cristian – Escuela De Datos http://es.schoolofdata.org evidencia es poder Wed, 06 Jul 2016 13:49:59 +0000 es hourly 1 https://wordpress.org/?v=5.3.2 114974193 Exploración de datos para transformar una organización http://es.schoolofdata.org/2015/06/22/exploracion-de-datos-para-transformar-una-organizacion/ http://es.schoolofdata.org/2015/06/22/exploracion-de-datos-para-transformar-una-organizacion/#respond Mon, 22 Jun 2015 05:28:36 +0000 http://es.schoolofdata.scoda.okfn.org/?p=1164

Siempre recuerdo una de las tantas frases célebres que Henry Ford nos regaló. Si bien no soy capaz de citarlo textual, Ford decía algo como “no debes saberlo todo. Pero si debes conocer a quién sabe hacerlo”.
A su vez, Teddy Roosevelt decía que la persona más valiosa es aquella que intenta hacer las cosas, independiente de los obstáculos que encontraba.

Ambos son grandes hombres. Visionarios y capaces de empujar contra todo a fin de lograr sus metas. Con los datos pasa algo similar. Tras años acumulando información y con miles de  teras generándose cada día, es imperante enfrentar el desafío no sólo para tener una ventaja competitiva, sino para transformar la manera en la cual las empresas hacen negocios.

Henry Ford

Ahí entra Ford. No te asustes. No tienes que saber cómo se hace. Pero si debes ver el valor de los datos y entender cómo pueden ayudarte a progresar.

  • Roosevelt = hacer
  • Ford = visión

¿Qué hubiese hecho Ford si estuviese vivo? Pues buscar las preguntas más relevantes para mejorar la empresa. El primer paso para comenzar una expedición de datos es saber el “qué” “cómo” “cuándo” o “dónde”.
Somos realmente afortunados al vivir en una época donde los precios hacen que capturar y almacenar datos sea realmente barato. Además tenemos el conocimiento al alcance de todos.

Ahora, la visión es clave. El no necesariamente saber cómo se hace sino para qué.

La intersección está entre habilidades para hackear, conocimiento matemático (y estadístico) y el expertise propio del área donde trabajas. Es ahí, entremedio, donde yace la ciencia de los datos.
¿Y cómo se puede comenzar a generar un cambio usando datos?

  • Pues definiendo la pregunta
  • Definiendo el grupo ideal de datos
  • Determinando a qué data tengo acceso
  • Obteniendo la data
  • Limpiándola
  • Realizando una exploración de datos
  • Haciendo una modelación estadística
  • Interpretando resultados
  • Poniendo en duda los resultados
  • Resumiendo resultados
  • Creando código que se pueda reproducir
  • Distribuyendo la información con más personas

Si te has fijado, jamás he hablado de la herramienta para analizar los datos. En lo personal uso R, pero ¿importa? Pienso que sin un set de preguntas relevantes la herramienta no es relevante.
Ahora la pregunta es ¿qué tipo de pregunta?

    • Descriptiva: sólo describe lo que se ve. No se toman decisiones.
    • Exploratoria: Ideal para descubrir nuevas conexiones, para encontrar, definir y confirmar la exploración que estamos llevando a cabo (o futuras expediciones)
    • Inferencial: Tomas una pequeña muestra de datos y luego extrapolas la información a un grupo mucho mayor.
    • Predictiva: La meta es usar la data de ciertos objetos para predecir los valores de otros objetos
    • Causal: Que genera cierto comportamiento ¿qué pasa si cambio los valores de una variable?
    • Mecanística: Busca comprender los cambios exactos y variables que llevan a generar cambios en otra variable.

Pues bien, pienso que el escenario queda mucho más claro. Sin embargo, queda por responder una pequeña pregunta

¿Qué son los datos?

Variables cuantitativas o cualitativas las cuales están agrupadas en un set de ítems.

  • cualitativo: país de origen, género.
  • cuantitativo: peso, altura, tipo de sangre.
  • variable: medidas o características de un ítem

¿Y la expedición?

