TED Talks - Yuliana Ruiz Borrayo

Vista previa del material en texto

TED Talks
1. Visualización de datos: The beauty of data visualization (David McCandless)
https://www.ted.com/talks/david_mccandless_the_beauty_of_data_visualization
Sentimiento de sobrecarga de información, exceso de datos
SOLUCIÓN = usar más nuestro ojos ver los patrones y conexiones que importan en la naturaleza diseñar esa info para que tenga más sentido o explicar cosas
Información es irrelevante sin un contexto visualizando y relativizando la info. Finalmente, se pueden ver patrones y conexiones entre los números/info
Mediante la visualización de la info se puede llegar a un escenario explorable con los ojos MAPA DE INFO (ayuda)
Encontrar patrones ocultos, ser detective de datos
Poner los datos en perspectiva
Ejemplos dados: en que se gastan las grandes fortunas del mundo, los miedos creados por las comunicaciones
“Los datos son el nuevo petróleo”
Datos = recurso omnipresente
Con los datos podemos dar forma para innovar y generar nuevos conocimientos
Datos son de fácil acceso, están a la disposición de la mayoría
“Los datos son el nuevo suelo” medio fértil y creativo
Visualizaciones de datos, infografía son como flores que crecen en el suelo
Hay que conectar los datos y relacionarlos para que dejen de ser solo datos sueltos y sin conexión alguna.
Con la visualización de datos re pueden revelar diferentes patrones
Ejemplo: gráfico de las actualizaciones de estado de Facebook en un año
Hay muchos datos, pero si se preguntan las cosas de cierta forma y con cierta dirección cosas muy interesantes pueden surgir
Ejemplo: el CV del charlista en grafico
Ahora todos somos visualizadores y exigimos un rasgo visual a al info
Info en forma visual no cuesta esfuerzo, entra casi por los poros
Encontrarse con un grafico lindo es como un alivio en un mar de datos
Ejemplo: los sentidos representados gráficamente se ve que la visión actúa igual de rápido que un computador. La mayor parte es visual y es inconsciente.
El ojo es muy sensible a los patrones de variaciones de color y forma = LENGUAJE DEL OJO
Se hablan 2 leguajes simultáneamente leguaje visual y lenguaje verbal (cada uno mejorando al otro). Ambos lenguajes trabajan al mismo tiempo.
Podemos usar este nuevo tipo de lenguaje para modificar nuestra perspectiva o cambiar nuestras opiniones
Ejemplo: el presupuesto militar de EE. UU. visto en gráfico sabemos por hecho que es el más grande, pero con el gráfico podemos dimensionar que tan grande es, a cuantos países equivale, etc. Pero hay que poner estos datos en perspectiva ya que si no se piensa que a lo único que se dedica EE. UU. es a lo militar. Hay que saber que EE. UU. es extremadamente rico. Su presupuesto militar es proporcional a su riqueza. Hay que traer otros datos como el PIB para poner en perspectiva.
Cifras absolutas, como es el caso del presupuesto militar, en un mundo conectado no proporcionan la visión completa. No son tan ciertas como podrían ser. Necesitamos cifras relativas que se conecten con otros datos para poder ver un panorama más completo y es esto lo que nos lleva a cambiar nuestra perspectiva.
“Dejemos que los datos cambien la forma de pensar” si se puede hacer esto, tal vez también se puede cambiar la conducta.
Ejemplo: relación entre eficacia y popularidad de los suplementos alimenticios como la vitaminas. Pero también se ve la cantidad de evidencia que hay para cada uno.
Información en forma visual es una forma de comprensión de conocimiento. Se comprime una cantidad gigantesca de info y entendimiento en un espacio pequeño.
Luego se puede hacer cosas con esa info ya filtrada y clasificada. Ejemplo: crear una app
Ahora la información está viva ya que hay retroalimentación constante y se está actualizando a cada segundo la imagen/gráfico se autogenera
Pero esto puede ir más allá como es el caso de las ideas y los conceptos
Ejemplo: visualización del espectro político, conceptos de forma visual ayuda a ver cómo piensan los otros. Es muy distinto ver una perspectiva política al contrario de escucharla o forzar a decirla.
Ver como los datos pueden cambiar la perspectiva /el punto de vista y modificar la forma de pensar
El diseño se trata de resolver problemas y ofrecer soluciones elegantes.
Y el diseño de la información se trata de resolver problemas de info.
Actualmente tenemos muchos problemas de info en nuestra sociedad, desde la sobrecarga y saturación hasta la ruptura de la confianza y la fiabilidad, el escepticismo y la falta de transparencia.
Visualizar la info nos puede dar una solución muy rápida a este tipo de problemas.
