Foro Deep Learning

Nuevo Ideas sobre posibles implementaciones de algoritmos de machine learning en un
portal inmobiliario
VANESSA DE ARRIBA LÓPEZ (jun 13, 2019 9:31 AM) - Leído por: 35
Marcar como leído Responder
Por una parte, como empleada de un portal web inmobiliario, un primer
ejemplo claro de aplicación en el que utilizaría un algoritmo de machine
learning sería usar las imágenes para clasificar las casas según su tipo y/o si
tienen por ejemplo piscina, jardín etc. Esto se realizaría con una red CNN y
utilizando aprendizaje supervisado, con fotos de casas previamente
etiquetadas. A su vez, se podría también realizar un procesamiento del texto
que ha introducido el usuario que desea vender su casa, del cual se puedan
extraer palabras clave para rellenar campos.
Otra aplicación interesante sería, teniendo en cuenta todos los datos que ha
introducido el usuario, localización de la vivienda, si se encuentran servicios
cerca de ella etc. poder predecir si el precio de esa vivienda es adecuado para
sus características, e incluso, para algún comprador que esté interesado en
cierta vivienda, poder avisarle si el precio es negociable.
También sería interesante implementar un sistema de recomendación de
viviendas, que, basado en los datos de las viviendas ya vistas y/o marcadas
como favoritas, sea capaz de extraer las características que deseamos para
nuestra vivienda y, a partir de esto, pueda recomendarnos viviendas que nos
puedan interesar. Muchas de estas ideas están posiblemente ya
implementadas en los portales mencionados.
En idealista he observado que en algunas viviendas contienen un tour 3D por
la casa; una implementación que sería muy interesante sería tener la
posibilidad de ver dicha casa en 3D sin los muebles e, incluso, a partir de los
planos y nuestros gustos decorativos y entrenando un modelo con imágenes
de muchas formas de decoración que existen y que contenga una base de
datos de muebles, teniendo en cuenta el espacio de cada una de las
habitaciones de la casa que sea capaz de optimizar el espacio, combinar
colores, formas etc. o basarse en alguna casa en concreto para realizar la
decoración de interiores y así poder ser capaces de ver la “vivienda a nuestro
gusto” antes de adquirirla.
Un saludo,
Vanessa
Nuevo Re: Ideas sobre posibles implementaciones de algoritmos de machine
learning en un portal inmobiliario
ARITZ BERAZA GARAYALDE (jun 13, 2019 10:47 AM) - Leído por: 26
Quizás uno de los problemas de comprar vivienda es que normalmente en el centro de las
ciudades ya no es posible o la oferta es muy escasa. Comprarla en la periferia o en zonas
de nueva construcción es jugar a la ruleta rusa. Sin embargo se podrían usar modelos
deep learning que estudiasen tweets por hashtags sobre locales y actividades de los
vecindarios para saber qué barrios atraen a más gente y por tanto es de esperar que el
precio de la vivienda en esos barrios aumente (y sea una buena inversión). (Tweets o
cualquier otra actividad georreferenciable, uso de apps de running, peticiones y destinos
de uber, etc).
Además, usando algún sistema de clustering como k-means podríamos crear perfiles del
tipo de vecindario. Es decir, si la mayoría de la actividad es de gente sobre los 25 años y
hablan de bares y terrazas, recomendaremos ese barrio a jóvenes estudiantes, si el perfil
predominante es de personas de 50 años hablando sobre golf, estamos en un barrio
residencial de clase media-alta. (Usando tópicos para los perfiles para hacerme entender
mejor).
Otras mejoras sería dar información veraz sobre la accesibilidad real a servicios:
estudiando las lineas de transporte público, orografía, situación del inmueble y de los
servicios en los alrededores podría dar una valoración sobre cuan accesibles están.
Siendo una medida objetiva en lugar de tener que fiarse de la información poco veraz
que el anunciante añade al respecto. De forma inversa, podría usarse el mismo modelo
para dados unos puntos de interés (posición del trabajo, colegio y casa de los suegros) y
unas distancias máximas en tiempo (30minutos, 10 minutos 24horas, respectivamente) te
recomendase e inmuebles.
Entrando en el análisis del anuncio en si mismo. Robots podrían analizar el contenido del
texto y recomendar modificaciones para orientar el anuncio mejor a un público objetivo.
LSTM + Sensing orientado a un perfil de cliente.
Y algo que ya hacen los portales como predecir variaciones de precio de la vivienda por
regiones a partir del registro de precios del propio portal. Podrían enriquecerse los
modelos con más variables como la ya mencionada cercanía a servicios e inlcuso
incorporar planes urbanísticos en la zona.

ALEX FERNANDO RICAURTE SEGOVIA (jun 13, 2019 3:15 PM) - Leído por: 26
Aplicaría un algoritmo de machine learning para los datos de clientes con información de
lo que buscan. Creando redes que den las mejores probabilidades de lo que los clientes
buscan ademas de aprender gustos y aspectos que atraen a los clientes: como ubicación,
gustos en colores, cantidad de cuartos que buscan, número de familiares que se
encuentran en busca de una inmobiliaria.

LUIS PAZ Y MIÑO ESPINOSA (jun 14, 2019 1:33 PM) - Leído por: 25
Me gusta como suena todo. En España cuentan con base de datos libres a usar para
analizar esto?
Lo consulto mas por la ley Europea GDPR, y levantar toda esta data para entrenar
modelos sería bastante costoso.

RUBÉN LÓPEZ DÍEZ (jun 17, 2019 1:09 AM) - Leído por: 26
Por mi parte miraría la viabilidad de lo siguiente:
 Ordenación de resultados
 Clasificación de imágenes
 Detección de fraudes
 Match de vivienda - cliente
 Busqueda de posibles clientes (esto es un poco eutopía con la nueva ley)

VIRGILIO BENAVIDES HILGERT (jun 17, 2019 11:17 PM) - Leído por: 23
Elaborando sobre la idea de la transferencia de estilo de una vivienda a otra, sería muy
interesante poder ver mis muebles, cuadros y adornos en el espacio de otra vivienda que
me interese adquirir o alquilar. Generalmente esto requeriría de un entrenamiento con las
fotos propias que uno elige de su hogar o espacio. Eso permitiría encontrarse en esa
nueva vivienda con las pertenencias de uno y evaluar de una manera rápida si el color o
tamaño de mis muebles va con el espacio propuesto. Por que no y dirigir dentro del
"proyecto" de alquiler o compra dentro de la misma web a elegir nuevos
muebles/adornos que estén en venta (y con precio ajustado/descuento) a la medida para
el nuevo hogar, similares a los identificados en el hogar original, pero más orientados a
las tendencias identificadas en la clasificación socio demográfica del cliente, esta
información sería extrapolada de los valores incluidos en la ficha de registro del usuario.
JORGE ENRIQUE VICENTE HERNÁNDEZ (jun 20, 2019 12:45 AM) - Leído por: 22
Muy Buenas Ideas Vanesa,
Sería interesante adicionar data de geolocalizacion y en conjunto con las demás

características de la vivienda, incluyendo el precio, y el tiempo (en que periodo de
tiempo se publica la venta y cuanto tiempo se demoró en venderse).
Se podrá responder algunas preguntas de:cuando una casa se pondrá en venta, en que
zona y cuanto tiempo demorará en venderse.
SAludos!

JUAN CARLOS KING PÉREZ (jun 24, 2019 9:17 AM) - Leído por: 19
Excelentes ideas Vanessa. Solo con desarrollar una de las ideas seguro que sería un gran
éxito. Creo que lo más costoso sería crear los datos de entrenamiento, es decir, clasificar
las imágenes, etc. Pero adelante. Veo que tienes mucha iniciativa!! :)

PAOLA ANDREA LORA THOLA (jun 24, 2019 4:38 PM) - Leído por: 19
Buenas noches a todos,
Uno de los aspectos que me parece muy interesante conocer por parte de un usuario en
un portal inmobiliario, es si se puede permitir la casa que está mirando. Es decir, que le
indique si un banco le daría la hipoteca que necesita para esa casa en concreto.
Para ello necesitaríamos una tasación real del inmueble en base a la zona, condiciones,
etc. teniendo en cuenta como lo hace un verdadero profesional. Por lo tanto debemos
indicarle al usuario la tasación real que tendrá en cuenta el banco.
Por otro lado necesitaremos datos personales del usuario como salario, tipo de
contratación laboral, otros préstamos, etc. y en base a toda esta información deberíamos
ser capaces de indicarle las posibilidades de que un banco le realice la hipoteca necesaria
para ese inmueble.
Debemos de hacernos con una gran base de datos capaz de indicarnos si el usuario es
apto para el préstamo que necesita, indicándonos qué porcentaje de dinero debe tener
ahorrado, cuanto se gastará en gastos hipotecarios, todos los tipos de hipotecas, etc.
Nuestra red neuronal debería de ser de tipo supervisado, para ello necesitaríamos bases
de datos con préstamos bancarios reales para entrenar nuestro modelo, y a partir de ellos
indicar los datos de nuestro usuario actual e indicarle sus posibilidades.
Saludos.

CESAR ADRIAN CUESTA SANCHEZ (jun 24, 2019 5:35 PM) - Leído por: 19
Teniendo en cuenta el problema planteado se me ocurren las siguientes ideas que podrían
ser implementadas con nuestra amada IA:
 Geolocalización: Teniendo en cuenta los datos de geolocalización de los usuarios

que consultan el portal inmobiliario se podrían crear soluciones que no solo
ubiquen a los potenciales cliente con viviendas cerca de su historial de
localizaciones al momento de la consulta, sino que también tenga en cuenta el
estrato socioeconómico desde donde se realiza la búsqueda, para que
automáticamente se le puedan ofrecer viviendas que se adapten a su localización.
 Aprendizaje de los hábitos del cliente: Teniendo en cuenta búsquedas frecuentes
de un cliente se puede idear mecanismos de aprendizaje automático que logren
aprender de dichas búsquedas y que adicionalmente se alimente de búsquedas de
clientes con características similares, con el fin de que se le puedan ofrecer
automáticamente viviendas relacionadas con sus gustos.
 Alertas personalizadas: Teniendo en cuenta sus hábitos de búsqueda se puedan
crear alertas automáticas personalizadas que se le envíen por diferentes medios
cuando existan nuevas ofertas de viviendas que se adapten a sus preferencias.
 Aprendizaje del cliente: Teniendo en cuenta no solamente las búsquedas en el
portal inmobiliario sino, búsquedas en diferentes motores de búsqueda y
publicaciones en redes sociales se le pueda ofrecer experiencias personalizadas a
los potenciales clientes con sus gustos.
 Búsqueda por medio de fotografías: Que los clientes puedan subir una fotografía
de la casa que desean y el algoritmo le muestre automáticamente casas relacionadas
con la misma, en áreas de preferencia del cliente, y en ubicaciones de su interés.

ANGEL GONZALEZ TEJEDOR (jun 30, 2019 11:53 AM) - Leído por: 19
Utilizar la Inteligencia Artificial Deep Learning Para Empresas en un tema que en los
últimos años se ha venido evolucionando de tal forma que se pueden utilizar los
conjuntos de datos recolectados de los clientes para buscar patrones o similitudes que nos
puedan ayudar en la tomas de decisiones.
Los diferentes algoritmos pueden ser entrenados con loas datos que se han obtenido y
guardado de los clientes para que nuestro programa pueda aprender y por consiguiente
poder tomar decisiones de la misma forma como lo haría un ser humano.
En lo que respecta al tema empresarial la inteligencia artificial esta puede ser utilizada
para detectar patrones de comportamiento que sirven para la toma de decisiones mas
eficientes.
Para este caso los datos recolectados, depurados y debidamente clasificados son los
ingredientes claves y que pueden ayudarnos a que nuestro algoritmo puede trabajar con
mas eficiencia y rapidez.
Aunque algunas veces se dice que el origen y el formato de los datos no es relevante
debido a que el aprendizaje profundo debe ser capaz de asimilar una gran diversidad de
datos el depurar estos pude ser muy útil a la hora de hacer el uso de estos.
Creo que para el caso inmobiliarios se puede usar la Inteligencia artificial para detectar
comportamientos del mercado en cuanto a los precios del mercado y poder hacer
proyecciones futuras en cuanto a estrategias de mercadeo. Esto puede facilitar la labor de
los vendedores y analistas de mercado por lo que puede ahorrar tiempo y dinero.
Foro 2
Nuevo Aplicación de deep learning en Realidad Aumentada

JORDI LINARES PELLICER (jun 14, 2019 4:49 AM) - Leído por: 26
Uno de los campos en los que más trabajo actualmente es la Realidad Aumentada. Como
muchos sabréis, la realidad aumentada pretende solapar información sintética sobre nuestra
visión de la realidad, de forma que pueda asistirnos en nuestras acciones diarias o tareas
laborales.
Nosotros tenemos muchos desarrollos con dispositivos móviles y actualmente estamos ya

experimentando con los primeros dispositivos basados en gafas (lo que llamamos optical-
see-through augmented reality).
Este tipo de gafas ya están disponibles en el mercado con dos claros perfiles:
- Smartglasses, dotadas de micrófono, altavoces, cámara y visor (a modo de pantalla en una

esquina o la parte central). Por ejemplo, las Vuzix Blade.
- Dispositivos como Hololens o Magic Leap que además de lo anterior, son capaces de
reconocer en 3D el entorno y realmente superponer información sintética sobre la visión
real del usuario, en perfecta alineación (realidad aumentada en estado puro).
Nosotros estamos ya utilizando en entornos industriales las primeras y tenemos muchas

esperanzas en las posibilidades de las segundas (sobre todo cuando sean más económicas y
con mayores prestaciones).
El deep learning puede ayudar enormemente al desarrollo de aplicaciones de gran interés

usando estos dispositivos. Os pongo algunos ejemplos que nos estamos planteando
investigar y probar:
- Asistencia técnica en procesos industriales o trabajos de reparación y mantenimiento. En

estos entornos se trata de que el usuario de las gafas reciba detalladas instrucciones de las
tareas a realizar. Para ello es necesario que, con la cámara del dispositivo, utilicemos deep
learning (CNN por ejemplo) para detección de objetos (no sólo encontrarlos sino
señalarlos). Dado que el operario tiene las manos generalmente ocupadas, soluciones de
‘speech recognition’ también son importantes para la interacción con voz (e incluso
chatbots para flexibilizar la comunicación con lenguaje natural).
- Otro uso que nos despierta gran interés es la utilización de estos dispositivos con gente
con discapacidad (diversidad funcional). Ante cualquier problema sensorial, la utilización
de estas smartglasses com cámara, altavoz y micrófono puede convertirse en un ‘nuevo’
sentido/s. Por ejemplo, el uso de ‘image captioning’ (como lo comentado por Alfredo en
una magistral) puede ser muy interesante en este contexto en ‘narrar’ lo que la cámara ve
por voz a gente con discapacidad visual.
- Por supuesto, el uso de estos dispositivos en población en general combinado con

soluciones de deep learning pueden convertirse en el futuro sustituto de nuestros teléfonos
móviles, tal y como han vaticinado los CEO de Apple y Google.
Nuevo Re: Aplicación de deep learning en Realidad Aumentada

LUIS PAZ Y MIÑO ESPINOSA (jun 14, 2019 1:38 PM) - Leído por: 23
Que interesante, donde trabajas y están dedicados a desarrollar todo eso?
Sobre las gafas, al ser estas pequeñas y no tener espacio para hardware, al final estas
están conectadas a internet (servidores) donde envían y reciben toda la información
procesada?
De ser el caso, con la pronta implementación del 5G considero que esto será una gran
revolución en el campo de la Realidad Aumentada.

Trabajo en la universidad y estoy en un grupo de investigación centrados en realidad

virtual y aumentada, entre otras cosas.
Hay gafas con todo el hardware, por ejemplo las Vuzix, basadas en Android, al estilo
de las Google Glass... el problema es: procesamiento limitado, vida de batería
limitado, calentamiento excesivo.... pero van mejorando versión tras versión.
Pero sí, utilizamos muchos servicios Cloud desde las gafas, como IBM Watson,
Google Cloud, wit.ai para chatbots etc.

JOSE JUAN LAGUNAS GARCIA (jun 14, 2019 10:24 PM) - Leído por: 23
A pesar de que lo que se menciona en esta entrada está fuera del alcance propuesto para
este foro reconozco que se ha planteado con detalle y el tema es muy interesante.
El planteamiento logra ampliar las aplicaciones del aprendizaje profundo que hemos
visto en clase que dan la sensación de que estamos ante una nueva forma de hacer
computación.
Gracias por compartirlo.

Muy interesante, también estoy dentro del desarrollo de APPs móviles. Entiendo que la
computación necesaria para IA se haria en un SmartPhone no en la propia gafa
¿Correcto?.

