

En este video puedes ver cómo Kepler descubre un exoplaneta analizando su estrella.

Redes a la obra

Es por que eso que Chris Shallue, integrante de la división de inteligencia artificial de Google, decidió usar redes neuronales para solucionar el problema. En ocasiones anteriores se habían aplicado sistemas de aprendizaje de máquinas para filtrar y clasificar datos de Kepler. Pero las redes neuronales de Shallue brindaron un algoritmo mucho más poderoso.

Shallue dijo que se interesó en aplicar redes neuronales cuando se enteró de que la misión de Kepler había recolectado tantos datos que era imposible para los científicos analizar todo de forma manual.

Como su nombre lo deja ver, las redes neuronales simulan la forma en que funciona el cerebro humano. Pueden ser entrenadas para identificar y clasificar cosas como la diferencia entre fotos de perros o de gatos, por ejemplo. Luego de estudiar muchos ejemplos, el resultado es que el computador se vuelve capaz de clasificar fotos de gatos y de perros, por su propia cuenta. Mira en la siguiente imagen un gráfico que explica cómo se entrenan las redes neuronales.

Exoplanetas por montón

Shallue entrenó una red para reconocer las distintas huellas de los planetas. ‘Alimentó’ al sistema con 15.000 huellas de planetas ya descubiertos por Kepler. Luego, comenzó a entrenar al sistema para que identificara las diferencias entre planetas reales, y ‘falsos positivos’. En las primeras pruebas de lo que aprendió la máquina, el investigador descubrió que fue capaz de identificar planetas reales el 96% de las veces.

Luego de poner a funcionar al sistema ‘en forma’, los científicos lo entrenaron para que detectara señales débiles en 670 sistemas solares en los que ya se habían detectado varios planetas reales. Los investigadores creían que el mejor lugar para buscar más exoplanetas era en las mismas estrellas en las que ya habían descubierto otros mundos.

Imágenes: Nasa.

Afortunadamente, muchos equipos de investigadores y científicos ya están trabajando para estas aplicaciones de la inteligencia artificial. Sin embargo, otras personas están aplicando inteligencia artificial para fines no tan productivos o beneficiosos. Uno de esos usos es, por ejemplo, hacer videos pornográficos falsos de personas famosas, tal y como lo informó Motherboard.

Se trata de un usuario de Reddit que hasta ahora ha logrado producir videos o GIF de Gal Gadot, Maisie Williams, Taylor Swift, Aubrey Plaza, Emma Watson y Scarlett Johansson. Los videos no son intentos infantiles de pegar una cara inmóvil en el cuerpo de una actriz porno. El rostro de las famosas se mueve convincentemente, aunque se puede notar que es un montaje.

El usuario, conocido como ‘deepfakes’, usó materiales disponibles en Internet y códigos de fuente abierta para sus videos. Además, cualquier persona con conocimientos básicos de aprendizaje de máquinas podría usar su sistema para hacer videos falsos.

¿Cómo funciona el sistema?

Primero, la persona entrenó a un algoritmo con contenidos de videos en YouTube y resultados de imágenes en Google. Luego, la máquina junta los pedazos en videos de la preferencia del usuario. El gran problema de este ‘invento’ es que la máquina puede usar las caras de una celebridad, de un amigo en Facebook, o cualquier persona en Instagram.

Además, el algoritmo está basado en plataformas disponibles para todos como TensorFlow y Keras. No se necesita ser un experto en inteligencia artificial para usarlo y aprender a hacer estos videos falsos. El sistema necesita ‘alimentarse’ con bastante contenido de fotos y videos para lograr hacer el producto. Pero, cualquier persona que sea medianamente activa en redes sociales podría ser víctima de este tipo de videos, porque nuestras selfies son suficiente material para hacer un video porno falso.

Inteligencia artificial a la mano

Esta situación nos despierta muchas dudas. No tocaremos las implicaciones éticas de este tipo de videos, que es una charla mucho más compleja y preocupante. Pero sí queremos cuestionar lo siguiente. La tecnología de inteligencia artificial tiene tantas aplicaciones y potenciales positivos que nos hace preguntarnos ¿por qué desaprovechar las herramientas y los conocimientos que tenemos a la mano para una aplicación que puede hasta ser dañina? Ya sabemos que a muchas personas les gusta desahogar sus situaciones personales a través de pornografía de ‘venganza’.

Además, tantos científicos se han puesto a la tarea de crear herramientas que le permitan a personas ‘del común’ desarrollar aplicaciones con inteligencia artificial. Y todo, para que los desarrolladores decidan hacer videos pornográficos. Sin embargo, nos gustaría creer que esta situación se trata de una excepción. Ya hemos visto que muchas personas están aprovechando la tecnología para cosas buenas. Como un grupo de jóvenes que desarrolló un bot en Twitter para ponerle color a foto en blanco y negro.

Imágenes: Reddit y Pixabay.

Andy Jassy, CEO de AWS, presentó estos nuevos servicios y explicó que la gran intención detrás de ellos es hacer de la inteligencia artificial una tecnología accesible a la mayor cantidad de personas posible, no solo a desarrolladores especializados.

