Marco Iansiti y JKarim Lakhani, docentes de Harvard Bussines School,  plantean cómo la pandemia ha generado grandes oportunidades para el nacimiento o evaluación de este nuevo tipo de empresas.

Puedes activar los subtítulos desde YouTube en el ícono Configuración>Subtítulos >Traducción automática>Español. O también, puedes leerla a continuación:

Marco Iansiti: Ok ¿Quién va a iniciar esto?

Karim R. Lakhani: Lo pones en marcha.

Marco Iansiti: La era de la IA, es realmente definida por el surgimiento de un tipo diferente de empresa. Lo cual es un gran problema, porque eso no sucede en los negocios muy a menudo. Tradicionalmente, hemos construido empresas alrededor de unidades individuales en silos. Tienes un silo en torno al marketing, otro en torno al desarrollo de productos, y otro alrededor de la fabricación.

Los silos son necesarios para optimizar el trabajo de las personas. Pero a medida que la empresa comienza a incorporar tecnología digital, gradualmente, dicha empresa deberá construirse de manera diferente.

Las organizaciones modernas están realmente construidas en torno a una arquitectura centrada en datos, que integran los datos diferentes partes de la forma como puedan. Luego, implementa de manera eficiente la tecnología basada en esos datos para impulsar tantos procesos diferentes como sea posible.

Karim R. Lakhani: ¿Puedo agregar algo aquí?

Marco Iansiti: Sí, sí.

Karim R. Lakhani: : Lo que puedo decir es la era de la IA, no es algo lejano que sucederá en el futuro.  Está sucediendo ahora.  Nos está sucediendo hoy.

Incluso en este momento, si nos estás mirando en un sitio web, nos estás viendo en tu teléfono móvil. Esto ha sido habilitado por empresas que están directamente innovando en la era de la IA.

El desafío para el resto de nosotros es ¿Cómo nos adaptamos? ¿Cómo cambiamos? Para que también podamos ser competitivos con ambos, los gigantes y las empresas emergentes que están tratando de marcar una diferencia.

Pensamos que teníamos tiempo. Pensamos que muchas industrias tenían tiempo de hacer el ajuste. Por supuesto que es ahora, esa ya no opción.

Marco Iansiti: Entonces la pandemia de COVID cambió bastante todo.  De repente, todas las empresas tuvieron que hacer frente a esto.  

De la noche a la mañana, por supervivencia, todos estos restaurantes se volvieron digitales. Empezaron a trabajar con Uber y todos los repartidores posibles para que la entrega de sus productos suceda. Toda la experiencia del restaurante, de la noche a la mañana, se digitalizó.

Marco Iansiti: ¿Sabes qué, Karim? Los códigos QR están en todas partes de Estados Unidos.

Karim R. Lakhani: Exactamente.

Marco Iansiti:: Porque nadie quiere ir a los restaurantes. Si quieres ir y averiguar cuál es el menú, agarras el código QR de la puerta y llegas al sitio web.

Karim R. Lakhani: Estaba tan asombrado por la rapidez. Creo que fue supervivencia. Es un instinto de supervivencia. Este, para nosotros, es el gran acelerador.

Marco Iansiti: Mira, es muy simple. Si caminas por la calle y observas que tu restaurante chino local sólo usa códigos QR para señalar su menú, una empresa multimillonaria también debería poder hacerlo.

Gente transformada. Literalmente de la noche a la mañana.

Entonces integraron sus datos y atravesaron este gran lago de datos.

Esencialmente, esta infraestructura que les permitiría crear muy rápidamente modelos predictivos alrededor de cuántos ventiladores pueden necesitar, cuántas mascarillas NA5 necesitan o podrían necesitar. Todo eso tenía que ser predicho.

Karim R. Lakhani:  Esto requiere un grado de centralización alrededor de los datos.

No puedes tener la unidad de cardiología con datos fuera de la unidad de nefrología y lejos del departamento de emergencias.

No sólo quieres todos los datos, quieres poder ver todos estos y luego hacer predicciones sobre dónde se necesita capacidad. ¿Por dónde se espera que pasen los pacientes?

Y proporcionar esta vista a nivel mundial en toda la empresa, como integración de datos, análisis y software, ya son el núcleo es el gran cambio.

Marco Iansiti: Es casi como si la pandemia fuera un acelerador  realmente, de las cosas que la gente había querido hacer antes  y requirió el despliegue de ciertos sistemas que, sobre la marcha, estaban rediseñando cómo funcionaba realmente la organización.

