Tag: Inteligencia Artifical
Todos acabamos cayendo, por mucho que reneguemos, en las tendencias del momento. Tras un repaso al 2018, y por lo que hemos podido ir viendo en los primeros días de 2019, os traemos 5 de las tendencias en Marketing Digital que creemos serán las principales de este nuevo año, y que seguro utilizarás en tus próximas estrategias.
1. Vídeo marketing.
Teniendo en cuenta que a día de hoy, Youtube es el segundo motor de búsqueda más empleado a nivel mundial, todo apunta a que en este 2019 el contenido audiovisual se intensificará y seguirá teniendo una gran aceptación. Para comprobarlo, sólo hay que probar a publicar el mismo contenido en un post y en un vídeo, podemos afirmar casi con total seguridad que el que tendrá mayor alcance y repercusión será el vídeo, a pesar de poseer ambos la misma información. Esto se debe, en buena parte, al tipo de consumo de la información que realizamos actualmente.
Según la revista Forbes, en 2019 el 80% de los vídeos publicitarios será programático, lo que lo convierte en una de las grandes tendencias de este año. Gracias al empleo del Big Data, este tipo de vídeos enfocados a la publicidad permiten al anunciante una mayor segmentación, lo que aumenta la rentabilidad de su inversión. Además, posibilita la comunicación con una audiencia hiperconectada aportándole una experiencia única y hecha a su medida, lo que mejora considerablemente su percepción de la marca.
2. Chatbots
La mensajería instantánea es una de las formas favoritas de los usuarios para ponerse en contacto con la empresas, pero siempre y cuando estas ofrezcan un servicio de calidad que no les haga estar esperando horas tras la pantalla.
Hoy en día, son muchas las empresas que emplean plataformas como Whatsapp Business y Facebook Messenger para estar en contacto con los clientes. Este tipo de aplicaciones están conectadas a los llamados Chatbots, un tipo de tecnología que es capaz de simular conversaciones humanas utilizando un programa informático.
A través de un Chatbot, la empresa es capaz de automatizar las tareas repetitivas y burocráticas del servicio de atención al cliente, lo que la libera para poder enfocarse a otras áreas que requieren mayor atención. Además, supone un ahorro de costes en personal y agiliza el servicio.
Entre los inconvenientes que posee, el más destacable es que requiere una gran inversión inicial. Por otro lado, tampoco se puede decir que sea efectivo para todo tipo de servicio o mercado (está principalmente enfocado al E-commerce), pero gracias a la Inteligencia Artificial está consiguiendo poco a poco diversificarse y adaptarse, lo que le convierte en una gran apuesta.
3. Voice Search
Las empresas cada vez van a tener más en cuenta las búsquedas por voz o voice search a la hora de realizar sus estrategias de marketing digital. Esto se debe principalmente a tres factores:
- El aumento de las búsquedas por voz por parte de los propios usuarios, puesto que suponen un ahorro de tiempo y esfuerzo.
- El gran impacto en el SEO que genera. Al no tratarse de búsquedas escritas y generar una mayor descoordinación semántica, los buscadores tienen en cuenta la intención y el contexto que hay detrás de la búsqueda, además de interpretar el significado de las palabras. Esto, convierte a la búsqueda por voz en una variable que se debe considerar al posicionar la marca.
- La incorporación de dispositivos de hogar inteligentes, como Alexa de Amazon. Este tipo de gadget, aporta al voice search otros usos y lo amplía a otros dispositivos, eliminando la exclusividad que poseían los smartphones con este método.
4. Fast content o contenido inmediato
Vivimos en una sociedad acelerada, y así es como consumimos el contenido. Necesitamos algo que se pueda ver rápido y no requiera prestarle atención durante mucho tiempo, de ahí que el contenido en formato audiovisual sea el más consumido: es rápido, no requiere mucha atención, y es de fácil acceso gracias a los dispositivos móviles.