Para eso, se lanzó la plataforma SageMaker, un servicio pensado para desarrolladores y científicos de datos. Con ella, se pueden construir, desplegar y administrar rápidamente, modelos propios de ‘machine learning’. La compañía también presentó la cámara DeepLens, que ejecuta modelos de visión de computación en tiempo real.

Además, se lanzaron cuatro nuevos servicios de aplicación. Uno que permite transcribir audio a textos (Amazon Transcribe) y otro para traducir textos a otros idiomas (Amazon Translate). En tercer lugar, se presentó el servicio Amazon Rekognition Video, con el que se pueden analizar videos en tiempo real. Y finalmente, Amazon Comprehend, que permite entender lenguaje natural.

SageMaker, la llave para el aprendizaje de máquinas

Hoy en día, el proceso para implementar ‘machine learning’ es bastante complejo y se necesitan habilidades y conocimientos especializados. Incluso los modelos más simples requieren grandes cantidades de tiempo para ser entrenados y desplegados. Además, las compañías deben contratar varios equipos dedicados únicamente a desarrollar y administrar las máquinas. “Hasta el momento, el aprendizaje automático ha estado fuera del alcance de la mayoría de desarrolladores”, dijo Jassy.

Es por eso que AWS decidió hacer SageMaker, un servicio que le quita el trabajo pesado a los desarrolladores. La plataforma hace que construir modelos de ‘machine learning’ sea más fácil, porque ofrece catálogos prefabricados, algoritmos optimizados y mucha asistencia para desplegar un sistema de aprendizaje de máquinas.

“Nuestra visión original para AWS es permitir que cualquier persona en su habitación o garaje pueda tener acceso a la misma tecnología, herramientas, escalabilidad e infraestructura, que las grandes compañías en el mundo. Y nuestra visión para aprendizaje de máquinas no es distinta”, dijo Swami Sivasubramanian, vicepresidente de ‘machine learning’ de AWS. Con esta herramienta, cualquier desarrollador en el mundo puede desplegar una solución con aprendizaje de máquinas, dice la compañía.

DeepLens, un hardware de inteligencia artificial

AWS ha lanzado hardware en ocasiones anteriores, como su Snowmobile, un servicio de transferencia de grandes cantidades de datos. Y este año también se esperaba otra pieza tangible de productos de AWS, pero la diferencia es que se anunció por primera un producto relacionado con inteligencia artificial. Se trata de la cámara DeepLens, diseñada para ayudar a los desarrolladores a tener una experiencia física en construir, entrenar y desplegar modelos. Esto se logra al emparejar el dispositivo con los modelos de aprendizaje de máquinas que se pueden construir con SageMaker.

¿Qué cosas se pueden hacer con esta cámara? La idea con DeepLens es que los desarrolladores puedan hacer lo que su creatividad les dicte. El sistema se empareja con los modelos de aprendizaje realizados con Sagemaker, y otras plataformas como TensorFlow.

Así, se pueden detectar y reconocer objetos, como clasificar comida o animales, por ejemplo. También tiene reconocimiento facial, y puede reconocer una actividad como lavarse los dientes o tomar una bebida. Matt Wood, gerente general de inteligencia artificial de AWS, nos mostró un ejemplo de las capacidades de la cámara. Mostró un álbum en físico a la cámara y sonrió. La cámara inmediatamente conoció que era ‘The Dark Side of the Moon’ de Pink Floyd. Además, reconoció que la cara de Wood tenía una expresión positiva, porque estaba sonriendo.

Deep Lens estará disponible para preórdenes desde comienzos de 2018, y costará 249 dólares en Amazon.

Aplicaciones con inteligencia artificial

Jassy explicó en su discurso que para los desarrolladores que no quieren construir sus modelos de aprendizaje, pero que de todas formas están interesados en usar tecnologías de inteligencia artificial; están las aplicaciones. En esta ocasión la compañía presentó cuatro nuevos servicios: Amazon Transcribe, Amazon Translate, Amazon Comprehend y Amazon Rekognition Video.

Amazon Transcribe convierte audios en texto. Y, a diferencia de varios productos en el mercado, arroja textos precisos y con puntuación completa. Es capaz de reconocer varias personas hablando en el audio y, hasta el momento, está disponible en español e inglés únicamente. Por su parte, Amazon Translate, usa técnicas de ‘redes neuronales’ para traducir textos de un idioma a otro, y hasta el momento soporta siete idiomas: inglés, árabe, francés, alemán, portugués, chino y español.

Amazon Comprehend, otra de las aplicaciones presentadas, puede entender textos que están en documentos, publicaciones de redes sociales o cualquier otro dato textual almacenado en AWS. El sistema usa técnicas de ‘deep learning’ para identificar personas, lugares, fechas, organizaciones, marcas, entre otros. También puede identificar los sentimientos expresados en el texto, frases clave, conceptos y adjetivos. Este servicio permite reconocer cómo se sienten los usuarios frente a un producto, o un sitio web, por ejemplo.