No necesariamente. Gafas como las Vuzix M300 o Blade son completos dispositivos
Android y puedes hacer muchas cosas. Lo que sí gastamos muchas veces son servicios
cloud como IBM Watson, Google Cloud, wit.ai (chatbots) etc. para resolver problemas
de visón, speech recognition etc.

FRANKLIN GUSTAVO SANTILLÁN SACOTO (jun 17, 2019 10:11 AM) - Leído por:
23
Son bastante interesantes las propuestas y en verdad es un tema que me interesa mucho.
Aproximadamente cuanto duran las baterías de las gafas de realidad
aumentada? Realmente aun se tienen muchas limitaciones técnicas en hardware como
para tener dispositivos comerciales con esas prestaciones, aunque no deja de ser
interesante. En los proximos años con las nuevas baterías de grafeno muchos problemas
con respecto a la portabilidad e independencia energética podrían ser solucionados.

Tienen una duración bastante limitada, pero con un complemento extra, una especie de
'petaca' que puedes ponerte en el cinturón (batería extra), puede aguantar una jornada
de trabajo (8 horas). Al menos es el caso de las que estamos probando ahora, las Vuzix
M300.

EDGAR SALAZAR FABIÁN (jun 17, 2019 8:20 PM) - Leído por: 21
Realidad Aumentada en la Industria automotriz.
Actualmente con el desarrollo de entornos virtuales y tecnologías de IA, la industria

automotriz ha sacado provecho a estas tecnologías tanto para mejorar el user experience
como en las fase de desarrollo. Tengo dos ejemplos al respecto.
En el caso de desarrollo de producto, actualmente en los OEM´s se cuentan con

laboratorios de realidad aumentada donde ingenieros tienen la posibilidad de interactuar
con los vehículos de forma virtual, haciendo modificaciones y ajustes que de realizarlos
con partes físicas tomarían meses para poder realizarse y verificar la factibilidad de los
cambios, mediante el uso de está tecnología los algoritmos ajustan dimensiones y
requerimientos, además aunado con con lo que se conoce como industria 4.0 y el internet
de las cosas, es posible en tiempo real tener información de los componentes que se están
utilizando para conocer sus características, etc. He tenido la oportunidad de estar en uno
de estos laboratorios y es impresionante, ya que además de interactuar con el vehiculo,
puedes modificarlo e incluso manipularlo, puedes abrir la puerta meterte, conducir, etc.
En el caso de user experience (UX), la realidad aumentada está cobrando una gran
importancia. Como sabemos muchos vehículos actualmente cuentan con HUD (Heads
Up Display) que no es más que un dispositivo que proyecta información importante en el
parabrisas del vehiculo, sin emabargo los OEM´s están apostando en la creación de
parabrisas que puedan mostrar más información y que sea de forma interactiva, por
ejemplo, la distancia entre tu vehículo y el vehículo de enfrente, o también información
sobre el lugar en el que te encuentras, echando mano de conexiones móbiles y el internet
de las cosas, aunado esto con el sistema de infotaiment del vehículo para darte una mejor
experiencia.
Otro ejemplo de la implementación de realidad aumentada para mejorar el UX, es la

implementación de sistemas de realidad virtual y aumentada en los concesionarios de
Lincoln en China, donde los clientes potenciales tienen la posibilidad de visualizar su
vehiculo y configurarlo de acuerdo a sus gustos, color, materiales, equipamiento, etc.
Me parece muy interesante la inmensa cantidad de posibilidades que nos puede brindar
estas tecnologías y más aun formar parte activa en la generación de las mismas.

HOLMAN LEONARDO ALVAREZ MORALES (jun 18, 2019 9:34 PM) - Leído por:
20
En mi trabajo manejamos todo tipo de tecnología, Realidad Aumentada, Realidad

Virtual, aplicaciones móviles hibridas, videojuegos y ahora Inteligencia Artificial, hace
un tiempo estuvimos trabajando con una empresa que hace simuladores de vuelo en un
simulador que fuera diseñado con realidad aumentada, la cabina y los movimientos de la
misma es real mas la instrumentación y el entorno es creado de manera virtual, la idea
resulto ser bastante costosa no solo económicamente sino computacionalmente, pero se
llego a una idea reducida la cual implica generar un sistema de apoyo para aviones
pequeños que no tienen la capacidad de usar sistemas de navegación avanzada como los
aviones comerciales, la idea es tomar los datos análogos y convertirlos en vectores
mostrados en realidad aumentada, esto le permitiría a los pilotos de estos aviones tener
información en pantalla de posibles peligros como peligrosas formaciones de nubes de
alta densidad, tormentas y cosas por el estilo, estamos a la espera de que decidan que tipo
de dispositivo van a comprar para comenzar con el prototipo.

JORGE ENRIQUE VICENTE HERNÁNDEZ (jun 20, 2019 12:54 AM) - Leído por: 20
En el ecommerce tambien es muy viable, ejemplos varios:
- Venta de Zapatilla on-line, reconociendo para este caso el pie de la persona y

proyectando en su pie una zapatilla en RA.
- Venta de Relojes on-line, reconociento para este caso el brazo de la persona y

proyectando en su pie un reloj rolex.
- Dentro del supermercado, utilizando los lentes, podra visualizar el producto que se
vende en el supermercado y le puede brindar información adicional del producto.
Ejemplos hay varios, nuestro limite es la imaginación, saludos!

ALVARO DENIS BEDOYA RUIZ (jun 30, 2019 7:46 PM) - Leído por: 16
Antes de tomar partido, ¿por que fracaso Google Glass?
Un campo donde se puede aprovechar el uso de dispositivos de AR + AI es en la

educacion, de todos los niveles, especialmente con niños con difcultades cognitivas y
motrices, porque tienen ritmos de aprendizaje distintos y necesidades de educacion
especial. En el estudio de la medicina para comprender el funcionamiento del cuerpo
humano, "no siempre tienes uno disponible para disceccionar cada vez que lo requieras".
Es el caso de Holo Lens de Microsoft que mezcla objectos virtuales 3D con la realizadad
a travez de hologramas.
En la educacion secundaria se facilitar el aporendizaje de la tecnologia con la

metodologia STEM, de la ciencia ficcion a la realidad, porque las instituciones
educativas de paises pobre no disponen de talleres donde hacer sus practicas.
Todas estas interacciones son registradas y procesadas con las tecnicas del aprendizaje
profundo para aportar descubrir maneras de como aprenden los individuos en cada una
de sus realidades.

JUAN FERNANDO CHICA ORTIZ (jul 1, 2019 10:20 AM) - Leído por: 16
Muy interesante el planteamiento. Otra área donde se puede utilizar realidad aumentada
ademas de las ya mencionadas es en el turismo, en este sentido las aplicaciones puede ir
desde realizar visitas virtuales a lugares pero poniendo énfasis en brindar información
preliminar no de sustituir la visita física de las personas o también se podría utilizar para
que existan diversos puntos de relevancia historia en la ciudad donde nuestro dispositivo
detecte via gps o usando algún tipo de codigo QR el lugar donde nos encontramos y nos
brinde información sobre el lugar.
Foro 3.
Nuevo Redes Neuronales Convolucionales aplicadas al Catastro
DAVID GARCIA RETUERTA (jun 15, 2019 3:02 PM) - Leído por: 21
Sin más dilación, comparto un fragmento de un artículo que tengo por publicar en la
revista CT Catastro 2019. En él hablo de como es posible implementar Redes
Neuronales Convolucionales para realizar una categorización de las casa por tipologías
constructivas dentro del Catastro urbano. De forma básica, esto significa que ya sería
posible que los españoles pagásemos el IBI de nuestras viviendas a partir de una
clasificación realizada por ordenador (en lugar de una clasificación realizada por los
operarios del catastro como se hace actualmente). La principal ventaja de esta técnica es
la perdida de subjetividad del proceso, lo que conlleva una mayor fiabilidad.
NOTA: La versión beta de la que habla el artículo aun necesita verificación de las
predicciones por un operario.
El programa obtenido es capaz de realizar una clasificación automática de la tipología

de una vivienda con un grado de confianza importante. Sigue siendo necesaria la
verificación por parte de un asistente humano para obtener una clasificación definitiva,
pero el programa tiene un gran potencial como herramienta de apoyo a los operarios.
Se podría aplicar tanto para verificar la clasificación de los operarios humanos, como
para mejorar su productividad. En el primero de los casos la máquina analizaría las
clasificaciones ya realizadas y aceptaría como buenas las que coincidan con la predicción.
Los casos que difieran deberán ser analizados por otro operario distinto del original para
obtener un veredicto definitivo. Esto puede ser muy útil a la hora de realizar un control de
calidad o de prevenir el fraude interno, pues permite centrarse en los casos anómalos antes
de realizar un análisis en profundidad. En el segundo caso, se les indicaría a cuáles
fotografías que deberían prestar más o menos atención. Las clasificaciones más fáciles
solo tendrían que aceptarlas, mientras que las más complicadas tendrían que examinarlas
con detalle. La carga de trabajo se vería disminuida considerablemente, siempre
manteniendo la calidad de la clasificación final.
Sería viable escalar el alcance del método propuesto. Con acceso a más imágenes
categorizadas es probable que con sigamos un mejor entrenamiento de la red neuronal,
con lo que mejorará el índice de acierto. Además, se podrían incluir todas las demás
tipologías para que el modelo fuera capaz de clasificar correctamente una imagen de
cualquier edificio que se le presente.
También es posible escalar la utilización del método. La mayoría de los procesos que
realiza son altamente paralelizables por lo que puede implementarse en un servidor para
una utilización a gran escala. El entrenamiento es el único proceso computacionalmente
costoso del programa, pero este solo ha de realizarse una vez.
PD: Se adjunta un esquema de la CNN utilizada.
schema.jpg
Nuevo Re: Redes Neuronales Convolucionales aplicadas al Catastro

No sé, si esto es bueno o malo para el ciudadano (depende el caso claramente). No

obstante ya me lo comentaste un poco y tiene muy buena pinta.
Tengo una curiosidad, distingues de carteles, pintadas, ventanas ... de la fachada en sí. Si
es así que mínimo de fachada necesitas para clasificar?

ARITZ BERAZA GARAYALDE (jun 17, 2019 10:04 AM) - Leído por: 20
Me parece interesante. He trabajado en una aplicación para realizar auditorías y muchas

veces el resultado depende más del operario que realiza la auditoría que de la
información objetiva recopilada.
No me acaba de quedar claro por contra si se ha orientado el modelo más a la detección

de anomalías o a la predicción de la valoración. Si se ha hecho para predecir la
valoración, ¿Qué se ha tomado como verdad? (Es decir, qué se ha tomado como valor a
estimar, 'y', ¿las clasificaciones realizadas por operarios?).
Tanto para el TFM como para las prácticas en empresa, he visto (y usado) autoencoders
para simplificar o convertir información visual (ya sea para clasifcación como para
extracción de atributos). Ha resultado especialmente útil para resolver el tratamiento de
la variabilidad de la imagen a causa de la perspectiva de la foto. Podría ser una etapa de
tratamiento a añadir para mejorar los resultados del sistema.

JOSÉ JAVIER LARA JIMÉNEZ (jun 18, 2019 10:58 AM) - Leído por: 18
Me parece una muy buena aplicación, sin duda.
Democratiza el proceso de valoración, el cual afecta muy directamente al ciudadano y en

varios aspectos, y no requiere ser implícitamente intrusivo, dado que la información
necesaria para ello es ya información que el ciudadano ha tenido que facilitar, o de la que
ya disponen las diferentes administraciones en sus repositorios actuales.
Además, permitiría que factores sociales y ambientales externos a la propia vivienda

fuesen valorados en cuanto al impacto que tienen en el valor de esta, algo que aunque en
teoría se hace, no responde a la realidad, dado que no resulta posible que la adquisición,
procesado, y análisis de esta información sea aplicada de forma práctica en tiempo
lógico y en todo el territorio.
Foro 5.
Nuevo Aplicar redes neuronales al procesamiento de audio. Emulación de amplificadores o

equipos de audio.
ROBERTO SIMÓN SÁNCHEZ PEREA (jun 16, 2019 3:32 AM) - Leído por: 21
Generalmente los diferentes dispositivos de audio analógicos (amplificadores,

ecualizadores, compresores), tienen un sonido definido y característico. A ello se llega por
medio de la combinación de diferentes componentes electrónicos a lo largo de la cadena de
procesamiento, y la mayoría de ellos influyen en el sonido final. Desde los
transformadores, hasta cada uno de los condensadores y resistencias, toda la secuencia de
elementos analógicos que se encuentran en el camino de la señal, o en la adaptación de la
corriente, afectan. Por ejemplo los amplificadores de válvulas, tienen un "color"
característico que es complicado modelar de forma digital.
La gran mayoría de emuladores digitales de estos amplificadores o procesadores, se basan

en la definición de la cadena de procesamiento de una forma lo más precisa posible, incluso
en algunos casos llegan a intentar modelar cada componente o la cadena completa, así
como las leyes de la electrónica básica, de tal manera que consigan generar una salida
similar para cada entrada.
Como añadido, los equipos analógicos no necesariamente tienen una respuesta inmediata,
ni responden de la misma forma a los cambios, haciendo que lo que podría ser una
desventaja, suponga un detalle característico e incluso artístico. Generalmente tienen un
retardo, dependiente de muchos factores, para cada entrada, y la forma en la que responden
a ello es parte del sonido característico. Por ello las funciones de impulso-respuesta
instantáneas no suelen generar el resultado esperado.
Es por ello que en mi caso imagino algún tipo de RNN, con una ventana suficientemente
grande como para capturar esos cambios en el tiempo y en el que la salida dependa de la
secuencia de últimos N samples.
Entrenarla sería posible teniendo el hardware original, y provocando en el mismo sonidos

de entrada conocidos, y grabando la salida. Si los sonidos son suficientemente diversos es
cuestión de tener el equipo registrando su comportamiento durante algún tiempo, y
generando impulsos, rampas, y cualquier tipo de audio de entrada que se pueda obtener,
para, al grabar la salida del mismo, tener un conjunto de entrenamiento suficiente. El hecho
de que existan muchos ejemplos en este caso no es problema porque es sencillo de crear.
Esto hace tiempo que se lleva intentando, y que yo conozca, no existe aun un plugin o
hardware concreto que lo haga, y que lo haga de esta forma, y obviamente, bien. Lo más
parecido, y de donde surgió la idea, es un amplificador que tiene ya algunos años (es por
ello que imagino que internamente no lo hace con RNN, aunque podría ser), y que por
suerte tengo y compré precisamente por lo innovador de la iniciativa. En este caso sirve
principalmente para amplificar guitarra y bajo, pero conseguir hacerlo por software y en un
ordenador, para usarlo como plugin en cualquier software de audio, y poder capturar
cualquier software analógico que se tenga, sería algo estupendo.
Se trata del Kemper Profiler Amplifier, y de hecho desde el primer día que modelé uno de
mis amplificadores con el, el proceso me pareció completamente similar al entrenamiento
de una red o un sistema de ML. Oficialmente no revelan cómo está hecho ni con qué
algorítmica (obvio), pero el resultado es muy bueno y ya se está convirtiendo en un
estándar en muchos ámbitos. La curiosidad, es que necesita que exista un amplificador
previo para poder modelarlo, por lo que en si no es un amplificador, sino un "copiador".
Os dejo un vídeo donde se ve el proceso de entrenamiento y creación de lo que llaman

"profiles", que en este caso son modelos de amplificador:
https://www.youtube.com/watch?v=dYgOcPm-f1w
En el minuto 4:22 se puede ver el proceso por el que el profiler "aprende" el amplificador
enchufado. El amplificador original tiene un micrófono (o varios) para capturarlo, pasa a
través (generalmente) de una mesa o interfaz, y vuelve al profiler, siendo el profiler el
generador y destino del audio, por lo que entiendo que durante ese proceso es donde se
generaría el set de entrenamiento.
Se puede oír claramente como genera diferentes sonidos de todo tipo y extremos, para
poder tener un conjunto de entrenamiento suficientemente grande. Finalmente se usa la
propia guitarra que se pretende usar para tocar con el mismo, para terminar de hacer un
ajuste fino del modelo. Con este entrenamiento en dos fases entiendo que se pretende crear
un primer modelo en bruto del amplificador y luego ajustarlo a las características concretas
del instrumento con el que se usará.
En el minuto 7:11 se puede ver cómo se compara el amplificador modelado con la

referencia, siendo el resultado muy satisfactorio.
Aunque en el foro se piden casos aplicables en el mundo de la empresa, me ha parecido de

siempre un caso de uso fantástico para la aplicación de redes neuronales y en este caso
entiendo que RNN, por lo que he decidido compartirlo. Este amplificador en concreto ha
supuesto un cambio enorme en la forma de plantear las grabaciones y directos en muchos
ámbitos, y creo que una implementación similar y ágil directamente en software, o incluso
en móviles, generaría una revolución en el mundo del sonido, donde los equipos analógicos
son muy caros y muy valorados por sus características especiales, y donde la lucha por
conseguir emularlos digitalmente lleva mucho tiempo llevándose a cabo.
Nuevo Re: Aplicar redes neuronales al procesamiento de audio. Emulación de

amplificadores o equipos de audio.
FRANKLIN GUSTAVO SANTILLÁN SACOTO (jun 17, 2019 10:37 AM) - Leído por:
20
Bastante interesante la aplicación que nos muestras, realmente nunca se me hubiera

ocurrido que algo así podría existir. Justo con lo que dices en el último parrafo, que el
precio de los equipos físicos es muy elevado es verdad y esta solución puede ser un
excelente negocio ya que puede ser mucho mas barato que conseguir los equipos. Ahora
fuera algo bastante genial que usando redes neuronales que puedan generar sonidos y su
propia música, se incorporen estos sistemas de amplificación y que trabajen a la par,
amplificando mas ciertos sonidos y/o ecualizando otros, logrando una nueva experiencia
en música. Que esto se venda como sistemas inteligentes que ademas de ser
compositores de musica, sean también los encargados de la puesta a punto de los
sistemas reproductores de audio para una mejor experiencia, sería una excelente manera
de traer mas atención e investigación al campo de la inteligencia artificial.

