Diego Pérez Sastre, Especialista en inteligencia artificial en Clarity AI, te contará cosas interesantes de su trabajo:
– En que trabaja un especialista en I.A
– Las múltiples aplicaciones de la I.A
– Trabajamos en equipo
– Trabajamos en ámbitos diferentes: las ramas de la I.A
– Una de las ramas de la I.A es el machine learning
– Fases de desarrollo de un proyecto de I.A
– ¿Cómo nos podemos formar?
– Un trabajo creativo con impacto
– Las herramientas que utilizamos están en constante cambio
– Necesitamos entender los datos para resolver los problemas
– Un trabajo en evolución constante
¿Qué es y para qué sirve un Especialista en inteligencia artificial? ¿Dónde formarse para ser Especialista en inteligencia artificial? ¿En qué trabaja un Especialista en inteligencia artificial?
Diego Pérez Sastre, Especialista en inteligencia artificial en Clarity AI, te contará:
– Sobre él y su perfil laboral.
– Cómo es su trabajo. Qué es lo que hace, cómo lo hace.
– Dónde se formó para llegar a este trabajo.
– Reflexiones y recomendaciones personales.
Selección de cortes de interés:
0:00:00 Introducción.
0:03:00 Mi trayectoria profesional: ¿Cómo conocí el sector y cómo me formé para trabajar como Especialista en inteligencia artificial?
0:05:07 ¿A qué se dedica un Especialista en inteligencia artificial?
0:10:33 Mis herramientas y mi entorno de trabajo.
0:14:00 Ramas de la Inteligencia Artificial.
0:14:34 El corazón de la Inteligencia Artificial: Machine Learning.
0:16:50 El ciclo de vida de los proyectos de Inteligencia Artificial.
0:20:30 Perfiles profesionales en Inteligencia Artificial.
0:23:41 Un ejemplo de desarrollo de un proyecto de Inteligencia Artificial.
0:30:30 Dónde formarse para trabajar como Especialista en inteligencia artificial.
0:33:00 El camino clásico para formarse como Especialista en inteligencia artificial.
0:33:50 El camino alternativo para formarse como Especialista en inteligencia artificial.
0:35:00 Un consejo ¿Qué es imprescindible?
0:36:02 Fortalezas y las debilidades del trabajo del Especialista en inteligencia artificial.
0:37:21 Hay diferentes formas de llegar a ser Especialista en inteligencia artificial.
0:38:20 Los perfiles laborales con mayor salida para los Especialista en inteligencia artificial
0:38:55 Una profesión con mucha movilidad y necesidad de formación continua.
0:40:53 Unas últimas reflexiones sobre el trabajo del Especialista en inteligencia artificial: relación con el cliente, proyección internacional y su relación con el sector ambiental.
INTELIGENCIA AMBIENTAL, o el futuro de la salud en tiempos de Inteligencia Artificial
La inteligencia artificial (IA) ha sido aprovechada para revolucionar las operaciones en todas las industrias. Los investigadores están usando algoritmos para predecir de manera más acertada los incendios forestales en el oeste de los EE.UU. A principios de este año, un sistema de IA identificó un medicamento existente para la artritis reumatoide que podría ser reutilizado para tratar a los pacientes de COVID-19. En un documento reciente, los investigadores ilustran varias formas en que estas tecnologías podrían ser utilizadas para mejorar el cuidado de los pacientes en los hospitales del futuro.
“Tenemos la capacidad de incorporar tecnologías en los espacios físicos donde se presta la atención médica para ayudar a reducir la tasa de errores fatales que se producen hoy en día debido al gran volumen de pacientes y la complejidad de su atención”, dijo Arnold Milstein, profesor de medicina y director del Centro de Investigación de Excelencia Clínica de Stanford (CERC) en un informe de la universidad americana.
En uno de estos escenarios, las habitaciones de los hospitales podrían ser equipadas con sistemas de IA y sensores para monitorear las medidas de higiene apropiadas. Otras herramientas de IA podrían ser implementadas para predecir potenciales emergencias médicas basadas en señales de comportamiento en los pacientes. Combinadas, estas soluciones podrían ayudar a reducir la presión sobre el personal del hospital.
