jclc-tec

[jclc-tec]

Agricultura Inteligente

Imagen obtenida a través de Giphy

De acuerdo con Guy Sela (Cropaia), la agricultura de precisión se refiere al uso de tecnología que ayuda a los agricultores en la gestión sus campos de una manera más precisa y eficaz. Estas tecnologías incluyen:

Usar tecnología de agricultura de precisión para predecir y monitorear los rendimientos de los cultivos.

Usar sensores para medir una variedad de parámetros de campo.

Usar sensores remotos, como datos de imágenes satelitales para detectar problemas en el campo y monitorear el rendimiento del campo.

Herramientas de software de soporte de decisión.

Robótica: aplicación de precisión de insumos, como fertilizantes, pesticidas y semillas.

¿Qué se necesita para que las plantas sepan bien? De acuerdo con los estudios previos realizados por los científicos en el Laboratorio de Medios del MIT, se necesita una combinación de botánica, algoritmos de aprendizaje automático y una buena química anticuada.

No obstante, en varios de sus experimentos no hay modificaciones genéticas involucradas: los investigadores utilizaron algoritmos informáticos para determinar las condiciones de crecimiento óptimas para maximizar la concentración de moléculas sabrosas conocidas como compuestos volátiles.

Pero eso es solo el comienzo para el nuevo campo de la "ciber agricultura", dice Caleb Harper, un científico investigador principal en el Laboratorio de Medios del MIT y director del grupo OpenAg. Su grupo ahora está trabajando para mejorar las propiedades humanas de lucha contra la enfermedad de las hierbas, y también esperan ayudar a los cultivadores a adaptarse a los climas cambiantes estudiando cómo crecen los cultivos en diferentes condiciones.

Ubicadas en un almacén en el Laboratorio MIT-Bates en Middleton, Massachusetts, las plantas OpenAg se cultivan en contenedores de envío que se han modernizado para que las condiciones ambientales, incluida la luz, la temperatura y la humedad, puedan controlarse cuidadosamente.

Imagen obtenida a través de Forbes

Este tipo de agricultura tiene muchos nombres (agricultura ambiental controlada, agricultura vertical, agricultura urbana) y todavía es un nicho de mercado, pero está creciendo rápidamente, dice Harper. En Japón, una de esas "fábricas de plantas" produce cientos de miles de cabezas de lechuga cada semana. Sin embargo, también se han realizado muchos esfuerzos fallidos y se comparte muy poca información entre las empresas que trabajan para desarrollar este tipo de instalaciones.

Uno de los objetivos de la iniciativa MIT es superar ese tipo de secreto, haciendo que todo el hardware, software y datos de OpenAg estén disponibles de forma gratuita.

En el estudio PLOS ONE, el equipo del MIT se propuso demostrar la viabilidad de su enfoque, que implica cultivar plantas bajo diferentes conjuntos de condiciones en contenedores hidropónicos que llaman "computadoras de alimentos". Esta configuración les permitió variar la duración de la luz y la Duración de la exposición a la luz ultravioleta. Una vez que las plantas crecieron completamente, los investigadores evaluaron el sabor de la albahaca midiendo la concentración de compuestos volátiles que se encuentran en las hojas, utilizando técnicas tradicionales de química analítica como la cromatografía de gases y la espectrometría de masas. Estas moléculas incluyen nutrientes valiosos y antioxidantes, por lo que mejorar el sabor también puede ofrecer beneficios para la salud.

Toda la información de los experimentos de la planta se incorporó a los algoritmos de aprendizaje automático que desarrollaron los equipos de MIT y Cognizant (antiguamente Sentient Technologies). Los algoritmos evaluaron millones de combinaciones posibles de luz y la duración de la luz UV, y generaron conjuntos de condiciones que maximizarían el sabor, incluido el régimen de luz diurna de 24 horas.

 También están interesados ​​en utilizar su método para aumentar los rendimientos de plantas medicinales como el bígaro de Madagascar, que es la única fuente de los compuestos anticancerígenos vincristina y vinblastina.

Imagen obtenida de Adobe Stock

Otra aplicación importante para la agricultura cibernética, dicen los investigadores, es la adaptación al cambio climático. Si bien suele llevar años o décadas estudiar cómo afectarán las diferentes condiciones a los cultivos, en un entorno agrícola controlado, se pueden realizar muchos experimentos en un corto período de tiempo.

Los datos recopilados deben analizarse y transformarse en información valiosa y recomendaciones prácticas. Esto se hace usando herramientas de software de soporte de decisión.

En los últimos años se desarrollaron diversos programas informáticos y aplicaciones. Sin embargo, dado que los resultados demostrados pueden llevar más tiempo para lograr, la tasa de adopción por parte de los agricultores sigue siendo relativamente baja. Se espera que este aspecto de la agricultura de precisión se desarrolle rápidamente en los próximos años.

Cada vez más los agricultores usan los teléfonos inteligentes para administrar los costos operativos y el rendimiento de los cultivos, sin mencionar la mejora de la productividad general. Ya sea que tengan un dispositivo iPhone o Android, los agricultores han integrado estas poderosas mini computadoras a su rutina agrícola diaria, beneficiándose del acceso inmediato a una gran cantidad de información a su alcance. Hay aplicaciones disponibles que ayudan a mantener la cantidad optima del suelo, monitorear los patrones climáticos con mayor precisión, garantizar la mezcla correcta de pesticidas y otros productos químicos, realizar un seguimiento de las horas/hombre en un trabajo determinado y mucho más.

Hoy en dia, la agricultura se ve cada vez más presionada por los desafíos modernos que no tienen precedentes en términos de escala y complejidad. Al adoptar nuevas metodologías y herramientas, los agricultores tiene una mejor oportunidad de enfrentar estas dificultades.

Imagen obtenida de Wall Street Journal

De acuerdo con la ONU México,  los avances científicos están mejorando rápidamente el potencial de los nuevos sistemas agrícolas y la gestión agroecológica en las escalas del paisaje. 

“Nuevos métodos para el seguimiento del movimiento de moléculas específicas a través de la cuenca permiten el manejo selectivo de los desechos agrícolas. La mejor comprensión de la fisiología vegetal y de las interacciones entre los vegetales y los ecosistemas está acelerando la domesticación y la mejora del rendimiento de nuevos arbustos y especies de árboles que podrían incorporarse a los sistemas agrícolas." (Christophersen, 2017; ONU México)

Por ende, la agricultura desempeña un papel fundamental como socio en las ciudades-regiones sostenibles. Un fuerte liderazgo local no sólo está emergiendo en las regiones rurales – las ciudades se están convirtiendo en catalizadores clave para el cambio en la agricultura. 

En países como México, donde la agricultura es uno de los pilares de la economía nacional, necesitamos nuevo conocimiento y sistemas educativos que vinculen eficazmente a los especialistas para entender e impactar los sistemas biológicos complejos. Esto debido a que estamos entrando en una nueva era de la ciencia que ayudará a convertir la agricultura de ser un emisor a un captador neto de emisiones.

