la “nueva” transformación Ciencia y Datos: de las ...

May’ 2021 Pablo Rodríguez Bocca Version 20210513

Ciencia y Datos: la “nueva” transformación de las organizacionesInteligencia Artificial en la Empresa

AGENDAFUNDAMENTOSCiencia de datos, Inteligencia

artificial, optimización

01

02

03 IMPLANTACIÓN EN LA EMPRESAEstrategía, roles y recursos

MOTIVACIÓNGeneralidades

Basado en ideas y curso de:

de Andrew Ng

disponible en Courserahttps://www.coursera.org/learn/ai-for-everyonehttps://landing.ai/ai-transformations/

Sept, 2019

https://www.coursera.org/learn/ai-for-everyone

https://landing.ai/ai-transformations/

Pablo Rodríguez Bocca● Investigador, Científico

○ Modelado Predictivo○ Optimización e investigación operativa○ Análisis de datos en redes

● PhD en Computación (France+Uruguay). Msc (Uruguay). Ingeniero Eléctrico y en Computación (Uruguay)

● Profesor agregado (grado 4, InCo, UDELAR, Uruguay)● Asesor en ANTEL (mayor empresa de comunicaciones de Uruguay)

y Eidos.ai (computer vision)● Co-fundador de GoalBit (video streaming) y Agronóstico (agritech)

#

#

#

#

MOTIVACIÓN01Generalidades

Creación de valor de AI: 13 billones de USD

174.000MM USD en todo el mundo

Fuente: McKinsey Global Institute

#

#

#

Ciencia y Datos en las Empresas

1 Optimizar los procesos internos y su operación

2 Mejorar la experiencia de usuario

3 Mejorar las ventas y el marketing

4 Otros:● Fraude y ciberseguridad● Monetizar datos del cliente● Permitir nuevos servicios

#

#

#

#

Agronóstico Inteligencia Artificial aplicada al agro

● Predecir rendimiento

● Optimizar decisiones

○ siembra, fertilizantes

● Monitorear

○ suelo y cultivo

Fuente: http://agronostico.com

#

#

#

http://agronostico.com

Primer cliente de prueba

● gran productor de granos en Uruguay (>20k has. de soja)

● campaña 2015/2016 de soja

● 12k hectáreas, 24 establecimientos, 168 lotes

● 18% error en predicción de rendimiento al comienzo de la zafra

#

#

#

Recomendaciones principales

● Siembracambiar fechaen promedio adelantar 12 días+150 kg/havalidación estadística

● Fertilizaciónmejor aplicación de potasioen promedio +18 kg/ha30% de aumento en rentabilidadvalidación estadística y en campo

#

#

#

#

FUNDAMENTOS01Ciencia de datos, Inteligencia artificial

CIENCIA DE DATOSEl análisis de los datos en la empresa

Ciencia de Datos (data science - DS)

Disciplina que busca extraer conocimiento de forma sistemática y computacionalmente eficiente a partir de los datos

Fuente: Maestría en Ciencia de Datos y Aprendizaje Automático, Fing, UDELAR

#

#

#

#

Método científico aplicado a datos

1. preguntarse2. formular hipótesis3. experimentar4. evaluar y mejorar5. comunicar

Fuentes: CRISP-DM, 2006

#

#

#

#

Ciencia de datos aplicada a productos y servicios

Crear productos más valiosos:

1. Usarla para crear una ventaja competitiva importante

2. Agregar muchas características, que hagan difícil a un competidor generar un producto igual

3. Alinear el esfuerzo con ciclo de retroalimentación positiva - círculo virtuoso de la AI

4. Alinear el esfuerzo con la estrategia del negocio (reducir costos, maximizar valor, aumentar efecto de red)Fuente: https://landing.ai