“Estamos en una carrera a pie con la complejidad del cuidado de la cama”, dijo Milstein en el informe. “Según un recuento reciente, los médicos de la unidad de cuidados intensivos neonatales de un hospital tomaron 600 medidas de cabecera, por paciente, por día. Sin la ayuda de la tecnología, la perfecta ejecución de este volumen de acciones complejas está más allá de lo que es razonable esperar de los equipos clínicos más concienzudos”.
Tecnología de imágenes y sincronización: Un punto de inflexión para las aplicaciones
En el artículo, el estudiante de postgrado y coautor del trabajo, Albert Haque, dice que la capacidad de implementar estos sistemas mejorados de IA es ahora posible debido a la mayor sofisticación de los modelos de aprendizaje de las máquinas y la disminución del costo de los sensores infrarrojos utilizados en estos sistemas de monitoreo. Estos sensores de profundidad infrarrojos se utilizan para crear en su esencia “una forma de radar basado en la luz que mapea los contornos tridimensionales de una persona o un objeto”. En una habitación de hospital, este mapa en 3D podría ser aplicado para una miríada de soluciones.
En un experimento de Stanford, los sensores de profundidad infrarrojos se situaron fuera de las habitaciones individuales para controlar el cumplimiento de los protocolos de lavado de manos. Si el sistema no detectaba un lavado de manos adecuado antes de entrar en la habitación, se enviaba una alerta a través de una tableta colocada cerca de la puerta, según el informe. Actualmente, estos sistemas están siendo probados para ver si este enfoque disminuye las infecciones nosocomiales en los pacientes de la UCI, según el informe.
En otra aplicación de infrarrojos, un sistema de detección pasiva podría aprovechar los sensores térmicos colocados sobre las camas del hospital. Entonces, la “IA gobernante” sería capaz de “detectar sacudidas o retorcimientos debajo de las sábanas, y alertar a los miembros del equipo clínico de crisis de salud inminentes sin tener que ir constantemente de habitación en habitación”.
Los sistemas de monitoreo y los problemas de privacidad
Durante la pandemia de coronavirus, la IA, las imágenes térmicas, los sensores de IO y más se han utilizado para mitigar la propagación de COVID-19. El aumento del uso de estos sistemas viene con una serie de preocupaciones sobre la privacidad. Los investigadores han evitado utilizar técnicas de detección de vídeo de alta definición “ya que la captura de imágenes de vídeo podría interferir innecesariamente en la privacidad de los médicos y los pacientes”, según el informe.
“Las imágenes de silueta proporcionadas por los sensores infrarrojos podrían proporcionar datos suficientemente precisos para entrenar los algoritmos de IA para muchas aplicaciones de importancia clínica”, dijo Haque en el informe.
Un articulo muy interesante que compara las diferencias que existente entre un data scientist (científico de datos) y un arquitecto de datos ( Arquitecto Big Data o Ingeniero de datos/Big Data ) o dato, y que bien podría resumir también las diferencias entre Data Science y Big Data, algo que confunde a mucha gente.
Esta confusión aumenta a menudo, cuando se quiere realizar algún tipo de formación, y todas terminologías convergen entre si, lo que agravado muchas veces por los vendedores de los programas, lleva la confusión hasta limites muy grandes.
Lo primero de todo…
Por mucho que se comenten como las tecnologías mas punteras, en realidad, nada de más lejano. Todas estas tecnologías de análisis de datos llevan decenas de años, y han ido evolucionando con una velocidad directamente proporcional a la capacidad de transmitir y procesar datos. La gran mayoría de las analíticas de datos están apoyados sobre métodos matemáticos, álgebra, estadística, etc…. que en algunos casos tienen mas algunos siglos de historia.