Finalmente, Amazon Rekognition Video, es capaz de identificar personas, actividades, objetos, rostros, celebridades, contenidos inapropiados, dentro del contenido de millones de videos. Provee reconocimiento facial en tiempo real entre millones de rostros en videos en tiempo real. El sistema puede catalogar con etiquetas secciones específicas de los videos, según ubicaciones, actividades, por ejemplo. Este servicio puede ser útil para agencias de seguridad, que quieren seguir a personas de interés para ellos.

Imágenes: ENTER.CO y Amazon.

Esta divertida herramienta la crearon dos adolescentes británicos: Oli Callaghan de 18 años, y Finnian Anderson, de 17 años, según informó The Next Web. De acuerdo con una publicación en el blog de Anderson, Colorise Bot en Twitter usa un sistema de redes neuronales ‘prefabricado’, que ha sido entrenado con una base de datos de más de 4,5 millones de imágenes.

El resultado actual es sorprendente y muy acertado. Si entras al Timeline del bot en Twitter, verás cientos de fotos transformadas de manera que casi no se nota que eran fotos en blanco y negro, aunque en algunas (quizá las más antiguas) podemos percibir que no son las imágenes originales.

I colourised your image in 4.5 seconds. Find out how: https://t.co/Pz5ZKkzRGh #colorisebot pic.twitter.com/bM1g0SxcB8

— Colorise Bot (@colorisebot) 22 de noviembre de 2017

I colourised your image in 4.4 seconds. Find out how: https://t.co/Pz5ZKkzRGh #colorisebot pic.twitter.com/J5JGFzYaaY

— Colorise Bot (@colorisebot) 21 de noviembre de 2017

I colourised your image in 3.4 seconds. Find out how: https://t.co/Pz5ZKkzRGh #colorisebot pic.twitter.com/z8VknU0wdk

— Colorise Bot (@colorisebot) 21 de noviembre de 2017

Usar este bot es muy fácil. Solo publica en Twitter una foto a blanco y negro y menciona a @colorisebot. El sistema te responderá con tu foto a color y te dirá en cuánto tiempo logró hacer la transformación.

¿Cómo funciona el bot?

Los dos jóvenes explican en el blog que cuando tuvieron la idea de crear un bot para ‘colorear’ fotos, probaron varias técnicas de programación. Primero lo intentaron haciendo los códigos desde cero en C++ y OpenCL. Pero se dieron cuenta de que el proceso era muy lento, y que no alcanzarían a tenerlo listo para una convocatoria en la que tenían pensado presentar su producto.

Luego, probaron con TensorFlow, un marco de aprendizaje de máquinas desarrollado por Google. Este ofrece una interfaz fácil para construir modelos de aprendizaje de máquinas. Sin embargo, los jóvenes tuvieron algunos problemas con la plataforma y no quisieron arriesgar su fecha límite para la convocatoria.

Finalmente, los dos desarrolladores decidieron usar un modelo ya entrenado por dos estudiantes de doctorado de la Universidad de Berkley. Usaron este modelo como una plantilla, usando Caffe y luego entrenaron a la máquina con imágenes de ImageNet, una base de datos gratuita en Internet. El método dio resultado, y el sistema logró entrenarse muy bien, porque eran más o menos 4,5 millones de imágenes.

Callaghan y Anderson dicen que la gran lección que les dejó este proyecto, aparte de varios planes derivados del mismo, es que descubrieron lo fácil que es aprender sobre ‘machine learning’, usando plataformas populares como TensorFlow y Caffe. Tal como nos los demostró Google con un sencillo experimento en línea del que te contamos hace unos meses.

Imágenes: Colorise Bot y Pixabay. 

Deepgram, una herramienta para transcribir audios a texto, es gratis para todos a partir de hoy. Esta plataforma funciona aplicando aprendizaje de máquinas a datos de audio, según reportó TechCrunch. Ya no tendremos que pasar horas eternas transcribiendo audios a texto, o pagar servicios costosos como el de Trint (que cuesta desde 12 dólares la hora).

Aunque la plataforma solo funciona para audios en inglés, es una herramienta útil para muchas labores de estudio o de trabajo. Por ejemplo, puedes transcribir en segundos, una entrevista, o el audio de un discurso para hacer un estudio académico.

Deepgram te permite subir un audio que tengas guardado en tu computador, o incluso pegar un enlace de un video de YouTube. Dependiendo del peso del archivo, el sistema se demora unos cuantos segundos procesando el audio. Luego te muestra el texto que logró captar, dividido en cada minuto de la duración.

La plataforma usa ‘deep learning’, una especie más compleja de aprendizaje de máquinas, que funciona con redes neuronales (similar al funcionamiento del cerebro). Eso quiere decir que los desarrolladores han estado ‘entrenando’ al sistema con palabras en inglés para que sea capaz de reconocerlas y ponerlas en texto. Es por eso que Deepgram solo funciona para audios en inglés.

¿Cómo quedan las transcripciones?