#

#

#

https://landing.ai

Tipos de Análisis y Resultados

1. Descriptivo○ explorar, entender○ documentos

2. Predictivo○ futuro y datos faltantes○ automatizar○ documentos + software

3. Prescriptivo○ optimizar○ software

esfuerzobe

nefic

io

descriptivo

predictivo

prescriptivo

#

#

#

#

Ejemplo de tipos de Análisis - Agronóstico● Entender el proceso agrícola

○ cuantificar, conocer su distribución y variables más relevantes○ descriptivo

● Estimar el rendimiento de la zafra actual○ predictivo

● Planificar actividades de próxima zafra para maximizar rendimiento○ prescriptivo

#

#

#

Pasos en un proyecto de DS-AI 1/2

● Ejemplo: prescripción en producción de soja

1. recolectar datos2. analizar datos

○ iterar hasta obtener buen modelo predictivopráctica agronómica → rendimiento

3. sugerir acciones○ mejorar planificación de zafra con optimización

#

#

#

Pasos en un proyecto de DS-AI 2/2

● Son los mismos pasos en todos los proyectos de DS o AI○ recordar el ciclo del método científico ○ para todos los resultados

■ descriptivo■ predictivo■ prescritivo

○ compatible con el ciclo virtuoso de AI

#

#

#

Error frecuente

Esperar que la planificación de proyectos tradicional funcione sin cambios…

#

#

#

#

Error frecuente

Esperar que un proyecto DS-AI funcione de primera…

#

#

#

#

INTELIGENCIA ARTIFICIALAprendizaje automático, algoritmos y herramientas

Inteligencia Artificial

Inteligencia Artificial General : imitar todas las capacidades de los humanos

Inteligencia Artificial Estrecha : aplicado a una sola tarea

Fuente: -

#

#

#

#

Aprendizaje Automático (machine learning - ML)

Disciplina que da a las computadoras la habilidad de aprender sin ser programados explícitamente

Fuente: Arthur Samuel, 1959

#

#

#

#

Aprendizaje supervisado

● aprender una función de mapeoentrada (X) salida (Y) aplicación

email ¿spam? filtro spam

audio transcripción a texto reconocimiento de voz

Inglés Español traducción

imagen de un teléfono ¿defecto? inspección visual

imagen, radar, gps posición de otros autos manejo autónomo

banner, dato usuario ¿click? publicidad online

#

#

#

Lo que puede hacer...

● En aprendizaje supervisado○ lo que puedes hacer en

≤ 1 segundo…○ evaluar prefactibilidad con

un ante-proyecto

email ¿spam?

audio transcripción a texto

Inglés Español

imagen de un teléfono ¿defecto?

imagen, radar, gps posición de otros autos

banner, dato usuario ¿click?

● Es más sencillo cuando○ concepto simple para aprender○ muchos datos disponibles (X → Y)

#

#

#

Error frecuente

El ML es mágico, resuelve todos los problemas, y encuentra patrones de comportamiento donde no los hay…

#

#

#

#

Error frecuente

Esperar 100% de precisión en DS-AI…

#

#

#

#

Error frecuente

Esperar 100% de precisión en DS-AI…

● Limitaciones de los modelos● Datos insuficientes● Datos incorrectos o ambiguos

#

#

#

#

INVESTIGACIÓN OPERATIVAOptimización, Toma de decisiones

Investigación Operativa

Investigación Operativa : empleo del método científico en la búsqueda de soluciones óptimas y como apoyo a la toma de decisiones a nivel operativo y gerencial

Optimización : matemática aplicada que busca los valores que minimizan una función objetivo contemplando el precio computacional

Fuente: -

#

#

#

#

¿Por qué nombrar la optimización hoy?

● En Investigación Operativa,○ la optimización es el mecanismo principal

● En DS, ○ habitualmente es parte del análisis predictivo○ siempre usada en análisis prescriptivo

● En AI,○ en realidad aprender es optimizar○ y las otras técnicas también

#

#

#

Intentemos poner estos conceptos juntos...

● dibujo controversial● hay muchos más términos relevantes...

AIDS

ML

DL

IO

Opt

#

#

#

Los datos son lo más importante...