Aunque la info sea terrible, lo visual puede ser muy hermoso. Nos puede dar claridad o la respuesta a una pregunta de forma simple y rápida
Ejemplo: gráfico de las emisiones de CO2 y vemos que no son los volcanes si no que los aviones lo que emiten mas CO2
2. Machine learning: The wonderful and terrifying implication of computers that can learn (Jeremy Howard)
https://www.ted.com/talks/jeremy_howard_the_wonderful_and_terrifying_implications_of_computers_that_can_learn
Machine learning = aprendizaje automático
Antes para que un computador hiciera algo nuevo había que programarlo
Programar requiere especificar una cantidad muy grande y específica de pasos para que el computador los ejecute para poder alcanzar un objetivo
Arthur Samuel:
· Tiene el reto de hacer algo que nunca se había hecho. En 1956, quería hacer que su computador pudiera ganarle a las damas 
· ¿Cómo se puede diseñar un programa teniendo en cuenta el más mínimo detalle que sea mejor que sí mismo en las damas?
· Idea = hizo jugar al computador contra sí mismo miles de veces y le hizo aprender a jugar a las damas
· En 1962, este computador había ganado la competencia estatal de Connecticut
· FUE EL PADRE DEL APRENDIZAJE AUTOMÁTICO
Kaggle: 
· comunidad de unos 200 000 profesionales del aprendizaje automático
· contribuye con la competencia para tratar de resolver problemas anteriores no resueltos, y tuvo éxito cientos de veces
Se descubrió mucho sobre lo que el aprendizaje automático hizo en el pasado, puede hacer hoy y podrá hacer en el futuro.
Uno de los mayores éxitos del aprendizaje automático en el merc fue Google demostró que es posible encontrar info usando un algoritmo informático y ese algoritmo se basa en el aprendizaje automático.
Desde entonces, ha habido muchos éxitos comerciales del aprendizaje automático. Ejemplos: Amazon, Netflix sugerir productos que pueden interesar para comprar, películas que pueden interesar para ver.
Incluso puede ser escalofriante. Ejemplos: LinkedIn, Facebook dicen, en ocasiones, cuáles pueden ser tus amigos y uno no tiene idea de cómo lo han hecho y es pq hace uso del poder del aprendizaje automático. 
Estos son algoritmos que han aprendido cómo hacerlo a partir de los datos en lugar de ser programados a mano.
Así es también como IBM tuvo éxito en conseguir que Watson ganara 2 campeonatos mundiales de “Jeopardy” respondiendo preguntas increíblemente ingeniosas.
También es por eso, que podemos ver los primeros autos sin piloto. Si pueden diferenciar entre, por ejemplo, un árbol y un peatón, es algo muy importante auto ha conducido miles de km sin tener accidentes en carretera.
No sabemos diseñar estos programas manualmente, pero con el aprendizaje automático es posible.
Sabemos que los computadores pueden aprender y pueden aprender a hacer cosas que, de hecho, nosotros, a veces, no sabemos hacer, o las pueden hacer mejor que nosotros.
Uno de los ejemplos + sorprendentes del aprendizaje automático:
· proyecto dirigido en Kaggle donde un equipo dirigido por un chico llamado Geoffrey Hlinton ganó un concurso para el descubrimiento automático de medicamentos 
· batió a todos los algoritmos creados anteriormente e incluso desafió a la comunidad académica internacional 
· LO + IMPACTANTE ES QUE NADIE EN EL EQUIPO TENÍA EXPERIENCIA EN QUÍMICA/BIOLOGÍA Y LO LOGRARON EN 2 SEMANAS
· Uso de un algoritmo extraordinario llamado aprendizaje profundo (deap learning) = algoritmo inspirado en el cerebro humano no tiene limitaciones teóricas en lo que puedehacer. Mientras + datos y tps de cálculo uno le dé, mejor funciona.
Otro ejemplo es que los computadores pueden escuchar y comprender traducción de videos a texto como subtítulos en distintos idiomas.
Aprendizaje profundo es extraordinario es solo un algoritmo que parece hacer casi cualquier cosa, incluso es capaz de ver reconocer señales de tránsito. NO SOLO RECONOCE SEÑALES, SINO QUE LA CLASIFICÓ MEJOR QUE LAS PERSONAS.
Computadores pueden ver mejor que las personas
Google tiene algoritmo de aprendizaje profundo para que viera videos en YouTube el computador aprendió a ver conceptos como personas y garos solo viendo los videos 
SE PARECE MUCHO AL APRENDIZAJE HUMANO aprendemos solos qué son las cosas por medio de la vista
Las máquinas están haciendo un trabajo increíble aquí y están siendo usadas en la industria. Ejemplo: Google anunció que había cartografiado cada sitio de Francia en 2 hrs y lo hizo alimentando con imágenes de las calles al algoritmo de aprendizaje profundo para reconocer y leer los números de las calles ANTES ESTO HUBIERA SIGNIFICADO MUCHAS PERSONAS Y MUCHO TIEMPO
Ejemplo: En China, Baibu usa el mismo sistema de aprendizaje profundo para reconocer una imagen de un Golden retriver entendió que era la imagen y encontró imágenes similares SOLO SE SUBIÓ UNA FOTO, NO SE DIJO NADA MÁS
Ahora tenemos computadores que entienden lo que ven y entonces pueden buscar bases de datos de cientos de millones de imágenes en tps real
¿Qué significa/implica que los computadores puedan ver?
