• Author / Uploaded
• daniela

Citation preview

SEMINARIO NACIONAL DE CAPACITACIÓN MEMORIAS DEL EVENTO Inteligencia Artificial – Medellín 2019.

Ejes Temáticos

Charla #1: John William Branch Pasado, presente y futuro de la inteligencia artificial

Pasado – Presente - Futuro Inteligencia Artificial

Prof. JOHN W. BRANCH, Ph.D Director -Grupo de Investigación y Desarrollo en Inteligencia Artificial- GIDIA Departamento de Ciencias de la Computación y de la Decisión

2019

CONTEXTO

•

Grupo de I+D en Inteligencia Artificial GIDIA Adscrito al Departamento de Ciencias de la Computación y de la Decisión de la Facultad de Minas de la Universidad Nacional de Colombia-Sede Medellín. Categoría A1 de COLCIENCIAS. Código: COL0030139. Área OCDE: TIC. Agenda de conocimiento: TIC. Año conformación: 2000

Líneas de investigación: Descubrimiento de conocimiento y minería de datos. Planificación en IA & Web semántica y ontologías. Recuperación inteligente de información. Computación visual. Aprendizaje de máquina. E-learning, u-learning, t-learning y computación ubicua. Robótica educativa: máquinas inteligentes en educación. Sistemas de lógica difusa, redes neuronales artificiales, computación evolutiva y reconocimiento de patrones. Inteligencia artificial distribuida y sistemas multiagente.

Investigadores  John Willian Branch Bedoya, Ph.D. (Senior) •

-Director-

 Jaime Alberto Guzmán Luna, Ph.D. (Senior)  Albeiro Bedoya Espinosa, Ph.D. (Junior)  Jovani Alberto Jiménez Builes, Ph.D. (Senior)  Claudia Cecilia Jiménez Ramírez, Ph.D.  Julián Moreno Cadavid, Ph.D. (Senior)  Demetrio Arturo Ovalle Carranza, Ph.D. (Senior)  Alejandro Restrepo Martínez, Ph.D. (Asociado)

Datos Producción Académica (2008 - 2018) • Artículos publicados en revistas nacionales: 263 • Artículos publicados en revistas internac.: 136 • Libros: 5 • Capítulos de libros: 64 • Memorias de eventos: 185 • Trabajos dirigidos de grado: 151 • Tesis de maestría: 80 • Tesis de doctorado: 30 • Productos tecnológicos: 2 • Patentes: 1 • Proyectos de investigación: 52. Monto: $3.931.157.093 • Proyectos de extensión: 31.

Monto: $11.222.887.762

Desmitificando la Inteligencia Artificial

Inteligencia Artificial Integra diversas líneas dentro de las ciencias computacionales, electrónica, mecánica, matemáticas y comunicaciones, entre otras

Área de investigación

y aplicación

Diseñar y crear entidades artificiales y programas que son capaces de solucionar problemas o bien efectuar labores de manera autónoma, usando algoritmos de comportamiento humano Kasabov, N & Kozma, R. (1998). International Journal of Intelligent Systems, Vol. 13. John Wiley & Sons, Inc.

Inteligencia Artificial como una herramienta auxiliar al servicio del ser humano

Relación hombre-máquina

PASADO

El perceptrón (1957)

Inicios de los sistemas expertos(1965-1975) DENDRAL (interpretación de estructura molecular)

PROSPECTOR(predecir posibilidad de encontrar minerales en un terreno) Courtesy of Richard Dissly, Ball Aerospace and Technologies Corp.

Reconocimiento de patrones con redes neuronales(1980)

SAT Solvers: Problemas de satisfacción de restricciones (1986)

Tomado de: http://www.cs.us.es/~fsancho/?e=141

Avances en Inteligencia Artificial (1990Presente)

Visión Artificial

Análisis y procesamiento de señales

Redes neuronales artificiales

• •

Ambiente de Enseñanza-Aprendizaje: MILLENNIUM

• Ambiente de Enseñanza-Aprendizaje: ALLEGRO Alumnos Aprendices

Docente

Moderador

Adquisición de Datos, Info y Conoc

Despliegue de Información

SISTEMA TUTORIAL INTELIGENTE MODULO DOMINIO

MODULO TUTOR Planificación del Aprendizaje Estrategias Pedagógicas

BULs IOs

Control

Conocimientos

Criticas, Sug. y Explic. Didácticas Consulta Estadísticas

Problemas Resueltos Explicaciones

Reporte Global Alumnos Replanificación Aprendizaje

MODULO EVALUACIÓN

Banco de Problemas Propuestos para cada BUL Reglas Detección de Errores

Nivel de Conocimientos

Recomendaciones

Histórico de Interacciones

INTERFAZ USUARIO/SISTEMA

Herramientas y Ayudas

AMBIENTE COLABORATIVO DE APRENDIZAJE

MODULO ESTUDIANTE

Tablero Problemas Propuestos

Modelo de Aprendizaje Diagnostico Nivel del Aprendiz Histórico de Errores

Pizarras Compartidas

Publicar en el Tablero

Histórico de Consultas

Chat

Modificar el Tablero

Editores Multiusuario

Consultar el Tablero

Conferencias

Correo Electrónico

Vídeo Conferencias

Transferencia de Archivos

Transferencia de Archivos

Grupos de Interés

Comunicación Sincrónica

Comunicación Asincrónica

Histórico de Decisiones Reporte Global Alumnos

MODULO SIMULACIÓN Base de Datos Simulaciones Programación Simulaciones

Servicios de Comunicación

• STH-PM: Sistema Tutorial Hipermedia de Apoyo al Proceso de Enseñanza / Aprendizaje del curso de Procesos de Manufactura •

SABIOS: una aplicación de la Web semántica para la gestión de documentos digitales

Área Representación y Razonamiento del Conocimiento en la Web Semántica

Sistema General de Visión Artificial

Estadística

Bases de datos

PRESENTE

Librerías altamente accesibles

Tomado de https://www.analyticsindiamag.com/evaluation-of-major-deep-learning-frameworks/

Computación en la nube

Arquitecturas de redes neuronales: Alternativa para la solución de problemas

Red neuronal convolucional para análisis y clasificación de imágenes(Dígitos)

Detección de objetos en tiempo real

Tomado de : https://pjreddie.com/darknet/yolo/

Interacción humano-computador

Transferencia de estilo

Tomado de : https://datascience-enthusiast.com/DL/Art_Generation_with_Neural_Style_Transfer_v2.html

Robótica educativa de bajo costo

Tomado de : https://www.lego.com/es-es/mindstorms

Automatización de procesos industriales

Traducción instantánea y manejo del lenguaje

“Sensibilidad” robótica e industria 4.0

FUTURO

•

• Revoluciones Industriales •

Hacia Donde va Colombia en la Cuarta Revolución Industrial

Cryptocurrency

Big Data

Tomado de: Duque, Iván. Ministerio TIC Colombia. Palabras de apertura del Presidente Iván Duque en Andicom 2018. Recuperado de: https://www.youtube.com/watch?v=iwvkqzHUsDM

IA en la educación

• Gamificación

• Robótica, Neurociencia Cognitiva, IoT & u-learning

• Sistemas Ciberfísicos

Descubrimiento de Conocimiento y Minería de Datos Ciencia de los Datos

Lógica Difusa

Bases de Datos Masivas

Visualización de Datos

La Automatización en los Objetos de Investigación Extracción, búsqueda, recomendación y composición de Objetos de Investigación

(Áreas de “Representación y Razonamiento del Conocimiento en la Web Semántica” y “Técnicas de Planificación Automática”)

El Futuro esta lleno de retos para la Inteligencia Artificial - Aprendizaje de datasets pequeños. - Los modelos de inteligencia artificial deben ser cada día más portables. - Estandarización y sistematización de los procesos de IA.

El Futuro esta lleno de retos para la Inteligencia Artificial

- ¿Existe un único modelo que resuelva distintos problemas de áreas completamente diferentes? - ¿Hay soluciones generalizadas para los problemas de Inteligencia Artificial?

Conclusiones - Hoy, la Inteligencia Artificial es más accesible que nunca. - La Inteligencia Artificial será un eje central de la cuarta revolución industrial. - Más que tender a reemplazar puestos de trabajo, incrementará la EFICACIA de la mayoría de ellos.

Creación y Apertura Especialización en Inteligencia Artificial

Gracias! • John Willian Branch Bedoya • Director GIDIA • [email protected]

Charla #2: María José Yepes Los retos de la educación en la sociedad de la información

Los retos de la educación en la sociedad de la información María Alejandra Yepes Sierra Digital School

SNC INTELIGENCIA ARTIFICIAL, MEDELLÍN 2019

Educación

Del latín “educere” guiar o conducir

¿Qué guía tu aprendizaje? Aprendizaje

Desde cualquier lugar, en cualquier momento

Al cambiar la forma de comunicarnos

…cambia la manera en que aprendemos

¿Comprendemos los retos del siglo XXI? No hay futuro en la misma línea del pasado

cuela rural de El Carmen de Bolívar. ©MARCELA MADRID VERGARA.

cuela rural de El Carmen de Bolívar. ©MARCELA MADRID VERGARA.