La versión gratis es muy rústica. Eso quiere decir que no asimila signos de puntuación y ciertos términos, como marcas o productos. Para que el sistema logre esas particularidades, sí tocaría pagar una mensualidad. Pero ¿qué es poner un par de puntos y comas en comparación con horas de transcripción?

Otras limitaciones de la plataforma tienen que ver con los tonos de las voces. Estuvimos probando con algunos audios y para el caso de las canciones, el sistema no es muy hábil a la hora de reconocer la ‘letra’.

Tampoco parece captar discursos con un tono artístico. Por ejemplo, intentamos con un fragmento del famoso discurso ‘Yo tengo un sueño’ de Martin Luther King, pero el sistema no reconoció más que un par de frases de un audio de dos minutos.

En cambio, subimos un audio de una entrevista a Barack Obama con Ellen Degeneres. El tono es más convencional y el audio es limpio. Por lo tanto, la transcripción salió tal como esperábamos:

¿Cómo funciona la plataforma?

Deepgram tiene un navegador que te permite buscar palabras clave. Esto es particularmente útil para transcripciones largas. El reporte de TechCrunch dice que el sistema es hábil a la hora de buscar dentro del texto. Por ejemplo, en una entrevista de una hora, el periodista dice que solo le tomó dos intentos encontrar el segmento del diálogo que estaba buscando.

“La ASR [reconocimiento autómata de voz] aún no está resuelta… está lista para sets específicos de datos pero con datos con acentos o ruidosos, cualquier servicio hará un mal trabajo”, le dijo al medio Scott Stephenson, cofundador y CEO de Deepgram. Vale la pena decir que en una de mis pruebas, subí el audio de una entrevista en la que hablo en inglés, con un acento latino moderado, y reconoció mis palabras a la perfección.

Finalmente, la oferta gratis tiene un límite: si usas más de un millón de minutos, te comenzarán a cobrar. La computación es costosa, así que tendría sentido cobrar si pones a un sistema a procesar un archivo de audio de 50 terabytes.

Imágenes: capturas de pantalla y Wikipedia.

Para este común problema, la compañía ideó una solución muy ingeniosa: hacer que tecnología de inteligencia artificial busque dentro del GIF. La biblioteca ahora implementará un sistema de aprendizaje de máquina de Google que busca dentro de los archivos de imágenes animadas y sus textos, según informó Engadget.

Por ejemplo, imagina que quieres buscar el GIF en el que Homero sale gritando “Neeeerd” desde el carro (en el capítulo que va a la universidad).

En ese caso lo más usual sería que escribas ‘Neeerd’ en el buscador de Giphy. Pero como están configurados los sistemas en este momento, lo que te aparece es lo siguiente:

El nuevo sistema va intentar encontrar lo que buscas en los subtítulos de las imágenes, en lugar de las etiquetas.

De acuerdo con el medio, la nueva función tuvo una influencia muy favorecedora durante el verano, cuando Giphy la puso a prueba. Según datos de la plataforma, más personas seleccionaron GIF cuando buscaban frases. Eso quiere decir que los visitantes encontraron el GIF que estaban buscando.

Giphy, la desapercibida máquina de dinero

Hace unos meses les contamos que Giphy ha logrado recaudar en cuatro años 150 millones de dólares en fondos. Además, la compañía está valorada en 600 millones de dólares.

La pequeña empresa comenzó como una sencilla plataforma para encontrar GIF. Ahora almacena más de 2.000 millones de clips y sirve a más de 150 millones de usuarios diarios.

Giphy gana dinero con anuncios en las búsquedas, con GIF patrocinados y acuerdos de licencias con proveedores de contenido como Netflix y HBO, que aceptan que partes de sus programas estén en pequeños bucles animados.

Las búsquedas con AI son un excelente avance para que Giphy deje contentos a los usuarios. Cuando un usuario encuentra lo que está buscando, es más probable que vuelva al sitio.

Imágenes: captura de pantalla y Giphy.

Desde smartphones hasta carros autónomos, no hay duda de que la inteligencia artificial se está tomando nuestra era dispositivo a dispositivo.

Muchos expertos podrán decir que la IA no es una tecnología nueva (algunos investigadores ya estaban desarrollando la computación autónoma en la década de los 50). Pero actualmente tenemos una gran disponibilidad de la computación a la mano. Hace 50 años, los científicos necesitaban computadores que llenaban edificios enteros para hacer lo que hoy podemos realizar con chips del tamaño de una moneda.

Pero ¿qué significa esta posibilidad para todos los que no somos científicos de la computación? Explicar esta pregunta es un poco difícil. De acuerdo con The Next Web, los avances que afectan a todo el planeta, como la IA, se demoran un tiempo antes de que las personas entiendan lo que está sucediendo. Tal como pasó en los 90 con el Internet.

Es por eso que el medio recopiló un excelente glosario con los términos más básicos de la inteligencia artificial. Desde ya, y en los próximos años, comenzarás a ver estas palabras en todas partes, así que no te quedes sin saber qué significan.