Me ha parecido interesante. Como guitarrista, he usado emuladores (Kemper, Line6), y

equipo a válvulas como equipo "serio", y, la verdad, no había nunca relacionado el deep
learning con el tema del modelado digital.
Lo cierto es que no me he interesado demasiado por la técnica subyacente, pero he dado

siempre por supuesto que lo que habían realizado era una especie de sampleos de las
señales provenientes de los equipos originales a imitar,y una especie de "disparo" de esos
sonidos en función de la entrada del instrumento.
Lo cierto es que tiene muchísimo más sentido lo que tú nos muestras: se aprende de las
señales originales como entradas al algoritmo, y este genera como resultado
configuraciones en los sets que se acerquen al máximo a estas.
De esta forma, no sólo se puede emular un modelo concreto de amplificador, sino que
incluso se modela el instrumento utilizado en el entrenamiento en función de la propia
personalidad del instrumento, y llegando incluso a tener en cuenta el tono concreto del
previo, lo que da una variabilidad inmensa, mejorando la experiencia del músico ante el
sistema simulado, llegando a darle algo prácticamente idéntico.
Claro, que los Kemper consiguen ya algo serio...

ROBERTO SIMÓN SÁNCHEZ PEREA (jun 18, 2019 11:35 AM) - Leído por: 20
Si, de hecho todos los emuladores anteriores eran eso, emuladores, pero el Kemper ha
sido el primero que ha puesto en practica el tema de "aprender" un amplificador, y eso
ya empieza a tener visos de Machine Learning.
Como digo entiendo que por el tiempo que tiene no creo que sea exactamente esto lo
que haga, pero es un primer ejemplo que ya usa y genera un dataset de ejemplo, lo
aprende, y luego cuando pasa la señal genera la salida lo más parecida posible a la
original.

JOSÉ JAVIER LARA JIMÉNEZ (jun 18, 2019 12:08 PM) - Leído por: 18
Sí, efectivamente el vídeo da a entender justo eso: toma de variables, entrenamiento,

y resultado. Es muy muy interesante...
Foro 6.
Nuevo Aplicaciones médicas

ÓSCAR DARIAS PLASENCIA (jun 18, 2019 7:29 AM) - Leído por: 21
Uno de los campos en los que el uso del aprendizaje profundo está ganando muchísimo
interés es en la medicina. Ya no sólo por su simple potencial para automatizar y simplificar
tareas sino también por las opciones que tiene de llegar a revolucionarlo, con tratamientos
más avanzados y personalizados a las necesidades del paciente. Personalmente, en el
desarrollo de mi TFM me he encontrado con soluciones bastante avanzadas para el
diagnóstico de múltiples enfermedades, como el Alzheimer [1], la retinopatía diabética [2],
y algunos tipos de cáncer como el de piel [3].
Algo que encuentro muy interesante en todo este tema es la cuestión de la confianza. En
qué momento un modelo de aprendizaje profundo se vuelve fiable para llevar a cabo tareas
tan sensibles, de las que depende la vida de las personas. Sin duda es un debate muy
importante, y está relacionado con el debate de los algoritmos de caja negra.
Referencias:
[1] Ding, Y., Sohn, J. H., Kawczynski, M. G., Trivedi, H., Harnish, R., Jenkins, N. W., …
others. (2018). A Deep learning model to predict a diagnosis of alzheimer disease by using
18F-FDG PET of the brain. Radiology, 290(2), 456–464.
[2] Gulshan, V., Peng, L., Coram, M., Stumpe, M. C., Wu, D., Narayanaswamy, A., …
Webster, D. R. (2016). Development and validation of a deep learning algorithm for
detection of diabetic retinopathy in retinal fundus photographs. JAMA - Journal of the
American Medical Association, 316(22), 2402–2410.
https://doi.org/10.1001/jama.2016.17216
[3] Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., & Thrun, S.
(2017). Dermatologist-level classification of skin cancer with deep neural networks.
Nature, 542(7639), 115. Retrieved from
https://www.nature.com/articles/nature21056.epdf?author_access_token=8oxIcYWf5UNrN
pHsUHd2StRgN0jAjWel9jnR3ZoTv0NXpMHRAJy8Qn10ys2O4tuPakXos4UhQAFZ750
CsBNMMsISFHIKinKDMKjShCpHIlYPYUHhNzkn6pSnOCt0Ftf6
Nuevo Re: Aplicaciones médicas

Hola Óscar.
Muy interesante, ya que plantea discusiones filosóficas que trascienden a la propia

técnica.
En este dominio, el problema no es cuán efectiva puede ser una técnica, sino que este
problema queda relegado a un segundo plano, a favor de la parte psicológica.
Es necesario un aumento significativo en la madurez tecnológica de la sociedad como

para que las personas nos pongamos en manos de "nadie", y lo hagamos de una forma
consciente y decidida.
Aún hay que tener cuidado con respecto a la información que se publica en relación al
grado de autonomía que realmente hoy por hoy existe en el mundo de la aviación, y en
los problemas que evita, ya que la gente seguimos queriendo depender de un humano en
temas que pueden afectarnos de forma tan profunda.
No hay duda que en un futuro, posiblemente breve, la impresión se invertirá, siempre

ocurre, pero es necesario un desarrollo social paralelo al tecnológico para que esto pase.
Otro problema muy interesante es que el tú planteas en tu post, y cuyo debate ya tuvimos
en otro foro de una asignatura del primer cuatrimestre: la bendita caja negra.
Aquí opino lo que allí: el problema vuelve a ser social. El problema no es implícito a la
controlabilidad o explicabilidad interna de un modelo en sí, sino a la permisividad de
facto que la sociedad otorgue a intereses particulares como para que se aproveche de ello
y, arguyendo imposibilidades técnicas o usando la caja negra como barrera de
invisibilidad, se dañe al individuo en pos un beneficio propio.
Cuando la tecnología está a merced exclusiva de intereses privados, sea esta o no

transparente en sus fundamentos, la única forma de que la sociedad no salga perjudicada
es la de que sus necesidades no vayan en contra de los intereses de los primeros. Por
tanto, no es algo, considero, achacable a la tecnología, sino al individuo y a sus parcelas
de poder.
Y en este debate y en la aplicación de la tecnología al servicio, o bien de la sociedad, o

bien de los intereses privados, sobre todo cuando estos no confluyen, nosotros, como
profesionales formados y experimentados, somos los máximos responsables. Nuestro
jefe no debería tener el poder suficiente como para imponernos un uso indebido, que, o
hacemos nosotros, o no hace nadie.
O si lo tiene, quizá deberíamos cambiar de jefe...

ÓSCAR DARIAS PLASENCIA (jun 20, 2019 5:07 AM) - Leído por: 17
Estoy de acuerdo con lo que comentas, y creo que es uno de los principales problemas
que tienen los algoritmos de caja negra. Si para nosotros, que lo hemos estudiado,
puede ser complicado entender las decisiones de una IA, para una persona sin
formación tecnológica ya es completamente imposible. Esto puede hacer que ciertos
particulares intenten aprovechar esta situación en favor de sus intereses propios.
Tratándose de la salud de las personas, el problema es aún más grave, y adoptar una
actitud como esa sería totalmente despreciable. Pero cosas peores se han visto.
Por otro lado, también habría que tener en cuenta que las decisiones de una IA sesgada
voluntariamente podrían no ser muy diferentes de las decisiones de un ser humano
sesgado. Por ejemplo, en el caso de la medicina, una IA podría negarle el tratamiento a
un anciano por ser muy caro y dar pocas probabilidades de supervivencia. Un humano
sesgado podría tomar esta misma decisión. En estos casos, en los que el
comportamiento "poco ético" es deliberado, el problema no es de la IA, sino del
interés humano, tal y como tú dices.
Pero no hay que olvidar el otro tipo de sesgo, el involuntario, resultado de la mala
calidad de los datos y otros factores. Sobre todo en aplicaciones tan sensibles como la
medicina.
VÍCTOR PELIGRO ROSADO (jun 23, 2019 2:33 AM) - Leído por: 17
Hola a todos,
Creo que uno de las principales ámbitos en los que pueden aplicarse los algoritmos
de inteligencia artificial es la medicina, tanto en lo referente al diagnóstico como en
la optimización de tratamientos individualizados para la dolencia específica de cada
enfermo.
Estoy conforme con las reflexiones de mis compañeros sobre el rechazo o

desconfianza que puede provocar en muchos pacientes que el diagnóstico sea
realizado por una máquina. Pero a mi entender no se trata de que las máquinas
sustituyan a los médicos a la hora de realizar estas tareas, sino que las máquinas
ayuden a los médicos a confirmar diagnósticos o a seleccionar los mejores y más
actuales tratamientos. En este sentido el paciente puede seguir interactuando con el
médico, con quien puede alcanzar una mayor empatía o confianza que con una
inteligencia artificial, por las razones psicológicas ya comentadas.
En cualquier caso debemos tener en cuenta que un médico también puede cometer
errores ("errores humanos"), cuyas consecuencias pueden ser graves o incluso
trágicas, por lo que creo que un buen planteamiento dual máquina+médico puede
reforzar la confianza del paciente en el diagnóstico y tratamiento definitivos.
Hay numerosos estudios que tratan de cuantificar el número de errores médicos,

como en que nos plantea Lugo-Reyes, Maldonado-Colín y Murata (2014) en un
artículo muy interesante de la revista Alergia de México, en el cual
indica textualmente lo siguiente:
"La tasa de diagnósticos incorrectos en la práctica clínica depende de la fuente y el

escenario; así, se ha estimado en 150 de 1,000 pacientes (Health Grades Patient
Safety in American Hospitals Study, 2011),4 o en 10 a 20% (en el servicio de
urgencias y en estudios de discrepancias con autopsias)."
Creo realmente que la inteligencia artificial puede ayudar a reducir esa tasa de
errores de diagnóstico enormemente. Basta con buscar en Internet artículos sobre
aplicaciones de la IA a la medicina para comprobar la gran cantidad de
investigaciones que se están realizando en todo el mundo sobre este asunto, pues los
beneficios que pueden reportar a la sociedad pueden ser enormes.
Referencias:
[1] Lugo-Reyes, S. O., Maldonado-Colín, G., & Murata, C. (2014). Inteligencia
artificial para asistir el diagnóstico clínico en medicina. Revista Alergia
México, 61(2), 110-120.

HOLMAN LEONARDO ALVAREZ MORALES (jun 23, 2019 12:00 PM) -
Leído por: 16
Hola a todos,
Estoy de acuerdo con Victor, creo que aún no estamos listos mental ni
moralmente para sustituir un diagnostico de un especialista con muchos años de
experiencia por el de una IA, sin embargo, el apoyo de estas en la prevención y
apoyo en el tratamiento de enfermedades resulta supremamente útil, para mi TFM
estoy trabajando con una universidad la cual lleva varios años realizando
investigaciones en el área psicológica apoyándose con herramientas tecnológicas,
una de sus principales investigaciones es con niños que padecen de TDAH
(Síndrome de falta de atención e hiperactividad), crearon varios mini juegos los
cuales miden en función del tiempo varios parámetros, cuanto tarda el niño
responder a un estimulo, cuantos intentos realiza, impulsividad, etc, estos datos se
capturan adicionalmente con los obtenidos por 2 sensores mas, unas gafas de eye
tracking y un sensor neuronal, todos estos datos se están almacenando en una
base de datos en la nube, la idea de mi TFM es realizar una clasificación de estos
datos entrenando un modelo de IA con datos de niños con y sin el síndrome, que
permita identificar en niños no diagnosticados con TDAH que probabilidad
tienen de padecerlo.
A futuro se busca desarrollar un algoritmo capaz de adaptarse al comportamiento

de cada niño y genere de manera procedural los niveles de un videojuego de
acuerdo a la evolución de cada paciente, este sería de apoyo terapéutico para los
pacientes diagnosticados.

JOSÉ JAVIER LARA JIMÉNEZ (jun 24, 2019 1:08 PM) - Leído por: 16
No había pensado en los sesgos... Complicado, sí.

CESAR ADRIAN CUESTA SANCHEZ (jun 24, 2019 5:59 PM) - Leído por: 17
Las aplicaciones medicas de la IA en el campo de la medicina se pueden según mi concepto

dividir en las siguientes categorías:
 Diagnostico: Algoritmos de IA pueden dar diagnósticos de enfermedades comunes
por medio de cuestionarios realizados a los pacientes, donde se beneficiarían los
usuarios con tiempos de consulta más breves, asignación de citas casi automáticas,
y diagnósticos con un alto grado de exactitud basados en aprendizaje automático.
 Reconocimiento de exámenes especializados: muchos exámenes especializados
requieren del análisis de especialistas expertos. En centros de baja complejidad
muchas veces no se puede tener acceso a tales especialistas por costos. La IA puede
ser utilizada para dicho análisis con datos en diferentes formatos que podría ayudar
a los especialistas en esta labor y abaratar los costos.
 Triage: Un sistema que pueda ser utilizado para medir los signos vitales de un
paciente y que logre de primera mano determinar la gravedad de sus padecimientos
puede ser de gran ayuda en centros médicos de urgencias, clasificando a los
pacientes y asignándoles automáticamente asistencia del personal encargado.
 Manejo automático de historial médico: Algoritmos basados en IA que logren un
manejo eficiente y automático de los historiales médicos de los pacientes, con la
intervención mínima del personal medico que puede dar lugar a errores y malos
usos de la información confidencial.
 Asistencia medica domiciliaria: En personas de la tercera edad, o población
vulnerable se pueden crear dispositivos wearables que puedan medir los signos
vitales de tales pacientes y en caso de reportar anomalías puedan automáticamente
redireccionar asistencia medica oportuna y eficaz a este tipo de población.

ANGEL GONZALEZ TEJEDOR (jun 30, 2019 12:17 PM) - Leído por: 17
Creo que la inteligencia artificial esta llevando la medicina a niveles mucho mas altos y a
mayor velocidad que en años anteriores y esta ayudando a los especialistas y científicos
con el diagnostico y medicación de muchas enfermedades y de hecho también el saber
los efectos secundarios a largo plazo de muchos de los fármacos que se utilizaban y
algunos que se utilizan en la actualidad.
Pero me surge la interrogante es que como estos algoritmos pueden ser muy fríos y dejar
de lado los sentimientos humanos y en un determinado caso como podrían reaccionar
ante alguna situación de emergencia.
Y mas aun en el caso de un error quien seria el responsable directo o indirecto de que una
persona pudiera quedar discapacitada o morir por malas decisiones tomadas en un
momento determinado quien seria el culpable en este caso?
En todo caso pienso que que aun quedan muchas interrogantes que resolver, pero esto no
va a detener los avances de la tecnología.

JOSÉ JAVIER LARA JIMÉNEZ (jul 1, 2019 12:53 PM) - Leído por: 14
100% de acuerdo, Ángel: los problemas son más filosóficos y legales, que técnicos.
Aunque aún falte bastante técnica por depurar y descubrir, se alcanzará antes este
extremo, que los otros.

