fondo-gris-claro titulo-portlet

Tecnologies i Productes

Tecnologies i Productes

Internet de les Coses (IoT)

Internet de les Coses (IoT)

En els últims anys, multitud de dispositius són capaços de recopilar dades: sensors corporals mesuren la nostra activitat física i les nostres constants vitals, en la llar, nous dispositius són capaços de detectar el que mancada en la nevera o reconéixer la nostra imatge en arribar a casa i això només per citar uns exemples; ja hi ha un creixent nombre d'objectes connectats que ens permeten automatitzar l'obertura de finestres, el control de la calefacció, automatitzar el reg de les plantes i diagnosticar de manera virtual algunes patologies.

S'estima que en 2020 hi haurà instal·lades 25.000 milions de dispositius d'Internet de les Coses (IoT) i el creixement dels serveis IoT aconseguirà els 230.000 milions de dòlars.

La connectivitat dels objectes, entre ells i amb Internet, és part essencial de molts processos de negoci crítics, la qual cosa exigeix formes fiables i resistents de connexió entre els objectes i el seu entorn. Mentre la connectivitat IoT de hui dia se sol basar en un Cloud o en una plataforma central, la creixent importància de les comunicacions locals entre objectes impulsa a redissenyar la manera en el qual els dispositius participen en l'ecosistema IoT.

IoT transformarà l'escenari dels negocis i crearà oportunitats, però hi ha reptes que superar. 

Computació Cognitiva i xarxes neuronals

Computació Cognitiva i xarxes neuronals

La computació cognitiva consta de múltiples tecnologies que permeten als sistemes d'informació i aplicacions percebre el món i recopilar dades, analitzar i comprendre la informació recopilada, prendre decisions i proporcionar orientació basant-se en l'anàlisi.

Gràcies a la Internet de les Coses i a l'emmagatzematge en el núvol, els sistemes i aplicacions permeten obtindre informació en temps real de les més variades fonts, però apareix el problema de la interpretació i la comprensió de les dades. Ací és on es fan necessaris els enfocaments de computació cognitiva, perquè les màquines han de ser capaces de donar sentit i extraure el significat que s'oculta després dels trilions de bytes que es mouen per la xarxa.

A més, les eines de computació cognitiva són capaces d'aprendre de la seua experiència i variar el seu comportament segons l'aprés.

Un exemple de com els ordinadors poden percebre ho trobem en els controls de fronteres, on s'utilitzen tecnologies de visió artificial, com el reconeixement facial, per a detectar característiques dels viatgers.

Integrada amb altres tecnologies, com l'anàlisi d'imatge multiespectral  (escanege de passaports que usen la llum infraroja i ultraviolada), i amb extenses bases de dades d'informació, aquesta tecnologia pot ajudar a millorar la seguretat mitjançant la identificació de persones no autoritzades o susceptibles de suposar un risc. 

Una xarxa neuronal és un model simplificat que emula la manera en què el cervell humà processa la informació: funciona simultanejant un nombre elevat d'unitats de processament interconnectades que semblen versions abstractes de neurones.

Les unitats de processament s'organitzen en capes. Hi ha tres parts normalment en una xarxa neuronal: una capa d'entrada, amb unitats que representen els camps d'entrada; una o diverses capes ocultes; i una capa d'eixida, amb una unitat o unitats que representa el camp o els camps de destinació. Les unitats es connecten amb forces de connexió variables (o ponderacions). Les dades d'entrada es presenten en la primera capa, i els valors es propaguen des de cada neurona fins a cada neurona de la capa següent. Al final, s'envia un resultat des de la capa d'eixida.

La xarxa aprén examinant els registres individuals, generant una predicció per a cada registre i realitzant ajustos a les ponderacions quan realitza una predicció incorrecta. Aquest procés es repeteix moltes vegades i la xarxa continua millorant les seues prediccions fins a haver aconseguit un o diversos criteris de parada.