1. Inteligencia Artificial

Lo primero, evidentemente, es entender qué es IA. El término ‘inteligencia artificial’ se refiere a un campo específico de la ingeniería de computadores que se enfoca en crear sistemas capaces de recopilar datos, tomar decisiones y/o resolver problemas. Un ejemplo de IA básico es un computador que puede analizar 1.000 fotos de gatos, determinar qué los hace similares y luego poder encontrar fotos de gatos en Internet. Entonces el computador aprende cómo se ve un gato y usa ese conocimiento para encontrar cosas similares.

2. Autónomo

La autonomía, en el campo de la IA, significa que un equipo de computación no necesita de la ayuda de las personas. Los carros autónomos ilustran el término en varios niveles. El nivel 4 de autonomía representa un vehículo que no necesita ni un timón ni pedales. No requiere de un humano dentro para operar a su completa capacidad. Si alguna vez vemos un vehículo que puede operar sin un conductor, pero que tampoco se necesita conectar a ningún servidor, GPS o fuente externa para funcionar, entonces ese sería un nivel cinco de autonomía, dice el medio.

3. Algoritmo

La parte más importante de la IA es el algoritmo. Éstas son fórmulas matemáticas y/o comandos de programación que le informan a un computador convencional no inteligente cómo solucionar problemas con inteligencia artificial. Los algoritmos son reglas que le enseñan a los computadores cómo descubrir cosas por su cuenta.

4. Aprendizaje de Máquinas

Este término, en muchas ocasiones, sustituye a inteligencia artificial. Significan casi lo mismo, con una sutil diferencia. El aprendizaje de máquinas es el proceso específico con el que una IA usa algoritmos para desempeñar funciones de inteligencia artificial. Es el resultado de aplicar reglas para crear resultados a través de IA.

5. ‘Black Box’

Cuando las reglas correspondientes se aplican, un sistema de IA realiza muchas operaciones de matemáticas complejas. Estas matemáticas, por lo general, no la pueden entender los humanos (o a veces no vale el tiempo que nos toma comprenderla). Sin embargo, los sistemas arrojan la información útil que sacaron a partir de esas operaciones. Cuando eso sucede, se le llama aprendizaje de caja negra o ‘black box’.

El aprendizaje ‘black box’ es igual a cuando en el colegio debíamos mostrar el resultado de una operación matemática, sin necesidad de mostrar el cómo llegamos al mismo.

6. Redes Neuronales

Cuando queremos que una IA sea mejor en alguna tarea, creamos una red neuronal. Estas redes están diseñadas para que funcionan parecido al sistema nervioso humano y al cerebro. Usa etapas de aprendizaje para darle al IA la habilidad de resolver problemas complejos divididos en niveles de datos.

El primer nivel de la red puede estar enfocado solamente en algunos pixeles de una imagen y luego busca similitudes en otras imágenes. Una vez que se acaba la etapa inicial, la red neuronal pasa sus resultados al siguiente nivel, que tratará de analizar otros pixeles. El proceso continúa en cada nivel de una red.

7. ‘Deep Learning’

‘Deep Learning’ es lo que sucede cuando una red neuronal se pone manos a la obra. A media que que las etapas procesan los datos, el AI obtiene el conocimiento básico que necesita. En el ejemplo que estamos llevando, si bien le estás enseñando al sistema a reconocer a los gatos, una vez que el AI aprende qué son las patas, el sistema podría aplicar ese conocimiento a otra tarea.

‘Deep Learning’ significa que en lugar de sólo entender qué es una cosa, el sistema comienza a aprender el ‘por qué’. Es decir que profundiza en lo que aprende. Algunas compañías, como Google, usan ‘Deep Learning’ para que sus sistemas de IA logren aprender por sí mismos sin seguir una lista de tareas estipulada. Ese es el caso del proyecto DeepMind (de Google) que le enseñó a un personaje virtual a jugar fútbol, solo mediante su experiencia en el juego.

8. Procesamiento de lenguaje natural

En computación se requiere de una red neuronal avanzada para analizar gramaticalmente el idioma humano. Cuando un sistema IA está entrenado para interpretar la comunicación humana, se le llama procesamiento de lenguaje natural. Este procedimiento es útil para los servicios de chatbots y traducciones, pero también se usa para construir los asistentes como Alexa y Siri.

9. Aprendizaje por Refuerzos

Los sistemas de IA se parecen a los humanos en muchos sentidos. Ambos aprendemos casi de la mismas forma. Uno de los métodos para enseñarle a una máquina, al igual que a los humanos, es usar refuerzos. Esto implica darle al IA una meta que no está definida con una métrica específica, como decirle que ‘mejora su eficiencia’ o que ‘encuentre soluciones’.

En lugar de encontrar una única respuesta específica, el IA reproducirá escenarios y reportará resultados. Esos escenarios y resultados luego son evaluados y juzgados por los humanos. El IA finalmente toma esas críticas y ajusta los próximos escenarios para mejorar sus resultados. Google ha usado esta técnica para ‘entrenar’ a sus sistemas en juegos sencillos como una serie de laberintos virtuales. La máquina ha aprendido a resolver los laberintos mediante la práctica y el error.

