SEMINARIO NACIONAL DE CAPACITACIÓN MEMORIAS DEL EVENTO Inteligencia Artificial – Medellín 2019. Ejes Temáticos Charl
Views 38 Downloads 5 File size 22MB
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!!