1 semana usando la cámara del PIXEL 6 (GOOGLE) en México – COLUMNA DE OPINIÓN DATLAS

Google lanzó su primer celular 100% «GOOGLE». Esto significa que, similar a lo que hizo APPLE con sus IPHONE con chip propio, ahora Google hizo lo suyo con los nuevos PIXEL 6 impulsando el chip TENSOR. Tuvimos la oportunidad de echarle el ojo a este nuevo chip enfocado en MACHINE LEARNING que lanzó el gigante tecnológico y en este blog te contaremos un poco de nuestra experiencia.

*** También te puede interesar:

Sonido Adaptativo (Adaptive Sound) un indicador por la que deberías cambiar tus AIRPODS PRO por los PIXEL BUDS 2nd Gen – Columna de opinión DATLAS

Búsqueda en Google Trends para México de los últimos 12 meses del término PIXEL 6 y PIXEL 6 PRO.
Consulta el 3 de Noviembre del 2021

El nuevo PIXEL 6 se ha convertido una sensación en redes y en internet. Y es que antes del día de «Halloween» Google completó el «embargo» de su nueva versión de celular PIXEL. Sin embargo poca gente está dando evidencia de lo chulo que ha sido su cámara. A continuación te daremos nuestros destacados:

1) UNA ASOMBROSA CÁMARA, en contraste con otros equipos

El PIXEL 6 se lanzó en $600 dllrs, pero tiene aspectos de gamas más altas. La cámara principal tiene 50 megapixeles. En la siguiente pantalla te mostramos la diferencia contra un IPHONE SE de 12MP y un Samsung A9 de 24MP

¿El secreto de porqué es mejor? No son los megapixeles, es la optimización del software impulsado por los chips de marca propia de cada una de las compañías. Si apreciamos los detalles del cielo, los extremos del ala del avión y los reflejos podemos encontrar como el pixel 6 tiene casi un modo «HDR» fijo que hace que la imagen se vea de muy alta calidad.

Otro contraste, más retador para cualquier cámara, es una fotografía en el atardecer. Se combinan sombras, contraste y brillo al mismo tiempo. La apreciación es distinta en cada uno de los equipos, pero el PIXEL 6 captura mucho mejor los detalles del fondo y balancea la perspectiva del ala con el fondo.

2) El pixel 6 no sólo es cámara, sino toda una suite de edición donde destaca su «MAGIC ERASER«. Con esto podemos hacer ejercicios como borrar esos molestos cables de luz de las fotos «como magia» (En realidad es el machine learning haciendo su trabajo)

No sólo funciona con cables, también con personas para aquellas veces que sientes que te arruinaron una foto.

** Te puede interesar nuestro blog sobre la MAC MINI m1 para data science y videos

3) La estabilización de VIDEO. Algo que me molestaba profundamente de los videos que capturaba en otros celulares es la estabilización de la toma. Y es que el no tener un buen pulso a veces te condena a no tener buenas tomas. Con PIXEL 6 no tienes por qué preocuparte de esto. Desde el origen puede estabilizar, pero también puede

Video 1 de Estabilización en un despegue de avión (Donde normalmente habría muchas vibraciones)

Video 2: Estabilización con movimiento natural de mano

4) Un ZOOM óptico – digital bastante aprovechable. El RIO está a 2.6 kilómetros de donde se tomó la foto y el TREASURE ISLAND a 2km. Para no ser el PIXEL 6 PRO con una cámara telefoto adiciona y más zoom óptico… el PIXEL 6 hace un excelente trabajo. La definición y el hecho de que podamos leer lo que a esta distancia te dice que la cámara está haciendo bien su trabajo.

** Te puede interesar conocer nuestro blog donde hablamos de nuestro lanzamiento «Datlas Academy»

5) Sobre la cámara delantera, sólo puedo decir que toma unas selfies que hacen ver decente a cualquiera. Tiene 8 mega pixeles, y con buena luz las tomas parecen de milagro. A pesar de tener situaciones de contraste donde hay luz y sombras.

6) Finalmente, Un editor de fotografía de envidia. El PIXEL 6 hace mimica de muchos efectos del «photoshop», pero todo en pocos segundos.