Karim R. Lakhani: Otro ejemplo realmente genial que hemos presentado en el libro, es una empresa llamada Moderna. 

¡El gran ajá! para el CEO Stéphane Bancel, en torno a la inteligencia artificial y la digitalización, había entrado en una de las oficinas de su científico

Básicamente, el científico estaba haciendo una serie complicada de cálculos, moviendo genes de un lado al otro lado. Tenía cinco pantallas a su alrededor y básicamente estaba copiando y pegando cosas de Excel  en una celda a la otra celda.

Eso lo vio como una pesadilla, porque en el mundo de la biotecnología, es un error de copiar y pegar, y eso puede significar retroceder seis o nueve meses, si algo por accidente se traspuso o por algunos errores por descuido.

Todos ellos tuvieron que digitalizarse y juntarse.

Esta transformación realmente ayuda con la pandemia de COVID también, porque pudieron, en 42 días, una vez secuenciado el virus, para entonces poder presentar a la FDA, una aplicación de vacuna.

Todavía son una startup con 1200 empleados, ¿verdad?  Competir con intentar crear una vacuna  con grandes organizaciones del mundo farmacéutico.

Si piensas en la escala de lo que tienen  han podido lograr  las diferencias en los procesos de que se  se puede implementar el cambio  si tiene datos digitales y análisis en el centro de su operación.

The post Cómo el COVID 19 ha acelerado el nacimiento de un nuevo tipo de empresas appeared first on Closelly.

A través del siguiente caso de como diferenciar el vino de la cerveza, la plataforma Google Cloud nos presenta:  Los 7 pasos del Machine Learning.

Ver transcripción del video en español

Puedes activar directamente desde YouTube en el icono Configuración>Subtítulos >Traducción automática>Español. O también, puedes leerla a continuación:

Desde la detección del cáncer de piel, hasta la clasificación de pepinos o detectar cuando hay que reparar las  escaleras mecánicas.

El aprendizaje automático (Machine Learning) le ha dado a los sistemas informáticos habilidades totalmente nuevas, pero  ¿Cómo funciona realmente esto en profundidad?

Miremos un ejemplo básico y usémoslo como excusa para hablar sobre el proceso de obtención de respuestas, a través de tus datos  mediante el aprendizaje automático.

¡Bienvenido a las aventuras de la IA en la nube! Mi nombre es Yu Feng Guo  y en este programa exploraremos el arte, la ciencia y las herramientas del aprendizaje automático.

Supongamos que se nos ha pedido que creemos un sistema que responde a la pregunta de si cierta bebida es vino o cerveza.  A este sistema, de respuestas a las preguntas, lo llamamos modelo y se crea mediante un proceso llamado aprendizaje automático de entrenamiento.

El objetivo del aprendizaje automático es crear un modelo preciso que responda correctamente a nuestras preguntas la mayor parte del tiempo. Para entrenar un modelo, necesitamos recolectar datos que lo permita entrenar. Aquí es donde es donde comenzamos.

¿Vino o cerveza?

Nuestros datos serán recolectados de vasos de vino y cerveza. Hay muchos aspectos de las bebidas que podríamos recopilar, desde la cantidad de espuma hasta la forma de los vasos. Para nuestros propósitos, solo escogeremos un par de datos simples, el color, como longitud de onda de luz y la graduación del alcohol, como un porcentaje.

Lo que buscamos es poder dividir estos dos tipos de bebidas en dos factores. De ahora en adelante llamaremos a estas nuestras características: color y alcohol.

El primer paso de nuestro proceso, será ir a la tienda local para comprar muchas bebidas diferentes y conseguir el equipo para poder medirlas. Un espectrómetro, para medir el color, y un densímetro, para medir el alcohol. Parece que nuestra tienda también tiene un sector de electrónica.

Una vez que tenemos los equipos y el alcohol, todo en su lugar, es hora de dar nuestro primer paso real de aprendizaje automático: recopilar esos datos. Esto es muy importante, porque la calidad y la cantidad de los datos recopilados, determinará directamente qué tan bueno puede ser el modelo predictivo y los datos que recopilemos serán el color y el contenido de alcohol de cada bebida.

Estos serán nuestros datos de entrenamiento, así que unas horas de mediciones más tarde tal vez tomemos unas copas y ahora es el momento.

Ahora es el momento de recopilar los datos de entrenamiento:

Cargamos nuestros datos en un lugar adecuado y lo preparamos para su uso de nuestra capacitación de aprendizaje automático.