Al principi, totes les ponderacions són aleatòries i les respostes que resulten de la xarxa són, possiblement, absurdes. La xarxa aprén a través del entrenament. Contínuament es presenten a la xarxa exemples per als quals es coneix el resultat, i les respostes que proporciona es comparen amb els resultats coneguts. La informació procedent d'aquesta comparació es passa cap endarrere a través de la xarxa, canviant les ponderacions gradualment. A mesura que progressa l'entrenament, la xarxa es va fent cada vegada més precisa en la replicació de resultats coneguts. Una vegada entrenada, la xarxa es pot aplicar a casos futurs en els quals es desconeix el resultat.

Deep Learning i Machine Learning

Deep Learning i Machine Learning

En el enfocament Deep Learning s'usen estructures lògiques que s'assemblen en major mesura a l'organització del sistema nerviós dels mamífers, tenint capes d'unitats de procés (neurones artificials) que s'especialitzen a detectar determinades característiques existents en els objectes percebuts. La visió artificial és una de les àrees on el Deep Learning proporciona una millora considerable en comparació amb algorismes més tradicionals.

El Deep Learning representa un acostament més íntim a la manera de funcionament del sistema nerviós humà. El nostre encèfal té una micro arquitectura de gran complexitat, en la qual s'han descobert nuclis i àrees diferenciats les xarxes de les quals de neurones estan especialitzades per a realitzar tasques específiques.

Gràcies a la neurociencia, l'estudi de casos clínics de dany cerebral sobrevingut i els avanços en diagnòstic per imatge sabem per exemple que hi ha centres específics del llenguatge (com les àrees de Broca o Wernicke), o que existeixen xarxes especialitzades a detectar diferents aspectes de la visió, com les vores, la inclinació de les línies, la simetria i fins i tot àrees íntimament relacionades amb el reconeixement de rostres i l'expressió emocional dels mateixos (el gir fusiforme en col·laboració amb l'amígdala).

Els models computacionals de Deep Learning imiten aquestes característiques arquitecturals del sistema nerviós, permetent que dins del sistema global hi haja xarxes d'unitats de procés que s'especialitzen en la detecció de determinades característiques ocultes en les dades. Aquest enfocament ha permés millors resultats en tasques de percepció computacional, si les comparem amb les xarxes monolítiques de neurones artificials.

Una de les claus de la IA avançada està en el aprenentatge. És cada vegada més habitual que els demanem a les màquines que aprenguen per si soles. No podem permetre'ns el luxe de pre-programar regles per a bregar amb les infinites combinacions de dades d'entrada i situacions que apareixen en el món real.

En comptes de fer això, necessitem que les màquines siguen capaces d'acte-programar-se, en altres paraules, volem màquines que aprenguen de la seua pròpia experiència. La disciplina de el Aprenentatge Automàtic (Machine Learning) s'ocupa d'aquest repte i ja és possible oferir serveis en el núvol per a construir aplicacions que aprenen a partir de les dades que ingereixen.

Hui dia l'aprenentatge automàtic està més que mai a l'abast de qualsevol programador. Per a experimentar amb aquests serveis tenim plataformes com IBM Watson Developer Cloud, Amazon Machine Learning, Azure Machine Learning, TensorFlow o BigML.

Anàlisi predictiu i Big Data

Anàlisi predictiu i Big Data

L'anàlisi predictiva agrupa una varietat de tècniques estadístiques de modelització, aprenentatge automàtic i mineria de dades que analitza les dades actuals i històriques reals per a fer prediccions sobre el futur o esdeveniments no coneguts.

Al mateix temps que l'anàlisi predictiva és utilitzat en els processos de presa decisions i és integrat en els processos de les organitzacions, també s'està operant un canvi en el mercat en relació al tipus d'usuari que consume la informació sent cada vegada més rellevant el paper de l'usuari de negoci.