Pues  tal como hiciera, Harry Bingham -el británico que (supuestamente) descubrió Machu Picchu- debemos comenzar con nuestro machete a abrirnos paso en una jungla poblada de “ruido” o datos que nos llevan lejos del El Dorado.
El diseño de experimentos tiene como base la formulación de la(s) pregunta(s).


Cuando hemos explorado la data y confirmado que es relevante podemos tomar una muestra menor, analizarla con estadísticas descriptivas, hacer inferencias y extrapolarlo a la población total.
Sin embargo debemos estar atentos al “cofounding” o alguna variable oculta que pueda generar cambios que pensamos, son motivo de otra variable

Como ves en la foto, el consumo de chocolate tiene relación directa con el número de premios Nobel ¿o no?

Para comprender bien qué está sucediendo al interior de los datos deberás poder replicar tu experimento, medir las variables, generalizar sobre el problema que convoca y tener transparencia con la información manipulada.
Pienso que nadie tiene muy clara la película, pero sí está la intención “you halfway there”. Cada organización oculta desafíos propios, cada una también tiene su propia data governance.

Flattr this!

]]>
http://es.schoolofdata.org/2015/06/22/exploracion-de-datos-para-transformar-una-organizacion/feed/ 0 1164
Datero empieza a hacer self-tracking http://es.schoolofdata.org/2015/04/13/datero-empieza-a-hacer-self-tracking/ http://es.schoolofdata.org/2015/04/13/datero-empieza-a-hacer-self-tracking/#respond Mon, 13 Apr 2015 01:58:39 +0000 http://es.schoolofdata.scoda.okfn.org/?p=1141 Si quieres leer la versión larga de este post, puedes hacerlo aquí.

En este post, dejaré las lecciones principales, así como la visualización de datos generados tras un mes de “self tracking”
Es la primera vez que uso un wearable y que monitoreo mis hábitos.  Aquí les cuento que he aprendido y que pienso, es bueno medir para poder comenzar a cambiar hábitos. Lo del kaizén no es sólo para autos y aquí espero demostrarlo.

¿Cómo se comporta el mundo?

Lee el post del Data Scientist principal de Jawbone, monitoreando un inmenso grupo de usuarios durante casi un año.

  • Menos duerme: Tokyo, Japan – 5hr 44min
  • Duerme más: Melbourne, Australia – 6hr 58min
  • Va a la cama más temprano: Brisbane, Australia – 10:57pm
  • Va a la cama más tarde: Moscow, Russia – 12:46am
  • Se levanta más temprano: Brisbane, Australia – 6:29am
  • Se levanta más tarde: Moscow, Russia – 8:08am
  • Camina más: Stockholm, Sweden – 8,876 steps
  • Camina menos: Sao Paulo, Brazil – 6,254 steps

Me llama la atención que estas personas no están cumpliendo con el mínimo de horas de sueño, por lo general caminan poco y al menos en Moscú, se levantan bastante tarde.

Volviendo al selftracking

Algunos antecedentes previos al experimento:

  • Hombre
  • Peso: 75 kilos
  • Estatura: 1.80
  • Edad: 32 años
  • Wearable: UP24
  • Apps usadas: UP, Up Coffee y Withings

La aplicación que he usado se llama UP y su recolección de datos esta dividida en 3 partes:

  • Comida (Food score)
  • Descanso
  • Actividad física

Así mismo, el tiempo destinado a este mini experimento será de 1 mes.
15 días bajo ciertas condiciones y el tiempo restante haré ciertos ajustes que busquen corregir ciertos patrones.

El selftracking requiere primero que todo (1) disciplina para recolectar los datos; pasarlos de una app a un excel para poder mezclarlos y visualizarlos como mejor te parezca, (2) una mente abierta en vista que tu eres quien genera la información y en mi caso, descubrí cosas que no sabía (3) voluntad para cambiar y seguir midiendo; esto es clave. El benchmark se produce cuando descubro ciertos patrones con los que no estoy de acuerdo y puedo cambiar.

Primera etapa 25 Febrero – 11 Marzo

En esta primera etapa descubriré como me estoy comportando. No he puesto reglas simplemente porque no sé que determinar. El ejercicio es comenzar a medir mis hábitos por primera vez. La segunda parte del ejercicio corregirá cualquier tendencia que piense, puede ser corregida. 