Referencias:

Christophersen, T. (30 de julio del 2017) La agricultura en el siglo XXI: un nuevo paisaje para la gente, la alimentación y la naturaleza. Recuperado el 11 de abril del 2019, de ONU México: http://www.onu.org.mx/la-agricultura-en-el-siglo-xxi-un-nuevo-paisaje-para-la-gente-la-alimentacion-y-la-naturaleza/

Infoagro (04 de julio del 2018) Las 7 innovaciones que están transformando a la agricultura. Recuperado el 11 de abril del 2019, de InfoAgro: http://mexico.infoagro.com/las-7-innovaciones-que-estan-transformando-a-la-agricultura/

Sela, G. (07 de septiembre del 2018) LA AGRICULTURA DE PRECISIÓN. Recuperado el 11 de abril del 2019, de Cropaia: https://cropaia.com/es/blog/la-agricultura-de-precision/

Trafton, A. (03 de abril del 2019) The future of agriculture is computerized. Recuperado el 11 de abril del 2019, de MIT News: http://news.mit.edu/2019/algorithm-growing-agriculture-0403

[jclc-tec]

La IA está cambiando la manera de hacer música

La idea de que la inteligencia artificial puede componer música asusta a muchas de las personas pertenecientes a la industria de la música. No obstante, el software de inteligencia artificial para la creación de música ha avanzado tanto en los últimos años que ya no es una novedad aterradora; es una herramienta viable que los productores pueden y están utilizando para ayudar en el proceso creativo.

Esto plantea la pregunta: ¿podría la inteligencia artificial algún día reemplazar a los músicos?

El uso de la IA como herramienta para hacer música o ayudar a los músicos ha estado en práctica durante bastante tiempo. En los años 90, David Bowie ayudó a desarrollar una aplicación llamada Verbasizer, que tomó material de fuente literaria y reordenado aleatoriamente las palabras para crear nuevas combinaciones que podrían usarse como letras. En 2016, los investigadores de Sony utilizaron un software llamado Flow Machines para crear una melodía al estilo de The Beatles.

A nivel del consumidor, la tecnología ya está integrada con programas populares de creación de música como Logic, una pieza de software que es utilizada por músicos de todo el mundo, y puede auto-rellenar patrones de batería únicos con la ayuda de AI.

Los algoritmos de composición suelen clasificarse según las técnicas de programación específicas que utilizan. Los resultados del proceso se pueden dividir en música compuesta por computadora y música compuesta con la ayuda de computadora. La música puede considerarse compuesta por computadora cuando el algoritmo es capaz de tomar sus propias decisiones durante el proceso de creación.

Otra forma de ordenar los algoritmos compositivos es examinar los resultados de sus procesos compositivos. Algoritmos pueden o bien:

Proporcionar información de notación (partitura o MIDI) para otros instrumentos

Proporcionar una forma independiente de síntesis de sonido (tocar la composición por sí misma).

También hay algoritmos que crean tanto datos “notacionales” como síntesis de sonido.

Una forma de categorizar los algoritmos de composición es por su estructura y la forma de procesar los datos, como se ve en este modelo de seis tipos parcialmente superpuestos:

modelos matemáticos

sistemas basados en el conocimiento

gramáticas

métodos evolutivos

sistemas que aprenden

sistemas híbridos

Ahora, existe toda una industria basada en los servicios de inteligencia artificial para crear música, incluidas las máquinas de flujo mencionadas anteriormente, IBM Watson Beat, NSynth Super de Google Magenta, Jukedeck, Melodrive, Creator Technology Research Lab de Spotify y Amper Music.

La mayoría de estos sistemas funcionan mediante el uso de redes de aprendizaje profundo, un tipo de inteligencia artificial que depende del análisis de grandes cantidades de datos. Básicamente, alimenta el software con toneladas de material de origen, desde éxitos de baile hasta discos clásicos, que luego analiza para encontrar patrones.

Recoge cosas como acordes, tempo, duración y cómo las notas se relacionan unas con otras, aprendiendo de todas las entradas para que pueda escribir sus propias melodías. Hay diferencias entre las plataformas: algunas entregan MIDI mientras que otras entregan audio. Algunos aprenden únicamente mediante el examen de datos, mientras que otros se basan en reglas de código rígido basadas en la teoría musical para guiar su producción.

Sin embargo, todos tienen una cosa en común: en una escala micro, la música es convincente, pero cuanto más escuchas, menos sentido tiene. Ninguno de ellos es lo suficientemente bueno como para crear una canción ganadora del premio Grammy por su cuenta... todavía.

Referencias:

Algorithmic composition. (19 de marzo de 2019). Recuperado el 29 de marzo de 2019, de Wikipedia, la enciclopedia libre: https://en.wikipedia.org/wiki/Algorithmic_composition

Deahl, D. (31 de agosto de 2018). HOW AI-GENERATED MUSIC IS CHANGING THE WAY HITS ARE MADE. Recuperado el 29 de marzo de 2019, de The Verge: https://www.theverge.com/2018/8/31/17777008/artificial-intelligence-taryn-southern-amper-music

[jclc-tec]

¿Cómo cambiará la medicina tras el uso de la IA?

En los próximos cinco a 10 años, es probable que la inteligencia artificial transforme fundamentalmente la imagenología de diagnóstico. Esto lo harán los radiólogos, pero ayudará a satisfacer la creciente demanda de exámenes por imágenes, evitará errores de diagnóstico y reducirá los aumentos de productividad.

Imagen obtenida de AI for Good (YouTube)

La imagenología o imagen médica es el conjunto de técnicas y procesos usados para crear imágenes del cuerpo humano, o partes de él, con propósitos clínicos o para la ciencia médica.

En los últimos años, la inteligencia artificial (IA) se incorporó a la vida cotidiana de varias maneras, desde herramientas de reconocimiento de idiomas en teléfonos inteligentes hasta el análisis de transacciones financieras, algoritmos para autos que conducen por sí mismos o para jugar al juego de mesa estratégico Go. También es probable que las imágenes médicas sufran una transformación fundamental en un futuro cercano.

"Es fácil predecir que la IA se implementará cada vez más en los sistemas de imágenes médicas", comentó el doctor italiano Francesco Sardanelli sobre las tendencias dominantes en radiología.  De manera similar, según una encuesta reciente, más del 50% de los líderes de la asistencia sanitaria a nivel mundial esperan que se amplíe el papel de la IA en el monitoreo y diagnóstico.

Aunque el uso de la IA ya es una práctica común en algunos aspectos del campo de la imagen, el análisis de mercado prevé un auge adicional en los próximos cinco a 10 años. Los nuevos métodos de inteligencia artificial, como el “deep learning” (aprendizaje profundo), podrían allanar el camino para la obtención de imágenes cuantitativas, estandarizadas y también personalizadas, a la vez que ayudan a prevenir errores de diagnóstico y, al mismo tiempo, permiten aumentos sostenidos de la productividad. El radiólogo Keith Dreyer de la Escuela de Medicina de Harvard enfatizó en una reunión de expertos en los Estados Unidos que "la AI significativa mejorará la calidad, la eficiencia y los resultados".