10. Aprendizaje supervisado

Cuando se está entrenando a un modelo IA usando un método de aprendizaje supervisado, las personas proveen a la máquina con la respuesta correcta antes de tiempo. Básicamente el IA sabe la respuesta y sabe la pregunta. Este es el método más común de entrenamiento porque abarca la mayoría de datos: define patrones entre preguntas y respuestas. Si quieres saber por qué sucede algo, cómo sucede algo, el IA puede revisar los datos y determinar conexiones usando el método de aprendizaje supervisado.

11. Aprendizaje no supervisado

Con el aprendizaje no supervisado, no le damos al IA una respuesta. En lugar de encontrar patrones que están predefinidos, como ‘por qué las personas eligen una marca sobre otra’, simplemente alimentamos a la máquina con muchos datos para que ella encuentre cualquier patrón que le parezca. Para muchas personas, este tipo de aprendizaje es una de las formas más ‘tenebrosas’ en que las máquinas pueden pensar.

12. Aprendizaje Transfer

Una vez que un IA ha aprendido algo, como determinar si una imagen es un gato o no, puede continuar construyendo su aprendizaje. Esto incluso si no se le pide. Puedes pedirle a un IA que aprenda a distinguir los gatos con una precisión de 90%, por ejemplo. Luego, el sistema podría ponerse a identificar zapatos. Y después de eso podría volver a los gatos y haber mejorado su porcentaje de precisión anterior.

13. Test de Turing

La mayoría de expertos en IA son optimistas sobre el futuro que nos depara la tecnología pero al tiempo son cautelosos y tienen reservar sobre nuestra seguridad, cada vez que los robots se vuelven menos distintos a los humanos.

Alan Turing tenía esas preocupaciones. A pesar de que murió en 1954, su legado nos acompaña de dos formas. La primera es que el es el padre de la computación moderna: ayudó a descifrar los códigos nazis durante la Segunda Guerra Mundial. Y la segunda es que es el creador del Test de Turing. Esta prueba se usa para determinar si un sistema de IA puede ‘engañar’ a una persona para que crea que está viendo o interactuando con una persona real.

Imágenes: Pixabay.

DeepMind, la división de inteligencia artificial de Google, abrió al público la plataforma de laberintos que usa para muchos de sus experimentos de aprendizaje de máquinas. Todo el código fuente del entorno de entrenamiento estará disponible a través de GitHub para que otros investigadores puedan usarlo, informó Bloomberg.

DeepMind Lab (antes Labyrinth) estará en el repositorio de códigos abiertos para que cualquiera lo descargue y lo personalice y pueda entrenar sistemas de inteligencia artificial propios. También se podrán crear nuevos niveles de juegos para DeepMind Lab y subirlos a GitHub.  

Según el medio, la decisión de Google de abrir su entorno de entrenamiento AI al público demuestra que la compañía quiere ser más abierta en cuanto a su investigación de aprendizaje de máquinas. Esta oportunidad le permitirá a otros investigadores ssaber si  sus propios sistemas se pueden replicar y podrán medir el desempeño de sus propios agentes AI con las mismas pruebas que usa DeepMind.

Otra compañía que hace poco abrió sus entornos al público es OpenAI, dirigida por Elon Musk (CEO y fundador de Tesla y SpaceX) y los inversionistas Peter Thiel y Sam Altman. Ellos crearon su propia plataforma de entrenamiento AI, llamada OpenAI Gym que está abierta al público desde abril de este año.

Hoy OpenAI Gym anunció que abriría una interfaz llamada Universe que le permite a un agente AI usar un computador de la misma forma que un humano: mirando pixeles en la pantalla y operando un teclado y un ratón virtual, explicó la compañía en un comunicado.

Uno de los cofundadores de DeepMind, Shane Legg, negó en una entrevista que la decisión de la compañía se deba a la competencia con OpenAI o a las críticas de que Google es muy reservado con sus ejecuciones de AI.

DeepMind es reconocido por haber creado un agente de AI que fue capaz de vencer al mejor jugador humano del mundo en el juego de estrategia Go. Este logro es considerado el mayor avance de la AI porque Go tiene tantos posibles movimientos que no puede ser manejado con cálculos ‘brutos’, así que el sistema de AI, llamado AlphaGo, tiene que usar métodos similares a la intuición humana para jugarlo con éxito.

Aunque AlphaGo no está entrenado con la plataforma Lab, la compañía ha usado el entorno Lab para varios de sus esfuerzos por crear un sistema que domine la percepción, la memoria, planeación y navegación. Mira en estos videos algunos de estos experimentos.

Imagen: DeepMind. 

Un proyecto entre Google DeepMind (la división de inteligencia artificial de Google) y la Universidad de Oxford aplicó aprendizaje de máquinas a una gran base de datos de programas de la cadena BBC para crear un sistema de lectura de labios que deja a los profesionales en ese campo muy por debajo en cuanto a eficiencia, informó New Scientist. 