Los datos usados como benchmark o “qué es bueno” para una persona con mis características, vienen del USDA.

Food score o cómo ser lo que comes

Eres lo que comes y el Food score de UP24 lo demuestra.

Preguntas:

  • ¿Estoy comiendo bien?
  • ¿Hay algo que debiese dejar de consumir en su totalidad?
  • ¿Estoy ingiriendo la cantidad de calorías necesarias?

Con un rango de 1-10 (siendo 10 el mejor) y usando como base tus rasgos (edad, peso, estatura, género) la app generará un consumo de proteína, fibra, azúcar y otros nutrientes, idóneos para una persona como tu.
Lo malo es que aún no hay posibilidad de enriquecer la data en caso de ser deportista, tener resistencia a la insulina o intolerancia a la lactosa. Punto importante a mejorar al corto plazo.
Una vez que desarrollas el hábito de ingresar tus alimentos esto se te hará tremendamente fácil. Así pues, tras unos días me pongo como meta tener un food score de 8 hacia arriba.
¿Qué debo comer para eso?

 

Nutrientes

 

Cabe destacar que pasé las cantidades a porcentaje puesto que como hago deporte continuamente, debo aumentar mi ingesta a 3,000 calorías diarias y no 2,200 como lo debiese hacer si fuese sedentario. También destaco que sodio y colesterol fueron convertidos de miligramos a gramos para que todo tuviese la misma unidad.
Tras 4 semanas, mi food score o la calidad de mi comida se ve así

Food Score

 

 

Calorías

Aprendizajes:

  • Debo reemplazar la Coca Cola. Tomé 3 vasos el día con el peor food score.
  • El chocolate y otros snacks (maní japonés, galletas con chips de chocolate o helado) en pequeñas cantidades no influyen en mi food score
  • Estoy ingiriendo menos calorías de las que debiese.
  • El día que más calorías ingerí fue el día que menos dormí.

Descanso.

Pienso que esta area esconde bastantes sorpresas.
Determiné como meta 7 horas de sueño diario. Lo mínimo según los expertos del National Sleep Foundation.

Lo interesante de las métricas de UP24 fue ver la calidad de mi sueño.

 

 

 

 

El mito de las “power nap” es cierto. En promedio hice siestas de 20 minutos (solamente cuando las necesitaba realmente) y el tipo de sueño se invierte. El sueño profundo aparece casi el 80% del tiempo y en poco tiempo, me recuperé.
En cuanto a patrones del sueño, me di cuenta que:

  • Crear un hábito de descanso mejora la calidad del sueño y me permite cumplir las 7 horas mínimas que se recomiendan para un adulto.
  • Si me demoro más de 30 minutos en dormirme, tengo 83% probabilidad de tener menos horas de sueño y la calidad del descanso tambien baja.
  • En la medida que pasan los días, UP mejora su monitoreo. De un 12% de tiempo de sueño «no medido», pasamos a sólo «4%» en 1 mes.

 

Calorías y actividad física

En promedio estoy dando 16.500 pasos en dos horas y quemo un promedio de 1,300 calorías al día.
Diariamente recorro 20 KM. Eso quiere decir que en una semana, podría ir desde Ljublajna (Slovenia) hasta Zagreb (Croacia), a pie. Caminado a una velocidad de 10km/h, sólo un poco menos que mis 13 km promedio en bicicleta.

1 semana de caminata

El siguiente gráfico es interesante en igual medida, pero debido a la cantidad de tiempo que me muevo, sabía que estaba quemando calorías. ¿La sorpresa? No estoy comiendo la cantidad (y calidad) de comida necesaria.

 

CAMBIOS

Tras 15 días

  • Bajo la cafeína a un espresso simple por la mañana. Nada más. Esto genera un máximo de 150 MG por día. (antes mi promedio estaba entre 300 y 500 mg por día)
  • Voy a la cama a las 21.30 (antes mi promedio era las 23.40)
  • Tomo 6 vasos de agua al día (antes no tomaba)
  • Dejo completamente la Coca Cola. (antes tomaba dos a tres vasos diarios)

Con estos pequeños 4 pasos logro cambios significativos.