La proprio espirito de lo que es un cientifico de datos podría remontar unos 3 siglos a tras a una Londres todavía casi medieval, con una epidemia que estaba provocando la muerte de muchos londinenses, y cuya medicina de la época no conseguía encontrar una solución, hasta que un alguien se le ocurrió coger todos los datos de localización de la enfermedad y contrastarlo con mapas de otra características como por ejemplo el hidrográfico, e llegar a la conclusión que había una conexión entre enfermedad y pozos de aguas.
La única diferencia entre entonces y hoy, es que la digitalización de la economía ha permitido la existencia de datos prácticamente ilimitados que pueden ser intercambiados, distribuidos y procesados a una velocidad todavía no infinita.
Incluso con la evolución del poder de computación a la luz de la Ley de Moore, no fue hasta que cambios de modelos de computación generados por las nuevas empresas puntocom como Google, Twitter, Facebook y otras que realmente no se ha dispuesto de una capacidad realmente relevante de procesar los datos de una forma elevada.
Con estas dos visiones tenemos una primera aproximación de las diferencias:
– Encontrar respuestas a preguntas
– Encontrar formas de procesar los datos
Los científicos de datos, están para buscar las respuestas a las preguntas que le rodean. Estas preguntas pueden ser de muchos y diferentes tipos, pueden relacionadas con rentabilidad de negocios o inversiones, optimizaciones de producción, encontrar la cura del cáncer, saber lo que piensan nuestros usuarios, saber que van a comprar en el futuro nuestros consumidores, etc… Es fácil ver que dentro de las preguntas con vista al pasado, al presente y al futuro, dado que son realidades que se mezclan frecuentemente en el trabajo de un data scientist, porque para imaginar el futuro es necesario saber como se ha comportado el pasado, validarlo con el presente y finalmente proyectarse a ese futuro posible.
Algo que es importante también tener en cuenta, es que la función dentro de los datos, depende mucho de la dimensión de la empresa, no es lo mismo ser un científico de datos en una pequeña suportar sin fondos para la contratación de equipos grandes, con una grande multinacional con muchos recursos y en que probablemente contara con equipos dedicados para cada función asociada al proceso de colectar,tratar y analizar los datos. Por lo lo mas probable es que en una empresa pequeña tanto un data scientist como un ingeniero de datos harán funciones muy parecidas, mientras que en las grandes empresas, su especializaran a muy bajo nivel.
Para realizar estas operaciones, son necesarios muchos datos, de muchos tipos, de muchas diferentes orígenes y con requisitos muy diferentes de proceso antes de que pueda ser utilizado en su análisis. Con estas tareas se preocupan los ingenieros de datos o arquitectos de big data, o muchos otros nombres.
Son los que son capaces de diseñar, montar y mantener todos los sistemas necesarios para conseguir encontrar los datos necesarios, recolectarlos en los sistemas donde se llevará a cabo su proceso, y garantizar que habrá la capacidad de computación suficiente como para que conseguirlo no lleve una eternidad, si no más bien sean realizada en el tiempo mas competitivo posible de tal forma que sumado a la labor del cientifico de datos, podamos conseguir ver la realidad de la temática que nos interesa antes de los demás.
Estos dos funciones no son exclusivas y complementarias entre si, y tienen muchos puntos en común, pero en el día a día, la principal diferencia estará en el enfoque mental que cualquier uno de ellos tiene sobre los datos y su utilización.
si comparásemos los dos roles a dos conductores que quieren ir de Madrid a Pamplona, el cientifico de datos miraría el GPS para intentar visualizar los posibles problemas del camino, mientras que el ingeniero de datos, miraría las características del trayecto como velocidades, tiempos de llegada, etc.. Claro que por lo menos ellos llevarían GPS y por lo cuanto pueden adaptarse con tiempo a lo que ocurre por delante de si. Una empresa sin datos, es como viajar sin GPS y estar al merced de lo que ocurre.
Diagrama de Venn del «Científico de datos» (Fuente: Drew Conway)
Científico de datos
Enfoque en las preguntas utilizando los datos y su relación para estructurar hipótesis que pueden ser probados con la utilización de los modelos de análisis creados.