El sistema de inteligencia artificial fue entrenado para usar cerca de 5.000 horas de seis distintos programas de televisión, que en total sumaron 118.000 frases. Primero, los investigadores de la Universidad de Oxford y DeepMind entrenaron al sistema con programas que se presentaron entre enero de 2010 y diciembre de 2015. Luego probaron su desempeño para subtitular otros programas que se presentaron entre marzo y septiembre de 2016. Pero tan solo al analizar los labios de las personas el sistema pudo descifrar acertadamente frases completas.

El sistema creado por DeepMind y Oxford superó a un lector de labios profesional que intentó descifrar 200 clips seleccionados al azar de la base de datos. El profesional acertó solo el 12,4% de las palabras sin error. Pero el sistema de AI anotó el 46,8% de todas las palabras de la base de datos de marzo a septiembre sin ningún error. Además, la mayoría de los errores eran pequeños, como una ‘s’ faltante al final de una palabra. Con estos resultados, el sistema también supera otros sistemas automáticos de lectura de labios.

Hace unas semanas, un sistema parecido de aprendizaje de máquinas, llamado LipNet, también desarrollado en la Universidad de Oxford; superó a los humanos con una base de datos conocida como Grid. Pero Grid solo contiene un vocabulario de 51 palabras únicas, mientras que la base de BBC tenía casi 17.500 palabras únicas, así que era un desafío mucho mayor. Además, la gramática en la base de datos de BBC tenía mucha más diversidad de discurso humano real.

¿Cómo lo hizo Google?

Para que la base de datos de BBC fuera apta para la lectura automática de labios, los clips de videos tuvieron que ser preparados usando aprendizaje de máquinas. Pero surgió un problema porque los hilos de audio y video estaban desfasados en algunas partes hasta un segundo, lo cual hubiera hecho imposible que la AI aprendiera las asociaciones entre las palabras dichas y la forma en que la persona movía sus labios.

Pero luego, al asumir que la mayor parte de los videos estaban correctamente sincronizados a su audio, el sistema fue entrenado para identificar los enlaces correctos entre sonidos y formas de la boca. Usando esta información, el sistema descubrió qué tanto de los contenidos estaban desfasados cuando no correspondían, y los alineó automáticamente.

Los investigadores dicen que la cuestión ahora es saber para qué usar las capacidades del sistema que crearon. Principalmente el sistema de lectura de labios puede ser usado para que los dispositivos móviles identifiquen mejor lo que les decimos para comandos de voz, y en condiciones difíciles, como un recinto lleno de personas.

Imagen: Pixabay. 

Monitorear animales marinos es sumamente difícil, y esa tarea es especialmente importante para cuidar a ciertas especies en vía de extinción. Ese es el caso de las vacas marinas. Pero Google tiene una solución que podría ayudar a conservar esta especie.

Los investigadores de la Universidad de Queensland están usando el aprendizaje de máquinas de Google, llamado TensorFlow, para crear un detector que identifica automáticamente a las vacas marinas en imágenes aéreas del océano tomadas con drones. Anteriormente los investigadores debían revisar miles de fotos aéreas (casi 45.000) durante mucho tiempo para lograr identificar, con dificultad, a las vacas marinas. Con esta nueva técnica solo deben suministrar las fotos a un sistema de reconocimiento de imagen que sabe cómo detectar las formas de estos animales.

Como casi todos los experimentos de aprendizaje de máquinas, este sistema aún no puede ser completamente acertado. Pero una versión inicial podría detectar al 80% de las vacas marinas que se han confirmado en las fotos existentes. Si la efectividad del sistema es suficiente, será mucho más fácil para los científicos medir las poblaciones de este mamífero marino en peligro de extinción, y monitorear sus patrones de movimiento. Estos análisis ayudan considerablemente a los esfuerzos de conservación de los animales.

TensorFlow es la plataforma abierta de aprendizaje de máquinas de Google, lanzada hace un año. Con esa tecnología, los investigadores construyeron el detector, que funciona igual que como Google Photos busca fotos de especies de perros o puestas de sol, explica Google.

Si este experimento resulta exitoso, los investigadores esperan que se usen no solo para las vacas marinas, sino también para otros mamíferos marinos en peligro, como la ballena jorobada y ciertas especies de delfín. Al lograr monitorear a estas poblaciones de animales, los movimientos de conservación podrán saber mejor como se ven afectados por las actividades humanas.

Imagen: Peter Shanks (vía Flickr). 

Google anunció que las versiones web y móviles de Google Translate ahora usan un sistema de traducción con máquinas neuronales para todas las traducciones al inglés, que suceden unas 18 millones de veces al día en la app. Google también publicó un artículo académico sobre cómo funciona el sistema,  informó VentureBeat.

Google ya había dicho que usaría redes neuronales (sistemas que simulan el razonamiento neuronal del cerebro humano) en Google Translate pero específicamente para su función de traducción visual en tiempo real. Además, hace unos meses un ejecutivo de Google le dijo al medio que Google estaba trabajando en formas de incorporar ‘deep learning’ en más funciones dentro de la app. Y las nuevas contribuciones hacen parte de esos esfuerzos.