¿Qué opinas del PIXEL? Si eres usuario de ANDROID o IOS te gustaría tenerlo. Continua la conversación y revisa todas las especificaciones en esta página. A nosotros nos impresiona el poder del nuevo chip y estamos emocionados de esta nueva ruta que la compañía GOOGLE ha tomado.

Recuerda suscribirte en nuestro podcast «Café de Datos» y en «Datlas Academy» para aprender de analítica y transformación digital.

Equipo Datlas

– Keep it weird-

Algoritmos Supervisados: Clasificación vs. Regresión – Datlas INVESTIGACIONES

Existen 2 métodos populares para Machine Learning cuando de métodos supervisados hablamos.  Nos referimos a los algoritmos de clasificación y regresión. Fundamentalmente, es importante que los lectores conozcan que los de clasificación predicen una «etiqueta» y los de regresión predicen una cantidad. En esta columna explicaremos de qué tratan, sus diferencias y compartiremos algunos casos de uso frecuentes.

¿Qué es aprendizaje de máquina (Machine Learning)?

Es una disciplina científica del ámbito de la Inteligencia Artificial que crea sistemas que aprenden automáticamente. Aprender en este contexto quiere decir identificar patrones complejos en millones de datos. La máquina que realmente aprende es un algoritmo que revisa los datos y es capaz de predecir comportamientos futuros. Automáticamente, también en este contexto, implica que estos sistemas se mejoran de forma autónoma con el tiempo, sin intervención humana. Veamos cómo funciona. (Leer en bibliografía en fuentes).

¿Qué significa algoritmo?

Conjunto ordenado de operaciones sistemáticas que permite hacer un cálculo y hallar la solución de un tipo de problemas. O una serie de instrucciones sencillas que se llevan a cabo en cierto orden para resolver una pregunta.

Recordemos que estamos hablando en esta columna de algoritmos de la familia de de ML supervisada (Necesita datos «etiquetados» para ser entrenada, en contraste con la no supervisada que a partir de una serie de datos genera clústers o asociaciones).

Algoritmos de Clasificación

Predicen etiquetas o clases que se conocen a priori. El resultado deseado es una etiqueta discreta o específica. En el caso del modelo entrenado sea entre 2 clases, se determina como binaria. Si tenemos que predecir más de 2 clases se le conoce como clasificación multicategórica.

Técnicas:

• Regresión logística (logistic regression)
• Árboles de decisión (decision trees)
• Bosques aleatorios (random forests)
• Redes neuronales y Aprendizaje profundo (deep learning)

Ejemplos de casos de uso:

• Segmentación para estrategias de marketing. Cómo poder diferenciar estrategias de promoción y precio para mis usuarios. Te puede interesar nuestro blog «Segmentar Clientes usando mapas»
• Categorización de siniestros. Podríamos categorizar las zonas más siniestradas de una ciudad entrenando un modelo con la historia de datos. De esta manera se podrían generar mejores rutas de patrullaje por los policías. Te puede interesar: «Categorizando choques y siniestros en Nuevo León».
• Predecir el éxito. Para hoteles u hospedajes de AIRBNB podríamos predecir si van a tener éxito o no considerando las variables que comunican en sus anuncios. Revisa: «AIRBNB amenaza o bondad en CDMX».

Algoritmos de Regresión

Es útil para predecir productos continuos. La respuesta se presenta como cantidad. El valor predicho puede usarse para identificar la relación lineal entre atributos.

Técnicas:

• Regresión lineal y Regresión no lineal
• Máquinas de vectores de soporte (support vector machines)
• Árboles de decisión (decision trees)
• Bosques aleatorios (random forests)
• Redes neuronales y Aprendizaje profundo (deep learning)

Ejemplos:

• Precios de vivienda. Estimar precios de inmuebles considerando variables como dimensión de propiedad, tamaño de construcción, pisos, recámaras y otras características. Te puede interesar nuestro blog «Desarrollando un valuador inmobiliario»
• Predecir camas hospitalarias necesarias. Una oficina o secretaría de salud podría predecir con base a su histórico la cantidad de camas y doctores que serán necesarios el próximo año para atender a la demanda de la población. Un avance que pudieramos llevar allá es con la cantidad de mujeres embarazadas. Podrías leer nuestro blog sobre el tema.
• Identificar las cervezas que necesitarás en tu inventario. Predecir la cantidad de inventarios es una de las aplicaciones más usadas en el sector retail. Podrías revisar nuestro blog ¿Cómo detectar cheves con Tensorflow?