Al ir a la cama temprano no tengo problema en empezar los días a las 05:40 am. Siento que el día dura más y estoy enfocado.
El agua no la siento. La verdad es que si bien me di cuenta que influía positivamente en mi Food Score no logro acostumbrarme.
La Coca Cola ahora no me apetece y debo decir que viendo el efecto negativo que tenía en mi food score pude comprender que tan poco me aportaba. Lo que no había logrado en 3 decadas lo pude hacer con una pequeña pulsera. 1-0 para la tecnología. Por último, me doy cuenta que no soy particularmente sensible a la cafeína, pero eso no significa que tiente la suerte tomando café despues de las 17.00 hrs.

¿Prueba? (de acuerdo al consumo y dosis recopiladas por la USDA)

  • Demasiado: 450 mg + por día (3 o + espressos dobles)
  • Mucho: 300 – 449 mg por día (2 a 3 espressos dobles)
  • Algo: 150 – 299 mg por día (1 a 2 espresso doble)
  • Poco: 0 – 149 mg por día (1 espresso doble)

 

Coeficiente de correlación (r): -0.15277761768721 con una muestra de 19 valores.

Eje X: gramos de café ingeridos por día
Eje Y: minutos dormidos por día

Café y sueño

Eje X: gramos de café ingeridos por día Eje Y: minutos dormidos por día

 

Flattr this!

]]>
http://es.schoolofdata.org/2015/04/13/datero-empieza-a-hacer-self-tracking/feed/ 0 1141
Ingeniería social y manipulación de emociones http://es.schoolofdata.org/2015/03/02/ingenieria-social-y-manipulacion-de-emociones/ http://es.schoolofdata.org/2015/03/02/ingenieria-social-y-manipulacion-de-emociones/#respond Mon, 02 Mar 2015 07:23:32 +0000 http://es.schoolofdata.scoda.okfn.org/?p=1085

Este post es una contribución de Cristián Guajardo-García, chileno re-patriado ciudadano del mundo que estará compartiendo en el blog. El post de hoy es sobre una cara de los datos sobre la cual rara vez reflexionamos en este espacio, pero que es central para nuestro ecosistema: datos y mercadotecnia online.


El año 2009 estaba trabajando con unos de los segmentos más atractivos del mercado: adolescentes.

En ese momento éramos la empresa líder en la industria de la educación superior en Chile y en ambientes digitales, estábamos varios metros más adelante de la competencia.

Para contextualizar, les cuento que esta industria se parece mucho al retail. En Chile (así como en varios otros mercados) el 90% de las matrículas se cierra una vez entregados los resultados de la prueba para ingresar a la educación superior (PSU en Chile). En Enero se desata la locura y una feroz competencia para transformar prospectos en clientes y para nosotros, los ambientes digitales eran esenciales en esta carrera.

Screen Shot 2015-02-06 at 17.05.24

Si bien la ley prohíbe matricular por Internet, sí se puede recolectar los datos y luego entregar la información a telemarketing para que comiencen las llamadas.

También usábamos remarketing de Google (apenas salió), blast (también de la gran G) y más tarde implementamos el primer sitio mobile para una universidad chilena, el cual logró niveles de conversión que sólo se ven cuando tienes un océano azul (ahí la competencia recién saltaba a redes sociales).

Durante ese tiempo mirando en primera fila el comportamiento del usuario, recuerdo un par de hitos que nos enfrentaron a disyuntivas absolutamente nuevas para todos.

Recuerdo perfecto Google Analytics en tiempo real. Apenas salió el beta, lo usamos el día que se entregaron los resultados de la PSU. Era casi adictivo ver cómo se movían los números en tiempo real: palabras clave, tasa de conversión por carrera (la conversión para nosotros era que el prospecto llenara un formulario con sus datos), comentarios en redes sociales y clicks tanto en  Adwords como Facebook ads nos hacían sentir en «Matrix».

