No hay suficiente experiencia
Hay desconexión entre la ciencia de datos y el desarrollo de software tradicional
Los datos del modelo siempre serán un poco incorrectos
Los proyectos son demasiado complejos
No hay confianza en los modelos construidos
Hay problemas con la integración a los sistemas existentes
Llevar un modelo de aprendizaje automático del POC de escritorio a ejecutarlo en producción implica un esfuerzo continuo y masivo.
Es difícil actualizar modelos
Falta de liderazgo
Etc.

Cambiar algo cambia todo

El desarrollo de aplicaciones basadas en el aprendizaje automático es fundamentalmente diferente del desarrollo del software tradicional. La canalización de desarrollo completa incluye tres niveles de cambio: datos, modelo de aprendizaje automático y código. Esto significa que en los sistemas basados en el aprendizaje automático, el desencadenante de una compilación puede ser la combinación de un cambio de código, un cambio de datos o un cambio de modelo.

Problema 1 desviación del modelo

El rendimiento de los modelos de aprendizaje automático en producción degenera con el tiempo debido a cambios en los datos de la vida real que no se han visto durante el entrenamiento del modelo.

Problema 2 calidad de datos

Dado que los modelos de aprendizaje automático se basan en datos, son sensibles a la semántica, la cantidad y la integridad de los datos entrantes.

Problema 3 cambios ambientales

Al transferir modelos de aprendizaje automático a nuevos clientes comerciales, estos modelos, que han sido entrenados previamente en diferentes datos demográficos de usuarios, pueden no funcionar correctamente de acuerdo con las métricas de calidad.

Resolviendo los problemas anteriores

Dado que  el aprendizaje automático/ inteligencia artificial se está gastando en nuevas aplicaciones y dando forma a nuevas industrias, la creación exitosa de esto sigue siendo una tarea desafiante.  Existe la necesidad de establecer prácticas y procesos efectivos en torno al diseño, la construcción y la implementación de modelos aprendizaje automático en MLOps de producción.

 

Fuente:

Los datos ayudan a las organizaciones a entender mejor a sus clientes, concretar buenas decisiones comerciales, rastrear el inventario, monitorear a la competencia y tomar otros pasos para ejecutar con éxito sus operaciones.

El análisis de big data es el proceso general de exploración y análisis de conjuntos de datos. Incorpora disciplinas como la minería de datos, el modelado predictivo, el análisis estadístico y el aprendizaje automático. El aprendizaje automático proporciona un valor considerable a las organizaciones al derivar información de mayor nivel a partir de big data. Los sistemas de aprendizaje automático pueden aprender sobre los datos y adaptarse con el tiempo sin seguir instrucciones específicas o código programado. En el pasado, las empresas creaban sistemas complejos basados ​​en reglas para una amplia gama de usos de análisis y generación de informes, pero a menudo eran frágiles e incapaces de manejar las necesidades comerciales en constante cambio. Ahora, con el aprendizaje automático, las empresas están mejor posicionadas para mejorar la toma de decisiones, operaciones comerciales y capacidades de análisis predictivo de manera continua.

Uso conjunto de big data y aprendizaje automático

Los macrodatos y el aprendizaje automático no son conceptos en competencia ni se excluyen. Por el contrario, cuando se combinan, brindan la oportunidad de obtener buenos resultados.  Los enfoques efectivos de administración de big data mejoran el aprendizaje automático al brindar a los equipos de análisis las grandes cantidades de datos relevantes de alta calidad necesarios para construir con éxito esos modelos.

Muchas organizaciones ya han descubierto el poder del análisis de big data mejorada por el aprendizaje automático. Por ejemplo, Netflix implementa  algoritmos de aprendizaje automático para comprender mejor las preferencias de visualización de los usuarios individuales y luego brindar mejores recomendaciones, lo que ayuda a mantener a las personas en su plataforma de transmisión por más tiempo. De manera similar, Google utiliza el aprendizaje automático para brindar a los usuarios una experiencia más personalizada, no solo para la búsqueda, sino también para crear texto predictivo en correos electrónicos y brindar direcciones optimizadas a los usuarios de Google Maps.

A medida que las empresas continúan almacenando y analizando grandes volúmenes de datos, la única forma en que posiblemente podrán entenderlo es con la ayuda del aprendizaje automático.

Cada vez más empresas utilizan herramientas de big data, aprendizaje automático y visualización de datos para impulsar aplicaciones de análisis predictivo y prescriptivo que ayuden a los líderes empresariales a tomar mejores decisiones.

 

Fuente:

Debido a las grandes innovaciones de IoT, Big Data, Inteligencia Artificial y cloud computing, importantes ciudades como Singapur, New York y Londres destacan mundialmente dentro de la  definición de ciudad inteligente. Con el fin de prosperar  en este desafío innovador y tecnológico, el Gobierno de Chile fundó Sé Santiago, persiguiendo el objetivo final de hacer de la capital Chilena una ciudad más sostenible e inteligente por medio de los recursos tecnológicos. Buscando estos objetivos se han instalado centros de control medioambiental, de movilidad y de seguridad urbana. Para mejorar la calidad de vida de los ciudadanos.