Escenario para reforzar: NETFLIX

Un problema tomando en cuenta Netflix, proveedor de entretenimiento al que muchos de los lectores están suscritos. A cambio de una mensualidad pueden ver series y películas. Pero muy probablemente en su experiencia hayan recibido recomendaciones de los algoritmos de esta empresa que utiliza todos los «clicks» que damos en la interacción con su plataforma para mejorar la experiencia del usuario.

¿Cómo aplicaría un algoritmo de clasificación y regresión en este caso?

Si Netflix te recomienda una película. El problema de clasificación será si te gusta o no te gusta. Tratará de generar una lista de películas que tengan atributos que anteriormente ya te gustaron de otras películas. Pueden ser géneros, actores, tiempo que tarda o idioma, por decir algunos.

Ahora si un algoritmo tratara de predecir cuántas veces verías esa película. Se vuelve un problema de regresión. Netflix necesita estimar si sus recomendaciones le generarían una mayor carga en sus servidores por consumo de una misma película. En ese sentido usan técnicas de regresión para estimar cuántas veces y en qué momento consumirás ese contenido que te han recomendado.

Conclusión

Ahora que ya conoces esta diferencia te recomendamos ir a experimentar y continuar investigando un poco más por tu parte. Como la escena de la serie «Silicon Valley» donde generaron un modelo para predecir si un platillo era o no era «hot dog»… te recomendamos empezar tu modelo. A lo mejor con algo más serio.

Puedes usar IBM Watson, Microsoft Azure o los servicios de Google Tensorflow para hacer tus experimentos. Si necesitas nuestro apoyo o te gustaría conocer más sobre el proceso para generar un algoritmo exitoso que se pueda consumir de distintas formas no dudes en contactarnos en dirección@datlas.mx . También visita nuestro marketplace donde podrás encontrar este y otros servicios en nuestra sección de consultoría: https://www.datlas.mx/marketplace/

Hasta luego

-Equipo Datlas-

Keep it weird

Fuentes:

• https://cleverdata.io/que-es-machine-learning-big-data/
• https://machinelearningmastery.com/classification-versus-regression-in-machine-learning/#:~:text=There%20is%20an%20important%20difference,is%20about%20predicting%20a%20quantity.&text=That%20classification%20is%20the%20problem,label%20output%20for%20an%20example
• https://iartificial.net/clasificacion-o-regresion/
• https://ligdigonzalez.com/diferencia-entre-algoritmos-de-clasificacion-y-regresion/

¿Qué distingue a la inteligencia humana de la inteligencia artificial?

La historia registra conflictos entre grupos de seres humanos que se creían distintos a otros seres humanos. La Alemania nazi, por ejemplo, generó la ideología de la raza aria argumentando superioridad por cuestiones genéticas frente a otros grupos como los judíos. El juicio de sus consecuencias no serán tema que nos competen para esta entrada, pero sin duda hablaremos de historia. Lo que nos ayudará a introducir el verdadero tema de fondo es el análisis de la pregunta obligada que existe detrás de estos conflictos, es decir, ¿existió realmente una diferencia entre estos grupos de seres humanos? De ser así, ¿cuál era esa diferencia? Y partiendo de estas preguntas, nos gustaría dar un salto al presente y, al mismo tiempo, al futuro, para luego volver a la historia. Hoy en día en nuestra sociedad coexiste un nuevo “grupo” parecido, cada día más, a los seres humanos, que hemos podido diferenciar claramente desde su nacimiento en los años 50´s, pero que hoy en día evoluciona de una manera tan rápida y se vuelve cada vez más similar a nosotros, que nos ha obligado a plantearnos la siguiente pregunta: ¿qué nos distingue, como seres humanos, frente a la inteligencia artificial (I.A.)?