¿Cómo te estás preparando para este cambio exponencial?

https://www.youtube.com/watch?v=ystdF6jN7hc

“… siempre habrá un espacio libre para innovar: TÚ”

¿Cómo podemos trascender la tecnología?

Menos títulos, más habilidades

Habilidades que nos permitan solucionar los problemas reales que enfrenta la humanidad y el planeta.

Programar software

Tomar decisiones informadas

Pensar de manera crítica y creativa

Escuchar y empatizar

Comunicarse asertivamente

Construir relaciones sanas

Hacer frente a la vida de una manera sana y productiva

Una educación para ser libres…

Freedom. Pharrell Williams

Tenemos el privilegio de ser la generación que materialice el concepto de la cuarta revolución industrial

¿estás preparado?

¡Gracias! ¿Preguntas?

María Alejandra Yepes Sierra

Charla #3: Alveiro Goyeneche Industria & Logística 4.0 - ¿Cómo dar el salto cuántico en latinoamérica?

INDUSTRIA & LOGISTICA 4.0

www.segen-group.com

Se prohíbe cualquier utilización impropia o no autorizada explícitamente por SEGEN GROUP S.A.S así como cualquier tipo de reproducción y/o distribución por cualquier medio físico, mecánico, electrónico y/o digital. Ningún otro uso de la información aquí contenida es permitido sin la autorización expresa y escrita de SEGEN GROUP S.A.S Toda la información aquí contenida es de carácter CONFIDENCIAL y sólo es de interés de ACOFI.

www.segen-group.com

¿Qué esta pasando en el mundo?

Disminución del ciclo de vida de productos y servicios

Oferta >>> Demanda

Los cambios ahora son exponenciales

Pasamos de una economía de recursos limitados y tangibles a una economía de intangibles. El conocimiento cuanto más se usa más vale www.segen-group.com

¿Qué esta pasando en el mundo?

01

04

En 2025: 1 de cada 3 empleos será automatizado

Las principales amenazas para tu empresa pueden provenir perfectamente de otras industrias y otros sectores económicos.

02

La era de la ubicuidad y omnipresencia (Cloud Computing, IIoT - IoT , Big Data y Analítica, Machine Learning)

05

06

03

El 70% de los bebés de hoy trabajarán en profesiones que aún no se conocen, por la simple razón de que todavía no han sido inventadas o creadas.

La estrategia ya no se formula como antes. Cada vez será más difícil planificar.

Los datos son el oro del siglo XXI www.segen-group.com

Industria 4.0 – Logística 4.0 – IIoT – IoT – Transformación Digital – Convergencia Digital – Big Data y Analítica Machine Learning - Inteligencia Artificial- Hiper personalización – Conectividad - Ciberseguridad

www.segen-group.com

Historia y Concepto

www.segen-group.com

Nuevas tecnologías disponibles

Comercio

Servicio

c.v

Transformación

www.segen-group.com

Nuevas tecnologías disponibles

www.segen-group.com

Modelo de Negocio - La tecnología mata modelos de negocio

www.segen-group.com

Modelo de Negocio – El consumidor cambió

Los hábitos de compra yconsumo de las personashan cambiado….. Nuestras compañías necesitan adaptarse a la nueva realidad

www.segen-group.com

Modelo de Negocio - El futuro es ahora Nuestras compañías necesitan adaptarse a la nueva realidad

www.segen-group.com

Lo que NO se “ M I D E ” N O se “CONTROLA”

La desconexión de los procesos de negocio de la empresa impide a los gerentes y al personal de producción tener “ una sola versión de la realidad”.

www.segen-group.com

Diseño NCreativos

El resultado es una menor visibilidad y una menor capacidad de respuesta.

PÉRDIDAS NO VISIBLES www.segen-group.com

Lo que NO se “ANALIZA” NO se “ M E J O R A ”

P&G

Plataforma Tecnológica Analítica

Gestión de los Datos

Estructurados

No Estructurados www.segen-group.com

Lo que NO se “ANALIZA” NO se “ M E J O R A ”

P&G www.segen-group.com

+

• Facturación

-

• Costos Operativos

=

• Utilidad Bruta

=

• Gastos de G&A • Gastos deVenta • Utilidad Operativa

www.segen-group.com

La realidad en Latinoamérica

http://www.firmsinlatinamerica.com/es/ www.segen-group.com

La realidad en Colombia • Según el DANE, las Mipymes generan alrededor de 67% del empleo y aportan 28% del Producto Interno Bruto (PIB). • En el país 94,7% de las empresas registradas son microempresas y 4,9% pequeñas y medianas.

http://www.dinero.com/edicion-impresa/pymes/articulo/evolucion-y-situacion-actual-de-las-mipymes-en-colombia/222395

www.segen-group.com

La realidad en Colombia • Un trabajador en Estados Unidos es alrededor de 4,3 veces más productivo que un colombiano y uno de Corea del Sur lo es 2,7 veces más. • El crecimiento de la productividad se ha desacelerado fuertemente, pasando de 3,2% en 2013 a 2,3% en 2014 y 0,7% en 2015. http://www.dinero.com/economia/articulo/las-razones-de-la-baja-productividad-en-colombia-y-latinoamerica/231827 www.segen-group.com

La realidad en Colombia • http://mintic.gov.co/mipymedigital

• El 33% de las empresas industriales globales tienen en la actualidad un nivel de digitalización avanzado frente aún escaso 8% de las empresas españolas. • En el 2020 se espera que el nivel de digitalización de las empresas en España aumente hasta el 19%. A nivel global esta cifra será de un 72%. • Las empresas industriales digitalmente avanzadas experimentarán un incremento adicional de su facturación del 2.9% de media anual en los próximos 5 años. http://www.pwc.es/es/publicaciones/gestion-empresarial/pwc-industry-global-survey-2016.html www.segen-group.com

Diseño NCreativos

COMPLEJIDAD

Como vamos en la carrera?

www.segen-group.com

1.800

1900

1980

2000

TIEMPO

---------> www.segen-group.com

Industria 3.0

Tecnologías de la Información - IT

Convergencia Digital - ML – OEE - BI www.segen-group.com

Tecnologías de la Operación - OT

www.segen-group.com

Industria 3.5

www.segen-group.com

www.segen-group.com

Industria 3.5

www.segen-group.com

www.segen-group.com

www.segen-group.com

www.segen-group.com

www.segen-group.com

www.segen-group.com

Ejemplo 1 - Indetex

https://www.youtube.com/watch?v=vxwj4AYN_Ao&feature=youtu.be

Ejemplo 1 -Indetex Innovación Deseos de compra del consumidor Logística - 48 horas Reducción de Stocks de Inventarios Espacio de Almacén en las tiendas Renovación de ropa en una media de cada 15 días

Ejemplo 2 - FabricaciónAditiva

Ejemplo 3 - Feetz

www.segen-group.com

Ventajas competitivas que puede aportar la Industria4.0 • Una capacidad de adaptación constante a la demanda.

• Servir al cliente de una forma máspersonalizada. • Aportar un servicio post venta uno a uno con elcliente. • Diseñar, producir y vender productos en menostiempo.

• Añadir servicios a los productos físicos. • Crear series de producción más cortas y rentables. • Aprovechar la información para su análisis desde múltiples canales donde ser capaces de analizarla y tomar decisiones en tiempo real. www.segen-group.com

El objetivo es lograr capturar este valor económico por medio de:

• • • • • • •

Mejoras en la eficiencia de los procesos al tener información en tiempo real. Optimización de la gestión del ciclo vida de losactivos. Por reducción de costos operacionales. (Mantenimiento Basado en Condiciones). Ahorro de energía por medio de adquisición de datos en tiemporeal Incremento de la productividad por contextualización de la información. (BigData) Información documental de procesos en forma electrónica. Análisis y gestión del conocimiento.

www.segen-group.com

El objetivo es lograr capturar este valor económico por medio de: • • • • • • •

Alargar la vida útil y optimizar los costos de los activos. Controlar riegos de los activos durante todosu ciclo de vida. Optimizar uso de la capacidad instalada. Maximizar el conocimiento de la organización alrededor de sus activos.(ISO55000) Soportar la Gestión de Energía (ISO50000) El resultado es una mejor visibilidad y una mayor capacidad de respuesta. Optimización de inventarios y estrategias de mantenimiento con reducción de costos operativos, sostenible en el tiempo.

www.segen-group.com

Soluciones de Tecnología

www.segen-group.com

Soluciones de Tecnología https://www.youtube.com/watch?v=RN4emh9-OgQ https://www.youtube.com/watch?v=Jg_ImlwISbA https://www.youtube.com/watch?v=U4LdErOuigM http://www.advantech.eu/logistics/video/eabcf0bf-de29-49d4-8fbb-15757504104e/ https://www.youtube.com/watch?v=LIafbX_JXHE https://www.youtube.com/watch?v=5kCey56Q3Qo https://www.youtube.com/watch?v=jxOPKGoXkTc https://www.youtube.com/watch?v=iWjHo9Q1c5M www.segen-group.com

Equipos Interdisciplinarios Equipo de TI

Alta Gerencia

Con que tecnologías de información contamos?