Imagen obtenida de GE Healthcare

Está claro que la implementación de la IA en la práctica requerirá una colaboración interdisciplinaria en la que los expertos en radiología tienen un papel importante que desempeñar. Además, será crucial demostrar el beneficio de cada nuevo algoritmo y tener en cuenta las demandas de los procedimientos de licencia y los estándares tecnológicos.

Dicho esto, sin embargo, es muy probable que los métodos avanzados de IA establezcan un punto de referencia en el diagnóstico por imágenes, lo que permite no solo una mayor automatización y productividad, sino también un uso sin precedentes de datos de imágenes cuantitativos más allá de los límites de la cognición humana.

El Machine Learning ha hecho grandes avances en la eficiencia farmacéutica y biotecnológica. Este post resume las 4 aplicaciones principales de la IA en la medicina actual:

Diagnosticar enfermedades

El Aprendizaje automático, en particular los algoritmos de Aprendizaje profundo, recientemente ha logrado grandes avances en el diagnóstico automático de enfermedades, haciendo que los diagnósticos sean más baratos y accesibles.

Como hay muchos datos buenos disponibles en estos casos, los algoritmos se están volviendo tan buenos en diagnósticos como los expertos. La diferencia es: el algoritmo puede sacar conclusiones en una fracción de segundo y puede reproducirse a bajo costo en todo el mundo. Pronto, todos, en cualquier lugar, podrían tener acceso a la misma calidad que los mejores expertos en diagnósticos de radiología, y por un bajo precio.

Imagen obtenida de Data Revenue

Desarrollar drogas más rápido.

El desarrollo de drogas es un proceso muy caro. Muchos de los procesos analíticos involucrados en el desarrollo de medicamentos pueden hacerse más eficientes con el Aprendizaje Automático. Esto tiene el potencial de recortar años de trabajo y cientos de millones en inversiones.

Imagen obtenida de Data Revenue

Personalizar el tratamiento.

Machine Learning puede automatizar este complicado trabajo estadístico, y ayudar a descubrir qué características indican que un paciente tendrá una respuesta particular a un tratamiento en particular. Por lo tanto, el algoritmo puede predecir la probable respuesta de un paciente a un tratamiento en particular.

Mejorar la edición de genes

Las repeticiones palindrómicas cortas agrupadas con intervalos regulares (CRISPR, por sus siglas en inglés), específicamente el sistema CRISPR-Cas9 para la edición de genes, es un gran avance en nuestra capacidad para editar el ADN de manera rentable, y precisamente, como un cirujano.

Se ha comprobado que los modelos de Machine Learning producen los mejores resultados cuando se trata de predecir el grado de interacción entre la guía y el objetivo y los efectos fuera del objetivo para un sgRNA determinado. Esto puede acelerar significativamente el desarrollo del ARN guía para cada región del ADN humano.

Imagen obtenida de Giphy

"Estos próximos desarrollos no reemplazarán el rol de los médicos, sino que les proporcionarán herramientas altamente precisas para detectar enfermedades, estratificar el riesgo de una manera fácil de entender y optimizar el tratamiento específico del paciente y las pruebas adicionales", dijo Piotr Slomka, de Cedars. El Centro Médico Sinai en Los Ángeles en una reciente revisión de expertos.

Específicamente, en áreas, como las imágenes cardíacas, que ya están orientadas cuantitativamente, la adopción de la IA puede ser particularmente rápida. Sin embargo, en muchos otros campos, los algoritmos basados ​​en la IA pronto podrían establecerse como "segundos lectores" virtuales, lo que hace avanzar la radiología hacia una prestación de atención más eficiente y basada en el valor.

Imagen obtenida de Bucaramanga

Referencias

Desconocido. (s.f.) Artificial Intelligence in Medicine. Recuperado el 21 de marzo del 2019, de Data Revenue: https://www.datarevenue.com/en/usecases/artificial-intelligence-in-medicine

Desconocido. (20 de septiembre del 2018). Como de Ficción: el algoritmo desarrollado por Google que detecta el cáncer de pulmón. Recuperado el 21 de marzo del 2019, de El Diario de Todos Extra Bucaramanga-Viral: http://bucaramanga.extra.com.co/noticias/viral/como-de-ficcion-el-algoritmo-desarrollado-por-google-que-det-461592

Newsroom GE. (18 de mayo del 2017). The team behind the future of AI in healthcare. Recuperado el 21 de marzo del 2019, de GE Healthcare- Newsroom: http://newsroom.gehealthcare.com/the-team-behind-the-future-of-ai-in-healthcare/

Lindner, M. (30 de noviembre del 2017) Adding value with AI in medical imaging. Recuperado el 21 de marzo del 2018, de Healthcare SIEMENS: https://www.healthcare.siemens.com.mx/magazine/mso-artificial-intelligence-in-radiology.html 

[jclc-tec]

El futuro de la IA en los deportes

La inteligencia artificial cambiará drásticamente el mundo de los deportes y lo cambiará para mejor.

La inteligencia artificial se define como un software que es capaz de sacar sus propias conclusiones sobre la manera de alcanzar una meta. En ese proceso, el software de AI debe tener la capacidad de aprender, auto optimizarse y, idealmente, devolver la salida de datos. 

Cuando la industria aún estaba desarrollándose, los analistas de todos los deportes comprendieron la importancia de capturar datos para cada jugada que ocurría.

La mayor parte de la industria de datos deportivos se desarrolló al construir herramientas de análisis sobre vídeo y metadatos asociados para cada juego. Estas soluciones casi siempre involucraban grandes grupos de personas que procesaban manualmente cada segundo de las secuencias de vídeo y agregaban los metadatos necesarios.

A lo largo de los años, los grandes problemas relacionados con la exploración y el entrenamiento que la ciencia de datos busca resolver siguen siendo los mismos. Lo que ha cambiado es el volumen y la naturaleza de los datos disponibles para ellos, así como las herramientas disponibles para procesarlos.

La tecnología de desgaste ha incorporado acelerómetros y giroscopios que proporcionan datos de movimiento y salud como nunca antes. Por otro lado, los avances en la visión por computadora han hecho posible que las computadoras obtengan más información de cada segundo de la transmisión de video, de lo que lo haría un ser humano.

En esta charla de TED de 2015, Rajiv Maheswaran, CEO y cofundador de Second Spectrum demuestra la tecnología que su equipo construyó utilizando la IA para transformar la forma en que se puede rastrear y analizar el movimiento de jugadores en el baloncesto.