Y para tener un punto de partido común explicaremos brevemente como es que nosotros entendemos y explicamos lo que es la inteligencia artificial. Quizá algún experto se pudo dar cuenta que nos referíamos a la I.A. (con la pista de los años 50´s), pero efectivamente la inteligencia artificial es una técnica y un concepto que nace hace más de medio siglo, pero que sin duda hoy en día ha tomado una relevancia abismalmente mayor a lo que tenía en aquel entonces. La inteligencia artificial, simplificando la explicación, es un programa computacional que emula la inteligencia (la actividad cerebral) humana, es decir, tiene la capacidad de aprender, de deducir, etc. Regresando a la historia, en la época de su nacimiento, tenia una clara desventaja ante los seres humanos, pero entonces se volvió lo suficientemente buena como para vencer al mejor jugador de ajedrez del mundo (Kasparov), luego logró deducir preguntas a partir de una serie de respuestas y se corono como campeón indiscutible en jeopardy y, recientemente, comprendió y comenzó a crear jugadas completamente nuevas que la hicieron dominar el complejo juego de Go y vencer al mejor jugador humano. De tal forma que laa inteligencia artificial ha venido tomando una posición cada vez más “dominante” frente a la inteligencia humana. Más allá de juegos de mesa, estrategia y movimientos calculados, la inteligencia artificial se introdujo a los negocios y la sociedad, ayudando a mejorar exponencialmente una serie de procesos, productos y servicios que hoy consumimos muy comúnmente en el transcurso de un día. Las recomendaciones de Netflix y Spotify, las interacciones son Siri o Alexa, las alertas que te envía tu banco acerca de posibles fraudes o actividad inusual en tu cuenta, son todas habilitadas por inteligencia artificial. Ahora bien, la mayoría de estos procesos parten de funciones lógico-matemáticas, de pensamiento analítico y procesos asociados al hemisferio izquierdo del cerebro. Y es aquí, donde habíamos encontrado la respuesta más clara, hasta el momento, para definir el diferenciador entre la inteligencia artificial y la inteligencia humana: el hemisferio derecho del cerebro, es decir, la creatividad, el arte, la música, la intuición.

Sin embargo, al igual que el tiempo, la evolución de la I.A. no ha parado y justo en febrero del 2016 se presentó una I.A. capaz de escribir poesía, una tarea propia del hemisferio derecho del cerebro. Les recomendamos ver el video si les interesa, pero en resumen la I.A. simplemente aprendió de miles y millones de poemas de distintos autores, estructuras y corrientes históricas, con lo que fue capaz de generar una especie de “Frankenstein” con un tema de la corriente romántica, con el estilo de un autor latinoamericano y con rima consonante de estructura A, B, A, B.  Hasta aquí ya era todo un asombro hasta temeroso para quienes nos dedicamos al área artística. De pronto, dos años después (2018) se presenta una I.A. capaz de componer música. Igualmente les recomendamos ver el video si les interesa, pero lo particular de esta hazaña es que sin duda utilizó una lógica similar que la I.A. poeta para aprender acerca de sonidos, instrumentos, estructuras, etc. Pero en esta ocasión, la I.A. puede componer una canción personalizada de ¡tu vida!, es decir, basado en tu personalidad y ciertos rasgos que debe interpretar, puede generar una pieza completamente inédita y única para ti. E incluso, se habla de que pudiera generar una canción completa, en tiempo real, durante un juego en vivo sin repetir nunca ningún acorde o set de notas (perdón si use un término mal, no soy experto en música).

Finalmente, parados a fines del año 2019, con muchos más avances nuevos y revolucionarios sobre inteligencia artificial que se revelan todos los días, creemos que es crucial tomarnos el tiempo de replantear la pregunta ¿qué nos distingue, como seres humanos, frente a la inteligencia artificial (I.A.)? porque de ahí debe nacer un juicio genuino frente a las posturas radicalmente opuestas que se manejan en los medios de comunicación acerca de la forma en la que los seres humanos y las máquinas inteligentes coexistimos. ¿Será realmente fatídico y las maquinas nos dominaran? ¿O seremos verdaderos aliados que en conjunto podamos revertir algunos de los daños que hemos creído irreversibles y convertirnos en una sociedad con un nivel de vida superior e inimaginable?