Cual es la estrategia para los siguientes 2 años?

Equipo de Calidad Debemos cumplir nuevas reglamentaciones?

Equipo Financiero Cual es l flujo decaja necesario para el proyecto?

Equipo de TO Cual es la infraestructura en nuestras plantas de producción?

RRHH Tenemos el personal idóneo para afrontar los cambios tecnológicos?

PMO Estamos en el tiempo y costos de los proyectos?

www.segen-group.com

Cultura y Gestión del Conocimiento

Equipo de Logística Como podemos mejorar el tiempo de entregas?

Equipo de Mantenimiento Como mejoro la disponibilidad de mis sistemas?

Cliente Necesitamos…….. www.segen-group.com

Plan de Ruta de Autoevaluación Definición deobjetivos de transformación digital einnovación. Definición de un posible portafolio de Proyectos– Alineados a la Estrategia.

www.segen-group.com

www.segen-group.com

Desarrollo deun Piloto que permita implementar una solución que facilite capturar y crear valor - MVP

www.segen-group.com

Definición de Portafolio de Proyectos quecreen valor para la empresa con el proceso de digitalización e innovación Definición enDetalle de: - Alcance - Tiempo - Costos - Riesgos - Equipos interdisciplinarios - KPI Éxito www.segen-group.com

www.segen-group.com

Desarrollo de proyectos y adaptación y apropiación del conocimiento y nuevas formas de trabajar con la información y tecnologías por parte de todos los equipos detrabajo de la organización. “La única constante esel cambio” www.segen-group.com

Estabilización del ecosistema por medio de: - Digitalización en todos los niveles de la organización - Análisis constante de lainformación - Foco en la creación de valor en forma cultural. - Reducción de costos - Gestión del conocimiento enlos equipos de trabajo. - Adaptabilidad a loscambios del mercado. - Integración entre la demandadel mercado y nuestrosproveedores www.segen-group.com

www.segen-group.com www.segen-group.com

Para Reflexionar

http://www.eltiempo.com/economia/empresas/entrevista-con-dani-rodrik/16670635

www.segen-group.com

Para Reflexionar

Definición de gestión de portafolios según Planview

www.segen-group.com

Ing. Alveiro Goyeneche PMP- MIE Latin America & Caribbean IoT Specialist Cell: + 57 3125211620 SKYPE:jose_alveiro_goyeneche_wilches http://advantech-bb.com/ [email protected] www.segen-group.com [email protected]

Integramos tecnología, metodología y conocimiento para mejorar y hacer más productivos los procesos de nuestros clientes.

Charla #4: Jean Phillip Bernier Inteligencia artificial y computación cuántica

Quantum Computing and Artificial Intelligence

/grupobernier/ /jean-phillip-bernier/

Juan Pablo Muñoz

Mechatronic Engineer Soon

Felix Muñoz

Computer Science Soon

https://www.valuewalk.com/2016/03/quantum-computers-applications-graphic/

• Massive storage and processing needs • Complex variables and data structures • Bias and error

• Lack of algorithms integration • Lack of common sense • Understanding of inputs • Interdisciplinary knowledge integration • Lack of generalization skills

¿What is it Quantum Computing - QC?

Tale´s villain

https://interhacker.wordpress.com/2015/03/29/modern-physics-chapter-6-the-heisenberg-uncertainty-principle/

¿What is it a Qubit?

Qubit representation

1 Qubit

2 Qubit

Qubit properties

https://towardsdatascience.com/the-need-promise-and-reality-of-quantum-computing-4264ce15c6c0

Qubit properties https://towardsdatascience.com/the-need-promise-and-reality-of-quantum-computing-4264ce15c6c0

State of art

State of art

Market Opportunity

http://itango.eu/the-cios-guide-to-quantum-computing/

Modelo de Negocio soportado en QC-AI

Canvas for AI-QC by Bernier Group

References • • • • • • • • • • • • •

https://www.educba.com/big-data-vs-machine-learning/ https://www.quora.com/What-is-difference-between-Big-Data-and-Machine-Learning http://usblogs.pwc.com/emerging-technology/a-look-at-machine-learning-infographic/ http://usblogs.pwc.com/emerging-technology/machine-learning-methods-infographic/ https://www.digitalpulse.pwc.com.au/tag/artificial-intelligence/ https://www.datacamp.com/community/tutorials/r-or-python-for-data-analysis https://www.superdatascience.com/machine-learning/ http://www.quantum-field-theory.net/discovery-electron-spin/ https://docs.microsoft.com/en-us/quantum/quantum-concepts-4-qubit?view=qsharp-preview https://www.youtube.com/watch?v=v7b4J2INq9c https://towardsdatascience.com/the-need-promise-and-reality-of-quantum-computing-4264ce15c6c0 https://www.microsoft.com/en-us/quantum/what-is-quantum-computing https://blogs.msdn.microsoft.com/uk_faculty_connection/2018/02/06/a-beginners-guide-to-quantumcomputing-and-q/ • https://www.ibm.com/blogs/research/2017/12/approximate-quantum-computing-advantageapplications/ • https://uwaterloo.ca/institute-for-quantum-computing/quantum-computing-101

Charla #5: Federico Liévano Inteligencia artificial aplicada a casos reales en la industria colombiana

Transformación digital sostenible orientada a la industria 4.0

Intelligent

We have increased the productivity of Linea Directa in 18% using machine learning and deep

learning.

Charla #6: Germán Zapata Madrigal De la tercera a la cuarta revolución industrial (Enfoque desde la experiencia)

DE LA TERCERA A LA CUARTA REVOLUCIÓN INDUSTRIAL Enfoque desde la experiencia. Germán Zapata Madrigal. I.E., Msc., PhD. SNCINTELIGENCIAARTIFICIAL,MEDELLÍN2019

• Formación

• Transición 2ª a 3ª revolución

• Desempeño profesional

• Plenitud 3ª revolución

• Liderazgo, Gerencia

• Transición 3ª a 4ª revolución

De la tercera a la cuarta revolución industrial. Enfoque desde la experiencia.

2

Agenda 1. Experiencias de la tercera y la cuarta revolución industrial. Casos Inteligencia artificial. 2. Reflexiones a partir de las experiencias. 3. Conclusiones.

Experiencias tercera revolución Investigativa y Desarrollo Tecnológico

• Más de 40 proyectos de Investigación y desarrollo tecnológico. • Principales clientes:

De la tercera a la cuarta revolución industrial. Enfoque desde la experiencia.

4

Experiencias tercera y cuarta revolución Investigativa y Desarrollo Tecnológico

Sistema de diagnóstico automático de fallas del sistema interconectado nacional a 500 kV y 230 kV.

Sistema Automático para Gestión de equipos de subestaciones de energía.

Sistema automático para mantenimiento basado en condición en la central Paraíso. EMGESA.

Proyectos

Guía operativa para el restablecimiento del servicio de energía. EPM.

Modelo del flujo de información operacional de CODENSA.

De la tercera a la cuarta revolución industrial. Enfoque desde la experiencia.

Plataforma Electrical IoT mediante LPWAN

Servicios de valor agregado para la plataforma de medidores inteligentes de Codensa

Proyecto piloto Bus de proceso IEC618509-2. Subestación digital.

5

Experiencias tercera y cuarta revolución Investigativa y Desarrollo Tecnológico

App para la ubicación óptima de estaciones de carga eléctrica con base en información de redes sociales y técnicas de Big Data y Machine Learning.

Componente de extracción de datos

ElectroDron Sistema no tripulado con ejecución automática de misiones de vuelo, seguimiento de ruta y captura de imágenes para la inspección de activos eléctricos.

Componente Clasificación (Sentiment analysis, k-means)

Componente Análisis de ubicación

TWITTER

GOOGLE API PLACES

De la tercera a la cuarta revolución industrial. Enfoque desde la experiencia.

6

Modelo para transacciones de energía móvil mediante Blockchain.

Sistema de Energía Móvil

De la tercera a la cuarta revolución industrial. Enfoque desde la experiencia.

7

Experiencias tercera y cuarta revolución Investigativa y Desarrollo Tecnológico Edge TPU

Monitoreo de refrigeradores industriales mediante protocolos IoT y Machine Learning.