Rajiv no solo explica cómo funciona la asombrosa tecnología, sino también para ver un gran ejemplo de cómo la narración sobre la tecnología puede ser efectiva, mientras da respuesta a la gran pregunta: ¿puede la máquina ser más inteligente que el entrenador? (click en el título siguiente)

RAJIV MAHESWARAN: TED Talk “The math behind basketball’s wildest moves”

Under Armour está utilizando AI para mejorar su relación con el cliente. Además, Under Armour es un fabricante de equipo deportivo de rápido crecimiento y, como tal, comenzaron a confiar en la inteligencia artificial para mejorar sus productos. Su nuevo Health Box es un sistema de acondicionamiento físico personalizado impulsado por la IA. Y esto es solo el comienzo, ya que Under Armour planea convertir sus equipos deportivos en aparatos que utilizan la IA.

Investigadores de Disney Research, California Institute of Technology y STATS han introducido un enfoque de inteligencia artificial para la preparación deportiva que puede ayudar a los equipos y atletas a prepararse mejor para oponentes específicos utilizando analítica avanzada para estudiar a los oponentes y la inteligencia artificial para calcular las predicciones de los más probables. Reacciones a ciertas acciones en el campo.

"Dado que esta es la ubicación, la velocidad y la aceleración o cualquiera de los jugadores actuales, ¿podemos predecir a dónde irán todos estos jugadores?"- Yisong Yue, profesor asistente de CalTech

Para hacerlo realidad, este enfoque toma datos de comportamiento individuales y a partir de ellos construye modelos individuales utilizando el aprendizaje de AI y las habilidades de predicción de AI. Los movimientos pronosticados por los atletas se presentan visualmente como un "fantasma", lo que explica el título de su trabajo de investigación: "Data Driven Ghosting usando Deep Imitation Learning". El fantasma es una imagen transparente que muestra el movimiento predicho de un determinado atleta. Todos los que solían jugar juegos de autos y tratar de mejorar los registros de vueltas saben de qué se trata todo esto.

Usted simplemente sabe que esto se abrirá paso a las rutinas de preparación del juego, si no incluso los juegos en sí. Especialmente con la mejora de la RV. Ya no será necesario filmar los juegos de los oponentes en la realidad virtual. AI recopilará datos sobre ciertos equipos y jugadores, los utilizará para predecir sus reacciones y, con la ayuda de la realidad virtual, se los presentará visualmente a los jugadores.

“A un alto nivel, la IA se trata simplemente de diseñar programas informáticos que puedan comportarse de maneras cada vez más complejas. En este caso, queremos que el agente de AI capacitado imite la toma de decisiones de los jugadores de fútbol profesionales representados por las trayectorias. Los entrenadores hacen esto todo el tiempo cuando hacen jugadas en una pizarra y les piden a sus jugadores que ejecuten ciertas trayectorias en diferentes situaciones " - Yisong Yue, profesor asistente de CalTech

STATS proporcionó los datos para esta investigación. Mucho de eso. Alrededor de 10 cuadros por segundo por jugador. Lo que significa que una sola partida durante el juego solo podría proporcionar 2.200 entradas de datos para que la IA las estudie y las use.

Referencias:

Žarković, T. (s.f.) How will Artificial Intelligence Change the World of Sports?. Recuperado el 14 de marzo del 2019, de Overtime: http://promoovertime.com/will-artificial-intelligence-change-world-sports/

Maheswaran, R. (2015) “The math behind basketball’s wildest moves”. Recuperado el 15 de marzo del 2019, de TEDTalks: https://www.ted.com/talks/rajiv_maheswaran_the_math_behind_basketball_s_wildest_moves?language=en

Jha, M. (3 de diciembre del 2018) How AI Is Transforming Sports. Recuperado de Analytics Training: https://analyticstraining.com/beyond-moneyball-how-ai-is-transforming-sports/

[jclc-tec]

¿Cómo impacta la IA en los medios y redes digitales?

Se espera que más de 2.500 millones de usuarios tengan al menos un canal de redes sociales para fines de 2018, los especialistas en marketing están combinando cada vez más estas plataformas con tecnologías emergentes para llegar a sus audiencias en crecimiento. Para mí, es importante analizar cómo las plataformas de redes sociales utilizan la inteligencia artificial y cómo los profesionales de marketing pueden usar esto para su ventaja.

En el mundo de hoy, poseer una cuenta de redes sociales es casi tan común como tener un número de Seguro Nacional. Para fines de 2018, se espera que 2.500 millones de personas tengan al menos una cuenta social. Con tanta frecuencia en estas plataformas, no es sorprendente ver que los departamentos de marketing de todo el mundo centralizan sus prioridades hacia las redes sociales.

¿Pero cómo monetiza un número tan importante y se asegura de dirigirse al mercado correcto? La respuesta es bastante simple: inteligencia artificial. El uso de la IA es cada vez más común en los negocios. Las redes sociales no son diferentes.

A medida que la tecnología mejora, se está implementando una serie de herramientas en la carrera por ganar clientes en las redes sociales. Sin embargo, no se limita simplemente a adquirir nuevos clientes. AI se está abriendo camino en la experiencia del usuario en las plataformas sociales, creando un mejor viaje para los usuarios en el proceso.

La red social Muchas de las principales empresas ya identifican a AI como el camino a seguir para el progreso de los negocios. Facebook, el sitio de redes sociales, invirtió en inteligencia artificial desde 2013, cuando adquirieron los servicios del profesor de la Universidad de Nueva York, Yann LeCun.

Las huellas de AI están en Facebook, desde las redes neuronales que aprenden a etiquetar hasta el reconocimiento de imágenes, lo que facilita la búsqueda de amigos. La mayoría de los usuarios registrados en el sitio se sorprenderían al saber que la inteligencia artificial influye en gran parte de lo que hacen.

La tecnología tiene como objetivo hacer que el uso del servicio sea más eficiente. Los métodos de aprendizaje profundo aprenden consultas de palabras clave para ayudar a crear mejores resultados de búsqueda para personas y lugares. La compañía también utiliza la inteligencia artificial para filtrar mejor los flujos de noticias de la gente.

Después del reciente escándalo que involucró a Cambridge Analytica, el CEO Mark Zuckerberg identificó a AI como la manera de resolver muchos de los problemas de las empresas con las noticias incorrectas y el discurso general de odio. Aunque se quedó corto en especificar cómo.

Consigamos personal Solo con el 95% de los consumidores actuales consumiendo los servicios y productos más básicos a través de internet, tiene sentido que las empresas encuentren una forma de vender de manera más inteligente. Ahora no es raro ver cómo la IA aprende los hábitos de búsqueda de las personas en las redes sociales para que pueda adaptar mejores ofertas.

La empresa de muebles West Elm lanzó una aplicación de Pinterest que les permitió a sus clientes copiar y pegar enlaces a tableros que permitieron a AI recomendar productos según sus gustos. En lugar de sugerir sillas porque a alguien le gustó una silla, observa la naturaleza estilística general de sus gustos y hace que sus sugerencias sean más sencillas para los gustos de los usuarios.