Un ejemplo de este tipo de contenido son los ya conocidos Stories, los cuales van a seguir siendo tendencia a lo largo de este año. Y es que, no solo Instagram, Facebook y Snapchat serán los que mantengan esta forma de fast content, sino que hasta Google lo va a tener en cuenta en sus resultados de búsqueda al haber creado AMP Stories. Por lo que comentan desde la compañía, el funcionamiento será similar al de Snapchat pero tendrá como objetivo dar la posibilidad a los editores de contenido de crear de forma más rápida sus artículos en sus dispositivos móviles, pudiendo hacerlos más atractivos para el público al incluir una imagen o vídeo, igual que si lo compartieran en las redes sociales.
Cabe destacar que, el hecho de que sea fast content, no significa que el contenido posea menor calidad, todo lo contrario. Es muy importante que sea útil y aporte un valor añadido al usuario para que este siga consumiéndolo. Por tanto, podríamos decir que es necesario apostar por el contenido inmediato que además deje huella en el usuario.
5. Realidad aumentada y realidad virtual
En relación con el punto del vídeo marketing, encontramos estos dos conceptos relativamente novedosos pero cada vez más presentes en nuestras vidas. Se trata de tecnología que permite la interacción con el usuario mediante la generación de un entorno visual. La realidad virtual y la aumentada, se están convirtiendo en elementos muy utilizados por las estrategias de marketing de grandes empresas debido a su capacidad de influencia sobre la decisión de compra del consumidor.
Por suerte para las pequeñas compañías, no paran de desarrollarse programas que hacen accesible esta tecnología con la que pueden alcanzar diversos objetivos como: conseguir interacción e inmersión entre marca y cliente, acercar la experiencia del producto o servicio al usuario o proyectar como característica de la marca la innovación
Un ejemplo de su uso, lo podemos encontrar en ciertos anuncios que se encuentran en Facebook, los cuales nos permiten probarnos productos como gafas o maquillaje desde casa.
Por Jaime Martel Romero-Valdespino es CTO en Intelligent Information Technologies SL
LinkedIn
Llamamos “hibridación de datos” a los procesos que permiten generar un conjunto de datos único y listo para ser utilizados, desde herramientas informáticas, a partir de fuentes de datos heterogéneas y con distintos grados de estructuración. En nuestra experiencia la “hibridación de datos” suele requerir al menos cuatro pasos: estructuración, homogenización, armonización y enriquecimiento.
Actualmente, la hibridación de datos en el sector industrial está mucho menos presente que en otros sectores como servicios o retail. Siendo la predicción de la demanda el caso más habitual, en el mundo industrial, dónde se realiza una “hibridación” previa de los datos internos de ventas con otros datos (ej. meteorología, geodemografía, trafico, festivos, etc). Salvando el caso de previsión de demanda, dentro de las plantas industriales suele ser mucho menos habitual encontrar casos “potentes” de hibridación de datos, pero esto no quiere decir que no sea necesario. Así es habitual, en muchas empresas industriales, que los sistemas de información no estén integrados con las máquinas y cuando lo están, suele ser una integración encaminada a un propósito operativo (ej. trazabilidad) y no a la obtención de unos datos de calidad que permitan su uso por sistemas de inteligencia.
Sistemas Productivos e Hibridación de Datos
Cualquier intento de desplegar sistemas de inteligencia para la mejora de la producción en plantas industriales debe haber sido precedido por un análisis de la disponibilidad de datos para alimentar el sistema y del coste asociado de obtención. Así, por ejemplo, tiene poco sentido implantar un sistema inteligente de planificación de operaciones (scheduling) en un taller si no tenemos automatizado la captura de datos necesario para actualizar el sistema de planificación. Pues muy pronto las planificaciones quedarán obsoletas o se requerirá una importante dedicación de recursos humanos para mantener el sistema actualizado.
En general, en los sistemas de producción, los datos serán internos, pero su hibridación presenta retos similares a los que se encuentran con datos externos. A continuación, vamos a describir un caso basado en nuestra experiencia.