De la tercera a la cuarta revolución industrial. Enfoque desde la experiencia.

8

CASOS RPA • ISA - INTERCOLOMBIA • OI Latam • Quipux

Logros • + 150 profesionales formados para la cuarta revolución industrial. • + 50 profesionales vinculados mediante contratos de prestación de servicios en desarrollo de proyectos de investigación (pregrado, posgrado). • 29 Profesionales y estudiantes actualmente vinculados (edades entre 25 y 32 años). • Consolidación de modelo formativo “Engineers for 4th industrial revolution”.

• Laboratorio Acreditado para pruebas de interoperabilidad energética IEC61850. • Consolidación de la Academia Cisco como primera del país.

10

Logros • Proyección de Academias de formación: • Google Academy • LoRa Academy • Vmware Academy • Industrial communications Academy • Smart Grid Interoperability Academy • Creación del “Colombia Interoperability Power Research Institute – COLIPRI”.

De la tercera a la cuarta revolución industrial. Enfoque desde laexperiencia.

11

Emprendimientos de egresados T&T • Telemetrik • Netmask • Active One • BITS • eInnovation • Solenium • Mobi Soft • Green Health

12

Logros Consolidación de alianzas con Partners globales:

De la tercera a la cuarta revolución industrial. Enfoque desde la experiencia.

13

Experiencias tercera y cuarta revolución Empresarial

• www.simac.com.co Principales clientes:

De la tercera a la cuarta revolución industrial. Enfoque desde la experiencia.

14

Experiencias tercera y cuarta revolución Empresarial

• Desarrollo de plataformas “Smart Energy Data” y Enerbot. Dashboard Smart Energy Data SED

Reportes

Alarmas

Indicadores

De la tercera a la cuarta revolución industrial. Enfoque desde la experiencia.

15

Logros • + 200 proyectos de automatización ejecutados. • + 80 clientes consolidados • + 6 proyectos I + D + i ejecutados. • + 100 profesionales vinculados y formados en primer empleo a lo largo de 25 años de trayectoria. • 25 profesionales vinculados actualmente (edades entre 25 y 32 años).

De la tercera a la cuarta revolución industrial. Enfoque desde laexperiencia.

16

Misiones Tecnológicas

17

Misiones Tecnológicas

18

¿Si es realmente la cuarta una revolución industrial? ¿O es una profundización de la tercera?

¿Cuál es el impacto en el empleo?

Reflexiones ¿La industria colombiana si alcanzó a asimilar la tercera revolución y está preparada para enfrentar la cuarta?

¿Que retos y oportunidades plantea la cuarta revolución para el país, la industria y la Universidad? De la tercera a la cuarta revolución industrial. Enfoque desde la experiencia.

19

Aspectos diferenciadores de la cuarta revolución • • • • •

Disrupciones en el empleo Disrupciones en los negocios Repunte de la robótica y la Inteligencia artificial Velocidades en las transformaciones tecnológicas Hiperconectividad, servicio esencial?

De la tercera a la cuarta revolución industrial. Enfoque desde la experiencia.

20

Aspectos diferenciadores de la cuarta revolución • Velocidades en las transformaciones tecnológicas

RPA

Edge TPU

De la tercera a la cuarta revolución industrial. Enfoque desde la experiencia.

Blockchain

21

De la tercera a la cuarta revolución industrial. Enfoque desde la experiencia.

22

Quantum computing

Cloud computing

Profundización de la cuarta revolución. Tecnologías emergentes. Blockchain

Edge AI De la tercera a la cuarta revolución industrial. Enfoque desde la experiencia.

23

Despliegue 5G

Datos 5G:  1500 millones de conexiones para 2025  Japón y Corea lideran. El 43% de las conexiones actuales están en estos países.  Los fabricantes de infraestructura líderes: Huawei, Nokia, Ericson.  220 millones de conexiones de banda ancha para 2025 (Reemplazo de la fibra).

De la tercera a la cuarta revolución industrial. Enfoque desde la experiencia.

24

5G Usage scenarios

De la tercera a la cuarta revolución industrial. Enfoque desde la experiencia.

25

Plan 5G MinTIC • Publicado el 27 de Junio de 2019

De la tercera a la cuarta revolución industrial. Enfoque desde la experiencia.

26

Aspectos diferenciadores de la cuarta revolución

De la tercera a la cuarta revolución industrial. Enfoque desde laexperiencia.

•

Hiperconectividad:

• ¿Se convertirá en un servicio esencial?

27

Impacto en el empleo

Todas las revoluciones industriales han impactado el empleo. ¿Que es distinto hoy? • Repunte de la robótica y la IA. • Aparición de los RPA. • Impacto no solo en trabajos no calificados si no también en trabajos calificados (Componente rutinaria del trabajo calificado). • Disrupciones en el trabajo (Flexibilidad laboral, teletrabajo, trabajador digital, trabajos no convencionales) De la tercera a la cuarta revolución industrial. Enfoque desde la experiencia.

28

Impacto en el empleo

• Indicador RII de la OCDE (Routine Intensity Index).

Discusiones y retos laborales que se vienen:

• Ante la automatización de tareas rutinarias por iniciativa propia del empleado, ¿cuales deben ser las consideraciones sobre la productividad incrementada? • ¿Que factores humanos deben tenerse en cuenta? • ¿Que riesgos enfrenta el empleado cuando la empresa adopta una estrategia de automatización de tareas rutinarias? • ¿Podrá pensarse que el índice RII se considere como criterio de selección de un trabajo? De la tercera a la cuarta revolución industrial. Enfoque desde la experiencia.

29

Impacto en el empleo • Considerar: • El agregado global de la tecnología para la sociedad: empleos que se crean vs. Empleos que desaparecen.

• Evaluar impacto en reducción de jornadas laborales. • Aspectos generacionales. • Aspectos demográficos: envejecimiento de la población. • Evaluar la transición hacia trabajos creativos, no rutinarios. • Trabajos no convencionales. • Propuestas disruptivas: salario básico universal, reducción jornada laboral. De la tercera a la cuarta revolución industrial. Enfoque desde laexperiencia.

30

Impacto en el empleo

Ejemplos:

OI Latam

Corona

ISA (Proyecto DAE)

Codensa (Despliegue medidores)

Papas McCain

Caso negociación de jornada laboral por productividad

31

Impacto en el empleo. Ejemplo: Despliegue masivo medidores inteligentes

De la tercera a la cuarta revolución industrial. Enfoque desde la experiencia.

32

Impacto en el empleo Infografía: The future of work in figures http://www.oecd.org/employment/outlook/

The key message of this OECD Employment Outlook is that the future of work is in our hands and will largely depend on the policy decisions countries make.

De la tercera a la cuarta revolución industrial. Enfoque desde la experiencia.

33

Situación en Colombia

• Diferentes niveles de penetración de la tercera y la cuarta revolución: • Servicios vs. Industria • Pequeña y mediana empresa vs. Gran empresa • Tecnología: Automatización vs. Robótica vs. Inteligencia artificial

De la tercera a la cuarta revolución industrial. Enfoque desde laexperiencia.

34

Conclusiones • No perder de vista el propósito de la tecnología y de la Ingeniería. Los desarrollos tecnológicos deben tener su foco en el bienestar de la sociedad entendida como la sostenibilidad Ambiental, la reducción de las desigualdades, la reducción de la probreza, el mejoramiento de las condiciones de salud, entre otros. • Debe tenerse especial consideración sobre el impacto en el empleo para enfrentar estos retos de manera articulada como sociedad. Urge plantear la discusión pública de las estrategias que debe definir el país para hacer frente a los cambios que en materilaboral se avisoran y establecer una política para ello. • La Universidad tiene un rol fundamental desde su enfoque crítico y objetivo, para establecer su concepto independiente en las discusiones sobre los impactos y retos que conllevará esta transformación tecnológica. • La industrial colombiana debe estar consciente que la cuarta revolución representa retos y oportunidades y que si no se apropian estrategias para su adopción, sus negocios estarán en riesgo.

Charla #7: Henry Velasco Vera Conceptos, contextos y aplicaciones de datos masivos

Pig Data: Conceptos, contextos y aplicaciones de los Datos Masivos

Henry Velasco1, Henry Laniado1 & Mauricio Toro2 Universidad EAFIT 1 Departamento de Ciencias Matemáticas 2 Departamento de Informática y Sistemas

Fuente: Frecuencia de búsqueda en Google Trends de la palabra Big Data para los últimos 10 años

Fuente: Frecuencia de búsqueda en Google Trends de la palabra Sexo para los últimos 10 años

Big Data es como el sexo en la adolescencia Dan Ariely - Professor of Psychology and Behavioral Economics at Duke University Todo el mundo habla de ello Nadie sabe realmente cómo hacerlo Todos piensan que los demás lo están haciendo Así que todos dicen que también lo hacen

Científico de datos será la profesión sexy del Siglo XXI

Datos Masivos y algo de análisis estadístico

Algunas respuestas serán dadas en esta charla

Contenido Conceptos básicos

Datos Masivos

Herramientas de análisis

Contextos y aplicaciones

Neolítico aprox. 8000 A.C.