Cabe de más mencionar, el programa estratégico Santiago Ciudad Inteligente  donde se destaca:

Fortalecer el ecosistema de innovación y emprendimiento de base tecnológica en torno a Santiago Ciudad Inteligente
Fomentar el desarrollo del capital humano en torno a ciudades inteligentes
Posicionar a Santiago como ciudad inteligente a nivel nacional e internacional para favorecer la exportación de servicios
Fomentar el uso eficiente de los recursos de la ciudad

)%20del%202017%20y%202018.

Las Smart cities o ciudades inteligentes, son las consecuencias de orientar nuestra vida hacia la sostenibilidad. Así, estas ciudades se valen de infraestructuras, innovación y tecnología para disminuir el consumo energético y reducir las emisiones de CO2.

Hay distintos factores para evaluar a una ciudad más que a otra. Para ello se consideran 10 medidas que son importantes: Gobernanza, planificación urbana, gestión pública, tecnología, medioambiente, proyección internacional, cohesión social, movilidad y transporte, capital humano y economía.

Tokio:

Es la Smart city   con mejor  capital humano y gestión pública. Aunque, en cohesión social quedó muy postergado por el terremoto de Fukushima y el tsunami.

Tokio, tiene como fin disminuir las emisiones de dióxido de carbono. Para esto, apuesta por el almacenamiento local de energía y el uso de vehículos eléctricos. Además, fomenta el uso de luces LED.

Londres:

Sostiene altos niveles en la mayoría de los parámetros, distinguiendo en  proyección internacional y tecnología. A pesar de que, en gestión pública y cohesión social presenta valores medianamente bajos.

Ofrece en 150 puntos Wi-Fi gratuito siendo el más rápido de todo Reino Unido y la ciudad que atrae un mayor número de pasajeros de aerolíneas. Resalta, en temas de transporte con la producción de las Heathrow Pods, vehículos sin conductor que unen la ciudad con el aeropuerto. Otro proyecto es London Datastore, una plataforma de datos abiertos usada cada mes por más de 50.000 ciudadanos, compañías e investigadores; su tema  pendiente es la cohesión social.

Nueva York:

Trabaja con el Internet of Things y dispositivos conectados para hacer una recopilación masiva de datos y elaborar políticas relacionadas con la energía, el cambio climático o la calidad del aire. Pero, aún le queda mucho por hacer en cuanto a cohesión social y medio ambiente.

Zúrich:

Se trata de la principal ciudad de Suiza, y es el motor financiero y centro cultural del país. Destaca en las dimensiones medioambiente, y movilidad y transporte.

París:

Destaca en materia de movilidad y transporte por su sistema de bicicletas compartidas, el tren de alta velocidad, el número de rutas aéreas de entrada que posee y el metro.

Fuente:

 

 

¿Por qué la IA en el desarrollo web?

Somos un mundo digital donde tener un sitio web es obligatorio para una empresa en cualquier dominio. Y la inteligencia artificial está desempeñando un papel fundamental en la remodelación del diseño y el desarrollo web.

Hechos esenciales

Hay 4.540 millones de usuarios globales en 2020, lo que equivale al 50% de penetración.
El 40% de las personas abandonan un sitio web si el contenido o el diseño no son atractivos.
El 80% de los clientes deciden la credibilidad de una empresa en función del diseño de su sitio web.
Los usuarios tardan 0,5 segundos en leer una opinión sobre un sitio web
El 90% de los clientes en línea tienen menos probabilidades de volver debido a una mala experiencia de usuario.

Aplicaciones de IA en la web

Chatbots para una experiencia personalizada del usuario final
Hace la búsqueda aún más rápida / inteligente
Contenido personalizado
Optimización de búsqueda por voz
Marketing digital eficaz para el objetivo de los consumidores
Mayor experiencia de usuario
IA para mejorar UX

Inteligencia de diseño artificial

ADI es una tecnología que utiliza el aprendizaje automático para crear sitios web por sí misma. El elemento humano depende de las entradas deseadas y la ADI crea un diseño personalizado basado en lo que los usuarios quieren en un marco de tiempo que antes era imposible de lograr.

¿Tenemos que preocuparnos por eso?

No, no debemos preocuparnos por esto porque esta tecnología aún no ha madurado al nivel que pueda reemplazar a los humanos. Las herramientas ADI definitivamente actúan como grandes recursos para los diseñadores humanos, ayudándoles a ahorrar tiempo y esfuerzo

Herramientas de inteligencia de diseño artificial

Adobe Sensei
The Grid
Firedrop
Wix ADI

Sketch2code

Sketch2code utiliza IA para convertir dibujos escritos a mano en prototipos HTML funcionales. Los diseñadores comparten ideas en una pizarra, luego los cambios se muestran en el navegador al instante.

Contras de usar IA

La IA puede reemplazar a los humanos en el futuro.
La IA se utiliza principalmente para centrarse en el comportamiento del consumidor y, sobre todo, descuida la privacidad.
Interacciones impersonales

Fuente: