fondo-gris-claro titulo-portlet

Tecnologías y Productos

Tecnologías y Productos

Internet de las Cosas (IoT)

Internet de las Cosas (IoT)

En los últimos años, multitud de dispositivos son capaces de recopilar datos: sensores corporales miden nuestra actividad física y nuestras constantes vitales, en el hogar, nuevos dispositivos son capaces de detectar lo que falta en la nevera o reconocer nuestra imagen al llegar a casa y eso solo por citar unos ejemplos; ya hay un creciente número de objetos conectados que nos permiten automatizar la apertura de ventanas, el control de la calefacción, automatizar el riego de las plantas y diagnosticar de manera virtual algunas patologías.

Se estima que en 2020 habrá instaladas 25.000 millones de dispositivos de Internet de las Cosas (IoT) y el crecimiento de los servicios IoT alcanzará los 230.000 millones de dólares.

La conectividad de los objetos, entre ellos y con Internet, es parte esencial de muchos procesos de negocio críticos, lo que exige formas fiables y resistentes de conexión entre los objetos y su entorno. Mientras la conectividad IoT de hoy en día se suele basar en un Cloud o en una plataforma central, la creciente importancia de las comunicaciones locales entre objetos impulsa a rediseñar el modo en el que los dispositivos participan en el ecosistema IoT.

IoT transformará el escenario de los negocios y creará oportunidades, pero hay retos que superar. 

Computación Cognitiva y redes neuronales

Computación Cognitiva y redes neuronales

La computación cognitiva consta de múltiples tecnologías que permiten a los sistemas de información y aplicaciones percibir el mundo y recopilar datos, analizar y comprender la información recopilada, tomar decisiones y proporcionar orientación basándose en el análisis.

Gracias al Internet de las Cosas y al almacenamiento en la nube, los sistemas y aplicaciones permiten obtener información en tiempo real de las más variadas fuentes, pero aparece el problema de la interpretación y la comprensión de los datos. Aquí es donde se hacen necesarios los enfoques de computación cognitiva, pues las máquinas han de ser capaces de dar sentido y extraer el significado que se oculta tras los trillones de bytes que se mueven por la red.

Además, las herramientas de computación cognitiva son capaces de aprender de su experiencia y variar su comportamiento según lo aprendido.

Un ejemplo de cómo los ordenadores pueden percibir lo encontramos en los controles de fronteras, donde se utilizan tecnologías de visión artificial, como el reconocimiento facial, para detectar características de los viajeros.

Integrada con otras tecnologías, como el análisis de imagen multiespectral  (escaneo de pasaportes que usan la luz infrarroja y ultravioleta), y con extensas bases de datos de información, esta tecnología puede ayudar a mejorar la seguridad mediante la identificación de personas no autorizadas o susceptibles de suponer un riesgo. 

Una red neuronal es un modelo simplificado que emula el modo en que el cerebro humano procesa la información: funciona simultaneando un número elevado de unidades de procesamiento interconectadas que parecen versiones abstractas de neuronas.

Las unidades de procesamiento se organizan en capas. Hay tres partes normalmente en una red neuronal: una capa de entrada, con unidades que representan los campos de entrada; una o varias capas ocultas; y una capa de salida, con una unidad o unidades que representa el campo o los campos de destino. Las unidades se conectan con fuerzas de conexión variables (o ponderaciones). Los datos de entrada se presentan en la primera capa, y los valores se propagan desde cada neurona hasta cada neurona de la capa siguiente. Al final, se envía un resultado desde la capa de salida.

La red aprende examinando los registros individuales, generando una predicción para cada registro y realizando ajustes a las ponderaciones cuando realiza una predicción incorrecta. Este proceso se repite muchas veces y la red sigue mejorando sus predicciones hasta haber alcanzado uno o varios criterios de parada.

Al principio, todas las ponderaciones son aleatorias y las respuestas que resultan de la red son, posiblemente, disparatadas. La red aprende a través del entrenamiento. Continuamente se presentan a la red ejemplos para los que se conoce el resultado, y las respuestas que proporciona se comparan con los resultados conocidos. La información procedente de esta comparación se pasa hacia atrás a través de la red, cambiando las ponderaciones gradualmente. A medida que progresa el entrenamiento, la red se va haciendo cada vez más precisa en la replicación de resultados conocidos. Una vez entrenada, la red se puede aplicar a casos futuros en los que se desconoce el resultado.

Deep Learning y Machine Learning

Deep Learning y Machine Learning

En el enfoque Deep Learning se usan estructuras lógicas que se asemejan en mayor medida a la organización del sistema nervioso de los mamíferos, teniendo capas de unidades de proceso (neuronas artificiales) que se especializan en detectar determinadas características existentes en los objetos percibidos. La visión artificial es una de las áreas donde el Deep Learning proporciona una mejora considerable en comparación con algoritmos más tradicionales.

El Deep Learning representa un acercamiento más íntimo al modo de funcionamiento del sistema nervioso humano. Nuestro encéfalo tiene una micro arquitectura de gran complejidad, en la que se han descubierto núcleos y áreas diferenciados cuyas redes de neuronas están especializadas para realizar tareas específicas.

Gracias a la neurociencia, el estudio de casos clínicos de daño cerebral sobrevenido y los avances en diagnóstico por imagen sabemos por ejemplo que hay centros específicos del lenguaje (como las áreas de Broca o Wernicke), o que existen redes especializadas en detectar diferentes aspectos de la visión, como los bordes, la inclinación de las líneas, la simetría e incluso áreas íntimamente relacionadas con el reconocimiento de rostros y la expresión emocional de los mismos (el giro fusiforme en colaboración con la amígdala).