Fuente: https://www.historiando.org/neolítico/

Las sociedades humanas pasaron de cazadores recolectores a agricultores y ganaderos

Necesidad de Cuantificar: marcas en piedras y arboles

Necesidad de Cuantificar: piedras

Fuente: https://www.rolscience.net/2016/07/aprendimos-contar-antes-de-que.html

Correspondencia biunívoca entre cabezas de ganado y piedras

Necesidad de Cuantificar: partes del cuerpo

Sistema decimal

Sistema Sexagesimal

Edad Antigua: Aparición de la escritura

Fuente: http://www.historiaantigua.es/sumer/escritura/escritura.html Se crean los datos

Tecnología

Fuente: https://www.numodi.com/enfoque-sistemico-tecnologia-y-personas/

Posibilidad almacenar muchos más datos y procesarlos de una manera mucho más rápida

¿Qué tan grandes son los datos? Eric Schmidt, CEO de Google en 2010 “Había 5 exabytes de información creados desde el amanecer de la civilización hasta el 2003, pero ahora la misma cantidad se crea cada día”.

1 exabyte es un millar de millones de gigabytes.

1 EB = 103 PB = 106 TB = 109 GB.

¿Qué tan grandes son los datos?

5 PB = 0,005 EB

Fuente: https://www.nasa.gov/mission_pages/chandra/news/blackhole-image-makes-history

¿Qué tan grandes son los datos?

Fuente: https://www.visualcapitalist.com/wp-content/uploads/2019/04/data-generated-each-day-full.html

¿Qué tan grandes son los datos?

Fuente: https://www.visualcapitalist.com/wp-content/uploads/2019/04/data-generated-each-day-full.html

¿Qué tan grandes son los datos?

Fuente: https://www.visualcapitalist.com/wpcontent/uploads/2019/04/data-generated-each-day-full.html

¿Qué tan grandes son los datos? Solo el 0,5% de los datos mundiales se analizan

Los datos se convertirán en el petróleo del siglo XXI

Datos Masivos Gran tamaño

Alta dimensión Alta frecuenta Gran caudal Procesamiento instantáneo

Termino Big Data Francis X. Diebold (2012) “El término Big Data, que abarca ciencias de la computación y estadística / econometría, probablemente se originó en conversaciones a la hora de la comida en Silicon Graphics Inc. (SGI) a mediados de la década de 1990, en las que John Mashey ocupó un lugar destacado ".

En 2011 el término Big Data comienza a ser popular en muchos países

Termino Big Data

Termino Big Data

Doug Laney en 2001 introduce las tres V

Características

Procesamiento Instantáneo. Mayer Schönberger

Encontrar el qué en lugar del por qué El valor no reside en los datos, sino en la forma de correlacionarlos para descubrir patrones

Merece la pena tolerar imprecisión Predicciones basadas en correlaciones Toma de decisión instantánea

Herramientas: reducción de tamaño

Herramientas: reducción de tamaño

Figura: Compresión con Wavelets

Herramientas: reducción de tamaño

Herramientas: reducción de dimensión PCA

Herramientas: reducción de dimensión PCA

Herramientas: reducción de dimensión

Herramientas: Modelos de regresión

Herramientas: Modelos de regresión Función de costo: 𝑛

𝑛

෍ 𝑦𝑖 − 𝑦ො𝑖 𝑖=1

2

𝑝

= ෍ 𝑦𝑖 − ෍ 𝛽𝑗 × 𝑥𝑖𝑗 𝑖=1

𝑗=0

Solución: 𝛽መ 𝑚𝑐𝑜 = 𝑋 ′ 𝑋

−1

𝑋′𝑌

2

Herramientas: Regresión Ridge, Hoerl y Kennard (1970) Problema de optimización: 𝑛

𝑝

min ෍ 𝑦𝑖 − ෍ 𝛽𝑗 × 𝑥𝑖𝑗 𝛽

𝑖=1

2

𝑝

, 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 ෍ 𝛽𝑗2 ≤ 𝑠

𝑗=0

𝑗=0

Solución: 𝛽መ 𝑟𝑖𝑑𝑔𝑒 (𝑘) = 𝑋 ′ 𝑋 + 𝜆𝐼𝑝

−1

𝑋′𝑌

La regression Ridge encoge los coeficientes y ayuda a reducir la complejidad y multi-colinealidad

Herramientas: Regresión Lasso, Tibshirani (1996) Problema de optimización: 𝑛

𝑝

min ෍ 𝑦𝑖 − ෍ 𝛽𝑗 × 𝑥𝑖𝑗 𝛽

𝑖=1

𝑗=0

2

𝑝

, 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 ෍ 𝛽𝑗 ≤ 𝑠 𝑗=0

La regresión Lasso ayuda a reducir el sobreajuste y a seleccionar las características relevantes

Herramientas: Regresión Lasso y Ridge

Herramientas: curtosis

Figura: Alta curtosis

Herramientas: curtosis para detección de atípicos, Peña and Prieto (2013) 𝐾: es la dirección de máxima curtosis

Herramientas: curtosis para clasificación , Peña and Prieto (2013) 𝐾: es la dirección de mínima curtosis

Wal-Mart: década de los 90

Inicia proyecto de Análisis de afinidad

Varones de entre 25 y 35 años, que solían comprar estos productos conjuntamente los viernes por la tarde.

Target: Minneapolis febrero de 2012

¿Cómo se entera una tienda antes que tus padres, de que estás embarazada? Target mediante un modelo probabilístico determino que: Una chica que compra loción de crema de cacao, suplementos de zinc o magnesio, bolsos gigantes como para funcionar como bolsa de pañales, tendría un 87% de probabilidades de que esté embarazada según la tienda Target.

Clasificación de textos

Distribución geográfica de dos mamíferos de Suramérica

el perezoso de garganta marrón

la rata de arroz pequeña de bosque

Fuente: https://jakevdp.github.io/PythonDataScienceHandbook/05.13-kernel-density-estimation.html

Distribución geográfica de dos mamíferos de Suramérica

el perezoso de garganta marrón

la rata de arroz pequeña de bosque

Fuente: https://jakevdp.github.io/PythonDataScienceHandbook/05.13-kernel-density-estimation.html

Selección de portafolios

Selección de portafolios

𝑛

𝑃𝜔 = ෍ 𝜔𝑖 𝑋𝑖 𝑖=1

Selección de portafolios

𝑛

𝑃𝜔 = ෍ 𝜔𝑖 𝑋𝑖 𝑖=1

Selección de portafolios Ponderación Inversa al Riesgo, Puerta and Laniado (2010)

𝑛

𝑃𝜔 = ෍ 𝜔𝑖 𝑋𝑖 ,

𝜔𝑖 =

𝑖=1 donde 𝜌 es una medida de riesgo univariante

1 𝜌 𝑋𝑖

σ𝑛𝑖=1 𝜌

1 𝑋𝑖

Selección de portafolios

𝑛

𝑃𝜔 = ෍ 𝜔𝑖 𝑋𝑖 𝑖=1

Ofertas académicas en Colombia

Esta es un área fascinante y con un gran número de oportunidades de negocio Bogotá Medellín Maestría en Ciencia de Datos y Analítica

Maestría para la Inteligencia de Negocios Maestría en Inteligencia Analítica para la Toma de Decisiones

Especialización en Analítica Analítica de Datos para la Toma de Decisiones Empresariales

Maestría en Ingeniería y Analítica de Datos Big Data y Analítica de Datos

Charla #8: Santiago Medina Hurtado Técnicas de machine learning e IA con enfásis en áreas financieras

Técnicas de Maching Learning e Inteligencia Artificial en el contexto financiero Santiago Medina H. PhD. Universidad Nacional de Colombia.

