¿Cómo pueden la IA y el big data mejorar la prevención de enfermedades neurológicas?

¿Cómo pueden la IA y el Big data mejorar la prevención de enfermedades neurológicas?

Un articulo con mucho interés que resume algunas de las conclusiones a que se llegaran durante un encuentro sobre nuevas tecnologías enfocadas a áreas de enfermedades neurológicas. El tema de las enfermedad neurológicas es un tema que le hemos dedicado algún tiempo a través de la creación de un proyecto para el diagnostico de Alzheimer a través de Inteligencia artificial y videojuegos ( que no gamificación) , siendo el videojuego utilizado como herramienta de recolección de respuestas del sistema nervioso con base en las estimulaciones cognitivas que solamente el videojuego permite.

Todos los datos se almacenaban utilizando tecnologías de Big Data para poder después alimentar el motor de inteligencia artificial a través de diversos periodos de tiempo, para conseguir encontrar de esta forma determinados tipos de padrón de respuestas que podrían sugería un bajada de las capacidades cognitivas del usuario.

Los primeros datos que se conseguiran eran muy esperanzadores hasta que nos quedamos sin financiación para continuar con el desarrollo de la solución pero desde entonces la asociación Inteligencia artificial, videojuegos, big data y el sistema cerebral/cognitivo ha quedado en un grande foco de interés.

Así que cuando he visto los resultados de este congreso me ha parecido interesante compartirlos.

 

 IA y  big data en la prevención de enfermedades neurológicas

3.000 expertos de la Sociedad Española de Neurología han debatido hace unas semanas, en Sevilla, la incorporación de tecnologías como el big data o la inteligencia artificial para ayudar a entender mejor las patologías neurológicas, su impacto en el paciente y, como ocurre con la esclerosis múltiple, por qué es necesaria una visión más personalizada en cada caso.

La esclerosis múltiple es una enfermedad neurodegenerativa grave, de sintomatología amplia y compleja, que afecta a 47.000 personas en España, 600.000 en Europa y más de 2.000.000 en todo el mundo. El diagnóstico se produce con mayor frecuencia entre los 20 y los 40 años, en plena actividad vital, por lo que su diagnóstico supone un duro golpe para el paciente cuando recibe la noticia. «Dada la heterogeneidad de la esclerosis múltiple, el manejo de esta patología puede mejorar considerablemente con la implementación de la inteligencia artificial y del big data», Según Ignacio Hernández Medrano, neurólogo, CEO y cofundador de los proyectos de Big Data SAVANA y MENDELIAN.

También la doctora Mar Tintoré, del Centro de Esclerosis Múltiple de Cataluña , destaca la utilidad de este tipo de tecnologías para ayudar a los clínicos a comprender mejor una patología con tal complejidad, y explica como junto a otros grupos están trabajando en un conjunto de algoritmos computacionales de vanguardia para crear una calculadora de riesgos que prediga la probabilidad de acumulación de discapacidad de cada paciente en cada momento. «Ahora contamos con un algoritmo más fino que nos permite definir mejor lo que necesita cada paciente», dice el también doctor Hernández Medrano. Empieza a ser común el uso de la imagen como fuente de datos en medicina, pero pronto se utilizarán nuevas herramientas como analíticas de sangre, registros de la UVI, información de las constantes vitales y la historia clínica del paciente. Estos datos generarán un tipo de algoritmo que será capaz de dar respuesta a preguntas concretas, y los especialistas podrán prever cómo será la evolución de la enfermedad de cada paciente y proporcionar un control más precoz.

Biogen España, compañía experta en neurociencia y que se centra en el avance programas de investigación en esclerosis múltiple y neuroinmunología, trastornos neuromusculares, trastornos del movimiento, Alzheimer y demencia, oftalmología, inmunología, trastornos neurocognitivos, neurología aguda y dolor, detalla como es imprescindible poner la ciencia y tecnologías de vanguardia, como es el caso del big data o la inteligencia artificial, al alcance de los que la necesitan.

 

Leer el articulo completo de Juan Carlos F. Galindo

La propriedad de estos artículos pertenece a sus autores originales, y este resumen se ha incluido para referencias personales y crear un base de datos de artículos interesantes en el campo de la innovación.

 

Las últimas noticias sobre ciencia, tecnología y cultura digital

Animación con Inteligencia Artificial y Deep learning en 2020

 

 

 

Animación con Inteligencia Artificial y Deep learning

La sociedad actual está totalmente orientada hacia los entornos digitales. Ahora, desde que somos muy pequeños, nos vemos enfrentados con una gran cantidad de manifestaciones tecnológicas.

Un claro ejemplo de ello son los videojuegos que, en la actualidad, son capaces de atrapar tanto a grandes como a chicos. Al principio, estos fueron sencillos y poco elaborados.

Sin embargo, esto cambió rápidamente con el paso del tiempo. Cada vez se volvieron más complejos, llenos de animaciones e infinidad de acciones que los personajes podían realizar.

 

Para hacer de ello algo de buena calidad, los desarrolladores han tenido que pasar una gran cantidad de horas trabajando en cada movimiento de los personajes. Ahora, gracias a una nueva investigación, podría existir un mecanismo que podría facilitar este proceso y ofrecer a los desarrolladores un atajo para no tener que invertir tanto tiempo en esta fase.

Animación de personajes con Inteligencia Artificial

Animación con Inteligencia Artificial y Deep learning

Es más que claro que el movimiento es clave para hacer de una animación lo que es. Sin embargo, nuestro concepto de esta movilidad ha ido cambiando con el tiempo.

En un inicio, los movimientos notorios pero bruscos eran lo más comunes en lo dibujos animados –que eran en 2D. Asimismo, los videojuegos oscilaban entre espacios vagamente móviles e imágenes fijas con texto.

Ahora, en la mayoría de los casos ambas disciplinas se decantan por el uso de gráficos en 3D y por un estilo de movimiento mucho más natural. Sin embargo, como lo hemos dicho, este, a pesar de ser el más llamativo, tiende a ser el más complejo de desarrollar.

Animación con Deep Learning

Animación con Inteligencia Artificial y Deep learning

El nuevo sistema que fue desarrollado por científicos de la Universidad de Edimburgo se maneja a través de conexiones neuronales –similares a aquellas que tenemos en nuestro propio cerebro. Gracias a ellas, la inteligencia artificial tiene la posibilidad de realizar procesos de Deep Learning.

El estado de la inteligencia artificial en la animación

Además, Por muy apasionados que puedan ser los animadores con su oficio, hay algunos trabajos que son simplemente tediosos o un medio para un fin. Animar el cabello, la ropa, caminar y salpicar el agua puede caer en esta categoría que consume mucho tiempo.

No es de extrañar, entonces, que el desarrollador de Pixar Jiayi Chong, cuya filmografía incluye clásicos como “Toy Story 3”, “Up” y “WALL-E”, se propusiera construir una herramienta llamada Midas Creature que automatiza este tipo de tareas de Animación con Inteligencia Artificial.

Adobe está haciendo algo similar para abordar la sincronización de los movimientos de los labios de un personaje con una grabación de voz. “Es un trabajo de especialistas”, dice el becario de Adobe y ganador de un premio de la Academia David Simons. “Y lleva mucho tiempo. Por eso, si eres nuevo en la producción de animación, puedes limitar lo que haces y cuánto haces”.

Estas son algunas de las últimas innovaciones destinadas a racionalizar y ampliar un medio con un potencial masivo: los vídeos en línea representan ahora el 50% de todo el tráfico móvil, y el contenido animado es un gran pedazo de ese pastel digital.

Haz más con menos

La animación, tradicionalmente, ha ido de la mano de minucias que no necesariamente alimentan la destreza creativa de un animador. Sin embargo, estos pasos suelen ser necesarios, y también son lo suficientemente complejos como para hacer de la automatización un desafío. Para muchos animadores, el beneficio central de la IA proviene de la agilización del proceso creativo, simplemente asumiendo tareas tediosas. Con ese “tiempo libre” añadido, los diseñadores pueden pasar más tiempo trabajando en sus visiones creativas globales.