JOSEP CHULVI CALATAYUD (jul 1, 2019 2:57 PM) - Leído por: 16
Un campo tan interesante como necesario. Actualmente hay 2 competiciones sobre casos
médicos en Kaggle que son bastante curiosos, uno de ellos para el problema que citas
sobre ´Retinopatía diabética´. He estado trasteando con el dataset de este último y da
mucho juego para aprender y probar cosillas. Viene con las imágenes médicas y el nivel
de afectación del paciente.
https://www.kaggle.com/c/aptos2019-blindness-detection
https://www.kaggle.com/c/siim-acr-pneumothorax-segmentation/data
Foro 7.
Nuevo Senescence 2.0
JOSÉ JAVIER LARA JIMÉNEZ(jun 18, 2019 12:06 PM)- Leído por: 16
Hola!
Aquí va mi propuesta para el foro. Espero que os entretenga, y os motive a participar.
Hay una parte de la sociedad que cumple varios de los criterios más importantes como para
suponer un negocio próspero, duradero, con vertiente de servicio social efectivo, y rentable; y
son nuestros ancianos. Y lo son, por lo siguiente:
 Cada vez son más, por lo que el público objetivo, crece.

 Cada vez viven más, por lo que la proyección es grande.
 Tienen carencias importantes en ámbitos de aplicación directa para el deep learning,
como pueden el entretenimiento, el entrenamiento y estimulación cognitiva, la
monitorización no intrusiva de su salud, etc., lo que permite diseñar soluciones
aplicadas directas, y de poco riesgo respecto a su factor de aplicación innovador.
 Disponen de recursos, tanto propios como familiares.
 La contraprestación económica puede ser diseñada de multitud de formas atractivas y
de bajo impacto en la economía de la persona (alquiles de recursos, pago por uso,
cuotas bajas y periódicas, negocios paralelos alternativos como publicidad basada en
propuestas de uso, etc.), lo que lo hace atractivo y sostenible.
Basándonos en esto, no es difícil imaginar un "amigo digital personalizado", cuya expresión

hacia el usuario varíe en función de la interfaz de interacción del momento. De esta forma,
este amigo podría usar los audífonos para interactuar realizando propuestas orientadas a
realizar ciertas actividades cognitivas o de entretenimiento, podría disponer de una imagen
gráfica en los dispositivos de pantalla, o disponer de cierta forma "etérea" en gafas de
realidad aumentada.
En cualquiera de sus expresiones, este amigo podría, con relativa facilidad:
 Controlar el entorno y la actividad del usuario, monitorizando horarios, costumbres,

horas de sueño/vigilia, nivel de interacción con otras personas, actividad física,
dezplazamientos, etc.
 Controlar ciertas variables importantes de su salud, aunque para esto se requeriría de
dispositivos adicionales, siempre poco invasivos.
 Realizar propuestas de entretenimiento: lectura, cine, contenidos digitales, redes
sociales - medios, actividades físicas, motivar y gestionar dispositivo-dispositivo
encuentros con otras personas, informar de actividades programadas, etc.
 Realizar propuestas de mantenimiento y mejoras físicas y cognitivas, bajo directriz de
los facultativos adecuados.
 Coordinar necesidades de elementos o servicios requeridos o de próxima necesidad
por parte del usuario.
 Coordinar agendas médicas y sociales.
 Mantener el contacto con personas alejadas.
 (...)
Todo ello aprendiendo del propio individuo, su entorno, preferencias, y necesidades, y por
supuesto, con interacción constante en inmediata con cualquier otro agente requerido,
humano o no, como pueden ser avisos a familiares, facultativos, sistemas de seguridad, etc.,
bajo políticas de desencadenamiento de eventos basados en el entorno y la actividad.
Creo que es algo cuyos potenciales clientes podrían ser no sólo los ancianos, sino también
sus familiares, mediante la adquisición de servicios o funcionalidades, y también las
instituciones, tanto públicas como privadas, ya que al disponer de estos elementos aumentan
su atractivo de mercado y mejoran el servicio prestado.
Además, a priori supondría un uso bastante limpio y que genera un servicio real por el cual
pagar. Si bien las aplicaciones del deep learning al mundo del entretenimiento -videojuegos
no parecen adolecer de grandes problemas morales, no es así en su otro gran dominio oficial
de aplicación, el márketing, el cual se encuentra actualmente moral, social y hasta legalmente
bastante empantanado en relación a las bases que lo rigen, apoyadas, lamentablemente, en
un mercadeo bastante despreciable de información personal obtenida a través de unos
medios muy cuestionables.
Esto hace que a día de hoy, este uso del deep learning esté bastante denostado por parte de
sus potenciales usuarios finales, los cuales nos vemos en más ocasiones de las deseadas
acosados desde compañías que disponen de nuestra información de forma fraudulenta, y la
utilizan para prestarnos absolutamente ningún servicio.
Acabo de atender una llamada de Sanitas. Por favor, borre mis datos. En fin, lo mismo de
siempre...
Nuevo Re: Senescence 2.0
LUIS PAZ Y MIÑO ESPINOSA(jun 21, 2019 6:29 AM)- Leído por: 16
Hola Jose
Sabes que es un área que he venido leyendo y siguiendo de cerca y sería un gran
producto lo que propones, incluso yo me imagino llegar a esa edad y tener una asistente
como el planteado, o tener uno como la película ELLA.
Estas tú trabajando ya en algo parecido? lo pregunto porque incluso le has puesto
nombre
Nuevo Re: Senescence 2.0

JOSÉ JAVIER LARA JIMÉNEZ(jun 23, 2019 4:13 AM)- Leído por: 16
Hola Luis.
No, lamentablemente no estoy trabajando en ello. Nuestro ámbito está acotado a
soluciones tecnológicas para industria e ingeniería, por lo que todas las aplicaciones,
tanto de deep learning como de cualquier otra disciplina, se enmarcan necesariamente
ahí.
A veces uno echa en falta tener más tiempo para abordar más cosas...
Foro 8.
Detección automática de rostros manipulados
ABIÁN TORRES TORRES(jun 18, 2019 1:51 PM)- Leído por: 18
Actualmente, uno de los "hot topics" que circulan por la red son las famosas Deep Fakes. En
primera instancia, pueden parecer una de las muchas singularidades que podemos encontrar,
pero la realidad es bien distinta. De hecho, ha generado alarmismo en varios gobiernos y
servicios estatales de seguridad alrededor del mundo. Es inquietante que "de manera tan
secilla" se pueda difamar o malversar cierta información. Una de las publicaciones que más
impacto ha tenido en las últimas semanas es un Deep fake del fundador de Facebook, Mark
Zuckerberg:
En el video podemos ver cómo se ha manipulado la gesticulación facial y la apertura de la
boca, de tal manera que, se consigue un mapeo bastante realista con el audio falso. Si bien,
esta es una de las varias posibilidades, ya que, existen otro tipo de sistemas que ofrecen la
capacidad de intercambiar rostros de manera precisa o, en algunos casos, sintetizar voces de
personas reales.
La creciente oleada de este tipo de contenido se debe principalmente a los avances en Deep
Learning. La base de la generación de Deep fakes se sustenta en dos arquitecturas, las
Redes Generativas Adversarias (GANS) y los Autoencoders. No obstante, el gran
inconveniente que presentan hoy en día es que estas técnicas requieren de una cuantiosa
cantidad de instancias de entrenamiento para conseguir buenos resultados. Además, a pesar
de que en muchos casos no sean identificables a simple vista, presentan ciertas debilidades
en el mapeo local de ciertas regiones y en la secuenciación de gesticulaciones (pose,
apertura de la boca, parpadeo de los ojos, inconsistencias estructurales, ruido, etc.). En
consecuencia, una buena estrategia podría ser la aplicación de redes convolucionales
recurrentes. Por ello, inspirado en recientes trabajos dentro del ámbito, el objetivo principal de
mi TFM es la detección de falsificaciones profundas empleando estas técnicas.
Este tipo de sistemas podría tener aplicación en cualquier plataforma que permita
compartir contenido audiovisual. Incluso, se podría añadir al repertorio de herramientas de
verificación de la veracidad de pruebas en procedimientos legales. Evitar el mal uso de la
inteligencia artificial es una prioridad, en caso contrario, la repercusión que podría tener a
nivel social (manipulación de tendencias políticas, por ejemplo) es notable.
Por último, les comparto un pequeño repertorio de papers por si quereis indagar en el tema:
1. Li, Y., Chang, M.-C., & Lyu, S. (2018). In Ictu Oculi: Exposing AI Generated Fake Face
Videos by Detecting Eye Blinking. Retrieved from http://arxiv.org/abs/1806.02877
2. Guera, D., & Delp, E. J. (2018). Deepfake Video Detection Using Recurrent Neural
Networks. In 2018 15th IEEE International Conference on Advanced Video and Signal
Based Surveillance (AVSS) (pp. 1–6).
IEEE. https://doi.org/10.1109/AVSS.2018.8639163
3. Yang, X., Li, Y., & Lyu, S. (2018). Exposing Deep Fakes Using Inconsistent Head
Poses. Retrieved from http://arxiv.org/abs/1811.00661
4. Rössler, A., Cozzolino, D., Verdoliva, L., Riess, C., Thies, J., & Nießner, M. (2019).
FaceForensics++: Learning to Detect Manipulated Facial Images. Retrieved
from http://arxiv.org/abs/1901.08971
5. Thies, J., Zollhöfer, M., Stamminger, M., Theobalt, C., & Nießner, M. (n.d.).
Face2Face: Real-time Face Capture and Reenactment of RGB Videos. Retrieved
from https://web.stanford.edu/~zollhoef/papers/CVPR2016_Face2Face/paper.pdf
Nuevo Re: Detección automática de rostros manipulados

ABIÁN TORRES TORRES(jun 18, 2019 1:54 PM)- Leído por: 17
No he podido reproducir el video tras la publicación, así que os dejo el enlace al

video: https://www.youtube.com/watch?v=iskVV8sLTjg
Nuevo Re: Detección automática de rostros manipulados
ROBERTO SIMÓN SÁNCHEZ PEREA(jun 21, 2019 12:23 PM)- Leído por: 18
Es un tema apasionante, y de hecho yo creo que a la larga el propio Deep Learning puede
ser problema y solución, y puede darse el caso de que lo generado por una determinada
red sea evaluado por otra para comprobar su veracidad. Es algo complicado porque a
medida que pase el tiempo las falsificaciones serán mejores y las dificultades para la
evaluación crecerán, pero está claro que será necesario que se desarrollen elementos
automáticos de discriminación que permitan filtrar todo aquello que no cumpla con unos
requisitos de veracidad.
Probablemente ciertas características de los videos fake puedan ser aprendidas por estas
redes, y resolver el problema, al final todo será una competición de redes y sets de
entrenamiento. ¡Una temática muy interesante para tu TFM!.
Foro 9
IA aplicada a los sistemas de generación eléctrica
VÍCTOR PELIGRO ROSADO(jun 20, 2019 5:42 AM)- Leído por: 17
Buenas,
Actualmente trabajo para una compañía multinacional cuya actividad se focaliza en el sector
eléctrico. En todos los países existe el denominado "código de red eléctrico" , que contiene
las directrices que deben cumplir las plantas generadoras de energía. Es decir, las plantas
generadoras tienen que adaptar su comportamiento en función de diferentes eventos y
circunstancias de la red eléctrica.
Los códigos de red suelen ser más exigentes en aquellos países con redes eléctricas débiles
o bien en países con un porcentaje elevado de energía renovable, que suele ser una fuente
muy variable por su fuerte dependencia de las condiciones meteorológicas (sol, viento).
Algunos de los requisitos principales que se exigen a estas plantas generadoras, de manera
muy resumida, son los siguientes:
- Respuesta en frecuencia: Aumentar o disminuir la generación en función de la frecuencia
de red
- Rampa de potencia activa: Aumento o decremento paulatino (en rampa) de la generación
para evitar transitorios abruptos en la red
-Regulación de tensión: Mediante la inyección de potencia reactiva (inductiva o capacitiva)
es posible controlar la tensión en el punto de conexión de la planta a la red, contribuyendo a
la estabilidad del sistema eléctrico. En algunos países en lugar de regular tensión se pide
regular el factor de potencia o directamente un determinado valor de reactiva.
Uno de los principales problemas con el que se encuentran los productores de energía es
saber si están cumpliendo el código de red, ya que reiterados incumplimientos pueden
involucrar sanciones o que la planta sea desconectada del sistema eléctrico por la autoridad
pertinente.El precio de la energía es elevado y estos problemas pueden provocar pérdidas
enormes, que dependiendo del tamaño de la planta y el tiempo de desconexión pueden
superar con creces varios millones de Euros.
Se me ocurre investigar sobre implementar redes neuronales recurrentes (RNN) para
determinar cuál debería ser el comportamiento de la planta en cada momento (generación de
potencia activa y reactiva). Propongo usar RNN ya que permiten almacenar un estado interno,
y el comportamiento de una planta de energía depende de las variables en un momento dado,
peor también del estado anterior (punto de funcionamiento anterior).
Por tanto mi propuesta sería entrenar una RNN de forma que las variables de entrada
(features) fueran la tensión y frecuencia de red, la potencia activa y reactiva en instantes
anteriores y otras condiciones (radiación solar y viento en caso de renovables). Las variables
de salida serían los valores de potencia activa y reactiva a generar en en momento actual en
cumplimiento del código de red (legislación).
No sé si esta aplicación será del interés de otros alumnos o profesores, pero lo veo una
aplicación muy interesante para mi actividad profesional en particular y también para poner
sobre la mesa aplicaciones complejas diferentes de las tradicionales relacionadas con
imágenes o el procesamiento del del lenguaje.
Nuevo Re: IA aplicada a los sistemas de generación eléctrica

JOSÉ JAVIER LARA JIMÉNEZ(jun 24, 2019 1:13 PM)- Leído por: 16
Hola Víctor.
Una aplicación perfecta, casi de manual. Datos perfectos recogidos por plcs, masivos a
más no poner, almacenados en entornos relativamente homogéneos.
Al tener límites reglados, se me ocurre que la estrategia de aprendizaje por refuerzo sería
muy apropiada, ya que dispones de una value function, y por extensión una Q-value
function muy directas, respecto a las que definir la política de recompensa.
Suena muy bien!
Foro 10
Nuevo Recomendaciones, una aplicación que nunca pasa de moda
SANTIAGO JARAMILLO PERALTA(jun 20, 2019 11:35 PM)- Leído por: 19

Es verdad que una de las aplicaciones más conocidas del aprendizaje profunda, es
la recomendación de productos, servicios o contenido. Pero ¿por qué esta aplicación no
pasa de moda?
Creo que primero debemos entender que el objetivo de cualquier empresa es ganar dinero, y
por ende le interesa vender cada vez más sus productos o servicios. Es por ello que, dado
que siempre hay nuevas empresas, el objetivo siempre será el mismo "ganar más dinero" y
siempre tendremos a la mano una aplicación como esta para poder ayudar a generar nuevas
oportunidades.
Ahora me gustaría mencionar también un ejemplo que está muy de moda, como es la
recomendación de contenidos de Netflix. Esta empresa a diferencia de las empresas
tradicionales le interesa mantener tu fidelidad, para que a la final sigas pagando tu
suscripción, es por ello que su objetivo es mucho más difícil de conseguir, sin una innovación
constante de su contenido, pero también de su motor de recomendaciones. Este motor de
recomendaciones es realmente interesante ya que utiliza una arquitectura distribuida de redes
neuronales con GPUs hospedadas en AWS. Si alguien le interesa ver un poco más a detalle
este tema, dejo a continuación un enlace que me ha parecido de mucho interés desde la parte
técnica. https://medium.com/netflix-techblog/distributed-neural-networks-with-gpus-in-the-aws-
cloud-ccf71e82056b
Pero ¿por qué he traído a colación el tema de Netflix? Es conocimiento general que
nuevas y poderosas empresas entrarán a competir con el rey del streaming. Estas empresas
son Apple, y Disney. Como bien sabemos en el caso de Apple, son muy pocos los terrenos
donde incursiona y no se convierte en un éxito rotundo, por otra parte, tenemos la gran
calidad de contenidos que posee Disney. Creo que a futuro podremos ver una seria
competencia de los algoritmos de recomendación de contenidos de estas tres grandes
empresas y esto conllevará a la mejora sustancial de una aplicación tan antigua pero
poderosa del aprendizaje profundo como lo es la recomendación de contenido.
Nuevo Re: Recomendaciones, una aplicación que nunca pasa de moda

IGNACIO FERNANDEZ ROMERO(jun 23, 2019 7:19 AM)- Leído por: 16
Estoy de acuerdo con Santiago, la precisión del sistema de recomendaciones en las

aplicaciones de streaming es fundamental, y sobre todo ahora donde el catalogo que
tenemos disponible es demasiado grande para que un usuario pueda verlo al completo,
ahora mismo en Netflix España tenemos 3283 títulos diferentes 1. Para ello es importante
que la aplicación nos permita definir diferentes perfiles para una cuenta (Netflix lo permite,
pero HBO no) para optimizar los gustos para cada uno de los integrantes por ejemplo de
una familia, que tendrán gustos muy diferentes.
Pero ademas del sistema de recomendaciones para los usuarios, estos servicios de
streaming, por ejemplo Netflix, dispone de una base de datos fundamental a la hora de
decidir que productos son los que mas gustan a sus clientes, para poder oferta nuevos
títulos que tendrán una probabilidad mayor de éxito. Yo personalmente para cada película,
capitulo de serie, pediría de una manera sencilla al espectador que evaluará la misma a
fin de tener un feedback mas precios del mismo, no solo basado en el numero de
visualizaciones, o visualizaciones incompletas.
1
https://www.justwatch.com/es/proveedor/netflix
Nuevo Re: Recomendaciones, una aplicación que nunca pasa de moda