¿Tú que opinas? Cuéntanos en nuestras redes sociales

@DatlasMX

@DatlasMX

@DatlasMX

@DatlasMX

Asi detectas unas cheves con tensorflow – Investigación DATLAS

«Alexa, pasame una Heineken». Una instrucción sencilla para una persona, una tarea compleja para una computadora. Esta tarea puede dividirse en subtareas, siendo una de ellas la detección de objetos. Esta es una tecnología relacionada con la visión artificial que busca identificar los objetos semánticos en una imagen. En esta columna compartiremos el proceso que pasamos al realizar un sistema de identificación de cervezas.

http://www.datlas.mx

En nuestro proyecto de identificación de cervezas contamos con aproximadamente 2500 fotos de cervezas, pudiendo ser un refrigerador lleno o una sola cerveza en la foto. En estas fotos, tuvimos que seleccionar las zonas en las que había una cerveza y asignarle un nombre (el nombre de la cerveza y si era lata, botella o caguama) para poder clasificarlos. Esto se llevó a cabo con LabelImg, cuyo output era un XML con las posiciones y el nombre.

Posterior a esto, seleccionamos el modelo a implementar. Decidimos utlizar Tensorflow con el modelo desarrollado por Nick Bourdakos, Custom-Object-Detection. El primer paso para hacer funcionar este modelo fue generar el TFRecord, el archivo con el que se entrena el modelo. Para esto, los XML no nos servían, ya que requiere un archivo CSV. Usamos la librería de Python Pandas para hacer esta conversión. Luego definimos el label map para que cada nombre tuviera un número que lo identificara. Todo esto lo pasamos por el script para generar los TFRecords, y nuestros datos estaban listos para entrenar el modelo.

Comenzamos a entrenar el modelo, y nos dimos cuenta que era muy lento, ya que lo estabamos entrenando con nuestras laptops. Para optimizar esto cambiamos a entrenar en Google Colab. Aquí puedes entrenar tu modelo utilizando tarjetas gráficas, aprovechando su capacidad de procesamiento al máximo. Pero encontramos un problema, los archivos eran muy pesados para estar descargandolos cada vez. La solución: subir los archivos a Google Drive, e instalar una biblioteca en Colab para poder traer los archivos de Drive.

Aquí comenzamos la etapa de pruebas con el modelo. Esperábamos un happy path, pero no fue el caso, Encontramos problemas como que la letra era muy pequeña y no se podía leer, o que detectaba un rollo de papel como una cerveza. Este último se debía a que redujimos la confianza para tomar una predicción al 30%. Ambos fueron obstáculos superados.

Para finalizar, se desarrolló el cliente con el cual el usuario podría emplear esto. Se creó una REST API en Django, una aplicación en React Native, y se hicieron llamadas para que la foto tomada por el celular regresara con la respuesta. En este punto sólo se llevó a cabo un cambio, el poner números en las clasificaciones para que no se amontonaran, y presentar el nombre y el porcentaje de confianza de la predicción.

Aqui cierra el blog de hoy. La presencia de esta tecnología puede crear un cambio en el cómo funcionan las cosas. Futuras implementaciones de este tipo de acciones en tiendas serán de utilidad para hacer conteos, inventarios, identificar repisas vacías y/o recibir notificaciones cuando se acabe un producto. Si te gustó la columna te pedimos la compartas y nos dejes tus comentarios

Equipo Datlas

– Keep it weird –

PropTech Capítulo 2: Big data, geo-análisis y un par de trucos más…

Apenas hacer un par de meses escribimos por primera vez acerca de este concepto tan novedoso y desconocido: PropTech. Comentamos acerca de la forma en que nació, de que trata y la disrupción que busca hacer en el sector inmobiliario. Hoy, apenas 2 meses después, queremos platicarles un poco de lo mucho que hemos aprendido, en parte, gracias al programa View Accelerator.

Hace algunos años, cuando nació DATLAS, intentamos lanzar un modulo de bienes raíces que precisamente intentaba apalancar las ventajas del big data a favor del sector inmobiliario. La idea era geo-localizar cada propiedad en venta/renta dentro de un mapa y poder dar insights acerca del entorno como, por ejemplo: a que distancia está la escuela más cercana, cual es el índice de criminalidad de la zona, etc. Todo esto para mejorar la toma de decisiones de las personas que estaban en busca de adquirir su patrimonio. Hoy en día ya existen muchos sitios que lo hacen. Pero eso era solo el comienzo…

 

El pase de diapositivas requiere JavaScript.