Twitter también está trabajando en el uso de la IA y el aprendizaje automático para categorizar cada tweet. La idea es proporcionar a las personas de contenido que más se interesan en la parte superior de su línea de tiempo. Podría significar un cambio significativo en la forma en que las personas actualmente ven los tweets dentro del formato cronológico cronológico.

Twitter también utiliza actualmente redes neuronales para recortar fotos para maximizar su rendimiento estético. Para ello, el aprendizaje automático estudia el seguimiento ocular. El seguimiento ocular registra el área que las personas ven primero en una imagen, lo que significa que AI puede entender qué parte de una fotografía es más atractiva.

Si bien la mayoría de las noticias relacionadas con AI son importantes, puede ser, de hecho, esos pequeños matices donde la tecnología a menudo tiene su impacto más significativo.

Empoderando a los comercializadores Las empresas están mejor aprovechando las redes sociales a través de la inteligencia artificial. Les está ayudando a comprender mejor a sus clientes que compran personas, lo que, en teoría, debería ayudar a comercializar productos más relevantes.

Los profesionales de marketing pueden personalizar el contenido para sus clientes al comprender los hábitos de compra, los entornos cotidianos de las personas y lo que los motiva a tomar sus decisiones. Y la IA puede aprender estos hábitos a un ritmo mucho más rápido que cualquier humano.

El entorno siempre cambiante de las redes sociales dificulta a las empresas mantenerse al tanto de las tendencias. Es por eso que están recurriendo a la IA para un movimiento inteligente. Los algoritmos de aprendizaje automático analizan todo lo que sucede en las redes sociales en tiempo real y convierten la información en datos tangibles para que los profesionales de marketing los utilicen.

AI estudia los datos y hace recomendaciones basadas en sus hallazgos. Una información tan amplia normalmente tomaría meses para que un humano la cultivara. El aprendizaje profundo, los algoritmos y los conjuntos de datos potencian la inteligencia artificial, lo que a su vez simplifica el proceso para los especialistas en marketing.

Conclusión Es prácticamente imposible tener una marca sin una presencia en las redes sociales, pero solo estar en estas plataformas no es suficiente. Deben utilizarse correctamente para lograr el máximo rendimiento, generar más clientes y, en última instancia, aumentar el ROI.

Sin embargo, muchas empresas no tienen los recursos para contratar personal humano que pueda monitorear tendencias, patrones sociales y perspectivas. AI es una forma de resolver tales problemas y les brinda a los vendedores la libertad de ser creativos con su alcance.

AI actúa como una forma para que las marcas alcancen el vasto grupo de redes sociales. Pueden cubrir bases que alguna vez fueron difíciles de monitorear. Piense en la IA como el momento del avión, cuando las personas finalmente tuvieron la oportunidad de ir de un país a otro.

2.5 mil millones de personas estarán al alcance de la mano, y todo gracias a la Inteligencia Artificial.

Referencia:

Luna, L. (15 de septiembre del 2018). El futuro de las redes sociales dependerá de la inteligencia artificial. Recuperado el 08 de marzo del 2019, de Puro Marketing: https://www.puromarketing.com/12/31046/futuro-redes-sociales-dependera-inteligencia-artificial.html

[jclc-tec]

¿Cuál es el impacto de la Inteligencia Artificial en el Sector Financiero?

Como muchos sabemos, los robots van a reemplazar rápidamente a los humanos para actividades repetitivas y monótonas, es por esto que los participantes clave de Wall Street ya están aplicando la Inteligencia Artificial para operaciones que hasta ahora hubieran requerido los cerebros financieros más calificados disponibles en el mercado.

Gracias y por medio del Machine Learning, los robots ahora no solo pueden obedecer nuestras órdenes sino también aprender y analizar en profundidad para qué están siendo entrenados, hasta que dominan la materia y logran la auto-mejora, sin la necesidad de ningún tipo de intervención humana.

En consecuencia, la idea principal no es construir máquinas que algún día nos dominen, sino brindar a los seres humanos un valioso asistente para todos aquellos procedimientos para los que realmente podríamos aprovechar alguna ayuda adicional.

Obtenido de Hackernoon

De hecho, la inteligencia artificial puede aplicarse en los campos más diversos, pero debemos tener claramente en mente el asunto y ver cómo cada industria puede beneficiarse de esta tecnología de manera diferente. Las disciplinas cuantitativas, más específicamente, son las que más podrían beneficiarse de los avances de la Inteligencia Artificial.

Debido a la gran cantidad de big data que tiene su industria, el sector financiero es particularmente fértil para la implementación de Inteligencia Artificial y Aprendizaje Automático. La inteligencia artificial y las finanzas, de hecho, representan una buena combinación por muchas razones diferentes. Los bancos minoristas ya están estudiando la inteligencia artificial para la realización de chatbots más avanzados, asesores de robo y herramientas de cumplimiento.

Después de realizar una encuesta entre 86 bancos, UBS llegó a redactar una predicción según la cual, en los próximos años, la Inteligencia Artificial podría aumentar los ingresos de los bancos en un 3,4% y reducir sus costos en un 3,9%.

Obtenido de Expert System

Gestionar las finanzas en este mundo bien conectado y materialista puede ser una tarea desafiante para muchos de nosotros, a medida que miramos hacia el futuro, podemos ver que la IA nos ayuda a administrar nuestras finanzas. PFM, Personal Finnancial Administration, por sus siglas en inglés y traducido como Administración Financiera Personal, es uno de los desarrollos recientes en la billetera basada en AI.

Un nuevo tipo de monedero electrónico iniciado por una empresa nueva con sede en San Francisco, utiliza AI para construir algoritmos para ayudar a los consumidores a tomar decisiones inteligentes sobre su dinero cuando lo están gastando. La idea detrás de la billetera es muy simple, simplemente acumula todos los datos de su huella web y crea su gráfico de gastos. Los defensores de la violación de la privacidad en Internet pueden encontrarlo ofensivo, pero tal vez sea esto lo que se encuentra en el futuro. Por lo tanto, tiene que ser la administración financiera personal preferida para ahorrar tiempo al hacer hojas de cálculo largas o escribir en un papel. Desde una inversión a pequeña escala hasta una inversión a gran escala, AI se compromete a ser un perro guardián del futuro para administrar las finanzas.

Sin duda, AI es el futuro de la industria financiera. Debido a la velocidad a la que está dando pasos progresivos para hacer que los procesos financieros sean más fáciles para los clientes, muy pronto reemplazará a los humanos y brindará soluciones más rápidas y mucho más eficientes. Los bots están evolucionando gradualmente a medida que se producen innovaciones en el sector de la IA. Las empresas están realizando inversiones masivas, ya que ven esto como una inversión a largo plazo para reducir costos, debido a que ayuda a las empresas a ahorrar dinero en la contratación de personas y también a evitar los errores humanos en este proceso.