En el taller en cuestión, que trabaja bajo pedido, la primera necesidad planteada era disponer de un sistema que les permitiese tener un seguimiento de tiempos y costes de cada trabajo en planta, para posteriormente poder generar inteligencia encaminada a ayudar a:
- La confección de presupuestos (ej. aprendizaje de unidades de repercusión y los factores que les afectan)
- La detección de desviaciones anómalas (ej. tiempos de procesamientos que los modelos de inteligencia no sean capaz de explicar)
- La detección de patrones de interés (ej. trabajadores con productividad alta),
El taller disponía de un ERP con información de los pedidos y materiales, un sistema CAD para el diseño de las piezas, partes manuales (papel) de producción y controles periódicos de calidad que eran volcados manualmente al ERP. Toda esta información no estaba integrada por lo que la implementación de cualquier sistema de inteligencia era imposible. Se partió de un análisis de disponibilidad de datos y a partir de dicho análisis se elaboró un plan de acción con las siguientes acciones:
- Nuevas fuentes de datos. Se detectaron falta de datos imprescindibles para cubrir las necesidades planteadas. Para ello, se incorporaron nuevos sensores desarrollados ad-hoc para algunas máquinas así como la introducción de tablets con aplicaciones específicas como alternativa a los partes manuales y el desarrollo de un extractor para obtener del ERP aquellos datos de interés para el sistema de inteligencia.
- Desarrollo de un sistema de hibridación de datos que partiendo de las distintas fuentes de datos fuese capaz de hibridarlas y volcar a un repositorio único los datos. Este sistema no podía ser totalmente automático ya que necesitaría cierta supervisión de la oficina técnica.
- Estructuración de datos. Información muy importante para el proceso de producción y generación de inteligencia se encontraba en formato de planos CAD. Estos son datos poco estructurados que no pueden ser utilizados directamente, pero que una vez estructurados pueden generar datos de gran interés para el proyecto. Se decide abordar mediante un proyecto de I+D la generación de modelos de inteligencia que permitan estructurar los datos de los sistemas CAD.
También puedes leer este post en el Blog de #CIC40
La mayoría de la información ofrecida por instituciones, diputaciones y otros organismos públicos, popularmente conocida como Open Data, es digitalizada y publicada a través de diferentes canales en Internet. Estos datos abiertos pueden ser tanto disposiciones de licitaciones, ayudas, subvenciones, multas de tráfico, oposiciones, concursos oficiales, etc. Este tipo de información es buscada día a día por diversos usuarios y empresas de diferente índole que desean consultar estas bases de datos de Open Data.
Pero, claro, toda esta información no está estructurada (desordenados) y cada dato está publicado en una web diferente bajo un formato distinto (PDF, HTML, XML,…). Hoy en día no existe una página pública o herramienta comercial que aglutine y extraiga todos estos datos descritos bajo una misma web. Tampoco existe un protocolo o normalización estándar de “cómo se deben publicar”.
Además de la gran heterogeneidad del Open Data (origen y formato), en el 95% de los casos, esa información no está estructurada y necesita un tratamiento por una persona para que sea útil. Si se tiene en cuenta la cantidad de canales a extraer y el volumen de información publicado, incluso considerando sólo lo publicado diariamente, se hace inmanejable para una persona.
En resumen, la situación de partida es que estamos ante un gran volumen de datos que requiere la necesidad de una herramienta que facilite la consulta y extracción de estos datos. Gracias a la inteligencia artificial y el Machine Learning (aprendizaje automático), tenemos la solución: NetOpenData. Se trata de una herramienta que facilita el acceso a los datos del sector público y open data. Se trata de un servicio para acceder a la información de forma estructurada y bajo un solo paraguas, una sola web.
¿Cómo funciona el sistema de inteligencia artificial diseñado?
La innovación principal de NetOpenData parte de obtener, procesar y ofrecer este tipo de información de forma estructurada siguiendo un enfoque automático. Para ello se han aplicado diferentes técnicas de aprendizaje, siguiendo un enfoque supervisado relacionado con:
- El Procesamiento del Lenguaje Natural
- La Inteligencia Artificial
- El Machine Learning
- La Minería de Datos
- Y la extracción de información
Se han desarrollado sistemas capaces de dar solución a la extracción masiva de recursos a partir de Internet, la segmentación de textos, la clasificación de textos y la extracción de información en textos. Además, de cara a la extracción masiva de información se ha hecho uso de herramientas pensadas para este tipo de entornos que permitan trabajar desde una perspectiva paralela capaz de organizar el trabajo siguiendo un enfoque escalable y distribuido ya que de otra forma el sistema no es capaz de procesar toda la información recogida.