Empujar los límites de la creatividad

A medida que la tecnología de Animación con Inteligencia Artificial  continúa refinando los procesos y prolifera en la industria, los animadores, cineastas y diseñadores se sumergen en ella, produciendo animación de alta calidad con menos personal en menos tiempo. Esto, a su vez, impulsa nuevos conceptos creativos que atraviesan el desorden del paisaje existente del vídeo digital y la animación.

Un ejemplo reciente: El Sueño Profundo de Google es un proyecto experimental que ayuda a los científicos e ingenieros a ver las imágenes a través de los ojos de una red neuronal profunda. Una nueva forma de arte psicodélico, abstracto y a veces inquietante surgió rápidamente de esta tecnología.

“Si se entrenara con imágenes de gatos y rostros, crearía algo como un sueño inducido por el LSD, produciendo nuevas combinaciones de esas cosas”, dice David Simmons.

Simplificar lo complejo

Yendo un paso más allá, los investigadores del Instituto Allen de Inteligencia Artificial y de la Universidad de Illinois Urbana-Champaign introdujeron más de 25.000 clips de tres segundos del dibujo animado original “Los Picapiedra” en un sistema de IA. A partir de ahí, el sistema de IA fue capaz de crear nuevos clips basados en descripciones de texto de una escena dada – “Betty y Wilma tienen una discusión en la cocina”, por ejemplo.

Utilizando la inteligencia de los clips existentes, el sistema de IA reunió a los personajes, accesorios y lugares especificados y los animó en consecuencia. Si bien algunos resultados fueron torpes, la mayoría entregó el nuevo contenido sin problemas y casi al instante.

Dejando de lado la torpeza, esta investigación apunta a un futuro en el que la IA genere horas de contenido animado basado en guiones de contenido pasado. Esto podría, inmediatamente, democratizar la animación de alta calidad, convirtiéndola en una opción creativa sencilla para cualquier comercializador, productor, director creativo o aspirante a animador, una opción que podría tener un precio significativamente más bajo que el desarrollo de la animación tradicional.

El contenido creativo, sin embargo, es sólo el comienzo. Esta misma tecnología de IA puede aplicarse potencialmente a los juegos, análisis de movimiento e incluso a la robótica en el futuro. “Las cosas están cambiando muy rápidamente”, según  David Simmons que cree que la velocidad de innovación seguirá aumentando a medida que más personas se capaciten en la tecnología y piensen en las mejores formas de usarla.

 

Referencias:

 

Data Scientist

¿Qué hace un Data Scientist?

¿Qué hace un Data Scientist?.

Un data scientist es el encargado en una organización que busca encontrar verdades a través del análisis masivo de datos para poder guiar al equipo en la toma de decisiones El flujo de trabajo de data un data science tiene muchos factores que deben ser tomados en cuenta.

 

En esta clase aprenderás lo que hace un data scientist a través del flujo de vida de un proceso profesional de data science, este proceso lo aprenderás en nuestro curso de Data Science.

 

 

Inteligencia Artificial

Éticas para Inteligencias Artificiales

Éticas para Inteligencias Artificiales

Es final de verano e inicio de otoño cuando estamos escribiendo este artículo. Es una época propicia para pensar en otras cosas diferentes de las que nos ocupamos en el día a día, y además hemos visto en varios medios, diferentes artículos que aluden a una inmediata necesidad de aplicar o implantar algún tipo de ética en los algoritmos que operan en la Inteligencia Artificial.

Si estás leyendo esto y perteneces al campo de la ciencia de datos, seguro que tu impresión es que se trata de titulares completamente ambiguos e imprecisos, carentes de significado en su mayor parte y que están orientados más a crear una cierta alarma social que a describir una realidad tecnológica.

No te falta razón. Por eso esperamos tener algo que aportar a esta tendencia aunque sea pequeño.

La inquietante ascensión de la Inteligencia Artificial.