Obtenido de GIFER

Aunque todavía está en su etapa incipiente, la velocidad a la que está progresando para evolucionar el sector financiero, puede esperarse que las perspectivas conduzcan a pérdidas menores, operaciones más inteligentes y, por supuesto, una experiencia del cliente de primera categoría.

Los clientes bancarios de hoy esperan poder hacer negocios en cualquier momento y desde cualquier dispositivo. Los sistemas de banca móvil y en línea que aplican tecnología cognitiva, que permiten responder de manera rápida y efectiva a las solicitudes de los clientes al comprender las necesidades del cliente en sus propias palabras.

Además de esto, la tecnología cognitiva podrá mantener al cliente actualizado y un paso por delante de la competencia al proporcionar la valiosa información que los encargados de tomar decisiones necesitan para implementar nuevas estrategias más rápidamente.

Concluyendo así que a pesar de que la inteligencia artificial (IA) está afectando a diversas industrias, la banca se beneficiará al máximo de la incorporación de sistemas de IA en los próximos años; e incluso los analistas estiman que AI ahorrará a la industria bancaria más de $ 1 billón de dólares antes de 2030, es decir en sólo una década.

Referencias:

Banking & Insurance. (17 de abril de 2017). Cognitive Technology in Finance. Recuperado el 1 de marzo de 2019, de Expert System: https://www.expertsystem.com/cognitive-technology-finance/

AITrading. (27 de junio de 2018). AI and ML influence on the worldwide finance and trading environment. Recuperado el 28 de febrero de 2018, de Hackernoon: https://hackernoon.com/ai-and-ml-influence-on-the-worldwide-finance-and-trading-environment-fd085c513386?gi=c4988eddd511

Desconocido. (2019). 5 WAYS AI IS TRANSFORMING THE FINANCE INDUSTRY. Recuperado el 28 de febrero de 2019, de MARUTI TECHLABS: https://www.marutitech.com/ways-ai-transforming-finance/

Finance AI. (s.f.). Obtenido de https://gifer.com/en/7BWw

Maskey, S. (5 de diciembre de 2018). How Artificial Intelligence Is Helping Financial Institutions. Recuperado el 1 de marzo de 2019, de Forbes: https://www.forbes.com/sites/forbestechcouncil/2018/12/05/how-artificial-intelligence-is-helping-financial-institutions/#4d75cc61460a

[jclc-tec]

¿Qué tan grande es el impacto de la IA en México?

México se ha unido a algunas de las naciones más avanzadas y técnicamente avanzadas del mundo al lanzar una estrategia nacional de inteligencia artificial (IA). Durante un período de transición política nacional y cambio tecnológico en todo el mundo, la estrategia de IA de México proporciona orientación sobre cómo se pueden aprovechar las oportunidades de IA para la economía y la sociedad del país.

Becoming Human: Artificial Intelligence Magazine

El lanzamiento de su estrategia hace de México uno de los primeros diez países del mundo, y el primero en América Latina, en anunciar públicamente una estrategia nacional de inteligencia artificial. Al hacerlo, México se ha unido a un club de élite que incluye el Reino Unido, Canadá, China, los Emiratos Árabes Unidos, Singapur, Corea del Sur, Francia y Japón.

La estrategia de México aclara el papel del gobierno para ayudar a moldear el desarrollo y los usos de la IA, y confirma el lugar de México como líder en tecnologías digitales en América Latina.

La estrategia de México requiere lo siguiente:

Desarrollar un subcomité de AI dentro de la Comisión Intergubernamental para la Gobernanza Electrónica, para promover el diálogo y los enfoques multisectoriales

Mapeo de casos de uso y necesidades de la industria, e identificación de las mejores prácticas dentro del gobierno

Promover el liderazgo internacional de México en política digital, con un énfasis especial en la OCDE y el D7

Apertura de las recomendaciones del informe para consulta pública.

Trabajar con expertos y ciudadanos a través del subcomité de AI para asegurar la continuidad de estos esfuerzos con los futuros gobiernos.

Sobre la base de las conversaciones con los responsables políticos del país, México es único por su enfoque en los impactos sociales de la IA. Los estudios de casos actuales de IA en México demuestran el uso de tecnologías emergentes para lograr objetivos sociales, como aumentar la inclusión financiera, combatir la corrupción, mejorar la salud pública y reducir la delincuencia.

Los pasos iniciales para la estrategia de IA en México se basan en nuestro informe "Hacia una estrategia nacional para IA en México". El informe es el producto de una colaboración entre Oxford Insights y C Minds, encargada por la Embajada Británica en México y financiada por el Fondo para la Prosperidad del Reino Unido. Sus recomendaciones se basan en los aportes de expertos de todo México, recopilados durante un período de investigación de seis semanas que incluyó: análisis cualitativo de entrevistas con más de 60 expertos en inteligencia artificial que trabajan en el gobierno, grandes compañías de tecnología, empresas emergentes, instituciones académicas y organizaciones no gubernamentales; una revisión de las estrategias nacionales existentes de inteligencia artificial de todo el mundo; y un análisis cuantitativo que predice el probable impacto económico de la IA en el mercado laboral mexicano.

Obtenido de Future of Life Institute

México está bien situado para avanzar rápidamente en la IA. El país tiene una fuerza laboral joven y talentosa, una ventaja temprana de ser uno de los primeros países del mundo en anunciar una estrategia de AI, y una estrecha relación económica y cultural con los países de América del Norte y América del Sur que están avanzando en la investigación y las aplicaciones de la IA. El gobierno mexicano actual fue pionero en la creación y despliegue de la primera estrategia digital nacional de México, con áreas de enfoque que incluyen conectividad, inter-operabilidad, datos, habilidades digitales, inclusión, ciberseguridad y esfuerzos para garantizar la coherencia de la legislación que rige el ecosistema digital. Esto servirá de base para una sólida política de AI que podría ser desarrollada por la nueva administración (después de las elecciones de julio de 2018).

México también tiene un grupo de nuevas empresas innovadoras que trabajan para encontrar nuevas soluciones digitales para los desafíos a nivel nacional y local. Tiene una comunidad académica fuerte, que florecerá con el apoyo adecuado. Finalmente, los gobiernos locales como Jalisco ya están adoptando un esfuerzo digital coordinado y están comprometidos a trabajar con la sociedad civil en AI. Jalisco, la Ciudad de México y Monterrey están demostrando cómo la IA se puede usar para desafíos prioritarios, como movilidad, salud, comunicación gubernamental y agricultura, entre otros.

No obstante, algunas acciones a implementar, mejorarían el desempeño de nuestro país en la búsqueda del posicionamiento global en innovación. Se debería empezar por la creación de una oficina del gobierno central para implementar y coordinar la política digital y de inteligencia artificial de México. Crear un establecimiento de un Centro Nacional Mexicano para la IA, basado en el Instituto Turing del Reino Unido, para ayudar a apoyar la colaboración entre la industria, la academia y el gobierno. Hacer énfasis en la educación, incluida la enseñanza del pensamiento computacional en las escuelas y el aumento del número de estudiantes de maestría y doctorado en inteligencia artificial y ciencia de datos; al igual que mantener una infraestructura de datos abiertos resistente al tiempo que protege la privacidad personal, y finalmente, diseñar e implementar un marco de ética para ayudar a guiar la buena toma de decisiones para aquellos que trabajan en inteligencia artificial.