Los modelos computacionales de Deep Learning imitan estas características arquitecturales del sistema nervioso, permitiendo que dentro del sistema global haya redes de unidades de proceso que se especialicen en la detección de determinadas características ocultas en los datos. Este enfoque ha permitido mejores resultados en tareas de percepción computacional, si las comparamos con las redes monolíticas de neuronas artificiales.

Una de las claves de la IA avanzada está en el aprendizaje. Es cada vez más habitual que les pidamos a las máquinas que aprendan por sí solas. No podemos permitirnos el lujo de pre-programar reglas para lidiar con las infinitas combinaciones de datos de entrada y situaciones que aparecen en el mundo real.

En vez de hacer eso, necesitamos que las máquinas sean capaces de auto-programarse, en otras palabras, queremos máquinas que aprendan de su propia experiencia. La disciplina del Aprendizaje Automático (Machine Learning) se ocupa de este reto y ya es posible ofrecer servicios en la nube para construir aplicaciones que aprenden a partir de los datos que ingieren.

Hoy en día el aprendizaje automático está más que nunca al alcance de cualquier programador. Para experimentar con estos servicios tenemos plataformas como IBM Watson Developer Cloud, Amazon Machine Learning, Azure Machine Learning, TensorFlow o BigML.

Análisis predictivo y Big Data

Análisis predictivo

El análisis predictivo agrupa una variedad de técnicas estadísticas de modelización, aprendizaje automático y minería de datos que analiza los datos actuales e históricos reales para hacer predicciones acerca del futuro o acontecimientos no conocidos.

Al mismo tiempo que el análisis predictivo es utilizado en los procesos de toma decisiones y es integrado en los procesos de las organizaciones, también se está operando un cambio en el mercado en relación al tipo de usuario que consume la información siendo cada vez más relevante el papel del usuario de negocio.

Los usuarios de negocio demandan herramientas que ellos mismos puedan utilizar con autonomía. Los proveedores están respondiendo creando nuevas aplicaciones que eliminan la complejidad matemática, proveen interfaz gráfica fácil de usar e incorporan accesos rápidos para, por ejemplo, reconocer qué tipo de datos están disponibles o sugerir un análisis predictivo apropiado.

Drones

Drones

Los vehículos aéreos no tripulados (drones) ya están al alcance de todos y sus aplicaciones son de sobra conocidas. La combinación de la IA y los drones puede ayudarnos a proteger el medio ambiente, reducir costes en sectores como la construcción e, incluso, salvar vidas. Hay drones con tecnología de IA que pueden ejecutar servicios de entrega de suministros médicos en áreas de difícil acceso, otros se han adaptado para el monitoreo y control del tráfico, para identificar infracciones y evitar accidentes. También se utilizan para filmar, investigar y resolver situaciones de nuestro entorno, ya sea urbano o natural. Algunos pueden detectar plantas enfermas o idear un plan de fumigación, otros pueden identificar y clasificar la basura de los océanos para su eliminación, ya que son capaces de reconocer la concentración de contaminación gracias a algunos algoritmos de aprendizaje. Las posibilidades son infinitas.

Por otra parte, el vuelo coordinado de enjambres de drones ha progresado rápidamente, utilizando esquemas inteligentes de aprendizaje para llevar a cabo una planificación óptima del movimiento de estos dispositivos. Su uso resulta especialmente atractivo para el sector de la publicidad y los espectáculos pero tiene muy diversas aplicaciones en distintos campos como el de la agricultura, la seguridad o las emergencias, mediante la planificación de misiones de asistencia, vigilancia o intervención. De hecho, en materia de defensa, distintos Estados estudian ya cómo integrar drones en sus fuerzas aéreas para configurar los ejércitos del futuro.

Responsive Customer Interaction

Responsive Customer Interaction

Bot y Chatbot

Un bot es un software de inteligencia artificial diseñado para realizar una serie de tareas por su cuenta y sin la ayuda del ser humano. El modelo más frecuente es el del chatbot (bot conversacional), capaz de simular una conversación con una persona, habitualmente dentro de una app de mensajería.

Los bots son utilizados principalmente para llevar a cabo las funciones de atención al cliente y realizar pequeñas tareas para los usuarios como  hacer una reserva en un restaurante, marcar una fecha en el calendario o recoger y mostrar información.

Asistentes Virtuales

Un asistente virtual es un agente de software que ayuda a los usuarios, automatizando y realizando tareas con la mínima interacción hombre-máquina. La interacción que se da entre un asistente virtual y una persona, debe ser natural, una persona se comunica usando la voz y el asistente virtual lo procesa, interpreta y responde de la misma manera.

A veces el término bot conversacional (en inglés: chatbot) se utiliza para referirse a los asistentes virtuales en general o específicamente a aquellos a los que se accede por chat en línea.

Tecnologías del Lenguaje

Las Tecnologías del Lenguaje son tecnologías informáticas que tienen por objeto la aplicación del conocimiento de la lengua al desarrollo de sistemas informáticos capaces de reconocer, comprender, interpretar y generar lenguaje humano en todas sus formas. Su finalidad es la de dotar a las máquinas de la capacidad para procesar información textual e interactuar con su entorno mediante el lenguaje propio de las personas (Procesamiento del Lenguaje Natural). Las Tecnologías del Lenguaje están presentes en sistemas que utilizamos en la vida diaria como buscadores, traductores automáticos, recomendadores, chatbots, etc. y algunas empresas las utilizan  para adaptar sus mensajes publicitarios a cada cliente y hacer seguimiento reputacional online de personas y organizaciones.