Por primera vez, podíamos hilar más fino y comenzar a redactar el avisaje en base a lo que decían los prospectos. Podíamos recolocar el presupuesto de publicidad online, moviéndolo de una carrera con suficientes postulantes (enfermeria)  a una carrera en números rojos (como en esa época era teatro). Todo en tiempo real y con data fresca. Me atrevo a decir que era intoxicante.

Y como diría Peter Parker, “con ese poder vinieron grandes responsabilidades”.

Nos dimos cuenta que cambios (extremadamente sutiles) disparaban la conversión, subían o bajaban nuestro CTR (el radio de conversión/click) e incluso mejoraban la percepción de la marca, data que simplemente clasificábamos con caras felices : ) neutras : | o enojadas > (

En esa época, todo lo que hacíamos quedaba en la oficina. Nadie mostraba mucho interés sobre el día a día y menos en las metodologías que íbamos probando. Siempre llegamos a las metas temprano, por ende éramos un pequeño reducto que funcionaba perfecto y que cada año aumentaba su presupuesto (bajo en relación a televisión e incluso prensa). Nadie nos decía nada y sólo procedíamos con lo que nos parecía correcto.

 

Screen Shot 2015-02-06 at 17.05.24


 

Han pasado 5 años desde esos experimentos.

Hay 1 billón de personas en Facebook. En otras palabras, 1 de cada 7 personas usa la plataforma. La tentación de experimentar es inevitable y si me preguntan, es esencial.

Hoy por la tarde escuchaba una conversación con el director de ingeniería (social) de Facebook, o como le dice el periódico Costarricense Nación “El Míster Simpatía”: Arturo Bejar.

Este hombre tiene un trabajo bastante particular, el cual se desprende luego de estudiar el comportamiento de los usuarios y comenzar a experimentar con la forma en la cual la gente se comunica y usa Facebook. ¿Modales online? Pues Arturo está intentando crear empatía y respeto en la comunidad más grande jamás conocida por la humanidad.

Y para eso se debe probar ¿no?

Es aquí donde enfrentamos un problema a escala mayor. ¿Es justo que Facebook cambie los algoritmos para que veamos -por ejemplo- un torrente de noticias positivas en nuestro feed y ver como reaccionamos? ¿Es prudente que Facebook nos ayude a iniciar una conversación con una persona que ha subido una foto nuestra poco decorosa?

Las redes sociales, junto a la impresionante penetración de Internet, nos han permitido decir lo que se nos ocurra. La cantidad de datos es absurda. Arturo dice que durante la navidad de 2011 se subieron más fotos a Facebook que en toda la historia de Flickr. No sé a ustedes, pero a mi me parece impresionante.

Pues esas fotos son data ¿no? Tipo de cámara o teléfono, contexto, productos que aparecen en la foto, regalos más fotografiados y un largo etc. Una verdadera mina de oro para las marcas, gobiernos o cualquier institución interesada en conocer más en profundidad a su usuario.

El problema de esta ingeniería social es hasta donde llegamos en la experimentación de los datos y por ende, las personas que los producen y también  las que los reciben.

¿Es lavado de cerebro? ¿Es manipulación de masas como jamás la habiamos visto, ni siquiera con la televisión? ¿Es la unica manera en la cual se trabajará durante el siglo en curso?

En 2009 intuíamos algo cuando cambiamos el call to action de un aviso o cambiabamos la foto de nuestro Facebook ad para generar mayor CTR. A nadie parecía importarle. Sin embargo ahora, con los abrumadores números que les mencionaba antes, enfrentamos nuevos desafío y -una vez más- un nuevo puesto de trabajo que nace a partir de los datos: el ingeniero social.

Porque mal que mal, alguien debe (intentar) mantener el orden.

¿Quedaste con ganas de saber más?

  • Lee el post “Darwin Stickers” sobre los efectos que tienen las “caritas felices” que usas en tus mails.
  • Escucha el episodio The Trust Engineers de Radiolab.

 

Flattr this!