[email protected]

TRUST Investment SAS

SNC INTELIGENCIA ARTIFICIAL Hotel el Dorado la 70. Medellin Julio . 6 de 2019

Las Decisiones - El cambio – La Incertidumbre Se hace mas frecuente disponer de ayuda de expertos

Capacidad de procesamiento

Manejo de mayor Cantidad de información a la vez

Las técnicas de “Soft Computing” Zadeh 1994. Comunicación verbal

Se Requiere de sistemas que aprendan y se complementen

proporciona resultados satisfactorios Redes neuronales Algoritmos genéticos Sistemas Difusos Sistemas expertos ---------------------Maching Learning Deep Learning

Capacidad de recordar

Manejo de la incertidumbre y la imprecisión Son el resultado del esfuerzo de la Ingeniería del conocimiento para representar Heurísticos computacionalmente

Modelos de IA

1987 -Fuzzy Expert systems

1995 sistemas híbridos Evolutionary neural networks Adaptative evolutionary systems

Agentes Inteligentes Probabilistic Reasoning

Inteligencia Artificial – Maching Learning Deep Learning

Fuente: buZZrobot.com Fuente: DevAcademy

Definiciones • IA IA Programing Routines Interaction with Humman Learning and Adapt Speedy and efficient Used our language

ML Learning of Data Statical Models and algorithms Patterns Recognice Forecasts DL Use Neural Netwoks Use Maxive Data Use compound architectures Use technologies advances

Fuente: IBM

Technical advances Computers, Processors, Parallel computation, comunications systems WEB, Cammeras, sensors, ……….

AI Es un complemento de disciplinas

Cámaras Radares Scanner Laser Procesadores Hidráulica y Neumática

https://www.youtube.com/watch?v=E2dEBq61BjI Presentation Title Here

274

Documentales sobre IA • https://www.youtube.com/watch?v=jBR5WmZ7M4A • https://www.youtube.com/watch?v=ed-cWW31Wl4

• https://www.youtube.com/watch?v=XQdt04iTfVI • https://www.youtube.com/watch?v=9s-5pMpdhlg (Inteligencia Artificial – Documental IBM) • https://www.youtube.com/watch?v=ZW7-P7xXuzQ (Inteligencia Artificial 2018) • https://www.youtube.com/watch?v=eltCKCtXOPM (Inteligencia Artificial 2019)

• https://www.youtube.com/watch?v=BwfYcBguI1M (Lo que Nadie Cuenta Sobre la Inteligencia Artificial - La Singularidad 2019) • https://www.youtube.com/watch?v=f-GYR-GfJ7o (Avances de google en IA 2018)

Fuente:Indeed.com

Academic studies and research are often the precursors to new intellectual property and patents. The entire Scopus database contains over 200,000 (200,237) papers in the field of Computer Science that have been indexed with the key term “Artificial Intelligence.” The Scopus database contains almost 5 million (4,868,421) papers in the subject area “Computer Science.”

277

278

VC: Capital Venture

Forbes

279 LSVRC: Large Scale Visual Recognition Challenge

280

• FORBES: Machine Learning, Deep Learning and Natural Language Processing (NLP) are the three most in-demand skills on Monster.com. (2017) Just two years ago NLP had been predicted to be the most in-demand skill for application developers creating new AI apps. In addition to skills creating AI apps, machine learning techniques, Python, Java, C++, experience with open source development environments, Spark, MATLAB, and Hadoop are the most in-demand skills. Based on an analysis of Monster.com entries as of today, the median salary is $127,000 in the U.S. for Data Scientists, Senior Data Scientists, Artificial Intelligence Consultants and Machine Learning Managers. 281

la industriaLearning de servicios financieros, la disponibilidad de datos es IA• - En Maching y Servicios Financieros

enorme. Petabytes de datos sobre transacciones, clientes, facturas, transferencias de dinero, canales, etc. 1PB=1000TB=1’000.000GB=1.000’000.000 MB= • Es un nicho perfecto para la aplicación de técnicas de IA y ML.

Datos Estructurados

Modelos Adecuados

Entrenamiento

Predicción Aplicación de modelos en línea

• El modelo se ejecuta como un proceso en segundo plano y proporciona resultados automáticamente • Se puede entrenar los modelos con la frecuencia que sea necesario para mantenerlos actualizados y eficaces. • cuantos más datos alimente, más precisos serán los resultados. • A medida que la tecnología evoluciona y los mejores algoritmos son de código abierto, es difícil imaginar el futuro de los servicios financieros sin el aprendizaje automático.

283

Dificultades en la implementación de estas tecnologías

• Las entidades cuentan con mucha información pero no esta estructurada, dispersa, con errores, no se actualiza o modifica de manera agil según las necesidades. • No son proyectos avalados por la alta dirección con objetivos claros, recursos y metodologías. • Las empresas a menudo tienen expectativas totalmente irreales hacia el aprendizaje automático y su valor para sus organizaciones. • La I + D en aprendizaje automático es costosa. • La escasez de ingenieros de Data Science / Maching Learning BENEFICIOS DE LA TECNOLOGIA • Reducción de costes operativos gracias a la automatización de procesos. • Ampliar Servicios • Mayores ingresos gracias a una mejor productividad y mejores experiencias de usuario. • Mejor cumplimiento y seguridad reforzada.

284

• Los conglomerados financieros están invirtiendo fuertemente en I + D de aprendizaje automático.

• En cuanto a los rezagados, puede resultar costoso descuidar AI y ML Algunas aplicaciones prometedoras de aprendizaje automático en finanzas:

Fuente: https://towardsdatascience.com/

Automatización de Procesos • Chatbots • Automatización del call center. • Automatización de Procesos • Automatización de trámites. • formación de los empleados, y más.

Seguridad

 Detección de Fraudes. examina la acción de un cliente y evalúa si es una actividad característica del cliente

 JPMorgan Chase lanzó una plataforma inteligente para nalisis de de contrato (COiN).  BNY Mello integró la automatización de procesos en sus tramites bancarios  FinTechs: Desarrollan bots que realizan análisis de crédito  Wells Fargo: chatbot controlado por AI para comunicarse usuarios y brindar asistencia con contraseñas y cuentas.  Adyen, Payoneer, Paypal, Stripe y Skrill son algunas de las compañías fintech que invierten fuertemente en el aprendizaje de máquinas de seguridad.

 Comportamientos sospechosos de cuentas. Validador de transacciones.  Monitoreo Financiero. Monitorear micro pagos o pitufeo  Amenazas Cibernéticas. entrenan un sistema para detectar y aislar las amenazas 286

Aseguramiento y Calificación Crediticia • Credit Scoring • Monitoreo de clientes. • Validación de Información de clientes. • Definir perfiles de clientes

 Los bancos y las compañías de seguros tienen una gran cantidad de datos históricos de consumidores, por lo que pueden usar estas entradas para entrenar modelos de aprendizaje automático.  Alternativamente, pueden aprovechar los conjuntos de datos generados por las grandes empresas de telecomunicaciones o servicios públicos y las redes sociales.

Trading algorítmico

 Plataformas de Negociación automática. (acciones, monedas commodities, títulos, derivados……)

 Un modelo matemático controla los resultados de las noticias y el comercio en tiempo real y detecta patrones que pueden hacer que los precios de las acciones suban o bajen.  Los algoritmos de aprendizaje automático pueden analizar miles de fuentes de datos simultáneamente, algo que los operadores humanos no pueden lograr. Para decidir comprar- vender- mantener  Puede procesar información cualitativa y cualitativa en forma paralela

287

Asesoría Robótica • Portfolio Management • Recomendación de Productos Financieros.

 servicios de gestión de patrimonio en línea que utiliza algoritmos y estadísticas para asignar, gestionar y optimizar los activos de los clientes..  Los usuarios ingresan sus capital y objetivos financieros, Un asesor robotico selecciona y asigna los activos al portafolio basadas en las preferencias de riesgo y los objetivos deseados..  Los clientes eligen asesores virtuales en lugar de asesores financieros personales debido a tarifas más bajas, así como a recomendaciones personalizadas y calibradas.

288

Como Hacer uso de ML en Instituciones Financiera • • • •

Una visión clara, Objetivo claro, un sólido talento técnico y un aval de la alta dirección Definir un proyecto claro. Definir los KPI del negocio .(Key Perfomance Indicators) Creación de un una Data Source utilizable. Recopilan datos aislados de cientos de fuentes como CRM, software de informes, hojas de cálculo y más que sean utilizables. (extracción, transformación y carga). La recopilación de datos, el filtrado y estructuración de los datos necesita un ingeniero de datos para recopilar y limpiar estos datos. • (extracción, limpieza, transformación y carga) representan alrededor del 80% del tiempo del proyecto de aprendizaje automático. • infraestructura de software adecuada y algoritmos adecuados. • Visualización de resultados. Especialistas en BI. Desarrolladores para el diseño de interfaz graficas de usuario Nota: Puede ser Iniciar por un proceso de Ingeniería de Big Data. (La simple aplicación de modelos estadísticos a datos procesados ​y bien estructurados sería suficiente para detectar ineficiencias y cuellos de botella en sus operaciones) Arrancar por Pequeños proyectos escalables.