Otros de los puntos fuertes de NetOpenData es la utilización de las últimas tecnologías de almacenamiento. Sistemas que surgieron hace poco y están adaptadas a los procesamientos de información en tiempo real. Esto es una ventaja debido a que desde su base de creación se están enfocando a problemas actuales como cargas masivas de datos (Big Data) o tiempos de respuesta y almacenamiento bajos, una gran problemática que les cuesta solventar a las bases de datos tradicionales, debido a la robustez que ya tienen.
¿Qué ventajas posee este sistema de Inteligencia Artificial?
- Permite extraer unos recursos concretos (Ej. Boletines Oficiales) a través de diferentes canales (Ej. Web de una Diputación) de una forma automática, teniendo en cuenta las peculiaridades de los datos a extraer, así como el uso que se le tiene pensado dar.
- Es capaz de tratar cada recurso extraído con el fin de obtener de él una información útil para el usuario:
- Segmentar el índice del contenido.
- Segmentar el contenido en disposiciones.
- Clasificar el idioma de la disposición.
- Clasificar las disposiciones en función a una taxonomía.
- Puede ordenar determinadas piezas de información según el idioma y el tipo de la disposición.
- Hace posible guardar de forma persistente tanto la información bruta como la estructurada fruto del tratamiento indicado anteriormente, teniendo en cuenta el uso que se le tiene pensado dar y el volumen generado.
- Ofrece al usuario el acceso a los datos de forma más práctica y eficaz posible, a través de una única página web que permite:
- la visualización y filtración de datos
- la descarga de disposiciones concretas
- la creación de alertas de disposiciones en base a una serie de filtros concretos.
¿Qué tipo de datos públicos puedes obtener con NetOpenData?
Boletines Oficiales, Patentes, Marcas, Ayudas, Nombres Comerciales, Contrataciones y Licitaciones. Toda esta información se estructura para puedas utilizarlo de forma fácil y sencilla en tu empresa o para que puedas montar servicios innovadores a partir de estos datos.
Por otro lado, en ITELLIGENT nos adaptamos a las necesidades de cada uno de nuestros clientes por lo que si tu empresa requiere otros datos diferentes a los que aporta NetOpenData o desea enlazar los datos de nuestro software con otras fuentes, también somos especialistas en hibridación de datos.
La era digital ha provocado una explosión de datos en todas las formas y desde todas las regiones del mundo. Esta explosión de datos, conocido como Big Data, no siempre están bien estructurados y no son accesibles. Se podría tardar que una persona pudiera manualmente extraer la información relevante de estos grandes datos desestructurados. Sin embargo, existen técnicas de Inteligencia Artificial que permiten la estructuración de los datos y posibilita la extracción de información útil de los mismos. Por este motivo, las empresas se dan cuenta el increíble potencial del Big Data & Inteligencia Artificial.
QUÉ ES DEEP LEARNING
Deep learning (aprendizaje profundo) es una nueva técnica dentro del aprendizaje automático (machine learning) basado en arquitecturas de redes neuronales. Está relacionado con algoritmos inspirados en la estructura y función del cerebro, de ahí el nombre redes neuronales artificiales. Las redes neuronales artificiales se construyen como el cerebro humano, con nodos de neuronas conectados como una red.
Mientras que los modelos tradicionales crean análisis con estructuras lineales, los modelos de deep learning se caracterizan por su estructura jerárquica permitiendo procesar los datos con un enfoque no lineal.