● Tipos de datos○ estructurados - en hoja de cálculo…○ no estructurados - imágenes, sonido,…

● Adquisición de datos○ etiquetar manualmente○ observar comportamientos○ descargar de Internet o socios

#

#

#

Calidad de los datos

● Basura entra, basura sale

● Importante: corregir, imputar, eliminar errores en entrada y/o salida

● 70% del tiempo preparando los dataset

#

#

#

#

Error frecuente

Las empresas que tienen muchos datos piensan que tienen mucho valor allí…

#

#

#

#

Error frecuente

Primero debo recolectar datos y luego de tenerlos usarlos en DS-AI

#

#

#

#

IMPLANTACIÓN EN LA EMPRESA

03Estrategía, roles y recursos

Transformación digital, luego transformación DS-AI

Tranformación digital

○ La mejor tecnología sustenta los procesos, productos,...

○ A/B testing○ Ciclo de vida de productos muy

cortos○ Grandes decisiones tomadas

por cargos técnicos especializados

Transformación DS-AI

○ Adquisición estratégica de datos○ Repositorio único de datos○ Automatización generalizada○ Nuevos roles y distribución de

tareas

#

#

#

Pasos para la transformación DS-AI

1 Ejecutar proyectos pilotos para ganar impulso

2 Crear un equipo propio de DS-AI

3 Brindar amplia capacitación en DS-AI

4 Desarrollar una estrategia de DS-AI

Fuente: https://landing.ai/ai-transformations/

5 Desarrollar comunicaciones internas y externas

#

#

#

#









#

#

#

#


Ejecutar proyectos pilotos para ganar impulso

● Más importante que sean exitosos a que tengan alto impacto

● Mostrar resultados en 6-12 meses● Pueden ser desarrollados internamente o

tercerizados

#

#

#

#

¿Cómo elegir los proyectos de AI?

● equipo multidisciplinario● tormenta de ideas ante-proyecto

Tareas realizables

con AI

Tareas valiosas para

el negocio

expertos de dominio expertos de AI

#

#

#

Error frecuente

Contratar 1-2 expertos en DS-AI y esperar que aisladamente elijan los mejores casos de uso…

#

#

#

#

¿Cuándo empezar?

● Lo antes posible…● Se puede avanzar con los RRHH disponibles● Se puede avanzar con pocos datos. Ayuda en:

○ elegir mejores datos○ elegir tecnología, modelos○ cuantificar impacto○ medir esfuerzo

(si se tienen muchos datos por lo general ayuda)

#

#

#








#

#

#

#


¿Crear o tercerizar el equipo?

● Proyectos DS○ habitualmente se desarrollan internamente

● Proyectos ML○ pueden desarrollarse internamente o por terceros

● Con el paso del tiempo será necesario ○ crear proyectos de mayor duración y mayor impacto

● Evitar rehacer la rueda○ evolución rápida y soluciones líderes

#

#

#

Organigrama del equipo de DS-AI 1/4

Equipo central que da servicio a las áreas de negocio

vs

Pequeños equipos en cada área de negocio

Fuente: Isaac González Díaz. BigData para CEOs y Directores de Marketing, 2017

#

#

#


Dirección General

Equipo DS-AI Marketing Tecnología Informática Operación Ventas ...


recursos humanos, hw, sw, políticas,...

#

#

#



CAIO / CDO / CTO / CIO

NegocioAnalítica DatosTecnología

informática

Fuente: Isaac González Díaz. BigData para CEOs y Directores de Marketing, 2017https://landing.ai/ai-transformations/

áreas de negocio

#

#

#



CAIO / CDO / CTO / CIO

NegocioAnalítica DatosTecnología

ingenierios de datos gerentes de productoingenieros de swIngenieros de ML

científicos de datosanalistas de datosinvestigadores de ML

#

#

#

Nuevos roles● Gerente de producto

○ manejar ciclo de vida de productos y proyectos, qué es posible y valioso● Ingeniero de software

○ desarrollar productos de software● Ingeniero/arquitecto de datos

○ organizar datos: accesibles, seguros, bajo costo● Ingeniero de aprendizaje automático

○ aplicar AI● Científico de datos

○ aplicar y extender conocimiento AI● Analista de datos

○ aplicar análisis descriptivo ● Investigador de aprendizaje automático

○ extender el conocimiento de ML● ...