289

Algunos Modelos de IA y ML • • • • • •

Redes Neuronales Artificiales supervisadas y no supervisadas Algoritmos Genéticos, Sistemas de lógica Fuzzy Sistemas expertos fuzzy Modelos Hibridos, ANFIS, Evolutionary neural networks, Adaptative evolutionary systems Técnicas de Maching Learnig: • Decision Tree, Random Tree, Random Forest, CART • Arboles de Clasificacion • Métodos de Ensamble • Gradient Boosted Trees • Cluster Naive Bayes, Redes competitivas, Fuzzy C-Meam, Cluster Evolutivos, Fuzzy Medois, • K-NN clasification, K-Mean • Reglas de Asociación. • …………………………………… 290

1. Algunas Aplicaciones en Finanzas - reescribir modelos determinista Expertones

Análisis de Inversiones

Evaluación de riesgos

Comparación de Alternativas

Costo financiero

Política de dividendos

Modelo de control de tesorería

Análisis de Créditos

Flujos de caja Punto de Equilibrio

Calificación de proponentes Detección de Fraudes

Matemática financiera

Análisis técnico

Evaluación de Proyectos

Pronósticos series de tiempo

Portafolios de inversión

Selección de Variables

Reglas de decisión Presupuestos Modelos de soporte de decisión

Clasificación Optimización (PL, PD) Análisis de Solvencia

Plataforma de Soporte a la toma de decisiones. Fuzzy Expert Systems Expertos lógica difusa

Modelos deterministas o estocásticos

Variables cualitativas y del entorno Base de conocimiento Variables cuantitativas

Conexión implícita de las variables

Representa el proceso cognoscitivo

decisión

feedback

Representa la forma en que los expertos razonan

2. Análisis de Inversiones. Sistemas Expertos Fuzzy

Variables de entrada

Strategic Options and Expert Systems: A Fruitful Marrieage. Magni, Mastroleo, Vignola, Fachinetti University of Modena and Reggio Emilia (Italy) 2001

AbOpt_EP ExpOpt_EP

AbOpt

LandSize ExpOpt

ImplOpt

CostReduct

Differentiation

ExpValue_D GrowOpt

MarketGrow InvValue GrowOpt_EP Risk InvProp MarketShare ProdCap

CompPower

Aproximación Modular- el número de componentes se reduce en cada paso hasta el valor final.

Technology CorpEval DistrChUSA SynergPower Synergies InvCost

StratAttract

Manager MarketKnow

StratConsist

QualitAna

Variables de mayor nivel

3. Evaluación de riesgo Crédito y Cupos

4. Evaluar el riesgo de cambio de la plataforma contable

5. Sistemas de Soporte a la toma de decisiones de comercialización de energía 7- Porcentaje de Participación MR y MNR

Fenómeno del Niño

Nivel actual de Contratación

Nivel Actual del Embalse Ofertable

1- Evaluación Hidroclimática

8- Factores Regulatorios e Impuestos - Tarifas 11-salida del sistema

Aportes de Ríos 9- Variables Financieras, Costos, Políticas

Cantidad a negociar

Riesgo Regulatorio Riesgo Socio Político

2--Evaluación del Riesgo

10- Evaluación Financiera

5- Factor de Contratación

Precio de Compra y Venta

Riesgo Eléctrico 3-Propensión a Asumir Riesgos

Índices de desempeño corporativo

4-Relación PB / PC

Análisis de precios

6- Módulo de Pronósticos Pb, Pc, Demenda Bases de datos histórica

Potencial de Crecimiento del Mercado Factor de Crecimiento / Demanda Estrategia Comercial

Pronóstico de Demanda

7- Demanda t+1

Análisis del Factor de Contratación

Plataforma de Soporte a la toma de decisiones. Expert Systems Expertos lógica difusa

Modelos deterministas o estocásticos

Variables cualitativas y del entorno Base de conocimiento Variables cuantitativas

Conexión implícita de las variables

Representa el proceso cognoscitivo

decisión

feedback

Representa la forma en que los expertos razonan

I- Estandarización de nombres de variables y códigos

6. SARLAFT

II- Corrección de formatos de celda y datos erroneos

1. Análisis de Consistencia y Depuración de la BD

III- Filtrado de los movimientos internos IV- Consolidación de la bases de datos

4. Aplicación de modelos de Minería de Datos

2. Análisis Estadístico Preliminar

V- Creación de nuevas Variables I- Clasificacion de variables de la BD en los grupos basicos cliente, canal, producto y jurisdicción

3. Filtrado de la BD Análisis estadístico

II- Analisis de la completitud de las variables.

III- Cálculo de estadísticas Básicas transaccionales y demográficas por cliente, canal, producto y jurisdicción

IV- Cálculo de estadísticas transaccionales299 y demográficas por parejas de variables

SARLAFT

CLIENTE CLIENTEtipo TIPOIDENTI ESTRATO ESTUDIOS SEXO EDAD CODACTIVID - CIIU NOMBREACTI

PRODUCTO CODLINEA TIPOPRODUC

CANAL CANAL MEDIOTRANS NATURALEZA

JURISDICCION AGENCIA Ciudad Zona AGENCIATRA CiudadTransac ZonaTransac

TRANSACCIONALIDAD MONTO1 TranPerioID NoConsig NoRetiro SumaConsig SumaRetiro Saldos

DEMOGRAFICAS INGRESOS1 GASTOS INGmenGsto ACTIVOS PASIVOS PATRIMONIO

CLIENTE CLIENTEtipo CES EMP EST HOG IND PEN TIPOIDENTI CEDEXT CEDULA REGCIVIL TARIDEN NIT ESTRATO 1 2 3 4 5 6 ESTUDIOS C E G N O P S T U SEXO M F EDAD CODACTIVID - CIIU NOMBREACTI

PRODUCTO CODLINEA AJUV APOR AVST CASA CDAP CDAT CDOR COME CONS CREC CTTE DORP MICR PAGA PCOM PFUT PSEM SEMI VIVI TIPOPRODUC ApOrd Cred CtaCorr Hcontrac Htermino Hvista

CANAL CANAL Agencia Bcos PSE Tdebito Tvisio MEDIOTRANS CHEQUE EFECTIVO NATURALEZA Consig Retiro

JURISDICCION AGENCIA/AGENCIATRA 1 12 2 13 3 14 4 15 5 16 6 17 7 18 10 19 11 CiudadResid Armenia Baranoa Barranquilla Buenaventura Cali Calima CañasGordas ElPeñol Granada Medellin Nariño ParqBolivar Pereira SanBlas SantoDom SanVicente VillaHer ZonaResid AntAM AntZR Atlantico Quindio Risaralda Valle

CiudadTransaccion Armenia Baranoa Barranquilla Buenaventura Cali Calima CañasGordas DirecAdm ElPeñol Granada Medellin Nariño ParqBolivar Pereira SanBlas SantoDom SanVicente VillaHer ZonaTransaccion AntAM AntZR Atlantico DirecAdm Quindio Risaralda Valle

300

Arbol De Clasificacion *( 1 )

Á R B O L

Cliente 1

D E C L A S I F I C A C I Ó N

*( 2 )

Producto 1

Producto 2

Jurisdicción 1

Jurisdicción 2

Jurisdicción n..

Canal 2

Canal n...

Canal 1

Naturaleza 1

Monto transado

Producto n...

Naturaleza 2

Número de transacciones

*( 1 )

Factor cliente (EM,CES,EST,IND,HOG,JU)

Producto 1

cliente 2

Cliente n

Producto 2

Producto n...

Jurisdicción 1

Jurisdicción 2

Jurisdicción n...

Canal 1

Canal 2

*( 2 )

Canal n...

Naturaleza 1

*( 3 )

Monto transado

Número de transacciones

Monto transados

301

302

SARLAFT

303

7. SISTEMA EXPERTO DE APOYO DE INVERSIONES EN ACTIVOS DE RENTA VARIABLE EN COLOMBIA (Valores borrosos)

(Valores “fuzzyficados”)

Módulo Red Neuronal

Extracción de reglas

(Valores reales) Precio actual Precio ayer

(Valores reales) Módulo Red Neuronal

Situación política Situación Económica Análisis fundamental Análisis de riesgo (Valores borrosos)

Reglas de Negociación

Predicción del precio

Modulo de Inferencia Borroso

Decisión: vender, comprar, mantener

8. Evaluación de la gestión de Fondos de Inversión

9. Sistema experto de apoyo de inversiones en activos de renta Variable Modulo de Pronóstico

Pronóstico de Precios

Base de Datos

Análisis Técnico

Extracción de reglas Juicio experto

Modulo de Decisión: Compra, Venta, mantener

Modelo de estructuración y gestión del portafolio

Análisis fundamental

Índices de desempeño del portafolio

10. PREDICCIÓN DE DEMANDA DE ENERGÍA EN COLOMBIA MEDIANTE UN SISTEMA DE INFERENCIA DIFUSO NEURONA - ANFIS. (Energética No.33 2005)

Modelo

Entrena miento

•RMSE-val

•MAPE

Red 15-18-1 sin CP

traingdx

34.30 Gwh

0.75%

Red 5-8-1 con CP

traingdx

50.29 Gwh

1.108%

ANFIS 2-2-2-3-2

híbrido

57.94 Gwh

1.163%

11-CDS

309

Base de Conocimiento • Expertos (Panel de Expertos) • Base de Datos (Fuzzy Clustering, Wang-Mendel, Sudkamp-Hammell, AG, etc) “Considerando el poder competitivo de la nueva firma la situación es excelente, de hecho la firma aun que no es líder del mercado, tiene una gran capacidad de producción que permite cubrir fuertes aumentos en la demanda y desde el punto de vista tecnológico cuenta con equipos modernos”.