· No es solo que los computadores puedan ver
· Aprendizaje profundo ha hecho + que eso
· Frases complejas y llenas de matices son ahora comprensibles con algoritmos del aprendizaje profundo (puede ver que una frase está expresando un sentimiento negativo)
· El aprendizaje profundo está cercano a la conducta humana en lo que es comprensión de lo que significan las frases y lo que se está diciendo sobre esas cosas
· Aprendizaje profundo se ha usado también para leer chino, a un nivel casi de hablante nativo (algoritmo creado en Suiza y nadie hablaba ni entendía chino) = Aprendizaje profundo es el mejor sistema del mundo para esto hasta comparándolo con el conocimiento humano.
Es muy distinto Google que entiende a partir de decodificar el texto en cambio sistemas de aprendizaje profundo comprenden el texto y dan una imagen sin otra instrucción y buscan de una base de datos que son imágenes.
Los computadores no solo ven, sino que pueden leer y también pueden entender lo que oyen. Además, pueden escribir.
Si juntamos esto nos lleva a oportunidades apasionantes. Ejemplo: en medicina dato sobre tumores que ayudan a los médicos a hacer un diagnóstico de un cáncer, máquinas hacen diagnósticos que son incluso mejores que los diagnósticos humanos PREDICCIONES MÁS PRECISAS Y GENERACIÓN DE UNA NEUVA CIENCIA REVELADORA. 
Acá hay una combinación de médicos expertos y expertos del aprendizaje profundo. PERO, se está dando un paso + allá se está llegando a hacer diagnósticos solo con algoritmos de aprendizaje profundo.
Teoría parece sugerir que podía ser posible crear una empresa medica sin tener conocimientos en medicina y sólo tener conocimientos en aprendizaje profundo hacer medicina muy útil usando solo técnicas de información analítica. Que el proceso de análisis de datos lo haga una máquina y dejar que los doctores se enfoquen en lo que son mejores.
Ejemplo: nos toma unos 15 min crear una prueba de diagnóstico médico y en el video se demostró en tps real que se logró comprimir el tiempo a 3 min. En vez de mostrar cómo crear una prueba de diagnóstico médico, se mostró una prueba de diagnóstico a través de imágenes.
AHORA EL HUMANO Y EL COMPUTADOR PUEDEN TRABAJAR JUNTOS
Sistemas de aprendizaje profundo están en un espacio de 16 00 dimensiones y el computador rota datos en ese espacio intentando encontrar nuevas áreas de estructura. Y cuando lo hace con éxito, la persona que lo maneja puede, entonces, señalas las áreas de interés. A veces puede ser difícil para el algoritmo se seleccionan manualmente las partes de interés 
Se entrena el algoritmo de aprendizaje profundo a través de la retroalimentación se espera que el algoritmo mejore humano va dando pista al computador para que el algoritmo mejore y se tenga un resultado óptimo
Este es un caso en el que la persona no es reemplazada por un computador, sino que trabajan juntos.
Estamos reemplazando algo que solía necesitar de un equipo de 5 o 6 personas durante 7 años por algo que lleva 15 minutos con una sola persona trabajando.
Se necesitan muchas iteraciones del algoritmo para que mejore y tenga más precisión/ minimizando los errores se tiene mayor éxito en el programa. Luego entender que cosas pequeñas no está clasificando bien el algoritmo y por qué
Este tipo de técnica nos permite arreglar un problema mayor que es que hay una falta de conocimientos médicos en el mundo hay una falta enorme de médicos en el mundo y esto se puede solucionar aumentando la eficiencia de los médicos usando estos métodos de aprendizaje profundo 
HAY OPORTUNIDADES, PERO TAMBIEN HAY PREOCUPACIÓN EN TÉRMINOS DE LOS PROBLEMAS
Es difícil predecir qué trabajos se van a necesitar en el futuro ya que el conocimiento humano crece a un ritmo gradual, pero ahora tenemos un sistema, el aprendizaje profundo, que sabemos que crece en capacidad exponencialmente
Hay que pensar en esta capacidad de los computadores ahora 
En época industrial, productividad mejoró considerablemente con la creación del motor/generador, pero tiene un límite del mejoramiento de la productividad.
LA REVOLUCION DEL MACHINE LEARNING VA A SER MUY DISTINTA A LA REVOLUCION INDUSTRIAL, revolución del machine learning nunca termina, sigue creciendo. Cuanto mejores son los computadores, mejores computadores se crearán para que mejoren su capacidad intelectual.
Entonces va a ser una especie de cambio que nunca había experimentado el mundo antes, por lo que el entendimiento previo de lo posible es diferente. 
Y esto ya está impactándonos ahora.
 
En los últimos 25 años, la productividad del K se ha incrementado, pero la productividad laboral se ha mantenido, incluso ha descendido
Lo que piensa la gente = los computadores no pueden realmente pensar, no tienen sentimientos, no entienden poesía, no entendemos realmente cómo funcionan
Actualmente los computadores pueden hacer cosas en las que las personas gastan su tps y les pagan por ello así pues ahora tenemos que empezar a pensar sobre cómo vamos a ajustar nuestras estructuras sociales y económicas para ser conscientes de esta nueva realidad.