Els usuaris de negoci demanden eines que ells mateixos puguen utilitzar amb autonomia. Els proveïdors estan responent creant noves aplicacions que eliminen la complexitat matemàtica, proveeixen interfície gràfica fàcil d'usar i incorporen accessos ràpids per a, per exemple, reconéixer què tipus de dades estan disponibles o suggerir una anàlisi predictiva apropiada.

Drons

Drons

Els vehicles aeris no tripulats (drons) ja estan a l'abast de tots i les seues aplicacions són de sobres conegudes. La combinació de la Intel·ligència artificial i els drons pot ajudar-nos a protegir el medi ambient, reduir costos en sectors com la construcció i, fins i tot, salvar vides. Hi ha drons amb tecnologia d'Intel·ligència artificial que poden executar serveis de lliurament de subministraments mèdics en àrees de difícil accés, uns altres s'han adaptat per al monitoratge i control del trànsit, per a identificar infraccions i evitar accidents. També s'utilitzen per a filmar, investigar i resoldre situacions del nostre entorn, ja siga urbà o natural. Alguns poden detectar plantes malaltes o idear un pla de fumigació, uns altres poden identificar i classificar el fem dels oceans per a la seua eliminació, ja que són capaces de reconéixer la concentració de contaminació gràcies a alguns algorismes d'aprenentatge. Les possibilitats són infinites.

D'altra banda, el vol coordinat d'eixams de drons ha progressat ràpidament, utilitzant esquemes intel·ligents d'aprenentatge per a dur a terme una planificació òptima del moviment d'aquests dispositius. El seu ús resulta especialment atractiu per al sector de la publicitat i els espectacles però té molt diverses aplicacions en diferents camps com el de l'agricultura, la seguretat o les emergències, mitjançant la planificació de missions d'assistència, vigilància o intervenció. De fet, en matèria de defensa, diferents estats estudien ja com integrar drons en les seues forces aèries per a configurar els exèrcits del futur.

Responsive Customer Interaction

Responsive Customer Interaction

Bot i Chatbot

Un bot és un programari d'intel·ligència artificial dissenyat per a realitzar una sèrie de tasques pel seu compte i sense l'ajuda de l'ésser humà. El model més freqüent és el del chatbot (bot conversacional), capaç de simular una conversa amb una persona, habitualment dins d'una app de missatgeria.

Els bots són utilitzats principalment per a dur a terme les funcions d'atenció al client i realitzar xicotetes tasques per als usuaris com  fer una reserva en un restaurant, marcar una data en el calendari o recollir i mostrar informació.

Assistents Virtuals

Un assistent virtual és un agent de programari que ajuda els usuaris, automatitzant i realitzant tasques amb la mínima interacció home-màquina. La interacció que es dóna entre un assistent virtual i una persona, ha de ser natural, una persona es comunica usant la veu i l'assistent virtual ho processa, interpreta i respon de la mateixa manera.

A vegades el terme bot conversacional (en anglés: chatbot) s'utilitza per a referir-se als assistents virtuals en general o específicament a aquells als quals s'accedeix per xat en línia.

Tecnologies del Llenguatge

Les Tecnologies del Llenguatge són tecnologies informàtiques que tenen per objecte l'aplicació del coneixement de la llengua al desenvolupament de sistemes informàtics capaços de reconéixer, comprendre, interpretar i generar llenguatge humà en totes les seues formes. La seua finalitat és la de dotar les màquines amb la capacitat per a processar informació textual i interactuar amb el seu entorn mitjançant el llenguatge propi de les persones (Processament del Llenguatge Natural). Les Tecnologies del Llenguatge estan presents en sistemes que utilitzem en la vida diària com a cercadors, traductors automàtics, recomanadors, chatbots, etc. i algunes empreses les utilitzen per a adaptar els seus missatges publicitaris a cada client i fer seguiment reputacional online de persones i organitzacions.