Ser capaz de contar historias con base en las análisis realizadas. el 80% del éxito es saber contar los resultados obtenidos.
Conocimiento especializado sobre el área de análisis
Conocimiento formal sobre matemáticas, álgebra, estadísticas, métodos numéricos, algoritmos
Conocimiento de programación y herramientas de proceso y análisis de datos.
Arquitecto o ingeniero de datos
Enfoque sobre la disponibilidad de los datos, su recolección, su almacenamiento
Enfoque sobre las arquitecturas de comunicación y computación
Enfoque sobre las herramientas de adquisición, proceso y almacenamiento de los datos.
Algún enfoque sobre el análisis
¿Como operan?
Lo primero de todo, el análisis de datos nunca debería empezar desde abajo de un departamento de tecnología y subir en dirección de la empresa. El enfoque debe ser desde las necesidades competitivas e estratégicas de la dirección, que sugieren preguntas de difícil solución, y que necesitan de diferentes fuentes y volúmenes de datos para permitir crear unos modelos capaces de simular la realidad e imaginar las posibles respuestas.
Empezar desde arriba va a dar la posibilidad de entender lo que se quiere hacer y que tiene la empresa para poder realizarlo, y en el caso de que no disponga de las posibilidades para hacerlo, entonces buscar especialistas o tecnologías para su implementación.
Empezar al revés, con una necesidad tecnológica es generalmente condenado a terminar con una solución propietaria cara y aislada, que tendrá a la organización rehén de la misma durante mucho tiempo.
Una vez, que la dirección de la organización tiene una idea clara de los retos existentes y de las preguntas a que debe enfrentarse para conseguir darle una respuesta, es cuando debe buscarse con la ayuda de un data scientist cual son las posibilidades que existen dentro o fuera de la organización para poder hacerlo. Hay muchas ocasiones en que no hay ni datos ni tecnologías disponibles y que por lo cuanto la vía debe ser de empezar a cambiar los modelos de operación para generar los datos que se necesite.
¿Que formación?
Que deben estudiar y cuales los perfiles más idóneos para poder estudiar, y una pregunta interesante, es necesario formación universitario complementaria de máster?
De forma general, el tipo de conocimiento de matematicas/estadisticas van a estar más fuertes en personas que hayan cursado formación de economia, matematicas, fisicas, estadisticas, quimica, geografia, etc… Están habituados a los datos como motor de inferencia de otras realidades y se les dá bien la abstracción que es necesaria tener para poder ver lo que los datos ocultan. Generalmente estos perfiles tienen cierta capacidad lógica por lo que poder llegar a tener una visión de alto nivel sobre programación no es demasiado complicado.
El tema de sistemas, comunicaciones y arquitecturas de computación les es más complicado entender, por lo que estarán generalmente mejor enfocados en programas de Data Science.
Por otro lado, ingenieros, informáticos y otras formaciones más técnicas estarán mejor enfocados en programas de Big Data donde tendrán más facilidades para entender la complejidad de los sistemas y sus interdependencias, algo que resulta mucho más complicado a los anteriores, y por lo cuanto un programa de Big Data les dará mejor provecho.
Estas divisiones no son atómicas y hay muchos ingenieros que son muy buenos con la relación de los datos, y vice versa.
Es necesario un máster o un programa universitario para poder formarse? La respuesta es complicada y depende de cada persona. Los principios formales y tecnológicos subyacentes a estas disciplinas se pueden aprender fácilmente con auto estudio, aplicarlos de forma correcta es más complejo, porque es necesario la capacidad de entender las especificidades del problema que se quiere responder, y es necesario la existencia de una dialogo constante que permita ir avanzando en el conocimiento del mismo para ir mejorando de forma gradual la concepción y abstracción de mismo. Sin esta relación real, es como intentar aprender a dibujar o programar sin hacer dibujos o sin programa. Se puede llegar a entender, pero no se conseguirá nunca saber aplicarlos.
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.
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, Python, Scala 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….