EDGAR SALAZAR FABIÁN(jul 1, 2019 8:11 AM)- Leído por: 15
Hola Santigo.
Como mencionas y muy acertadamente, las aplicaciones para recomendar no pasan de
moda, pero actualmente, creo que ya no es tanto por el interes de hacer mas comoda la
vida a las personas, es por ganar terrerno en el mercado y es tal el abuso de estas
aplicaciones, que se empiezan a tornar hasta molestas. Ya no puedes navegar por la web
o revisar tu FB sin que te salten el monton de recomendaciones (anuncios) de productos
que en alguna ocasión buscaste o peor aún, estamos ya tan monitorizados que hasta de
las busquedas y visualizaciones que hacen tus conactos, te llegan a ti las
"recomendaciones".
Desafortunadamente se esta dando un mal uso a estas tecnologías que en un futuro lejos
de ser beneficas, serán un dolor de cabeza.
En el caso de Netflix, si bien es útil tener titulos recomendados con base en lo que has
visto, su actual falta de contenido de calidad incluso aquí en USA resulta de poca ayuda.
Pero esta es una oopinion muy personal, habrá quien opine lo contrario y es muy
respetable esa opinion.
Saludos!
Foro 11.
Deep Learning utilizado por la NASA para descubrir nuevos Exoplanetas
LUIS PAZ Y MIÑO ESPINOSA(jun 21, 2019 8:10 PM)- Leído por: 17
Marcar como no leído Responder
Un saludo con todos

Siempre me ha interesado el espacio exterior y sobre todo como día a día la tecnología va
evolucionando y se puede saber de otros planetas, estrellas, cometas, galaxias, etc.
Como aporte al foro comparto como la NASA esta usando la inteligencia artificial para
descubrir nuevos Exoplanetas. Este es el caso del Exoplaneta Kepler-
90i, (https://es.wikipedia.org/wiki/Kepler-90i) en el cual se usaron modelos de Deep
Learning. Otro ejemplo también es el Kepler 80g.
CÓMO SE HALLAN LOS EXOPLANETAS

Dada la distancia a la que se encuentran los científicos no utilizan telescopios convencionales
sino equipos que miden la variación de la luz de las estrellas. Cuando la luz de estas decrece,
se debe probablemente a que un objeto pasa justo delante de ellas ocultándolas. Son
precisamente esas variaciones las que indican la presencia de algún cuerpo. Miren el
siguiente video para entenderlo
mejor: https://www.youtube.com/watch?time_continue=9&v=BFi4HBUdWkk
Otro de los videos para entender como obtienen los datos y entrenan los modelos lo pueden
ver desde este enlace: https://www.youtube.com/watch?time_continue=68&v=S_HRh0ZynjE
En conclusión la inteligencia artificial puede ser usado para varios fines locales, muchos lo
están ubicando en otras lineas del foro, pero también se usa actualmente para determinar
nuestro entorno externo y quien sabe a futuro gracias a esto, podamos responder la gran
pregunta de la humanidad, De donde venimos?
Re: Deep Learning utilizado por la NASA para descubrir nuevos

Exoplanetas
Me encanta. Debe ser apasionante trabajar en esto!
Re: Deep Learning utilizado por la NASA para descubrir nuevos

Exoplanetas
OSCAR DONOSO PALOMEQUE(jun 30, 2019 5:08 PM)- Leído por: 15
Saludos compañero, el tema me parece muy interesante, la IA tiene la capacidad

de automatizar y dar uniformidad a la búsqueda de planetas. Sin embargo, la supervisión
humana y el uso de las herramientas de astronomía tradicional es fundamental. Los datos
recopilados por el algoritmo corresponden a un patrón de búsqueda preestablecido, por lo
que la inteligencia y la creatividad humana continúa resultando imprescindible para
ampliar los márgenes y corroborar la información procedente de la IA.
En las investigaciones dice que Kepler (lanzado en 2009) y su extensión K2 (en órbita
desde 2013) han descubierto hasta la fecha miles de planetas y otras estrellas. El nuevo
algoritmo de inteligencia artificial ha contribuido a eliminar el ruido de los datos recopilados
y captar las señales con una precisión de hasta el 98%.
Foro 12
solución a los problema de IA con deep learning

JUAN PABÓN ALAJO(jun 22, 2019 12:50 PM)- Leído por: 18
Existen soluciones que se plantea bajo el esquema de inteligencia artificial, pero cuando se
habla de inteligencia artificial estamos dando paso a una imagen de robot haciendo el trabajo
de los humanos, pero la realidad no se ajusta a este estereotipo, mas bien se piensa en datos,
estos datos son aquellos que se han dejado atrás de manera de histórico, estos datos son
necesarios y da un punto de vista diferente a los diversos factores que influyen en la toma de
decisiones.
se puede hablar en caso de cambio climático, consumo enérgico, si no también en aspectos
que están relacionados con la vida cotidiana y la sociedad, tanto a nivel físico como
psicológico, entre aspectos en función del negocio y la sincronización del transporte, entre
otros
La idea es que en lugar de basar nuestra decisión en las opiniones o sensaciones de políticos,
periodistas o incluso de expertos en la materia, podamos tener un dato que nos diga,
considerando todos los aspectos que influyen en la decisión y habiendo realizado una
baremación justa de todos estos aspectos, si al dejar de hacer el cambio de hora mejoraremos
un porcentaje X respecto a la situación actual.
Entonces, cuando haya pasado un año del cambio y hayamos tenido a esa Inteligencia
Artificial midiendo todos los parámetros que se tuvieron en cuenta para tomar la decisión,
podamos decidir si la decisión fue acertada, porque de media hayan mejorado los factores
sobre los que se tomaron las decisión o, por el contrario, hemos cometido un error y debemos
rectificar (como ocurrió entre 2015 y 2016 en Chile) para quedarnos como estábamos, pero
sabiendo que ahora contamos con una herramienta que en próximas ocasiones nos ayudará a
tomar mejores decisiones.
es tomar la decisión de empezar a utilizar el Big Data y la Inteligencia Artificial para esa toma
de decisiones, que a nivel de gobiernos conlleva unas connotaciones importantes, de manera
que la decisión final la acabará tomando un político, pero que sin embargo a nivel de gestión
pública y empresarial, sí que podría llegar tener una gran utilidad si se
deciden automatizar cierta toma de decisiones.
ya que en este punto puede existir dieversas criticas como aciertos a la hora de decir si es una
solución ocupar al 100% IA o de manera mas responzable y sabiendo en donde se puede
aplicar este concepto, se puede ver que;
La inteligencia artificial nos es muy útil para obtener predicciones cuando los patrones son
similares a otros que hemos visto con anterioridad. Si tengo datos de consumo eléctrico de
miles de días en el pasado, etiquetados convenientemente, puedo saber con un bajísimo nivel
de error cuál será el consumo del día 19 de septiembre, si conozco cuál fue el consumo del
día 18 y anteriores y además sé que se espera una temperatura media de 22,3 grados, es día
laborable, martes, y hay partido de Champions.
Pero aquí no hablamos exactamente de lo mismo. La decisión no depende únicamente de
datos de los que dispongamos hoy y no es fácilmente medible a priori. ¿Ahorran realmente las
empresas con el cambio de hora? ¿Compensa eso las molestias que supone el cambio a los
ciudadanos? ¿Es lógico cambiar en España la hora a su huso horario natural? ¿No es parte
de nuestra cultura el que anochezca más tarde? ¿Nos hará ese cambio más felices? ¿Más
productivos? ¿Cuántas empresas cambiarán sus políticas si pasamos al huso horario de
Greenwich? ¿Cuánta gente cambiará su costumbre de comer a las 14:30 h o más tarde?
Son preguntas que no creo que a día de hoy se puedan responder con IA de manera sencilla.
Hay análisis estadísticos que se pueden hacer sobre los datos que tenemos (y no olvidemos
que la IA al final es estadística con un nombre más sexy). Existen herramientas informáticas y
matemáticas para tratamiento de grandes volúmenes de datos y disponemos de una base
teórica bastante robusta alrededor de los Sistemas de Ayuda a la Decisión pero no
disponemos de una Inteligencia Artificial General que nos pueda responder esta pregunta hoy.
esto se debe dar un debate segun las caracteristicas de desarrollo de la inteligencia
artificial en donde se dar el cambio o no;
Hay dos vías de aplicación de la IA para toma de decisiones. Uno es el del razonamiento
inductivo, que es el típico usado en escenarios de Aprendizaje Automático (Machine Learning,
Minería de Datos…). Ello requiere de la existencia de (multitud de) casos de entrenamiento
para una función de decisión relativamente sencilla y bien aislada. Los sistemas de IA, a partir
de ejemplos, son capaces de sustituir a las personas en esas tareas.
La segunda vía es la del razonamiento deductivo. Consiste en desarrollar sistemas que
puedan emular el razonamiento humano, enlazando hechos, hipótesis y relaciones de
causalidad o de otros tipos, asimilables a los mecanismos del razonamiento lógico. Estos
sistemas pueden tener una base de Inteligencia General, o pueden incorporar el conocimiento
formalizado que manejan los expertos en el área del saber de que se trate. El objetivo es que
los sistemas de IA construidos de esta manera puedan sustituir a las personas en tareas
cognitivas similares.
Ninguna de las vías anteriores es de utilidad para un escenario de toma de decisiones como el
que propones. Sin embargo, este asunto del cambio de hora resulta una cuestión bastante
opinable. La IA permite, por ejemplo, recoger las opiniones espontáneas de los ciudadanos
expresadas a través de redes sociales. Las tecnologías de procesamiento de lenguaje natural
pueden automatizar el análisis de esas opiniones, incluyendo:
Foro 13.
Detección de especies forestales con Deep Learning

JOAQUÍN BÉJAR GARCÍA(jun 23, 2019 6:03 AM)- Leído por: 18

Reconocer las especies forestales es una tarea esencial en muchas áreas. Por ejemplo en la
industria de la construcción, es crucial validar que se está utilizando la especie correcta para
una construcción determinada, para asegurar que las propiedades del material sean
conocidas. El proceso de fabricación de productos de madera, como mesas y sillas, puede
requerir un tipo particular de madera. En áreas mas comerciales, la identificación de la especie
es vital para valorar un producto y para la inspección y control del comercio ilegal de especies
raras, lo cual es un problema en muchos países. Teniendo en cuenta que estas tareas
generalmente requieren un humano experto para el análisis de especies, el desarrollo de un
sistema automatizado podría reducir los costos y hacer que este proceso sea más rápido.
Por este motivo, se han propuesto varios sistemas en la literatura académica para el
reconocimiento de especies forestales. El reconocimiento de especies forestales se trata como
un problema de clasificación de textura, debido a la propiedad que tiene la la sección
transversal de los árboles debido a sus diferentes patrones en cada especie. Se están
explorado técnicas de clasificación de texturas mediante filtros y matrices de coocurrencia
GLCM. Ciertos estudios muestran de forma efectiva como el uso de patrones binarios locales
puede extraer características relevantes de las imágenes y usó un clasificador K-NN obtiene
grandes resultados. Otras investigaciones se decantan mas por el uso de características
basadas en color y GLCM, y la combinación de diferentes clasificadores que utilizan
características de color en modelos de Deep Learning recibiendo una mayor atención en los
últimos años.
Además de mejorar la precisión de los diferentes problemas de reconocimiento de patrones,
uno de los objetivos fundamentales de Deep Learning es avanzar en el aprendizaje
automático hacia el descubrimiento automático de múltiples niveles de representación. La
intención es utilizar datos sin procesar (por ejemplo, píxeles de imagen) como entrada para los
modelos, y dejar que los modelos aprendan representaciones intermedias, es decir, dejar que
el modelo aprenda las características. Esto es especialmente importante para dominios donde
las características son difíciles de formalizar, como las tareas de reconocimiento de objetos y
reconocimiento de voz. En las tareas de clasificación de especies forestales, se están utilizado
varios métodos para extraer las diferentes características, lo que demuestra la dificultad de
encontrar una buena representación para el problema.
Las arquitecturas de Deep Learning se han utilizado ampliamente para lograr tareas de
reconocimiento de objetos de vanguardia, como el conjunto de datos CIFAR, donde los
principales resultados publicados utilizan redes neuronales convolucionales. Las tareas de
clasificación de objetos y texturas presentan similitudes con el reconocimiento de especies
forestales, como la fuerte correlación de las intensidades de los píxeles en el espacio 2-D, y
presentan algunas diferencias, como la capacidad de realizar la clasificación utilizando solo un
fragmento relativamente pequeño de una textura. A pesar de las similitudes con la
clasificación de objetos, se puede observar que las técnicas de Deep Learning todavía no se
utilizan ampliamente para las tareas de clasificación de texturas siendo las máquinas de
Boltzmann las mas extendidas en esta área, Muchos científicos todavía consideran el uso de
píxeles de la imagen como fuente de entrada, pero no consideran el entrenamiento de
modelos de Deep Learning para la clasificación entre varias clases. La aplicación de técnicas
de Deep Learning al reconocimiento de especies forestales representa una contribución no
solo a este problema específico, sino también a los problemas de reconocimiento de textura
en general. Con este enfoque, se podría entender que representación es la más apropiada
para identificar texturas a partir de datos.
Sin embargo, una característica importante de los conjuntos de datos que se utilizan para esta
tarea es la alta resolución de las imágenes, en contraste con la baja resolución de la mayoría
de las bases de datos de reconocimiento de objetos a las que se aplica el Deep Learning.
Como consecuencia, cuestiones como la adaptación de las arquitecturas CNN existentes para
estas imágenes y cómo mantener el tiempo de entrenamiento aceptable puede convertirse en
un problema. Las contribuciones que se pueden hacer a este campo son muchas, pero parece
que las técnicas de Deep Learning usando CNN, para el reconocimiento de especies
forestales son muy satisfactorias.
Re: Detección de especies forestales con Deep Learning

KAREN HEREDIA VILLACIS(jun 30, 2019 4:52 PM)- Leído por: 15
Saludos compañero, en cuanto a la naturaleza la IA tambien ha logrado un gran avance

estuve investigando y que existe una aplicación para la monitorización de la biodiversidad en
colaboración con iNaturalist, la popular aplicación de ciencia ciudadana para recoger
observaciones de naturaleza, ha incorporado una funcionalidad para ayudar a identificar de
forma automática las especies fotografiadas por los usuarios. El objetivo de iNaturalist
es identificar instantáneamente 100.000 especies offline con una precisión de más del 90%
para 2020. De esta forma, se espera analizar en tiempo real cómo varía la distribución de las
especies.
Foro 14.
Nuevo Siete problemas que se pueden resolver gracias a la I.A.
RAUL SETIEN TAPIA(jun 24, 2019 3:45 PM)- Leído por: 18
1. Asistentes personales virtuales

El aprendizaje automático es una parte importante de estos asistentes personales, ya que
recopilan y refinan la información sobre la base de su participación previa con ellos. Más
tarde, este conjunto de datos se utiliza para generar resultados que se ajustan a sus
preferencias.
Los Asistentes Virtuales están integrados a una variedad de plataformas. Por ejemplo:
Smart Speakers: Amazon Echo y Google Home
Smartphones: Samsung Bixby en Samsung S8
Aplicaciones Móviles: Google Allo
2. Predicciones durante los desplazamientos

Predicciones de tráfico: Mientras utilizamos los servicios de navegación GPS, nuestras
ubicaciones y velocidades actuales se guardan en un servidor central para administrar el
tráfico. Estos datos se utilizan para crear un mapa del tráfico actual. Si bien esto ayuda a
prevenir el tráfico y realiza análisis de congestión, el problema subyacente es que hay menos
cantidad de autos equipados con GPS. El aprendizaje automático en tales escenarios ayuda a
estimar las regiones donde se puede encontrar congestión sobre la base de experiencias
diarias.
3. Videos de vigilancia
El sistema de videovigilancia de hoy en día está impulsado por la IA que hace posible detectar
el crimen antes de que ocurra. Rastrean el comportamiento inusual de personas como estar
de pie sin moverse durante mucho tiempo, tropezándose o durmiendo la siesta en bancos,
etc. El sistema puede así alertar a los asistentes humanos, que en última instancia pueden
ayudar a evitar contratiempos. Y cuando dichas actividades se informan y se cuentan como
verdaderas, ayudan a mejorar los servicios de vigilancia. Esto sucede con el aprendizaje
automático haciendo su trabajo en el backend.
4. Servicios de redes sociales