#

#

#

Error frecuente

Pensar que se necesita contratar expertos en DS-AI antes de comenzar a trabajar en estos temas…

#

#

#

#








#

#

#

#


Toda función de trabajo necesita aprender a usar datos

#

#

#

Agrónomo

● Ciencia de datos○ prescribir las mejores prácticas

agronómicas para maximizar rentabilidad

○ brinda mayor eficiencia al agrónomo● Aprendizaje automático

○ eliminar malezas localizadas○ mayor eficacia y menos contaminantes

#

#

#

Amplia capacitación en DS-AI

4 horas

Gerentes y líderes de negocio

● ¿cómo puede ayudar DS-AI a la empresa?

● ¿qué debe incluirse en la estrategia de desarrollo de DS-AI?

● ¿qué recursos se necesitan?

12 horas ≥100 horas

● desarrollar y desplegar software DS-AI

● ejecutar un proyecto DS-AI

● manipular datos

Jefes y gestores de proyectos

Ingenieros y personal técnico

● priorizar proyectos más valiosos y más factibles

● ¿cómo evaluar los resultados de un proyecto DS-AI?

● ¿cómo se hacer su seguimiento?

● ¿qué recursos se necesitan?

#

#

#

Programas disponibles en la Academia

● Ciencia de Datos para Negocios (grado). UM● Especialización en Ciencia de Datos. FING, UDELAR● Especialización en Analítica de Big Data. ORT● Especialización en Inteligencia Artificial. ORT● Especialización en Analítica de Negocios. ORT● Maestría en Ciencia de Datos Aplicada. FING, UDELAR● Maestría en Ciencia de Datos y Aprendizaje Automático. FING, UDELAR● Master en Big Data. ORT● Maestría Profesional en Ciencia de Datos. UTEC● … y muchos otros relacionados...

#

#

#

Programas disponibles en la Academia

● Ciencia de Datos para Negocios (grado). UM● Especialización en Ciencia de Datos. FING, UDELAR● Especialización en Analítica de Big Data. ORT● Especialización en Inteligencia Artificial. ORT● Especialización en Analítica de Negocios. ORT● Maestría en Ciencia de Datos Aplicada. FING, UDELAR● Maestría en Ciencia de Datos y Aprendizaje Automático. FING, UDELAR● Master en Big Data. ORT● Maestría Profesional en Ciencia de Datos. UTEC● … y muchos otros relacionados...

Y muchos cursos de actualización !...

#

#

#








#

#

#

#


Desarrollar una estrategia de DS-AI

● Aprovechar las capacidades DS-AI para crear un ventaja competitiva:○ mejores productos/servicio○ nuevos productos/servicios

● Alinear la estrategia con el “ciclo virtuoso de AI”● Alinear la estrategia con la estrategia de datos

○ adquisición estratégica de datos○ repositorio unificado: data-warehouse, data-lake

#

#

#

Primero la estrategia de datos…

Existen varios estándares de la industria

No es solo importante para DS-AI, no es un tema informático…● ubicuidad● volumen, velocidad,...● valor

Fuente: https://dama.org. The Global Data Management Community

#

#

#

#

https://dama.org/








#

#

#

#


Desarrollar comunicaciones internas y externas

● Visibilidad hacia el consumidor/usuario○ que nos vean “smart”

● Relaciones con los inversores○ que nos vean con más valor en el futuro

● Relaciones con el gobierno○ que nos vean prósperos, confiables y seguros

● Manejo del talento y los RRHH○ políticas específicas

● Comunicaciones internas○ cultura de adaptación y cooperación

#

#

#

Errores frecuentes

Google provee una lista de mejores prácticas (técnicas) en:

https://developers.google.com/machine-learning/guides/rules-of-ml/

#

#

#

#

https://developers.google.com/machine-learning/guides/rules-of-ml/

Manos a la obra! El próximo paso es el más importante

● Hablar con colegas sobre cómo avanzar● Buscar capacitación● Charlar con los varios expertos del tema disponibles● Elegir y comenzar un proyecto sencillo● Discutir sobre el impacto de avanzar en esta transformación...