Google ha estado incorporando redes neuronales en cada vez más de sus productos, como Google Allo y el Inbox de Gmail. Además están ayudando a Google a manejar sus bases de datos. 

Las explicaciones de cómo funcionan estos sistemas son un poco complejas, y Google hace un excelente trabajo con su reporte académico. Pero en palabras simples, primero, entendamos algunas formas de traducción con máquinas.

La RNN aprende directactamente de las conexiones entre una secuencia de entrada (una frase en un idioma) y una secuencia de salida (la misma frase en otro idioma). La Traducción Basada en Frases desarma la frase de entrada en palabras y frases independientes para que se traduzcan por aparte. La Traducción con Máquina Neuronal (NMT) considera toda la unidad de la oración para traducir. La ventaja de este método es que requiere menos opciones de diseño de ingeniería que otros sistemas basados en frases separadas.  

La traducción con máquinas neuronales no siempre ha sido óptima, pero la implementación de Google muestra ventajas en ciertas situaciones.

Las evaluaciones que hicieron los investigadores demostraron, según el informe, que la NMT reduce los errores de traducción hasta un 60%, comparado con otros sistemas basados en frases y probados en distintos pares de idiomas: inglés y francés, inglés y español e inglés y mandarín. De hecho, Google asegura que la calidad de este sistema se acerca mucho más a los traductores humanos convencionales.

Sin embargo, Google aclara que el sistema aún no está completamente optimizado, porque aún faltan muchos avances. “GNMT aún puede cometer errores significativos que un traductor humano nunca haría, como saltarse palabras y traducir mal nombres propios o términos raros, o traducir oraciones aisladas en lugar de considerar el contexto del párrafo o de la página”.

Imágenes: Google. 

La división de Inteligencia Artificial de Google, DeepMind, anunció que se alió con el Hospital para Ojos de Moorfields, de la agencia de salud de Inglaterra, la NHS. El objetivo de esta alianza es usar el aprendizaje de máquina para detectar enfermedades comunes en los ojos en etapas tempranas. El proyecto, que durará cinco años, usará información de un millón de tomografías de ojos que están en las bases de datos del Hospital. Las imágenes son anónimas.

El objetivo principal de esta alianza es lograr diagnósticos tempranos de las causas más comunes de la pérdida de la vista, como la retinopatía diabética y la degeneración macular relacionada con la edad. Así, se podría comenzar a tratar a los pacientes con más tiempo y con mejor efectividad. De acuerdo con Google, más del 98% de los casos de pérdida de vista causados por la diabetes se pudieron haber prevenido con detección temprana y tratamiento.

Aunque el número de personas que viven con pérdida de vista en Reino Unido es bastante alto (unas 360.000 personas), Google estima que el número de personas con esta enfermedad se duplicará para 2050. Es por eso que se hacen necesarias mejoras en los procesos de detección y tratamiento a tiempo.

El proyecto usará dos tipos de escaneo de ojos: imágenes tradicionales de fondo, que son básicamente fotos de la retina y la parte posterior del ojo; y tomografías óptimas de coherencia (OCT), que es una toma de la sección intermedia de la retina, y que le da a los médicos una mejor imagen de los daños.

Sin embargo las OCT son muy complejas y requieren de entrenamiento especializado para que los doctores y otros profesionales de los ojos los puedan analizar. Esto causa muchos retrasos para que los pacientes puedan ser diagnosticados y tratados. Y hasta el momento, las herramientas de análisis tradicionales no han podido solucionar este problema.

Esta no es la primera vez que Google quiere usar su tecnología para ayudar combatir enfermedades. Hace unos meses, Google lanzó una aplicación llamada Streams, que se construyó con DeepMind y la NHS, para monitorear la función renal de los pacientes, de acuerdo con The Guardian. Pero este proyecto es el primero con el que Google está aplicando las habilidades de aprendizaje de máquinas para producir diagnósticos médicos. 

La anterior colaboración de DeepMind con la NHS fue criticada porque se le permitía el acceso a Google las historias clínicas de más de 1,6 millones de pacientes de la NHS, a quienes no se les avisaría de esa decisión. Este nuevo proyecto quedaría eximido de esta controversia, ya que la información sería completamente anónima.

Para calmar los ánimos en este nuevo proyecto, Google explicó que es imposible identificar a un individuo a partir de las tomografías de ojos. Además, se trata de scans históricos, es decir que si bien los resultados de la investigación se usarán para mejorar tratamientos futuros, no afectarán en nada la condición médica actual de estos pacientes. Adicionalmente, toda la información recopilada se destruirá al final del proyecto, dijo Google. Y para la tranquilidad de los ciudadanos, la base de datos de tomografías siempre será propiedad del hospital de Moorfields.

En este video se explican las principios y los objetivos de este nuevo proyecto.

Imagen: Emily (vía Flickr).