Antecedente: Mercado accionario es medio, Capacidad de producción es alta, La tecnología es notable Consecuente :Poder competitivo Alto

ANEXOS

18/08/2019

311

Estructura RNA Estructura 2-3-1

b1i w11 w12 w12 w22

I1= PIB

I2= Gas

w23 w13

b21

h1



h2 

w21 o1

w22



w23

h3

neuronas



capa entradas

capa oculta

ai  f (W 1.I  b1 ) o1  f (W 2 .h i  b2 ) o1  f (W 2 . f (W 1.I  b1 )  b2 )

capa salida

demanda

Neurona Artificial. Entrada ajustada I0 = +1

W j0 = bi =sesgo

I1

Función de Activación

W j1

h j Salida net j I2

F( net j)

W j2

Entradas Combinación lineal W jk Ik Pesos sinápticos

k

net j   I i .w ji  b i i 0

h j  f net j 

Lógica Difusa • Es una manera de representar conocimientos y datos inexactos, vagos y mal definidos. • Es un lenguaje matemático que se levanta sobre la estructura del lenguaje natural. • Es una manera de representar los procesos de razonamiento de los humanos

Esta basada en El lenguaje Natural.

Puede utilizar el Conocimiento de expertos

Permite modelar funciones no lineales

Fácil de entender Lógica Borrosa Tolera datos inexactos y vagos, así como datos exactos Es flexible

Se combina fácilmente con otras técnicas

Sistema de Inferencia Difuso La estructura básica del un problema es la siguiente. Si PIB es bajo y Gas es bajo, Entonces demanda es baja Entrada 1 PIB[0-6]



2. Si PIB es medio, Entonces demanda es media Entrada 2 Gas [0-900]

Las entradas son nítidas en un rango específico

Salida Demanda [0-4000]

Si PIB es alto o Gas es alto, Entonces demanda es alta

Todas las reglas son evaluadas en paralelo usando razonamiento aproximado

Los resultados de las reglas son combinados y reducidos a un conjunto borroso

Se calcula un valor nítido

Razonamiento aproximado (SID-Mandani)  1



bajo



Mín

Bajo

C’1 = Mín entre w y bajo

W1

w2

w

PIB

Si PIB es bajo



bajo

y

Gas

consumo gas es bajo

demanda

Entonces

demanda es baja



medio

media

C’2 = Mín entre w y media

w PIB

demanda

Si PIB es medio



Entonces



alto

demanda es media



Max

Alto

PIB

Si PIB es alto PIB

o

Alta

w

w2 W1

C’3 = Mín entre w y alta

Gas

consumo gas es alto

Entonces

demanda

demanda es alta



Gas

Agregación C’ = C’1UC’2 UC’3

w demanda

Valor nítido.

Fuzzy Expert Systems Expertos lógica difusa

Modelos deterministas o estocásticos

Variables cualitativas y del entorno Base de conocimiento

decisión

Variables cuantitativas

Conexión implícita de las variables

Representa la forma en que los expertos razonan

Representa el proceso cognoscitivo

Fuzzy Expert Systems Xn

Yj

Wk

x1

x2

FIS1

Z(C’1) FIS1

Z(D’1)

x3 FIS2

Z(C’2)

: : :

: : :

: : FISk

: : Z(D’k)

FISt

Z(E’t)

 

   

 



 

Z Et'  f t Z D1' , Z D2' ,......., Z Dk'

    

 

Z Et'  f t ........ f k Z C1' , Z C2' ,......., Z C 'j

FISj

Z(C’j)

.......... ...... .......... ......

 

Z Et'  f t ........  f k  f j x1 , x2 , x3 ,...., xn 

xn

Variables de entrada iniciales al SED

Valores nítidos de salida (defusificados) asociados a las variables Yj que serán las entradas del siguiente nivel

Valores nítidos de salida (defusificados) asociados a las variables Wk que serán las entradas del siguiente nivel

Algoritmos Genéticos. GA Como la naturaleza soluciono el problema de optimización acerca del perfeccionamiento de las espacies?? Como las especies buscan el “mejor” !!!!La naturaleza tiene la respuesta¡¡¡¡ Formalizada en la teoría de la evolución de las especies de Darwin • GA es un método que emula la selección natural y la naturaleza genética del cruce de las especies (supervivencia y reproducción de un individuo en una población). • Es un procedimiento de búsqueda probabilística diseñado para trabajar en grandes espacios que involucran estados que pueden ser representados por cadenas de caracteres. • Desarrollado por John Holland 1975 • Pueden ser utilizados como una técnica de aprendizaje supervisado o no supervisado, también como una técnica de optimización. • GA explora el espacio de solución de manera aleatoria y es capaz de escapar de un máximo local • La técnica de optimización de redes neuronales Back Propagation puede ser atrapada en un min o max local ya que esta explora el espacio de solución un punto a la vez.

Algoritmos Genéticos. • Términos asociados a los AG: • Gen: Unidad básica que controla las características de un individuo • Cromosoma: Una cadena de genes, representa un individuo o posible solución de un problema en el espacio solución • Población: Colección de individuos • Cruces (apareamiento): operación de intercambio de cadenas de individuos que producen otras cadenas • Mutación: Cambio aleatorio de un gen en una cadena • Ajuste: Criterio que permite evaluar cada individuo • Selección: procedimiento que selecciona una parte de la población que debe continuar en el proceso de búsqueda de la mejor solución

Ej. Hallar el máximo de una función • Hallar el máximo dela función Y=f(x) para x definido entre [a,b] • Definir una cadena de caracteres binaria para cada x en [a,b]. La precisión del resultado depende de la longitud de la cadena. Por ejemplo 10 genes queda

a=[0 0 0 0 0 0 0 0 0 0] y b=[1 1 1 1 1 1 1 1 1 1] • El dominio de x entre [a,b] es dividido en 210 puntos, el número de intervalos es= 210-1 cada uno con amplitud=[b-a]/(210-1) Paso 1: Establecer una generación: por ejemplo 10 individuos de manera aleatoria 20 Individuos 0100100100 1000011101 0000110010 1010101011 0110011010 1110101010 1010011110 1010010011 1110010000 0011110110

Convertir cadena a valores decimales (es el número del intervalo)

Convertir cada numero del intervalo al valor X

Aplicar la función

Sacar estadísticos para Y de la generación 1

Hallar el máximo de una función Paso 2: seleccionar de la generación 1 de manera aleatoria individuos por pares y realizar los procedimientos: Generación 1 20 Individuos 0100100100 1000011101 0000110010 1010101011 0110011010 1110101010 1010011110 1010010011 1110010000 0011110110

Selección del punto de cruce aleatoria

Cruzar genes

0100100100

010010 0100

010010 1010

010110 1010

0110011010

011001 1010

011001 0100

011001 0110

Selección de 2 individuos aleatoria

Intercambiar parte final de la cadena

Mutar genes.

Cambia bit en la cadena de manera aleatoria

Paso 3. Convertir cadena y sacar estadísticas Convertir cadena a valores decimales (es el número del intervalo)

Convertir cada número del intervalo al valor X

Aplicar la función

Sacar estadísticos para Y de la generación 1

Hallar el máximo de una función Paso 4: Graficar estadísticos para cada generacion

Y Max Y Probable Repetir paso 2-4 el número de generaciones que se desea

Min Y 1 2 3 4 ……

100… Generación

Sistema Difuso Adaptativo Neuronal - ANFIS Es un sistema de inferencia difuso reescrito como una red neuronal y donde se aplican los algoritmos de optimización: x y A1

UA1(x) 

X A2

W1

W1f1

UB1(y)

F

 UA2(x)

B1

W2



Y

W1

N

UB2(y)

W2f2

N W2

B2 Capa1

Funciones de pertenencia para los input, trian, bell, gaus, etc

Capa2

Capa de reglas: Fuerza de activación

wi   Ai x .Bi  y 

i  1,2

Capa3

x y Capa4

Capa5

Fuerza de activación estandarizada

Combinación lineal

wi wi  w1  w2

wi fi  wi  pi x  qi y  ri 

Salida

F   wi . f i

¡Nos vemos en una próxima ocasión! ¡¡GRACIAS!!