Primero juntamos todos los datos, en orden aleatorio. No queremos que el orden de los datos afecte lo que aprendemos, ya que no será determinante para determinar si una bebida es vino o cerveza.

También es un buen momento para visualizar los datos, para ayudar a ver si hay relaciones relevantes entre las variables que se pueden ocupar, como también mostrar si hay inconsistencia en los datos.

Por ejemplo, si recopilamos muchos más puntos de datos sobre la cerveza que sobre el vino, el modelo que entrenamos estará fuertemente predispuesto a adivinar que prácticamente todo lo que ve es cerveza, ya que estaría bien la mayor parte del tiempo. Sin embargo, en el mundo real, el modelo puede ver cerveza y vino en una cantidad igual, lo que significaría que estaría adivinando mal la cerveza la mitad del tiempo que también necesitamos.

Además, necesitamos dividir los datos en dos partes, la primera parte utilizada en el entrenamiento de nuestro modelo será la mayor parte de nuestros datos. La segunda se utilizará para evaluar nuestro modelo.

Tal vez nos gustaría usar las preguntas de la de matemáticas en el examen de matemáticas, a veces los datos que recopilamos necesitan otras formas de ajustar, manipular cosas error de normalización, duplicación, corrección de errores y otros.

Flujo de trabajo: Elegir un modelo

El siguiente paso en nuestro flujo de trabajo es elegir un modelo. Hay muchos modelos que los investigadores y científicos de datos han creado a lo largo de los años, algunos son muy adecuado para datos de imagen, otros para secuencias como texto o música, algunos para datos numéricos y otros para datos basados en texto. En nuestro caso estamos viendo dos características, color y porcentaje de alcohol, podemos usar el modelo lineal pequeño de forma simple y debe hacer su trabajo.

Capacitación

En este paso utilizaremos nuestros datos para predecir si una bebida es vino o cerveza, esto es similar a alguien que aprende a conducir. Al principio no sabrá como funcionan los pedales y las perillas. Sin embargo, después de mucha práctica esa persona se ha vuelto experto en conducir y reaccionar a los datos del mundo real.

Haremos esto a escala nuestras bebidas en particular, la fórmula para una línea recta es y es igual a MX más B: donde X es la entrada; M es la pendiente de la línea; B es la intersección con el eje y; e Y es el valor de la línea en esa posición X. Los valores que tenemos disponibles para nosotros ajustar o entrenar son solo N y P: donde M es esa pendiente; y B es la  intersección con el eje y. No hay otra forma de que los ascetas afecten la posición de la línea, ya que las únicas otras variables son X nuestra entrada e Y, nuestra salida.

Revisa la formula de aprendizaje aquí.

¿Cómo continuamos?

El poder del aprendizaje automático, en este ejemplo, fue diferencia entre vino y cerveza, en lugar de utilizar el pensamiento humano y reglas manuales. También, podemos utilizar las ideas presentadas hoy en otros problemas, donde se aplican los mismos principios en los siguientes pasos:

• Reunir datos.
• Preparar los datos.
• Elegir el modelo.
• Entrenar.
• Evaluar.
• Ajustar los parámetros.
• Predecir.

The post Los 7 pasos del Aprendizaje Automático appeared first on Closelly.

En esta charla de TedEx Barcelona, Iván Ostrowicz, co-fundador de Domoscio, una empresa especializada en aprendizaje adaptativo y personalizado. Según Ostrowicz, todas las personas aprendemos de forma distinta por lo que tener una educación individualizada y personalizada es ideal. 

Iván Ostrowicz es Ingeniero por la Universidad Politécnica de Cataluña y ENSIMAG, posee un MBA de Neoma Business School. Cuenta con experiencia internacional en el campo de los sistemas de información, y la gestión de organizaciones, adquirida en grandes empresas como Air France y EY. Es co-fundador de Domoscio, una empresa especializada en aprendizaje adaptativo y personalizado.

Ver transcripción del video

Según Iván Ostrowicz

Como vamos a hablar de educación, formación y este tipo de cosas, vamos a empezar con un poco de participación. Os voy a pedir que levantéis la mano si creéis que todos aprendemos de la misma manera.

Levantar una mano y siempre acabado el ejercicio tengo unas 23 personas. Lo he hecho por toda Europa y siempre el mismo resultado.