#

#

#

#

gracias

https://www.linkedin.com/in/pablo-rodriguez-bocca/

Pablo Rodríguez Bocca

#

#

#

#


LIMITANTES DE DS-AI, ÉTICA, Y SOCIEDAD...

AnexoLimitantes técnicas, éticas, e impacto en la sociedad

Limitaciones de DS-AI

● Explicabilidad de los modelos es difícil○ y causalidad en los datos un gran desafío

● Limitantes de performance○ altos costos de infraestructura y energía

● Prejuicios en modelos● Ataque adversario

#

#

#

Performance - Investigación costosa y exclusiva

● “Si no tienes la potencia computacional suficiente, no puedes innovar...” Ilya Sutskever, OpenAI○ concentración en grandes empresas informáticas○ Universidades y sociedad no pueden competir

● “Volumen de cálculos de los líderes en AI ha aumentado 300.000 veces en los últimos seis años...” Allen Institute for Artificial Intelligence

● Tendencia○ contemplar también el precio computacional (=energía=costo)

#

#

#

Prejuicios - Modelos sesgados debido a datos sesgados● Prejuicios al

○ contratar personal○ aprobar préstamos○ …

● Si no se actúa, se refuerzan los malos estereotipos ● Es costoso generar modelos equilibrados

○ soluciones técnicas: equalizar datos○ auditar procesos externamente

Fuente: https://landing.ai

#

#

#

https://landing.ai

Ataque adversario

Fuente: “Explaining and Harnessing Adversarial Examples”. I. Goodfellow, J., C. Szegedy, 2015. https://arxiv.org/abs/1412.6572

panda 57.7%

nematodo (gusano)8.2%

gibón (mono)99.3 %

#

#

#

https://arxiv.org/abs/1412.6572

Ataques físicos

Falla al identificar señalFalla al identificar persona(identifica a Milla Jovovich)

banana (identifica tostadora)

Fuente: https://landing.ai

#

#

#

https://landing.ai

Usos adversos de AI

● deepFakes○ videos falsos

● comentarios falsos○ bots

● vigilancia opresiva○ privacidad y democracia

● spam vs. anti-spam, fraude vs. anti-fraude

Fuente: https://www.patreon.com/ctrl_shift_facehttps://www.creativebloq.com/features/deepfake-examples

#

#

#

https://www.patreon.com/ctrl_shift_face

https://www.creativebloq.com/features/deepfake-examples

Impacto de AI en el trabajo global 1/3

Fuente: McKinsey Global Institute.

“La mitad de los trabajos son vulnerables a la automatización…”

para el 2030

○ trabajos desplazados: 400-800 millones○ trabajos creados: 555-890 millones

#

#

#


Fuente: Nedelkoska, L. and Quintini, G. “Automation, skills use and training”. OECD Social, Employment and Migration. Working Papers, No. 202. 2018. Imagen: http//economist.com

#

#

#

http://economist.com


Fuente: Nedelkoska, L. and Quintini, G. “Automation, skills use and training”. OECD Social, Employment and Migration. Working Papers, No. 202. 2018. Imagen: http//economist.com

#

#

#

http://economist.com

nuevamentegracias ;)


Pablo Rodríguez Bocca

#

#

#

#


Date post:	13-Nov-2021
Category:	Documents
Upload:	others
View:	0 times
Download:	0 times

la “nueva” transformación Ciencia y Datos: de las ...

Documents