Desde la personalización de su fuente de noticias hasta una mejor orientación de los
anuncios, las plataformas de redes sociales están utilizando el aprendizaje automático para
su propio beneficio y los beneficios del usuario. Aquí hay algunos ejemplos que debe notar,
usar y amar en sus cuentas de redes sociales, sin darse cuenta de que estas características
maravillosas no son más que las aplicaciones de ML.
Personas que quizás conozcas: el aprendizaje automático funciona con un concepto simple:
entender con experiencias. Facebook se da cuenta continuamente de los amigos con los que
se conecta, los perfiles que visita muy a menudo, sus intereses, el lugar de trabajo o un grupo
que comparte con alguien, etc. Se sugiere una lista de usuarios de Facebook sobre la base
del aprendizaje continuo. hacerse amigos con
Reconocimiento facial: carga una foto suya con un amigo y Facebook lo reconoce
instantáneamente. Facebook verifica las poses y proyecciones en la imagen, observa las
características únicas y luego las compara con las personas en tu lista de amigos. Todo el
proceso en el backend es complicado y se encarga del factor de precisión, pero parece ser
una aplicación simple de ML en la parte delantera.
5. Correo electrónico spam y filtrado de malware

Hay una serie de enfoques de filtrado de spam que utilizan los clientes de correo electrónico.
Para asegurarse de que estos filtros de spam se actualicen continuamente, se basan en el
aprendizaje automático. Cuando se realiza el filtrado de correo no deseado basado en reglas,
no se pueden rastrear los últimos trucos adoptados por los spammers. Multi Layer Perceptron,
C 4.5 Decision Tree Induction son algunas de las técnicas de filtrado de spam que funciona
con ML.
Cada día se detectan más de 325,000 dispositivos maliciosos y cada pieza de código es 90–
98% similar a sus versiones anteriores. Los programas de seguridad del sistema que
funcionan con el aprendizaje automático comprenden el patrón de codificación. Por lo tanto,
detectan nuevos programas maliciosos con una variación del 2 al 10% fácilmente y ofrecen
protección contra ellos.
6. Refinamiento de resultados de motores de búsqueda

Google y otros motores de búsqueda utilizan el aprendizaje automático para mejorar los
resultados de búsqueda para usted. Cada vez que ejecuta una búsqueda, los algoritmos en el
backend vigilan cómo responde a los resultados. Si abre los resultados principales y
permanece en la página web por mucho tiempo, el motor de búsqueda asume que los
resultados que se muestran fueron de acuerdo con la consulta. De manera similar, si llega a
la segunda o tercera página de los resultados de búsqueda pero no abre ninguno de los
resultados, el motor de búsqueda estima que los resultados no coincidieron con el requisito.
De esta manera, los algoritmos que trabajan en el backend mejoran los resultados de
búsqueda.
7. Recomendaciones de productos
Usted compró un producto en línea hace unos días y luego continúa recibiendo correos
electrónicos con sugerencias de compras. Si no es así, entonces es posible que haya notado
que el sitio web de compras o la aplicación le recomienda algunos artículos que de alguna
manera coinciden con su gusto. Ciertamente, esto refina la experiencia de compra, pero
¿sabías que el aprendizaje automático hace la magia por ti? Sobre la base de su
comportamiento con el sitio web / aplicación, compras pasadas, artículos gustados o
agregados al carrito, preferencias de marca, etc., se hacen las recomendaciones del
producto.
Nuevo Re: Siete problemas que se pueden resolver gracias a la I.A.

WASHINGTON GIOVANNY AMANCHA PUNINA(jun 30, 2019 7:41 PM)- Leído por: 15
Hola Raúl me parece muy valioso tu aporte a este foro, porque de acuerdo a lo que he
podido investigar efectivamente los siete problemas que citas en tu exposición forman
parte del grupo de los múltiples problemas que se pueden resolver con la ayuda de IA sin
embargo solo faltaría especificar si en todos ellos se podrían resolver mediante el uso de
Deep Learning.
Saludos.
Foro 15
Nuevo Reconstrucción de imágenes del cerebro
JUAN FERNANDO CHICA ORTIZ(jun 25, 2019 12:55 AM)- Leído por: 18
Saludos compañeros, resultan bastante interesantes las ideas que se han planteado en el
foro, en este caso les comparto una posible aplicación en las empresas un tanto salida de lo
común. En la inteligencia artificial, muchas de las técnicas que se han utilizado han sido
bioinspiradas, es decir que se han inspirado en el funcionamiento de sistemas de seres vivos.
Sin embargo, ello no conlleva a que utilizando la IA se pueda obtener información de un
sistema biológico. Por otra parte, en las empresas un interés muy grande siempre ha sido
entender que es lo que las personas quieren, algo como adentrarse en el cerebro de las
personas y ver sus pensamientos. Si bien esto aún no existe de forma comercial, existen
investigaciones que se están realizando para cumplir con esta tarea. Por ejemplo,
investigadores del Kamitani Lab de la Universidad de Kyoto (Japón) utilizaron técnicas
basadas en IA, particularmente Deep Learning para leer lo que una persona tiene en su
mente y reflejarlo en una imagen. El proceso de forma general fue, recopilar información de
varias personas cuando veían imágenes especificas y guardar por una parte la imagen
presentada y la actividad cerebral (usando fMRI), luego estos fueron los datos que se
utilizaron para entrenar el modelo de Deep Learning, el cual luego partiendo de la actividad
cerebral reconstruía las imágenes que la persona estaba pensando. A continuación dejo un
enlace a un video donde se muestra la imagen deseada y la obtenida con el modelo, así
como también el articulo científico.
https://www.youtube.com/watch?v=JHj0xaoW84k
https://www.biorxiv.org/content/10.1101/240317v2
Si bien no son reconstrucciones exactas, la investigación representa un gran avance en este
campo. Además como se menciono las empresas podrían hacer uso de esta tecnología en un
futuro para poder entender o plasmar exactamente lo que se imagina un cliente (por ejemplo
en el caso de un diseño o una construcción). Además un alcance a esta aplicación podría ser
lo que están realizando investigadores como Daniel Oldis y David M. Schyner en la
Universidad de Texas en Austin. Ellos pretenden reconstruir los sueños de una persona
utilizando un concepto similar. Esta aplicación podría ser utilizada por empresas para ofrecer
servicios de reconstrucción de sueños de las personas o incluso se podría utilizar esta
información de los sueños para realizar tratamientos psicológicos.
Articulo sobre las imagenes de los sueños: https://www.tendencias21.net/Filmar-los-suenos-
es-el-siguiente-objetivo-de-la-ciencia_a45264.html
Nuevo Re: Reconstrucción de imágenes del cerebro

JAVIER RÓDENAS CUMPLIDO(jun 25, 2019 5:13 AM)- Leído por: 17
Buenas compañero,
muy buena aportación, me ha parecido una idea genial. Lo que veo más difícil es llegar a
obtener un buen dataset, puesto que, el proceso sería difícil de automatizar.
Por otro lado, también se podría utilizar para saber qué quiere un bebé o alguien que no
entienda el idioma.
Saludos.

Buena idea, intesesante por su aplicación y por el reto que supone.

Es complicado establecer, con los conocimientos actuales, esa correlación que planteas, y
los datos de training serían también otro gran problema, como ya indica otro compañero
en el post anterior.
Sin embargo, seguro que puede hacerse, y sin duda, es muy interesante.
PD: Convence a un gerente de esto, y te entregarán los recursos en bandeja, jeje:
"Además como se menciono las empresas podrían hacer uso de esta tecnología en un
futuro para poder entender o plasmar exactamente lo que se imagina un cliente (por
ejemplo en el caso de un diseño o una construcción)"

JOSE RAUL SHICSHI LUNA(jun 30, 2019 2:13 AM)- Leído por: 16
Estimado Juan, interesante la idea planteada.

1. En la inteligencia artificial, muchas de las técnicas que se han utilizado han sido
bioinspiradas, es decir que se han inspirado en el funcionamiento de sistemas de seres
vivos. Esto es correcto, pues el deep learning se basa en el funcionamiento de las redes
neuronales del cerebro y de esa manera imitar algunas funciones.
Los sistemas de Inteligencia artificial ya realizan predicciones con un alto nivel de
precision sobre gustos y preferencias, que se puede interpretar "a que nos lee la mente".
Ahora, esto de leer la mente de otra persona y saber lo que piensa o adentrarse en sus
pensamientos, por ahora esta algo lejos de darse. Muchos investigardores llaman la
atencion con sus proyectos con el fin de buscar fondos o patrocinios, o por solo vender la
idea. Es como querer vender un auto fantastico que no tiene nada de fantastico. Un
ejemplo de esto, es con el robot sophia, que tiene establecidos parametros de
conversacion (es un chatbot)
Las tecnologias de IA estan aun lejos de ser inteligentes de verdad puesto que el mejor
robot fabricado en la actualidad es menos o igual de inteligente que una cucaracha, ni
siquiera se compara a la de un raton. Puesto que ni siquiera llegamos a eso, intentar
meterse en el cerebro de una persona y leer sus pensamientos, eso esta un poco
lejos. Sobre este punto, con los avances en la fisica, computacion cuantica, Inteligencia
artiicial, Biotecnologia y Nanotecnologia, creo en unos 15 a 20 años esto sera tan real, no
lo dudo.
En el libro de Ray Kurzweil titulado LA SINGULARIDAD TECNOLOGICA toca muchos
temas sobre el crecimiento exponencial de las tecnologias y uno de ellos es la telepatia.

KAREN HEREDIA VILLACIS(jun 30, 2019 4:45 PM)- Leído por: 15
Saludos Compañero es muy interesante este tema, estuve leyendo y es un gran avance
tecnológico, un profesor de psicología, ciencias cognitivas y neurobiología llamado Marvin
Chu, no duda en calificarlo como una técnica para "leer la mente". Según Chun y su
equipo, la técnica puede mejorarse simplemente ampliando la base de datos de
resonancias magnéticas asociadas a determinadas caras. El equipo espera que la técnica
pueda ser de utilidad para investigar enfermedades como el autismo.
Los avances son sorprendentes
Foro 16
Nuevo Ajuste de frecuencia para sordos parciales con Deep Learning
JAVIER RÓDENAS CUMPLIDO(jun 25, 2019 5:02 AM)- Leído por: 20
Se podría optimizar el funcionamiento de los aparatos para ayudar a sordos parciales a

escuchar mejor con una red neuronal que sea capaz de ajustar la frecuencia.
Estos aparatos funcionan con filtros que son capaces de eliminar ruido y adaptarse a entorno
según la configuración para escuchar mejor y con el volumen adecuado. Con una red
neuronal, se optimizaría y automatizaría el ajuste de la frecuencia según ruido o entorno.
También, si le están hablando a la persona con el aparato, la red será capaz de filtrar
únicamente la voz.
Los datos sería fáciles de recoger, puesto que, sólo se tendría que generar ruido aleatorio.
Además, sería fácil de establecer la salida de los datos a partir de unas tablas de ruido y
frecuencia de ajuste.
El principal problema estaría en ajustar la table de ruido/frecuencia para obtener la frecuencia
de salida. Esta tabla deberá ser muy precisa.
Qué opináis?
Muchas gracias!
Nuevo Re: Ajuste de frecuencia para sordos parciales con Deep Learning
JOSE RAUL SHICSHI LUNA(jun 30, 2019 3:44 PM)- Leído por: 16
Estimado Javier, conozco poco sobre procesamiento de señales, pero creo no es

necesario usar redes neuronales y menos deep learning como tal ya que para la
eliminacion de ruido y quedarse con la voz, solo se aplica una formula matematica y la
manera de ajustar al frecuencia se puede realizar a traves de sensores que alimenten de
datos de forma periodica que alimente al modelo ML que regule las frecuencias a
necesidad.
Foro 17
Nuevo Aplicaciones para la policía
ALEXIS DANNY ALVARADO ROMÁN(jun 29, 2019 10:05 AM)- Leído por: 21
Aplicar deep learning a tarea que realizan los policias es de gran ayuda, ya que permitiria
disminuir el numero de robos, asaltos.
Mencionare algunos ejemplos de utilidad sobre aplicaciones para este tipo:
 Aplicación que pueda predecir un posible robo o asalto .

 Aplicación que reconozca a una persona si es prófugo de la justicia.
 Aplicación de identificar a una persona mediante tatuaje o cicatriz.
Nota.- El último ítem se lo menciona, porque cuando una persona peligrosa se escapa de la
cárcel, normalmente, lo que hace es cambiarse de personalidad. Entonces por algún tatuaje o
cicatriz ser capaz de reconocerlo.
Saludos.
Nuevo Re: Aplicaciones para la policía

ANGEL GONZALEZ TEJEDOR(jun 30, 2019 12:00 PM)- Leído por: 17
Creo que unas de las ayudas que mas esta dando resultados a la policía en cuanto a la
inteligencia artificial es el buscar patrones en un grupo de delincuentes para detectar
rostros de personas que regularmente pudieran tener muchos documentos falsificados
con diferentes nombres. Esto era un proceso que debía llevarse a cabo manualmente por
parte de personas entrenadas para esta labor y que podría llevar meses antes de poder
determinar las nuevas identidades de los delincuentes, pero hoy en día con el uso de
algoritmos cada vez mas eficientes se pueden hacer búsquedas y determinar
comportamientos que ayudan a las autoridades de a poder determinar los posibles paso
que puede dar un delincuente según sus patrones de comportamiento.

OSCAR DONOSO PALOMEQUE(jun 30, 2019 5:15 PM)- Leído por: 16
Saludos Compañero en cuanto a la aplicación de Deep Learning en la policía me parece

interesante un programa de aprendizaje automático analiza el historial del acusado para
determinar si debe esperar a su juicio desde casa o presenta riesgo de fuga. Y resulta que
funciona mejor que los jueces.
El algoritmo asigna a los acusados una puntuación de riesgo basada en datos
procedentes de documentos relacionados con el caso en cuestión y el historial penal.
Estos datos incluyen, por ejemplo, el delito del que se les acusa, cuándo y dónde fueron
detenidos y el número y los tipos de condenas anteriores.

ALEXIS DANNY ALVARADO ROMÁN(jul 4, 2019 1:13 AM)- Leído por: 14
Hola Oscar.
Me parecio fabuloso esa idea.
Se podria tener un mayor control de los delincuentes y evitar posibles fugas.
Saludos.

SIXTO ROBAYO CAJAMARCA(jun 30, 2019 7:15 PM)- Leído por: 16
Hoy en día la Policía puede beneficiarse enormemente de los beneficios que aporta la
Inteligencia Artificial, concretamente, Deep Learning, por ejemplo en shenzhen China, una
de las miles de cámaras, escanea la calle, analiza instantáneamente los rostros de todos
las personas que capta el sensor. Luego, una alerta: los algoritmos Deep Learning
encontraron una coincidencia con alguien sospechoso de la multitud. Los oficiales se
apresuran a la escena y lo llevan bajo custodia. Un poco de esta
novedad aquí: https://www.nbcnews.com/news/us-news/facial-recognition-gives-police-
powerful-new-tracking-tool-it-s-n894936.
Interesante enfoque Alexis,
Saludos Cordiales
, los policías usan gafas de reconocimiento facial para identificar a los delincuentes,
dichas gafas hacen peticiones

Hola Sixto.
Muchas gracias por tu comentario.Y si, si me intereso mucho esa metodologia que
llevan a cabo ese pais para el reconomiento de ladrones, profujos.
Saludos.

ALVARO DENIS BEDOYA RUIZ(jun 30, 2019 11:08 PM)- Leído por: 15
En algunas ciudades llamadas "Smart Cities" han adoptado puliticas publicas para hacer
inversiones en desarrollos tecnologicos para resolver problemas sociales, instlan una gran
red de videovigilancia que es minitoriado desde un centro de crisis donde agentes
policiales estan observando el comportameinto de los ciudadanos, pero no alcanzan a
analizar en tiempo real los eventos criticos o identificar patronrs de conducta delictiva; se
depende nuevamente del fallo humano; es aqui un campo de aplicacion muy propicio para
la aplicancion del aprendizaje automatico profundo que permita reacionar rapidamente y
evitar o mininizar el impacto negativo del crime en accion.