Es un hecho que todos aprendemos de forma diferente y la realidad es que tenemos un sistema educativo, donde tenemos un profesor para 30 alumnos. En el sistema universitario, es un profesor para 200. Si pensamos en la formación continua, o muchos de los modernos sistemas de aprendizaje, tenemos un profesor con una sola pedagogía. Con una sola metodología para 10.000 20.000 o 100 mil participantes.

Pero sigamos un poco más y vamos a ver si os acordáis algo de cuando aprendimos en la escuela. Completemos juntos esta frase: yo aprendo, tú aprendes, él o ella aprende, todos nosotros pues aprendemos. 

Ya a finales del siglo XIX, Hermann Ebbinghaus, considerado el padre de la psicología experimental en la educación, hizo un experimento en el cual demostró que, después de un mes si no estudiamos y no revisamos, olvidamos el 80% lo que hemos aprendido.

Entonces, estamos delante de dos hechos: Todos aprendemos diferentemente y todos olvidamos lo que aprendemos. Por lo cual, implica los desafíos de cómo personalizamos el aprendizaje y cómo hacemos que eso que hemos aprendido, se consolide y nos acordemos lo que hemos aprendido.

Una parte de la respuesta la podemos encontrar en las ciencias cognitivas

El 2010, Ming Zher Poh de Harvard y el MIT, hicieron un experimento de un dispositivo que conecta a una persona y permitía ver la actividad cerebral haciendo diferentes actividades. Como podéis ver la actividad cerebral en clase era la misma que cuando miramos televisión. Lo siento por los profesores que estáis en la clase es sólo con un profesor en particular.

En el mismo sentido, si vemos por ejemplo, cuando estaban laboratorio y estamos experimentando hay mucha más actividad y cuando estamos haciendo ejercicios también hay mucha más actividad.

De hecho, en el 2006 Rodríguez, llevó a cabo un experimento para saber cuál era un buen método de estudio y separó grupos a los cuales de un texto tenían que aprender:

Al primer grupo, le permitió leer el texto cuatro veces.

El segundo grupo, leyó el texto una vez y les hizo hacer tres veces una batería de ejercicios.

Al cabo de un mes, comprobó que las personas que habían hecho dos ejercicios se acordaban 52% más lo que habían aprendido y sobre todo, habían pasado cuatro veces menos estudiando.

Y así podría seguir hablando del sistema de Leitner. Es un sistema de fichas donde tienes una pregunta en un lado y respuestas del otro, que vas poniendo más lejos en un cajón a medida que vas aprendiendo de las velocidades de aprendizaje, de las preferencias de aprendizajes y de las diferentes inteligencias.

Y así podemos seguir otra parte quizás de la respuesta y  podemos encontrar en las nuevas tecnologías.

Si hoy hablamos de nuevas tecnologías en educación es el big data. ¿Qué es el big data? Es eso imposible porque generamos datos todo el tiempo. Cuando usamos el teléfono, cuando usamos la plataforma, cuando estamos internet y todo esto, hoy por hoy es muy fácil guardarlo. Es barato y podemos acceder fácilmente a esta información.

Pensar cuando te pones algo en Dropbox, que los dos lo copian los diferentes sistemas, pero por otra parte con el big data es posible también. Tenemos una capacidad de cálculo de una potencia que antes no existía, que de hecho también es barata y fácil de acceder. Por lo cual, todos los algoritmos de inteligencia artificial desarrollaron entre los años 80 y 90 del siglo pasado, vuelven a ser completamente pertinentes y permiten hacer cosas que antes no podíamos. Entonces si combinamos las dos las ciencias cognitivas con el big data y la inteligencia artificial.

Aprendizaje adaptativo y personalizado

De hecho, IBM en 2013 consideró que la combinación de estos tres campos eran las cinco tecnologías que iban a aparecer y revolucionar el campo de la educación. Sólo han pasado tres y se llama aprendizaje adaptativo y personalizado. Esto consiste en analizar todo lo que los estudiantes hacen en una plataforma: los resultados de ejercicio; que camino han seguido; han consultado la ayuda; si tienen mejores resultados cuando ven un vídeo, después hacen un ejercicio y después en un texto. Todo esto combinado con los diferentes elementos que permiten, experimentalmente, proponer una experiencia de aprendizaje adaptada a cada persona. Adaptado a su nivel a su ritmo y a sus preferencias.

Esto ya lo hemos hecho y hemos estado trabajando con una editorial francesa con contenidos para niños de 10 años de matemáticas, francés e inglés. La editorial proporciona el contenido adaptado para que funcionen con estos algoritmos y lo pusimos en una plataforma: en una app, en Ipads conectadas con nuestros algoritmos.