¿Qué tiene de especial el deep learning? Un modelo basado en deep learning puede aprender a realizar tareas de clasificación directamente a partir de imágenes, texto o sonido, etc. Sin necesidad de intervención humana para la selección de características, esto se puede considera la principal característica y ventaja del deep learning, llamada “feature discovering” .Pueden, además, poseer una precisión que supera al ser humano.
EN QUÉ CONSISTE, CÓMO FUNCIONA
Los modelos se entrenan mediante un amplio conjunto de datos etiquetados y arquitecturas de redes neuronales que contienen muchas capas.
La primera capa de la red neuronal procesa una entrada de datos brutos como por ejemplo una imagen, y la pasa a la siguiente capa como salida, este proceso se va repitiendo sucesivamente hasta completar todas las capas de la red neuronal. Por ejemplo, una imagen que comienza como una matriz de píxeles. Las características aprendidas en la primera capa puede ser por ejemplo, la aparición o no de ejes en una parte concreta de la imagen. La segunda capa detecta uniones de ejes. La tercera capa aprende combinaciones que correspondería a partes de objetos. La principal característica de este método es que estas capas realizan el descubrimiento de características sin intervención humana, aprendiéndolo directamente de los datos brutos.
El término “deep” (profundo) suele hacer referencia al número de capas ocultas en la red neuronal que pueden ser hasta 150 capas (las redes neuronales tradicionales solo contienen dos o tres capas oculta).
ARQUITECTURAS DEEP LEARNING
Hemos comentado que la mayoría de métodos de machine learning emplean arquitecturas neuronales, por lo que las arquitecturas de deep learning emplean modelización de redes neuronales, tales como:
- Deep Neural Network (DNN) o Redes neuronales profundas
- Convolutional Neuronal Network (CNN) ó Redes neuronales profundas convolucionales
- Deep Belief Network (DBN) o Redes de creencia profundas
CONVOLUTIONAL NEURONAL NETWORK
En este post nos centraremos en la arquitectura de deep learning, Convolutional Neural Network (CNN) que, traducido al español, se trata de Redes Neuronales Convolucionales. En este tipo de arquitectura se emplean modelizacion de redes neuronales artificiales donde las neuronas correspondes a campos receptivos -similar a las neuronas en la corteza visual V1 de un cerebro humano-. Este tipo de redes son muy efectivas para tareas de:
- Detección y categorización de objetos
- Clasificación y segmentación de imágenes
El objetivo de CNN es aprender características de orden superior utilizando la operación de convolución. Puesto que las redes neuronales convolucionales puede aprenden relaciones de entrada-salida (donde la entrada es una imagen), en la convolución, cada pixel de salida es una combinación lineal de los pixeles de entrada.
Pero, ¿qué significa “convolucion”? La convolución consiste en filtrar una imagen utilizando una máscara. Diferentes máscaras producen distintos resultados. Las máscaras representan las conexiones entre neuronas de capas anteriores. (INAOE).
Estas capas aprenden progresivamente las características de orden superior de la entrada sin procesar. Este proceso para aprender características automáticas es la característica principal del modelo de deep learning, llamado descubrimiento de características.
Las redes neuronales convolucionales se forman usando dos tipos de capas: convolucionales y pooling.(INAOE). La capa de convolución transforma los datos de entrada utilizando la operación matemática de convolución. La operación de convolución describe cómo fusionar dos conjuntos de información diferentes.
Después de la capa o capas de convolucion se usa una capa de pooling. La función de las capas de pooling es resumir las respuestas de las salidas cercanas. La principal característica de la capa de pooling son dos. Primero, la capa de pooling reduce progresivamente el tamaño espacial de los datos. Y segundo, la agrupación ayuda a obtener una representación invariable a una pequeña traslacion de la entrada.
Las redes neuronales convolucionales fueron algunas de las primeras redes neuronales aplicadas para resolver aplicaciones comerciales importantes. Un ejemplo de ello fue en la década de 1990, AT & T desarrolló un modelo de CNN para la lectura de cheques. También más tarde se desarrollaron muchos sistemas OCR basados en CNN. Actualmente, el interés por el deep learning se debe en gran parte a la victoria de Krizhevsky et al. en el desafío de imageNet.