Partimos del hecho de que muchos medios de comunicación –principalmente digitales– atribuyen a la Inteligencia Artificial (sin especificar más) cualidades casi propias de oráculos y entidades mitológicas, o características mucho más cercanas a los ingenios mecánicos propios de las películas de ciencia ficción,  al tiempo que empieza a cundir cierta alarma social, más justificada, basada en la masiva acumulación de información de algunas compañías como las grandes tecnológicas (Facebook y Google en destacada posición) y al perverso del uso de esa información en el caso de Cambrigde Analytica en la campaña presidencial de Donald Trump. Pero es que tendríamos que empezar a mirarnos al ombligo para buscar a los culpables que alimentan los repositorios de datos de las compañías. Sabemos de sobra que no desconectamos del móvil en verano, y que nos pasamos más tiempo viendo fotos de nuestras amistades o conocidos en la playa, que viendo la propia playa en el mundo real por nuestra cuenta. Localizaciones, visitas, fotografías (el…

Leer el articulo completo de alrayon

 

 

La propriedad de estos artículos pertenece a sus autores originales, y este resumen se ha incluido para referencias personales y crear un base de datos de artículos interesantes en el campo de la innovación.

 

Introducción a la estadística para la ciencia de los datos

¿Qué necesito para ser un Data Scientist?

¿Qué necesito para ser un Data Scientist?


Data Science Spanish…

La propriedad de estos artículos pertenece a sus autores originales, y este resumen se ha incluido para referencias personales y crear un base de datos de artículos interesantes en el campo de la innovación.

 

 

Hoy en día, las personas que se dedican a la tecnología tienen muchas opciones para desarrollarse profesionalmente. Un campo que está sonando mucho últimamente es el de Data Science. Se le conoce como data science al estudio de la data, e involucra desarrollar métodos de recolección, almacenamiento y análisis de datos para extraer de manera efectiva información relevante para la empresa. El objetivo principal es obtener insights de cualquier tipo de data, ya sea estructurada o no estructurada.

La ciencia de datos está bastante relacionada a las ciencias de la computación, sin embargo es un campo separado. Computer science consiste básicamente en crear algoritmos para recolectar y procesar data, mientras que data science cubre cualquier tipo de análisis de data, el cual puede no usar computadoras. Asimismo, data science está muy vinculada con la estadística. Debido a la gran cantidad de data que manejan las organizaciones, data science se ha convertido en una parte integral de las áreas de TI.

¿Que hacen los data scientists?

Aquellas personas dedicadas a data science se les conoce como data scientists. Estos profesionales son responsables de recolectar, analizar e interpretar la data. Este trabajo requiere el uso de analítica avanzada, incluyendo machine learning y modelamiento predictivo. Asimismo, requiere grandes cantidades de data para poder desarrollar hipótesis, hacer inferencias, y analizar tendencias, tanto del mercado como de clientes.

Dentro de las organizaciones, los data scientists generalmente trabajan en equipo, para así poder extraer toda la información de big data que pueda ser usada para predecir el comportamiento del consumidor e identificar nuevas formas de generar ingresos. Adicionalmente, los data scientists son los responsables de definir las mejores prácticas para recolectar esta data, utilizando herramientas de análisis y de interpretación.

El objetivo que tienen estos perfiles dentro de las empresas es proveer datos acerca de consumidores y campañas para así poder ayudar a las compañías a crear fuertes planes y llegar de una mejor manera a sus audiencias. Estos ayudan a las empresas a crear planes de negocio basado en investigación para que puedan alcanzar sus metas.

La demanda por data scientists ha crecido significativamente en los últimos años, ya que las compañías cada vez valoran más los hallazgos que estos pueden encontrar dentro de la data. Debido a esto, constantemente aparecen nuevas herramientas y metodologías que necesitan expertos que se capaciten y puedan aprenderlas y aplicarlas.

¿Qué necesito para ser un data scientist?

Para llegar a ser un data scientist, es necesario estar capacitado y tener experiencia en el manejo de data, para así poder completar tareas complejas de planeamiento y análisis en tiempo real. Es importante que este perfil cuente con un grado técnico que le permita tener la base y conocimientos necesarios para desarrollarse de forma efectiva en el rol.

Los conocimientos que un data science debe tener incluyen un gran número de plataformas de big data y herramientas como Hadoop, Pig, Hive, Spark y MapReduce. Asimismo, requiere saber lenguajes de programación como SQL, PythonScala y Perl. Finalmente, también necesita saber lenguajes estadísticos como R.