Otro de los grandes catalizadores que ha accionado el big data dentro del sector inmobiliario son las PropTech financieras. Si bien es cierto que las FinTech habilitaron un gran disruptor llamado crowdfunding, lo que verdaderamente está exponenciando el valor financiero dentro del ecosistema inmobiliario son estas nuevas PropTech que realizan tus evaluaciones de solicitud de crédito casi de forma inmediata. ¿Cómo? A través de cruces de grandes cantidades de información, desde tus perfiles de redes sociales, cuenta de teléfono, etc. Logrando eliminar la necesidad de avales, chequeos en buró de crédito y hasta comprobaciones de ingresos. Incluso existen startups que, con estas ventajas, han llegado a ofrecer un “seguro de rentas”, es decir, a tomar el riesgo de asegurar las rentas a aquellos arrendatarios que realicen una transacción con un arrendador que haya pasado por sus procesos de pre-calificación. Esto realmente representa una disrupción total en la cadena de valor de una industria que durante años se ha distinguido por ser intensamente burocrática y con procesos muy laboriosos.

De igual forma existe otra técnica que ha revolucionado la industria y en la que muchas nuevas PropTech se están enfocando: el geo-análisis. Cuando hablamos de geo-análisis debemos entender precisamente que el análisis geográfico para la industria inmobiliaria conlleva una serie de tareas desde la localización hasta la verificación de uso de suelo de los terrenos etc. Y es precisamente aquí donde muchas startups estamos tomando ventaja y, combinando las técnicas anteriormente mencionadas, hemos logrado realizar estudios de evaluación de proyectos y comenzar a estructurar algoritmos de vocación de predios.

Uno de los ejemplos más sencillos es la identificación de tendencias de urbanización para localización de nuevos desarrollos:

 

El pase de diapositivas requiere JavaScript.

Finalmente, debemos reconocer que la PropTech en México, como muchas otras mega tendencias, ha llegado con algo de rezago, pero su futuro es tan prometedor como los hipnóticos avances que se tienen alrededor del mundo. Compañías, emprendedores, gobiernos y escuelas a lo largo y ancho del continente europeo y asiático están cada día más comprometidos con apalancarse de estos avances tecnológicos para crear startups PropTech que gestionen los accesos a casas, edificios y oficinas, sin llaves; para que diseñen departamentos que optimicen completamente el uso de espacios, en donde el dormitorio y el estudio puedan coexistir dentro del mismo cuarto y ¡los mismos metros cuadrados!; portales y procesos en donde ofertar y comprar una casa sea tan fácil y rápido como comprar un par de lentes de sol en Amazon; una moneda única, solida y segura, que habilite las inversiones y transacciones de toda una industria y asegure la confianza y la agilidad de todo un ecosistema. Al igual que el big data, el machine learning y la inteligencia artificial, las PropTech es una tendencia que hace apenas unos meses creíamos una moda, una novedad pasajera; sin embargo, en DATLAS, estamos convencidos que ha llegado para quedarse y nos enorgullece ser parte de su crecimiento en México.

¿Quieres ser parte de esta tendencia? ¡Te invitamos! Súmate en nuestras redes sociales:

 

@DatlasMX

@DatlasMX

@TheDatlas

Datos de Salud y Ciberseguridad – Una Charla con Hacking Health

Muchas de las nuevas tecnologías como blockchain, inteligencia artificial / machine learning o bases de datos gráficas forman parate del nuevo «hype» o tendencias que entusiasman a las nuevas startups para entrarle sin pensarlo.  Pero, sucesos recientes como los de Cambridge Analytics en Facebook nos deberían de hacer reflexionar si en lugar de invertir tiempo en estos «hype» deberíamos voltear a ver a los higiénicos de nuestras tecnologías: La ciberseguridad.

El pase de diapositivas requiere JavaScript.

Para ver el vídeo has click aqui.

Teniendo esto como punto de partida el día de ayer participamos en el panel de «Manejos de datos y seguridad en la información» convocado por la comunidad de Hacking Health Monterrey. En este participaron miembros de Codeando México, startups como Blooders, consultorías y miembros del área de salud de la UANL. Este evento tuvo lugar en el centro de internacionalización de la Universidad.

Les compartimos 3 temas a destacar en esta conversación:

1) Hypes tecnológicos de entusiamos

Comenzó la charla con la consulta de qué tendencias TIC son las que generan mayor futuro o entusiasmo. Sin duda la mejor reflexión del panel fue que más que la tecnológia lo apasionante de usar alguna nueva tecnología como Blockchain o AI es la nueva manera de enfrentar un problema. Un error común para startups sin una visión clara es que se dejan llevar por cualquier nueva tecnología que se pone de moda. Lo peor es que muchas veces tratan de ejecutar una tecnología como «encriptación vía bloques de hashes» o «modelos estadísticos de machine learning» desde cero cuando ya existen plataformas muy buenas para integrar en la estrategia como BIGML .