Sin embargo, el ecosistema de AI de México ha hecho una declaración clara de que México pretende liderar a América Latina en la estrategia de AI y unirse al grupo de élite de países que ya han comenzado a desarrollar una ambiciosa agenda de AI. Un enfoque reflexivo, inclusivo y ético ayudará a garantizar que la IA pueda promover beneficios compartidos para todos los ciudadanos.

Obtenido de Genetic Literacy Project

Referencias:

Ammachichi, N. (28 de mayo de 2018). Mexico among TOP 25 Countries for Artificial Intelligence. Recuperado el 14 de febrero de 2019, de Mexico IT!: http://www.mexico-it.net/mexico-among-top-25-countries-for-artificial-intelligence-study/

Chinea, E. (13 de septiembre de 2018). Mexican banks turn to artificial intelligence for loyalty boost. Recuperado el 14 de febrero de 2019, de IUPANA: http://iupana.com/2018/08/13/mexican-banks-turn-to-artificial-intelligence-for-loyalty-boost/?lang=en

Desconocido. (s.f.). AI POLICY – MEXICO. Recuperado el 15 de febrero de 2019, de Future of Life: https://futureoflife.org/ai-policy-mexico/

[jclc-tec]

¿Cómo se relacionan la Inteligencia Artificial y el Aprendizaje Automático?

Si bien hay mucha emoción sobre la inteligencia artificial (IA) y el aprendizaje automático (ML), parece haber una comprensión mucho menor de sus capacidades y de cómo los profesionales de marketing pueden utilizarlas para cambiar potencialmente la experiencia del cliente. Aun así, muchas marcas están adoptando rápidamente ambas.

Obtenido de LinkiTes

De acuerdo con MathWorks, el aprendizaje automático, conocido como machine learning, es una técnica de análisis de datos que enseña a las computadoras a hacer lo que es natural para los humanos y los animales: aprender de la experiencia. Por otra parte, los algoritmos de aprendizaje automático utilizan métodos computacionales para "aprender" información directamente de los datos sin depender de una ecuación predeterminada como modelo. Los algoritmos mejoran su rendimiento de manera adaptativa a medida que aumenta la cantidad de muestras disponibles para el aprendizaje. El deep learning (aprendizaje profundo) es una forma especializada de aprendizaje automático.

Entonces, ¿cuál es la diferencia entre AI y ML cuando se aplica a la experiencia del cliente? 

La IA es esencialmente cuando una máquina está programada para realizar tareas que imitan el comportamiento de una persona. Existen apps que funcionan por medio de inteligencia artificial, como Evolutionary ML, cuya idea se basa en ofrecer suficientes datos y reglas, para que las máquinas puedan aprender por sí mismas. Actualmente se usan en la mercadotecnia con el fin de aprobar muchos tipos de modelos y algoritmos para encontrar el que mejor se adapte a cada contexto individual.

AI puede proporcionar la velocidad y la escala necesarias para facilitar miles de interacciones con los clientes, y ML puede permitir que los profesionales de marketing se aseguren de que los productos, servicios y comunicaciones sigan siendo relevantes para cada cliente a lo largo de esas interacciones. Combinadas, estas dos tecnologías pueden permitir a los profesionales de marketing ofrecer una experiencia de cliente sin fricción en toda la empresa, en tiempo real y en una escala que antes era inimaginable.

Las marcas ya no pueden esperar que todos los clientes tomen el mismo camino para comprar. La experiencia debe basarse en las intenciones, necesidades, deseos y preferencias de cada cliente individual.

Obtenido de El País España

¿Qué impacto tendrá en las diferentes industrias donde se implemente? 

Transparencia y eficiencia

El aprendizaje profundo ayuda a obtener transparencia en el negocio porque ayuda a analizar grandes datos y reduce el riesgo de fallas inesperadas y elimina gastos innecesarios. El aprendizaje profundo se puede construir utilizando datos históricos, una herramienta de visualización del flujo de trabajo, un entorno de análisis flexible y el ciclo de retroalimentación que ayuda a determinar el posible resultado. por lo tanto, puede mejorar la efectividad de sus esfuerzos de ventas a través de este aumento en la eficiencia.

Detección de spam y mejora de la ciberseguridad

El aprendizaje profundo ayuda a detectar el spam mediante el uso de redes neuronales, el aprendizaje profundo, la nueva información de la red y los datos de su empresa, para desarrollar nuevos entendimientos, producir resultados precisos y de alta calidad y también brindar seguridad cibernética al detectar amenazas desconocidas rápidamente. .

Con el aprendizaje profundo, los robots de su software pueden reconocer más datos e imágenes, entender el lenguaje hablado, superar problemas y trabajar de manera más eficiente.

Obtenido de Giphy

Referencias

POST BASADO EN ARTÍCULO OBTENIDO:

Desconocido. (23 de julio de 2018). Impact of Artificial Intelligence, Machine learning & Deep learning on your business. Recuperado el 8 de febrero de 2019, de LinkiTes: https://linkites.com/impact-of-artificial-intelligence-machine-learning-deep-learning-on-your-business/

Desconocido. (s.f.). What Is Machine Learning? Recuperado el 8 de febrero de 2019, de Math Works: https://www.mathworks.com/discovery/machine-learning.html#how-it-works

Garrido, G. J. (30 de mayo de 2018). Machine Learning: Aprendizaje Automático en el marketing digital. Recuperado el 8 de febrero de 2019, de Medium: https://medium.com/@gjavier.correo/machine-learning-aprendizaje-autom%C3%A1tico-en-el-marketing-digital-70c87092455d

Renner, D. (8 de febrero de 2019). The Role Of Artificial Intelligence And Machine Learning In Driving Customer Experience. Recuperado el 8 de febrero de 2019, de Forbes: https://www.forbes.com/sites/forbestechcouncil/2019/02/08/the-role-of-artificial-intelligence-and-machine-learning-in-driving-customer-experience/#5436ca54c13c

[jclc-tec]

Los niveles de IA: ¿suficientes para imitar al cerebro humano?

Imagen obtenida de Hackernoon

¿Qué tan inteligente es la forma de inteligencia artificial conocida como redes de computadoras de aprendizaje profundo? Más importante, ¿qué tanto imitan estas máquinas al cerebro humano?

Han mejorado mucho en los últimos años, pero todavía tienen un largo camino por recorrer, de acuerdo a un equipo de psicólogos cognitivos.

Dicho equipo, con base en los resultados de los varios experimentos que realizaron en el estudio, notaron que es fácil engañar a la red de métodos de identificación de objetos utilizando la visión por computadora¸ la cual difiera en gran parte de la visión humana. No obstante, el uso de estas redes realizan muchas tareas o trabajos, los cuales eran realizados en su mayoría por personas, para su uso privado, o por empresas.