]]>
http://es.schoolofdata.org/2015/03/02/ingenieria-social-y-manipulacion-de-emociones/feed/ 0 1085
Conversaciones con Watson (cómo funciona IBM’s Watson) http://es.schoolofdata.org/2014/12/17/conversaciones-con-watson-como-funciona-ibms-watson/ http://es.schoolofdata.org/2014/12/17/conversaciones-con-watson-como-funciona-ibms-watson/#comments Wed, 17 Dec 2014 01:44:58 +0000 http://es.schoolofdata.scoda.okfn.org/?p=1046

La semana pasada tuve la oportunidad de pasar todo un día (bastante intenso por lo demás) en el Centro de Investigación de IBM en Dublin. ¿El invitado principal? Watson. El objetivo del evento era presentar a Watson a un selecto grupo de instituciones universitarias, llamadas «Watson Universities». La primera camada de instituciones fuera de Estados Unidos en comenzar a trabajar con IBM en el desarrollo de aplicaciones que usan a Watson como motor principal.

En este breve post, intentaré resumir lo mejor que pueda mi experiencia conociendo a Watson y principalmente, cómo funciona.

Como han de saber, la computación ha pasado por tres grandes etapas:

  • 1900: tabulación
  • 1950: programación
  • 2011: cognitivo

Watson se mueve en la tercera area y representa los esfuerzos que IBM ha tenido históricamente para ayudar a lograr hitos para la humanidad, tales como el aterrizaje del hombre a la luna (fuertemente apoyado por la ingeniería de IBM), la creación de Deep Blue y más recientemente el desafío de montar una versión previa de Watson la cual gano Jeopardy (he dicho previa por que el Watson que conocimos en Dublin sólo heredo unas pocas lineas de código de su antepasado. Todo el resto es nuevo y ha sido pulido y desarrollado en los últimos años).

 

¿Cómo funciona Watson?

Primero, debemos entrenarlo para que comprenda lenguaje natural. Esto lo lograremos dando el primer paso que consiste en dar mucha información a Watson sobre un tema en particular. Al comienzo, cargarás cientos de documentos específicos (más adelante hablaré sobre esto). Esto es lo que entendemos «por leer». Cuando hemos cargado los documentos, comenzaremos a escribir preguntas usando lenguaje natural.

Ej: Sudamérica -> Colombia -> Medellín -> Transporte publico -> Metroplús
Preguntas para entrenar a Watson: ¿Cuando fue inaugurado el sistema Metroplus? ¿Cual es el presupuesto anual de Metroplus? ¿Cuales son las quejas más comunes de los usuarios? ¿Cual es la tasa de evasión? etc.

En la medida que comienzes a hacer preguntas, Watson responderá:

  1. Te preguntará si la pregunta puede ser mezclada con otra.
  2. Te responderá.
  3. Dirá que no entiende.

Si responde, tu debes aprobar o rechazar la respuesta. De esta manera la máquina comienza a aprender.
Watson responderá con distintos grados de confianza. Algo similar al famoso PageRank de Google, el cual busca validar con citas y fuentes una respuesta.

Por ende, a Watson se le debe alimentar bien.
Piensen en Watson como un niño. Para que crezca bien, debes alimentarlo correctamente. Eso se traduce en un corpus bien armada. La data no debiese pasar los 150 GB (y si, seguimos hablando de Big Data) y debe estar limpia antes de ser cargada.

Hablamos sobre cómo entrenar a Watson.

  • Sé especifico: Sudamérica -> Colombia -> Medellín -> Transporte publico -> Metroplús 
  • Carga data limpia: word, text y html. PDF confunde a Watson. Si cargas html, remueve el header y footer de cada página.
  • No repitas información: Si has cargado un documento sobre el metro de Metroplus, no sumes otro que básicamente habla de lo mismo.
  • Comienza a entrenarlo: Uno de los puntos más fuertes de Watson es sus habilidades para procesar lenguaje natural y entregar respuestas precisas. Ya vimos como hacer eso. Debes invertir el tiempo y los recursos necesarios para alcanzar todo su potencial.
  • Carga documentos que no pesen más de 10 GB.
  • No corras el corpus muchas veces (solo 1 o 2 veces por semana).

Cada vez que cargues nueva información al corpus de Watson, deberás re-entrenarlo. El corpus es una de las partes principales del software.