Por otro lado, se espera que un data scientist tenga buen manejo de data mining, machine learning, deep learning, y la habilidad de integrar data estructurada y no estructurada. También necesita conocimientos en técnicas de investigación estadística, como modelamientos, clustering, data visualization y segmentación, análisis predictivo, entre otros….

Leer el articulo completo en Medium

Análisis de Sentimientos en comentarios | Dataframe | TextBlob | Python | ¡Muy básico!

Análisis de Sentimientos en comentarios muy fácil con python

Análisis de Sentimientos para principiantes con Python

En este vídeo se muestra cómo aplicar el análisis de sentimientos a comentarios desde un archivo CSV y como resultados será posible visualizar la distribución de la puntuación de los comentarios en relación a la polaridad y subjetividad  de los mismos en una gráfica de distribución de la herramienta Seaborn (Distplot). Es una buena aproximación en el camino de ganar experiencia de Data Scientist y que suele ser preguntado de forma recurrente en foros como Quora o otros foros de la especialidad.

Si quieres recoger ese camino, entonces es obligatorio practicar e implementar por lo menos un tipo de algoritmos o de herramientas, para poder validar en primera persona lo que implicar implementarla, que ventajas trae sobre otras soluciones, y “jugar” con los parámetros de la solución que hemos implementado para poder entender y ganar un sensibilidad para la afinación de esos parámetros, dado que en muchas situaciones con base en el mismo algoritmo y la misma herramienta, Data Scientists más experiences conseguirán resultados, mientras que otros  más juniores no conseguirán ningún.

Para poder seguir el tutorial es necesario una serie de pre-requerimientos:

  1. Datos originales de Kaggle.com que son utilizados en el tutorial como base de implementación del análisis de sentimiento

Data Set en Kaggle.

    2.Documentación oficial del módulo TextBlob, aquí encuentras las instrucciones para descargarlo:

https://pypi.org/project/textblob/

    3.La selección de datos que se utiliza en el tutorial poder la realización de la análisis de sentimientos : http://bit.ly/2XgxhfY

El análisis de sentimientos se refiere al uso de procesamiento de lenguaje natural, análisis de texto y lingüística computacional para identificar y extraer información subjetiva de una serie de recursos al que podemos acceder para el análisis. Si no tuviéramos ese acceso,  o un acceso incompleto, la información que se pudiera obtener sería prácticamente 0(más información en wikipedia).

Se puede realizar análisis de sentimientos a cualquier texto, puede ser de correos, de páginas web, de publicaciones en redes sociales como twitter, facebook, google+, entre otros y con ello se puede lograr un aproximación de una evaluación emocional que tiene un tema, persona y/o marca en algún momento en las redes sociales o canales evaluados.

El análisis sentimental es una herramienta muy potente para poder analizar lo que una determinada audiencia o grupo de individuos piensa sobre un servicio, un producto, una persona, y si detectado de forma antecipada nos permite gestionar la situación de forma óptima en el caso de que requiera algún tipo de acción específica para minimizar daños, por ejemplo en el caso de una gestión de reputación.

La idea es obtener el tráfico de alguna fuente específica a través del formato CSV  sobre un tema o persona, aplicar análisis de sentimiento y crear gráficos de  los resultados.

Hay diversas formas de realizarla, con Python y con otros entornos de data science / inteligencia artificial, como podria ser R, o Tensorflow, pero la capacidad de poder hacerlo de una forma mas o menos manual nos permite entender correctamente todo el proceso, lo que a la larga genera una mayor comprensión a la hora de poder diseñar y implementar comportamientos más complejos de mayor nivel de importancia.

Dataframes de Python

En este tutorial se utilizan los Dataframes de Python para poder implementar una mayor flexibilidad de la solución, dado que los data frames son parecidos a los workbook de excel y poseen una flexibilidad de uso que los hace idoneos para poder analizar y relacionar de una forma rápida grande cantidad de datos.

La propiedad de este video pertenece a sus autores originales, y este resumen se ha incluido para referencias personales y crear un base de datos de artículos interesantes en el campo de la innovación.

Leer el video en youtube