Vemos en esta plataforma y vamos analizando todo lo que hacían los estudiantes, lo cual permitió que, con 400 estudiantes, el 87% de las recomendaciones de nosotros por ese medio fueron exitosas y permitió al estudiante llegar hasta el final del proceso. Es decir, que aprendiera algo. Por otra parte, cuando estaban bloqueados porque el contenido no existía en la plataforma, era muy bueno, el contenido era más difícil, o por otra razón, los profesores tenían analíticas de aprendizaje que les permitía saber a cada estudiante, dónde estaba y esto ya hace una intervención humana.

Por otra parte, como podéis ver el número dos, lo que hicimos después de que habían aprendido algo,  es una pregunta para ver si realmente han entendido el concepto. A partir de esa pregunta, lo que hacíamos es calcular cuándo es que iban a olvidar ese concepto les facilitamos la vida de estudio. O sea, les facilitamos que clavaran menos CO2 y les mandamos una pregunta sobre el mismo concepto y para refrescarles siempre esta pregunta iba cambiando. Porque lo que no queríamos es que se acuerden de la pregunta y no el concepto que había detrás.

Otro proyecto es de cliente en una situación completamente diferente. Eso es en la formación de managers para que sean buenos jefes. En este caso, la formación se da presencial con un profesor en lo cual había diferentes juegos de rol. Como en distintas situaciones, el jefe se tenía que comportar y después del día de formación, les mandamos una batería de preguntas con una pregunta por cada concepto. Con ello, sabíamos que es la que habían entendido y que es lo que no habían entendido.

A partir de aquí, otra vez les hacemos un planning de revisión, donde les mandamos una pregunta sobre el buen concepto para que no lo olvidarán. Justo antes de lo que olvidamos, lo presentábamos. Esto, obviamente, demuestra también que el tiempo en que olvidamos algo, no es el mismo para cada persona. Ni para cada concepto. Quizás por que nos encantan las matemáticas y nos cuestan mucho menos acordarnos, pero si no nos gusta la historia vamos a tener que trabajar más.

Resultados del aprendizaje adaptativo y personalizado

El resultado fue que, después de tres meses de promedio, la gente que pasó por esta formación se acordaban 79% de lo que habían aprendido. Esos son 8 conceptos de 10. La persona que había utilizado utilizado más el sistema llegó hasta el 90%, y la que había utilizado menos el sistema sólo se acordaba 5%.

Y si volvemos a los muchos ¿Cuál es el problema de los muchos? Hoy por hoy, hay una tasa de abandono entre 75% y 95% los que acaban un MOCC. Sólo entre el 5 y 25% los finalizan.

Por otra parte, las plataformas de MOCC tienen una cantidad de participantes que generan muchos datos. Hoy estamos trabajando para incluir nuestra tecnología en los modos. Y no sólo vamos a tener en cuenta el camino que ha hecho cada persona o los ejercicios, como han respondido, si prefieren vídeos o tienen mejor resultados leyendo un texto.

Lo que vamos a hacer es evaluar las respuestas de los usuarios en el fórum. Es decir, si hay un participante que no tenía un concepto y puso una pregunta, que se le responda y que la gente considera que han contestado bien, elevado su puntuación.

Vamos a tener en cuenta esa puntuación, que esa persona al final conoce pero sabe muy bien, por lo cual no tenemos que hacerle pasar quizás por ese capítulo. O quizás lo tiene que pasar más rápido. O quizás lo que tenemos que hacer es proponerle un nivel más difícil y sigamos con un poco de participación… Aquí me hubiera gustado tener que levantar la mano, cuando era estudiante este tipo de soluciones es lo que me esperaba.

Hoy en la educación están cambiando muchas cosas. Los muchos, por ejemplo, han mejorado el acceso a la formación, pero no por ello ha mejorado la educación en sí misma. Si pensamos que hoy tenemos que aprender durante toda la vida, este tipo de solución es todavía más importante.

El big data para aprender existe y se llama aprendizaje adaptativo y personalizado. Está rompiendo los modelos de pedagogía a nivel mundial, proyectando una perspectiva de desarrollo personal durante toda la vida. En definitiva el aprendizaje adaptativo y personalizado permite aprender mejor y acordarse por más tiempo.

¡Muchas gracias!

The post Si individualizamos el aprendizaje, ¿aprendemos mejor? appeared first on Closelly.