JOSÉ JAVIER LARA JIMÉNEZ(jul 1, 2019 12:55 PM)- Leído por: 14
Hola Alexis.
Muy interesante. Es algo que creo que acabará ocurriendo.
JOSEP CHULVI CALATAYUD(jul 1, 2019 2:18 PM)- Leído por: 15
Yo leí hace un tiempo una noticia sobre una inteligencia artificial que era capaz de
predecir peleas con bastante antelación. Todo gracias a analizar los
comportamientos/gestos previos que la gente suele tener antes de lincharse entre ellos.
Puede ahorrar muchos disgustos en puertas de discotecas, locales y sitios públicos.
Increíble la verdad.
Este ejemplo en concreto detecta peleas ya empezadas, pero creo que sigue el mismo
método prácticamente:
https://spectrum.ieee.org/tech-talk/robotics/artificial-intelligence/ai-drone-learns-to-detect-
brawls

Hola.
Muchas gracias con cada uno de ustedes que han compartido ideas sobre deep learnign
para aplicaciones de las policias - seguridad.
Una sugerencias, comentarios y/o ideas mejor que la otra, pero todas interesantes.
Saludos.
Foro 18
Nuevo Aplicaciones para la policía
ALEXIS DANNY ALVARADO ROMÁN (jun 29, 2019 10:05 AM) - Leído por: 21

Aplicar deep learning a tarea que realizan los policias es de gran ayuda, ya que permitiria
disminuir el numero de robos, asaltos.
Mencionare algunos ejemplos de utilidad sobre aplicaciones para este tipo:
 Aplicación que pueda predecir un posible robo o asalto .

 Aplicación que reconozca a una persona si es prófugo de la justicia.
 Aplicación de identificar a una persona mediante tatuaje o cicatriz.
Nota.- El último ítem se lo menciona, porque cuando una persona peligrosa se escapa de la
cárcel, normalmente, lo que hace es cambiarse de personalidad. Entonces por algún tatuaje
o cicatriz ser capaz de reconocerlo.
Saludos.
ANGEL GONZALEZ TEJEDOR (jun 30, 2019 12:00 PM) - Leído por: 17
Creo que unas de las ayudas que mas esta dando resultados a la policía en cuanto a la
inteligencia artificial es el buscar patrones en un grupo de delincuentes para detectar
rostros de personas que regularmente pudieran tener muchos documentos falsificados
con diferentes nombres. Esto era un proceso que debía llevarse a cabo manualmente por
parte de personas entrenadas para esta labor y que podría llevar meses antes de poder
determinar las nuevas identidades de los delincuentes, pero hoy en día con el uso de
algoritmos cada vez mas eficientes se pueden hacer búsquedas y determinar
comportamientos que ayudan a las autoridades de a poder determinar los posibles paso
que puede dar un delincuente según sus patrones de comportamiento.
OSCAR DONOSO PALOMEQUE (jun 30, 2019 5:15 PM) - Leído por: 16
Saludos Compañero en cuanto a la aplicación de Deep Learning en la policía me parece

interesante un programa de aprendizaje automático analiza el historial del acusado para
determinar si debe esperar a su juicio desde casa o presenta riesgo de fuga. Y resulta que
funciona mejor que los jueces.
El algoritmo asigna a los acusados una puntuación de riesgo basada en datos procedentes
de documentos relacionados con el caso en cuestión y el historial penal. Estos datos
incluyen, por ejemplo, el delito del que se les acusa, cuándo y dónde fueron detenidos y
el número y los tipos de condenas anteriores.
ALEXIS DANNY ALVARADO ROMÁN (jul 4, 2019 1:13 AM) - Leído por: 14
Hola Oscar.
Me parecio fabuloso esa idea.
Se podria tener un mayor control de los delincuentes y evitar posibles fugas.
Saludos.
SIXTO ROBAYO CAJAMARCA (jun 30, 2019 7:15 PM) - Leído por: 16
Hoy en día la Policía puede beneficiarse enormemente de los beneficios que aporta la
Inteligencia Artificial, concretamente, Deep Learning, por ejemplo en shenzhen China,
una de las miles de cámaras, escanea la calle, analiza instantáneamente los rostros de todos
las personas que capta el sensor. Luego, una alerta: los algoritmos Deep Learning
encontraron una coincidencia con alguien sospechoso de la multitud. Los oficiales se
apresuran a la escena y lo llevan bajo custodia. Un poco de esta novedad aquí:
https://www.nbcnews.com/news/us-news/facial-recognition-gives-police-powerful-new-
tracking-tool-it-s-n894936.
Interesante enfoque Alexis,
Saludos Cordiales
, los policías usan gafas de reconocimiento facial para identificar a los delincuentes,
dichas gafas hacen peticiones
Hola Sixto.
Muchas gracias por tu comentario.Y si, si me intereso mucho esa metodologia que
llevan a cabo ese pais para el reconomiento de ladrones, profujos.
Saludos.
ALVARO DENIS BEDOYA RUIZ (jun 30, 2019 11:08 PM) - Leído por: 15
En algunas ciudades llamadas "Smart Cities" han adoptado puliticas publicas para hacer
inversiones en desarrollos tecnologicos para resolver problemas sociales, instlan una
gran red de videovigilancia que es minitoriado desde un centro de crisis donde agentes
policiales estan observando el comportameinto de los ciudadanos, pero no alcanzan a
analizar en tiempo real los eventos criticos o identificar patronrs de conducta delictiva; se
depende nuevamente del fallo humano; es aqui un campo de aplicacion muy propicio
para la aplicancion del aprendizaje automatico profundo que permita reacionar
rapidamente y evitar o mininizar el impacto negativo del crime en accion.
Hola Alexis.
Muy interesante. Es algo que creo que acabará ocurriendo.

Yo leí hace un tiempo una noticia sobre una inteligencia artificial que era capaz de
predecir peleas con bastante antelación. Todo gracias a analizar los
comportamientos/gestos previos que la gente suele tener antes de lincharse entre ellos.
Puede ahorrar muchos disgustos en puertas de discotecas, locales y sitios públicos.
Increíble la verdad.
Este ejemplo en concreto detecta peleas ya empezadas, pero creo que sigue el mismo
método prácticamente:
https://spectrum.ieee.org/tech-talk/robotics/artificial-intelligence/ai-drone-learns-to-
detect-brawls
Hola.
Muchas gracias con cada uno de ustedes que han compartido ideas sobre deep learnign
para aplicaciones de las policias - seguridad.
Una sugerencias, comentarios y/o ideas mejor que la otra, pero todas interesantes.
Saludos.
Foro 19
Nuevo Human Activity Recognition With Smartphone Sensors
SIXTO ROBAYO CAJAMARCA (jun 30, 2019 6:45 PM) - Leído por: 15
Los dominios en los que se puede aprovechar el potencial del Deep Learning son incontables,
como es el caso de la optimización de recursos en plantas generadoras de electricidad,
vehículos autónomos, detección del cáncer de piel [1], juegos de mesa (Alpha Go), y la lista
continúa…, pero una de personal interés se denomina Human activity recognition (HAR)
with smartphone sensors [2]. Donde es posible aprovechar el sobresaliente desempeño de
las redes neuronales artificiales, tomando los datos arrojados por los sensores inerciales,
(giroscopio, acelerómetro y magnetómetro) y su combinación para la detección, análisis y
reconocimiento automático de la actividad humana.
En este documento [2], se propone una red neuronal convolucional profunda (convnet) para
realizar una HAR eficiente y efectiva utilizando sensores de teléfonos inteligentes mediante
el aprovechamiento de las características inherentes de las actividades y las señales de series
de tiempo 1D. Al mismo tiempo, proporciona una manera de extraer de forma automática las
características más robustas de los datos en bruto.
Otro enfoque [3] es aprovechar las prestaciones de Internet de las cosas (IoT) para el
reconocimiento de la actividad humana (HAR) mediante el monitoreo remoto de signos
vitales en el contexto de un sistema de atención médica para pacientes cardíacos crónicos
auto gestionados, haciendo uso de Smart Homes. El objetivo es crear un sistema HAR-IoT
utilizando algoritmos de aprendizaje profundo para inferir la actividad realizada en 4
categorías (mentir, sentarse, caminar y correr), así como el tiempo consumido en la
realización de estas actividades y, finalmente, dar retroalimentación durante y después de la
actividad.
A continuación, hago referencia al siguiente documento [4] y el siguiente enlace [5] donde
se cita otros dominios en los que se pude implementar El Reconocimiento de la Actividad
Humana mediante el uso del Deep Learnig.
Referencias:
[1] https://www.nature.com/articles/nature21056?TB_iframe=true&width=914.4&height=9
21.6
[2] Ronao, Charissa Ann and Cho, Sung-Bae, Human activity recognition with
smartphone sensors using deep learning neural networks.
[3] Rodriguez, Camilo & Castro, Diego & Coral, William & Cabra Lopez, Jose-Luis &
Velasquez, Nicolas & Colorado, Julian & Mendez, Diego & C Trujillo, Luis, IoT
system for Human Activity Recognition using BioHarness 3 and Smartphone.
[4] Lockhart, Jeffrey W and Pulickal, Tony and Weiss, Gary M. Applications of mobile
activity recognition.
[5] https://www.youtube.com/watch?v=Flm-kkCqACM&t=479s
Nuevo Re: Human Activity Recognition With Smartphone Sensors
Hola Sixto.
Muy buen aporte. Se ha visto que has hecho investigaciones y has compartido enlaces
excelentes.
Me llama mucho la atención en lo que respecta a "Internet de las cosas". Y me parece

interesante sobre HAR-IoT para los signos vitales.
Muchas gracias por compartir esas ideas.
Saludos.
Nuevo Agroindustria con Deep Learning
KAREN HEREDIA VILLACIS (jun 30, 2019 4:37 PM) - Leído por: 14
La IA tiene un papel muy importante en las actividades agroindustriales, las compañías de

vanguardia emplean soluciones inteligentes para solucionar y mejorar actividades este
sector de la industria como por ejemplo para evitar accidentes laborales y detectar errores
en la línea de producción, también administrar elementos en la entrada y salida de procesos,
como control de stock, distribución de productos o gestión de desechos.
Se emplea la deep learning para mejorar la calidad de la cosecha y aprovechar el potencial

de los suelos. Permitiría predecir rendimientos, calidades, curva de demanda, curvas de
cosechas, necesidades de logística, predicción y dinámicas de plagas y recomendaciones de
manejo de cultivos entre otros usos.
En Europa, hay ejemplos en España e Israel donde, a pesar del clima desértico han logrado
cultivar cítricos, apalancados en la tecnología apropiada para eso. En el caso de Argentina y
Brasil, ambos países tienen un alto nivel tecnológico en aspectos como siembra directa,
adopción de biotecnología, edición génica, entre otros.
Los productores de punta cuentan con muy buena información histórica acumulada en la
nube en muchos casos, big data, y están iniciando la explotación de esta información en
tecnologías como agricultura de precisión e IA. Ha habido muchos progresos en esta área,
pero aún no estamos en un nivel para hacer crecer exponencialmente las últimas
tecnologías.
Las nuevas tecnologías requieren de un espíritu de colaboración permanente con jugadores

de distintas áreas, aprendiendo a la par y aceptando algunos fracasos iniciales hasta
encontrar el valor buscado. El tema de empezar a dejar a las máquinas aplicar inteligencia
bruta y a los humanos el discernimiento está todavía en cuestión; también la falta de
historia digital. Lleva tiempo y dinero alimentar a la IA con la información histórica no
digitalizada que sea la base de sus procesos de aprendizaje.
Nuevo Deep Learning en la nanofotónica y nanotecnología
OSCAR DONOSO PALOMEQUE (jun 30, 2019 4:56 PM) - Leído por: 14
La nanofotónica (parte de la nanotecnología) es una ciencia que estudia el comportamiento

de distintos materiales al interactuar con la luz, pero en niveles nanométricos. Los
materiales usados pueden ser naturales o artificiales con el objetivo de aprovechar algún
comportamiento propio del material.
Las aplicaciones de esta nueva tecnología se resumen en:
“Efectos no lineales y aumento de intensidad del campo electromagnético en metales

nanoestructurado”. Esto se refiere al aprovechamiento de energía dependiendo el campo
magnético que produce el metamaterial.
“Optimización de dispositivos ópticos basados en plasmones superficiales”. Esto hace

referencia a utilizar elementos ópticos (led a nivel nanométrico con metamateriales) para la
transmisión de información.
“Metamateriales metálicos” Esto implica la utilización, creación y manipulación de

materiales metálicos que se comportan de cierta manera ante la interacción con la luz.
Uno de los productos prometedores de esta aplicación son los objetos que se vuelven
invisibles al ser afectados por la luz. El Centro de Tecnología Nanofotónica de la
Universidad Politécnica de Valencia tiene un departamento encargado de investigar este
fenómeno y se encuentra en estudios para mejorarlo y aplicarlo en objetos de mayor medida
que a escala nanométrica.
Esta nueva tecnología es prometedora pero tiene algunos inconvenientes, como lo explica el
Dr. Haim Suchowski de la Escuela de Física y Astronomía de TAU en un estudio publicado
en la revista científica LIGHT: Science and Applications. El problema consiste en se
“adivina” la forma geométrica del metametal y se realiza su estudio usando las ecuaciones
de Maxwell. Sin embargo, esto ha sido poco favorable y demoroso pues necesitan invertir
mucho tiempo fabricándolo (debido a su geometría) y aun no sabrían cómo se comportará.
Aquí es donde entra Deep Learning. Los investigadores de la Universidad de Tel Aviv usan
redes neuronales para predecir la relación de nanoelementos con su forma geométrica y su
respuesta electromagnética al estímulo de la luz.
El modelo fue alimentado con 15.000 experimentos artificiales para enseñar a la red la
compleja y obtener los resultados adecuados. De esta manera pueden predecir si un
metamaterial se debería producir o no. Es más, detalla el Dr. Suchowski. “Demostramos que
una red de Deep Learning ‘entrenada’ puede predecir, en una fracción de segundo, la
geometría de una nanoestructura fabricada”.
Conclusiones: Deep Learning es una herramienta de gran poder. Sus aplicaciones pueden
extenderse infinitamente dependiendo de la necesidad y enfoque. Un invento como este
podría revolucionar el sector militar puesto que poseer un traje invisible.
Referencias:
ÁLVAREZ , JOSÉ ENRIQUE , 15 NOVIEMBRE - 2018 , Cuando la nanofotónica se encuentra con el

Deep Learning para la obtención de metamateriales. Recuperado de: https://smart-
lighting.es/cuando-la-nanofotonica-se-encuentra-deep-learning-la-obtencion-metamateriales/
Centro de Tecnología Nanofotónica de la Universidad Politécnica de Valencia Recuperado

de: https://www.ntc.upv.es/
Martí, Javier, director del centro de tecnología nanofotónica de Valencia, 28 noviembre

2008, La nanofotónica es una de las tecnologías del futuro. Tomado de:
https://www.agenciasinc.es/Entrevistas/La-nanofotonica-es-una-de-las-tecnologias-del-
futuro
Nuevo Foro: Resolución de problemas de inteligencia artificial con Deep Learning
WASHINGTON GIOVANNY AMANCHA PUNINA (jun 30, 2019 7:29 PM) - Leído por: 14
El Deep learning es una técnica concreta del machine learning, que permite el aprendizaje
profundo mediante modelos informáticos similares a las redes neuronales del cerebro
humano y que por tanto adquiere ese mismo nombre.
La aplicación fundamental del Deep Learning de manera general permite interpretar lo que
nos rodea a través del reconocimiento de imágenes o el análisis del lenguaje natural. Estas
funcionalidades se conocen como servicios cognitivos y es la vertiente más enfocada a
replicar las habilidades sensitivas de los seres humanos.
Resolución de Problemas de IA con Deep Learning
Entre las principales resoluciones de problemas de IA del Deep Learning en la actualidad se

encuentran: la identificación de marcas y logotipos de empresas en fotos publicadas en las
redes sociales, mejor comprensión de enfermedades y terapias genéticas, análisis de
imágenes médicas, como radiografías y resonancia magnéticas, aumentando la precisión de
diagnóstico, en un menor tiempo y con un menor coste que los métodos tradicionales,
exploración de la posibilidad de reutilización de fármacos ya conocidos y probados para su
uso contra nuevas enfermedades, identificación en textos de sentimientos positivos y
negativos, temas, palabras claves; localización de caras e identificación de emociones
faciales; reconocimiento de voz, clasificación de videos y mucho más.
Desventajas
Un factor importante que se debe destacar en el Deep Learning es que para su desarrollo se
requiere de una gran capacidad de procesar altos volúmenes de información en aplicaciones
exitosas, lo que ha derivado en que los dispositivos empleados para dicho propósito, como
GPUs y CPUs multinúcleo requieran de gran cantidad de energía para su funcionamiento.
Recientemente, han surgido investigaciones enfocadas en buscar alternativas de hardware,
sobre el cual implementar las CNNs de forma eficiente, sobre todo para aplicaciones
embebidas. Una de estas alternativas son los Arreglos de Compuertas Programables en
Campo (FPGAs), que ofrecen la capacidad de procesamiento en paralelo espacial y temporal,
un menor tiempo de latencia y bajo consumo de potencia; lo que resulta ideal para ese tipo
de aplicaciones.
Ejemplo:
Aplicación de Deep Learning para la Detección de Peatones y Vehículos mediante una CNN
para clasificar imágenes de señales de tránsito vehicular, con el propósito de medir el tiempo
de entrenamiento y su desempeño en la clasificación.
Saludos Cordiales
Nuevo Mantenimientos Predictivos con Deep Learning
JORGE ALFONSO MORALES SEGOVIA (jun 30, 2019 10:05 PM) - Leído por: 14
La implementación de sistemas SCADA (Supervisión Control y Adquisición de datos) para

la automatización integral de los procesos productivos en plantas industriales en la
actualidad son de gran funcionalidad para alcanzar lo que es la industria 4.0.
Tomando como referencia la adquisición de datos que realiza el sistema SCADA de

diferentes señales físicas de los procesos y equipos para la generación de datos históricos ,
la idea es tomar estos datos y con técnicas de Deep Learning generar alertas de manera
automática para realizar mantenimientos predictivos para conservar un nivel de servicio
determinado en los equipos programando las revisiones en el momento más oportuno.
Saludos
Nuevo Re: Mantenimientos Predictivos con Deep Learning