¿Cómo sé que tengo un buen documento?
No todo es bueno. Presta atención a lo que cargas en Watson. Aliméntale sabiamente.

  • Los títulos son clave.
  • Las «nested tables» no andan bien en Watson.
  • Usa documentos con información organizada («titulo», «texto», «indice», etc).

Una vez que hayas cargado los primeros documentos.
Comienzas a hacer las preguntas, luego empiezas a refinar los queries y ya cuando llegas a un 50% de respuestas acertadas, puedes pasar a SPSS para seguir el entrenamiento.

¿Cómo hace dinero Watson?
A diferencia de Google, IBM no tiene «una máquina para imprimir dinero». Quizás por eso IBM ofrece un sistema especial de revenue para Watson:
La estrategia consiste en tener empresas que desarrollen aplicaciones para cargar en el Market Place de IBM. Estas aplicaciones serán vendidas a otras empresas y las ganancias serán distribuidas entre IBM y el creador de la app. De esa forma, IBM esperá conseguir universidades, empresas y emprendedores que usen a Watson para desarrollar apps altamente especializadas que basen su poderío en cognitive computing.

 ¿Quién ya ha comenzado?
El ecosistema aún es pequeño, pero aquí compilo una lista de startups alrededor del mundo usando Watson.
Cabe destacar que la mayoría de las apps se concentran actualmente en wealth management y healthcare.

  • Chef Watson
  • Red Ant
  • Well Talk
  • Pathway Genomics
  • Genesys
  • Point of care
  • Findability
  • Sell Point
  • Crayon
  • Wayblazer
  • Sofie (life learn)

Durante el día que pasé en Dublín, vimos dos aplicaciones de Watson. Una era para wealth management y la otra era el famoso Chef Watson, una colaboración con Bon Appetite. Debo decir que ambas era poco impresionantes, pero cuando recuerdo que Watson aún no cumple un año, entiendo.

¿Qué pienso?
No puedo evitar comparar a IBM con Google o Apple. Siri, Google voice, Cortana o Echo de Amazon tiene capacidades de comprender lenguaje natural. Por ende ¿dónde está el valor agregado de Watson?

  1. Aprende:
    Watson aprende con el paso del tiempo. Aprenderá de sus errores y hará conexiones que agreguen valor a sus análisis.
  2. Es preciso:
    Google arroja millones de páginas con resultados. Piensa en Watson como un «I’m feeling lucky». Y no sólo eso; Watson no te dará un sitio web, sino que la respuesta precisa (validada con fuentes y hechos).
  3. Funciona con tu información:
    Aquí está e game changer. Si eres una empresa, podrás cargar tus mailings, logs de llamadas, info de Analytics, ventas, transacciones, etc. Todo lo que sea texto, irá aquí (Watson aún no analiza imágenes o video, pero lo hará).
    Actualmente ninguna empresa hace lo que Watson ofrece. Cuando la máquina este propiamente entrenada, elevará los datos a un nivel impensado.

Conclusiones
Watson cumplirá 1 año el 9 de Enero de 2015. Hay tanto por hacer. Sin embargo, cuando te pones a pensar en lo que IBM ha hecho en un año, puedes dimensionar la ambición de este proyecto.
El motor de Watson que vimos es nuevo. Como decía antes, no es el mismo que ganó Jeopardy. Démosle 10 años a este muchacho y veremos su poder.

Para profundizar:
Si te interesa la computación cognitiva, quizás te podría gustar Smart Machines de John E. Kelly III, director de IBM Research, y Steve Hamm, periodista de IBM. El libro muestra que está haciendo IBM en el campo de la computación cognitiva y Big Data y déjame decirte que se ve interesante (¿un ejemplo? Rio de Janeiro tiene su propio OS para administrar mejor la ciudad).

Pienso que las implicancias que estos cambios traerán a la empresa son realmente impredecibles, sin embargo se ven atractivos.
Como siempre, dependerá de nosotros construir la mejor versión del mañana.

 

Flattr this!

]]>
http://es.schoolofdata.org/2014/12/17/conversaciones-con-watson-como-funciona-ibms-watson/feed/ 2 1046