"Las máquinas tienen severas limitaciones que debemos comprender", dijo Philip Kellman, profesor de psicología de la UCLA y autor principal del estudio. "Estamos diciendo: que las computadoras piensan 'Espera, no tan rápido'".

Esto quiere decir que la visión artificial tiene inconvenientes, ya que la VGG-19, una de las mejores redes de aprendizaje profundo, altera las imágenes en color de ciertos animales y objeto; esto llevo a la conclusión de que dichos sistemas artificiales son fáciles de engañar.

El coautor Hongjing Lu, profesor de psicología de la UCLA menciona que "sus mecanismos de aprendizaje son mucho menos sofisticados que la mente humana".

El cerebro humano identifica objetos principalmente por su forma, un método o sistema que no ha sido fácil replicar en las redes de computadoras; ya que nosotros los humanos vemos el objeto completo, mientras que las redes de inteligencia artificial, solo analizan fragmentos del objeto.

Imagen obtenida de Dribbble

Bibliografía

Ganguly, D. S. (29 de junio de 2018). Top Differences Between Artificial Intelligence, Machine Learning & Deep Learning. Recuperado el 31 de enero de 2019, de Hackernoon: https://hackernoon.com/top-differences-between-artificial-intelligence-machine-learning-deep-learning-d39cb6f6feaa

Revva, S. (s.f.). Artificial intelligence logo. Recuperado el 31 de enero de 2019, de Dribbble: https://dribbble.com/shots/3429154-Artificial-intelligence-logo

University of California - Los Angeles. (7 de enero del 2019). Can artificial intelligence tell a teapot from a golf ball? Severe limitations of 'deep learning' machines. Recuperado el 31 de enero del 2018, de ScienceDaily: www.sciencedaily.com/releases/2019/01/190107131236.htm

[jclc-tec]

¿Cómo está impactando la Inteligencia Artificial en los negocios?

Aquellas máquinas que diseñamos para ser una herramienta pasarán a ser nuestros compañeros y pares, si no en unos años, en un futuro más cercano del ya considerado; gracias a su fuerte impacto en las diferentes empresas u organizaciones.

La historia de la Inteligencia Artificial se remonta a principios de la década de 1920, siendo hasta veinte años más tarde, en 1941, cuando se establecen las “3 Leyes de la Robótica”. Si bien, grandes hallazgos que se generaron por el estudio de la robótica fueron puestos a prueba en las industrias, el primer contacto comercial fue con la realidad virtual en 1985, dónde con los simuladores se pudieron generar mayores avances para video-juegos, película, y otras industrias que hacen uso en su mayoría gracias a avances tecnológicos. 

Obtenido de: e-Strategy Marketing Reports News

Mientras que actualmente ya existen máquinas, algunos llamados robots, que son capaces de razonar, aprender, interactuar e incluso ‘sentir’, no se había explorado la capacidad detrás de su talento y cómo podemos, si se apresura el paso tecnológico, generar nuevas funciones y simplificar varias tareas.

Hasta ahora, la ciencia y las compañías tecnológicas se han enfocado en, lo que yo denomino, tecnología consumible o comercial, esto dado a que los avances con los que somos más familiares son dentro de la industria de las telecomunicaciones, es decir, celulares, computadoras, lavadoras, dispositivos móviles, etc.

No obstante, mucha de esa tecnología podía canalizarse a otros tasks, tareas que podrían generar un mayor impacto más allá de nuestras manos. ¿Cómo? Todo gracias a los avances en algoritmos, los cuales logran hacer que las máquinas, robots o computadoras “funcionen de maneras que antes no eran posibles.”

 La Inteligencia Artificial ya está siendo utilizada, en pequeñas proporciones, por distintas compañías y empresas, ya que a través de ella puede hacer análisis de riesgos, oportunidades, al igual que usarlo de manera emergente para la organización personalizada de cada una de ellas.

El incremento de esta -no tan nueva- inteligencia propone la generación de nuevas tendencias industriales, empresariales; como también la creación de nuevas legislaturas o leyes para acompañar la evolución hacia el futuro próximo.

Algunas de las funciones de la I.A. que se han hallado hasta ahora son:

Usos en industria agrícola, industria automotriz y medicina de precisión.

Potencial función para el análisis predictivo.

Identificación de beneficios y riesgos en la compra-venta, al igual que automatizarán procedimientos de alta complejidad.

Los datos organizacionales pertenecientes a las empresas serán utilizados de manera estratégica por medio de la I.A.

No obstante, antes de apresurarnos a implementar la inteligencia artificial en las distintas industrias que pueden mejorar mediante su uso, hay varias cosas que Susan Etlinger nos invita a considerar:

Dado a que la I.A. aprende a través de grandes cantidades de datos, deben asegurarnos que dichos datos estén ‘limpios’ y sean accesibles; esto para saber dónde construir la I.A. dentro los sistemas, y por ende, conocer dónde no es adecuado.

Debemos prever que una de las capacidades que la I.A. puede desarrollar es el raciocinio, por lo que puede sentir, comunicar, aprender, actuar y adaptarse; así que debemos estar seguros siempre que nosotros tenemos el control sobre su sistema.

Se deben generar nuevas leyes que protejan la experiencia del cliente, enseñándoles a las máquinas las implicaciones que tiene el uso incorrecto de los datos.

Por último, después de leer el artículo en el que este post está basado, concuerdo con la idea de que es esencial planear diferentes escenarios para la implementación de cada I.A. que se vaya a instalar, para proteger los datos de los clientes o las empresas, y asegurar así la legalidad y mejorar la seguridad detrás de la tecnología.

Bibliografía  

BUTLER, M. (s.f.). CODING ARTIFICIAL INTELLIGENCE GIF.  Recuperado el 23 de enero de 2019, de  https://giphy.com/gifs/animation-tech-1oF1KAEYvmXBMo6uTS

Coopers, P. (s.f.). History Of Robotics & Artificial Intelligence [INFOGRAPHIC]. Recuperado el 23 de enero de 2019, de e-Strategy Marketing Reports Newsletter: History Of Robotics & Artificial Intelligence

Sharma, S., &  Banerjee, S. (11 de abril de 2018). IDG Ventures India backs Singapore’s  Kristal.AI. Obtenido de VCCiRCLE:  https://www.vccircle.com/idg-ventures-india-backs-singapores-kristal-ai/

POST BASADO EN ARTÍCULO OBTENIDO: 

Etlinger, S. (31 de enero de 2017). ¿De qué manera la Inteligencia  Artificial está transformando las organizaciones? Universidad de  Salamanca. Recuperado el 20 de  enero de 2019, de Universo Abierto:  https://universoabierto.org/2018/07/03/de-que-manera-la-inteligencia-artificial-esta-transformando-las-organizaciones/