Me parece una aplicación estupenda. Directa, clara, de rápida implantación (tienes todos
los datos!!), y con un retorno tanto funcional como económico muy rápido.
Y dirigida a un sector que la necesita, la valora, y la paga.
Nuevo Predecir Eventos Catastróficos con Deep Learning.
ANDRES ALBERTO GONZALEZ IBARRA (jun 30, 2019 11:12 PM) - Leído por: 14
Desde el inicio de los tiempos el planeta tierra a sufrido múltiples catástrofes de las
cuales muchas han sido tan grande que han dejado como consecuencia la extinción
masiva de especies. El se humano no ha sido ajeno a estos eventos ya sean de origen
natural o provocado por nosotros mismos. Si pudiéramos predecir terremotos con el
tiempo suficiente para informar a las personas y tomar las precauciones necesarias se
salvaría un numero incalculable de vidas. Por medio de Deep Learning podríamos
predecir estos eventos, no de una manera exacta, pero por lo menos algo aproximado,
actualmente contamos con la biblioteca de datos mas grande de todos los tiempos que es
la Nube, la cual suministraría la información que se introduciría a las redes neuronales
que nos permitiría sacar las predicciones de dichos eventos próximos a ocurrir.
Nuevo Deep Learning aplicado al mundo del Seguro
ALEJANDRO GERMAN SERRANO (jul 1, 2019 12:50 AM) - Leído por: 14
En el mundo del seguro la Inteligencia Artificial esta cambiando la forma en la que se

trabaja y evalúan los siniestros, hay muchos procesos donde el aprendizaje profundo puede
llegar a ser de mucha utilidad, para agilizar procesos y para ser más eficientes.
En los siniestros de coches, los usuarios/peritos suelen enviar la foto del coche con daños,
es por ello que se están empezando a entrenar modelos de detección de daños, basados en la
segmentación semántica para la detección del daño en la fotografía del coche. Para ello se
pueden la arquitectura Mask-RCNN, la cual añade a la salida una máscara binaria que
corresponde con los píxeles del objeto (en este caso el daño).
Aplicando aprendizaje profundo se consigue detectar el daño, el siguiente paso es
cuantificar como de grande es el daño, y hacer un pipeline que permite mediante las fotos
del siniestro evaluar y obtener un resultado de cuantía económica, agilizando el proceso de
valuación para el cliente y ahorrando costes para la empresa aseguradora.
Nuevo Nueva linea de negocio
EMILIO JAIME SÁNCHEZ GONZÁLEZ (jul 1, 2019 2:31 PM) - Leído por: 16
Como la compra y alquileres de vivienda están tan caros en las grandes ciudades y además
cada año o dos años los jóvenes cambian de piso al cambiar de trabajo. Se podría incluir
una línea de negocio de alquiler de habitaciones dentro de una misma casa, donde los
actuales inquilinos puedan saber acerca del nuevo inquilino, o para agilizar el proceso de
selección del dueño para con el nuevo inquilino.
Esto contendría un chatbot con el perfil psicológico de los usuarios de la casa donde quieres
alquilar o con un perfil predeterminado por el dueño.
Tendrías que ir hablando con el chatbot como paso preliminar a ser aceptada tu solicitud
para esa vivienda, esto agilizaría procesos de elección de inquilino he incluso
proporcionaría un respaldo legal para el dueño. Pues el posible inquilino, estaría dando
permiso para que se guarden en un perfil las respuestas e interacciones que realice con el
chatbot, cosa que después se podría presentar para rescindir el contrato.
Mediante procesamiento del lenguaje natural, podemos utilizar redes neuronales custom
para realizar la tarea de sacar información valiosa de la interacción mediante el chatbot, o
incluso de una transcripción de una llamada telefónica realizada entre el dueño y el cliente.
Nuevo Aprendizaje profundo por refuerzo en entornos virtuales 3D
Un tema que me parece espectacular es como se usa el aprendizaje profundo por refuerzo
(DRL) para enseñar un comportamiento en un sistema virtual 3D, pudiendo luego exportar
el conocimiento a un robot real. Esto significa abrir un montón de puertas, ya que por poner
un ejemplo, pueden entrenar a drones para realizar tareas muy avanzadas sin tener que
gastar un dineral comprando y destruyendo los aparatos en cada entrenamiento. Lo mismo
se aplica para vehículos autónomos.
Para los interesados en este tema y quizá también en la IA para juegos, investigad sobre el
plugin de UNITY ML AGENTS, el cual es un entorno muy amigable para realizar infinitos
tipos de entrenamientos. Es posible hasta entrenar con las imágenes captadas por la cámara
del entorno 3D, que luego funcionarán perfectamente con imágenes reales.
Tiene sistemas interesantes como la ´red de cerebros/agentes´, el cual pone a entrenar

muchos agentes en una misma tarea, y cuando uno de ellos consigue un buen rendimiento
en una iteración, lo comunica al resto consiguiendo que sea un entrenamiento grupal mucho
más rápido. También curioso el aprendizaje por imitación, el cual implicaría a una persona
manejando el mismo a un agente, mientras el modelo aprende directamente de lo que tu
haces.
Aquí una charla sobre el tema que es bastante interesante:
https://www.youtube.com/watch?v=cCb2spFdtb0&t=2673s
Nuevo Cifrar con Deep Learning
ELOY ALFAGEME GALEANO (jul 1, 2019 3:13 PM) - Leído por: 15
El overfitting no siempre fue malo.
La idea es crear una red neuronal para cifrar/descifrar archivos y poder utilizar los valores
de los pesos. Para ello, habría que sobre entrenar una única red neuronal con un numero
determinado de hidden layers y unos hiperparámetros específicos(que podrían servir como
clave). De esta forma entrenando una red neuronal con la entrada al fichero a encriptar y el
valor que queremos como resultado un fichero generado aleatoriamente.
De la misma manera, y haciendo el mismo proceso inverso, a partir del fichero generado
con caracteres al azar y con el valor de los hiperparámetros y pesos obtenidos en la red
neuronal para encriptar, se podría desencriptar.
Otra opción sería utilizar una CNN. Se entrenaría para convertir la clave en cada bloque
(de N-dimensiones) de datos, de modo que cada bloque de datos tenga su propia parte de de
la red entrenada. En cierto modo, las redes están sobre-ajustadas a los datos de entrada. Los
datos encriptados resultantes son los pesos de cada una de las conexiones.
Eso sí, se tendría que entrenar una red desde el principio para cada archivo a encriptar.
Nuevo Deep Learning
EDUARDO LUIS CALO VILLALVA (jul 1, 2019 3:25 PM) - Leído por: 15
Cuando se habla de Deep Learning o redes neuronales artificiales, hablamos de Inteligencia

artificial, si se quiere ser más concreto, es un tipo de algoritmo de aprendizaje automático
estructurado o jerárquico, donde se toman modelos existentes a la hora de predecir el futuro
con los datos que disponemos.
El aprendizaje profundo y los modelos predictivos jerárquicos han sido más utilizados en el
área de los diagnósticos médicos y en análisis predictivos en los mercados financieros, pero
han ido cada vez adquiriendo más peso en el resto de los sectores como componentes
esenciales para detectar el fraude, sistemas de recomendación, predicción de abandono de
servicios, modelos de propensión, detección de anomalías o para auditoría de datos.
Aplicaciones Deep Learning para Empresas
- Reconocimiento de imágenes: Para mejorar la seguridad laboral, supervisar espacios

(hospitales, centros de negocios, etc.), controles de calidad, diagnóstico de pacientes,
detección de artículos defectuosos, etc.
- Robots y drones totalmente autónomos.
- Análisis de emociones de usuarios: a partir de sus comunicaciones e imágenes.
- Detección de problemas: a partir de grandes cantidades de información como pueden ser

imágenes, correos de clientes, etc.
De aquí la idea de creación de redes neuronales artificiales, para realizar, tareas tan
complicadas como el reconocimiento de imágenes o la interpretación del lenguaje natural.
- Logística: para detección de caída de mercancía, accidentes laborares, alertas de peligro

para evacuación, robos de material, seguridad de entrada y salida de personas.
- Transporte: en andenes y estaciones, detectando robos, agresiones, colapsos de personas,

accidentes y urgencias de tipo médico, como desvanecimientos.
- Marketing: Utilización de imágenes en lugar de palabras clave para buscar productos de

una empresa, o artículos similares. Identificar marcas y logotipos de empresas en fotos
publicadas en redes sociales. Orientación de anuncios y predicción de las preferencias de los
clientes
- Salud: Mejor comprensión de enfermedades. Análisis de imágenes médicas, como
radiografías y resonancias magnéticas, aumentando la precisión diagnóstica, en un menor
tiempo y con un menor coste que los métodos tradicionales. Localización de caras e
identificación de emociones faciales.
Reconocimiento de audio:
- Para poder publicar en redes sociales, enviar mensajes de correo, buscar en el navegador
sin necesidad de la escritura.
- Interpretación del lenguaje natural, para traducción de textos, análisis de sentimientos,

localización de palabras clave en informes o documentos.
Predicción de comportamientos:
- Orientación de anuncios y definir audiencias, incorporar contenido y presentar opciones a

las personas, con base a sus preferencias pasadas.
- Identificación de clientes potenciales.
Ventajas
Relación óptima con los clientes
Optimización de la producción
Innovar productos y soluciones
Seguridad en los sistemas informáticos
Análisis de la competencia
Un conocimiento más amplio de los clientes

Desventajas
El principal inconveniente del Machine Learning es que hay que guiar al programa en todas
las fases del sistema para que sepa identificar cada categoría automáticamente, por lo tanto,
esta modalidad necesita de un aprendizaje supervisado. Es decir, hay que reforzar el trabajo
de la máquina con el humano para que éste le proporcione la semántica necesaria para que
la misma trabaje, lo aplique en un futuro a los algoritmos y sea capaz de ejecutarlos
posteriormente sin intervención de la mano del hombre.
Nuevo Soluciones sorprendentes usando Inteligencia Artificial
KAREN DIANA ESPINOZA GOMEZ (jul 5, 2019 12:11 AM) - Leído por: 13
1. La Iglesia de la Inteligencia Artificial de los últimos días, para el programador Anthony

Levandowski es muy probable que una inteligencia artificial se convierta en un dios. Way
of the future es la asociación que Levandowski ha formado, y cuyo objetivo es desarrollar y
promover una deidad basada en inteligencia artificial que contribuya a la construcción de
una sociedad mejor. Y no está solo; tecnólogos como Ray Kurzwell o Vince Lynch le
siguen en su planteamiento.
2. Baratobarato es un chatbot que te ayuda a "regatear" , unos asistentes virtuales

desarrollados por Facebook podrian encargarse muy pronto en tu numbre de lidiar con
comerciales y reservas para las próximas vacaciones, realizar alguna compra importante,
pero lo harán regateando buscando el acuerdo más beneficioso para ti.
3. Reconocimiento facial en animales, un sistema basado en inteligencia artificial

desarrollado por una empresa del sector agrícola reconocerá en pocos segundo al bovino,
este reconocimiento facial irá combinado con cámaras que registrarán qué, cuanto y cuándo
comen los animales así como la cantidad de agua que beben y monitorizarán incluso la
temperatura y los latidos del corazón. Gracias a toda esta información se podrá saber que
leche proviene de que vaca y será posible anticiparse a enfermedades del animal así como
incrementar su productividad y rentabilidad

Foro Deep Learning

Cargado por

Copyright:

Formatos disponibles

Foro Deep Learning

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Foro Deep Learning

Cargado por

Copyright:

Formatos disponibles

Nuevo Ideas sobre posibles implementaciones de algoritmos de machine learning en un

Nuevo Re: Ideas sobre posibles implementaciones de algoritmos de machine

Nuevo Re: Ideas sobre posibles implementaciones de algoritmos de machine

Nuevo Re: Ideas sobre posibles implementaciones de algoritmos de machine

Por mi parte miraría la viabilidad de lo siguiente:

Nuevo Re: Ideas sobre posibles implementaciones de algoritmos de machine

Muy Buenas Ideas Vanesa,

Sería interesante adicionar data de geolocalizacion y en conjunto con las demás

Nuevo Re: Ideas sobre posibles implementaciones de algoritmos de machine

Nuevo Re: Ideas sobre posibles implementaciones de algoritmos de machine

Buenas noches a todos,

Nuevo Re: Ideas sobre posibles implementaciones de algoritmos de machine

 Geolocalización: Teniendo en cuenta los datos de geolocalización de los usuarios

Nuevo Re: Ideas sobre posibles implementaciones de algoritmos de machine

Nuevo Aplicación de deep learning en Realidad Aumentada

Nosotros tenemos muchos desarrollos con dispositivos móviles y actualmente estamos ya

- Smartglasses, dotadas de micrófono, altavoces, cámara y visor (a modo de pantalla en una

Nosotros estamos ya utilizando en entornos industriales las primeras y tenemos muchas

El deep learning puede ayudar enormemente al desarrollo de aplicaciones de gran interés

- Asistencia técnica en procesos industriales o trabajos de reparación y mantenimiento. En

- Por supuesto, el uso de estos dispositivos en población en general combinado con

Nuevo Re: Aplicación de deep learning en Realidad Aumentada

Que interesante, donde trabajas y están dedicados a desarrollar todo eso?

Nuevo Re: Aplicación de deep learning en Realidad Aumentada

Trabajo en la universidad y estoy en un grupo de investigación centrados en realidad

Nuevo Re: Aplicación de deep learning en Realidad Aumentada

Gracias por compartirlo.

Nuevo Re: Aplicación de deep learning en Realidad Aumentada

Nuevo Re: Aplicación de deep learning en Realidad Aumentada

Nuevo Re: Aplicación de deep learning en Realidad Aumentada

Nuevo Re: Aplicación de deep learning en Realidad Aumentada

Nuevo Re: Aplicación de deep learning en Realidad Aumentada

Realidad Aumentada en la Industria automotriz.

Actualmente con el desarrollo de entornos virtuales y tecnologías de IA, la industria

En el caso de desarrollo de producto, actualmente en los OEM´s se cuentan con

Otro ejemplo de la implementación de realidad aumentada para mejorar el UX, es la

Nuevo Re: Aplicación de deep learning en Realidad Aumentada

En mi trabajo manejamos todo tipo de tecnología, Realidad Aumentada, Realidad

Nuevo Re: Aplicación de deep learning en Realidad Aumentada

En el ecommerce tambien es muy viable, ejemplos varios:

- Venta de Zapatilla on-line, reconociendo para este caso el pie de la persona y

- Venta de Relojes on-line, reconociento para este caso el brazo de la persona y

Ejemplos hay varios, nuestro limite es la imaginación, saludos!

Nuevo Re: Aplicación de deep learning en Realidad Aumentada

Antes de tomar partido, ¿por que fracaso Google Glass?

Un campo donde se puede aprovechar el uso de dispositivos de AR + AI es en la

En la educacion secundaria se facilitar el aporendizaje de la tecnologia con la

Nuevo Re: Aplicación de deep learning en Realidad Aumentada

El programa obtenido es capaz de realizar una clasificación automática de la tipología

Nuevo Re: Redes Neuronales Convolucionales aplicadas al Catastro

No sé, si esto es bueno o malo para el ciudadano (depende el caso claramente). No

Nuevo Re: Redes Neuronales Convolucionales aplicadas al Catastro

Me parece interesante. He trabajado en una aplicación para realizar auditorías y muchas

No me acaba de quedar claro por contra si se ha orientado el modelo más a la detección

Nuevo Re: Redes Neuronales Convolucionales aplicadas al Catastro

Me parece una muy buena aplicación, sin duda.

Democratiza el proceso de valoración, el cual afecta muy directamente al ciudadano y en

Además, permitiría que factores sociales y ambientales externos a la propia vivienda

Nuevo Aplicar redes neuronales al procesamiento de audio. Emulación de amplificadores o