2) Filosofía startups vs. controles de seguridad

Un argumento en contra de mejores prácticas para la seguridad en tecnología es que no aplica de la misma forma para todas las escalas. Muchas veces una startup tiene esta filosofía de «si no rompes cosas entonces no lo estás haciendo bien» siguiendo ejemplos como Uber o Theranos.  Y si de por sí comenzar un negocio con una buena propuesta de valor rentable es complicado, ahora imagínate lo complicado que sería si los controles de seguridad fueran muy estrictos o no estuvieran al alcance de todos por igual.

3) Prácticas recomendadas alrededor de la ciber seguridad

Sin duda es complejo validar algún estándar de ciber seguridad en tecnología. En la actualidad en México el INAI es responsable de la legislación alrededor de privacidad de información. Pero por otro lado no facilitan plataformas o no hay un estándar específico de software alrededor del manejo de la mísma. Ya hay casos de buenas prácticas, tales como las del SAT con el timbrado de facturas o con la conectividad que tiene con los bancos para revisar el historial transaccional de los fiscalizados. El tema es que la tecnología es muy cara y compleja.

En la conversación del panel se sacó a relucir el estándar americando para información de salud HIPAA  que está basado en prácticas sencillas de seguridad a un alcance más realista para todos.

Por otro lado, también les sugerimos revisar información alrededor de https , certificado de seguridad para transmisión de información en internet.  (cuando ves en el explorador este candado).

Hasta aqui nuestra columna sobre el panel. En una reflexión personal nuevas tecnologías de seguridad llegarán y nuevas vulnerabilidades técnicas aparecerán. La conversación que debemos empezar a acompañar es la de «ética digital». En siguientes blogs explicaremos en un sentido más amplio algunos dilemas del bien y el mal alrededor de este importante tema. Y cómo debemos a mejorar las propuestas educativas para volver a la comunidad de internautas más consciente sobre el manejo de su privacidad y la responsabilidad que hay detrás de los sitios web.

La ética digital acompañará la conversación sobre ciberseguridad este año

Keep it weird

Equipo Datlas

@DatlasMX

2 meses usando Alexa de Amazon en México y esto te podemos contar…. – columna de opinión datlas

¿Qué tal? esperamos que se encuentre muy bien descansando este puente. Les queremos compartir que en el equipo llevamos 2 meses usando el asistente de Amazon, Alexa en Datlas (que es la bocina que aparece en la foto del encabezado) en México.

**También revisa nuestro #blog más nuevo de Alexa https://blogdatlas.wordpress.com/2017/09/28/como-hablar-con-internet-amazon-alexa-novedades-y-preguntas-frecuentes/ **

Recalcamos en MX porque el sistema actualmente está diseñado para usarse sólo en Estados Unidos, Reino Unido y Alemania… pero, como para todo, hay formas creativas de hacer que funcione por acá.

¿Qué es Alexa y por qué Amazon hace esto?

En la caja dice: «Es un servicio de voz basado en la nube que siempre se está haciendo más inteligente». – Eso es cierto, claro siempre y cuándo le ayudes.

Amazon, siendo una tienda de e-commerce (retail en línea) desarrolla mejores estrategias entendiendo la dinámica del consumidor. Y qué mejor forma de hacerlo que colocando un «captador» de información sobre su día a día en cada una de las oficinas y casas de sus clientes. Amazon hizo Alexa para tener más datos de todos nosotros… y lo está logrando en un concepto ganar-ganar.

¿Cómo funciona?

La propuesta de valor de Amazon sobre su interfaz de voz dice: «Sólo pregunta y Alexa te dará información, reproducirá tu música, te leerá las noticias, programará alarmas, controlará tus aparatos inteligentes y más». – Esto también es verdad, es como un control universal para tu vida, smartphones y casa; siempre y cuándo tenga acceso y los dispositivos sean compatibles- .

Alexa es un ecosistema, algo similar a un centro de entretenimiento al que le conectas todos tus aparatos… pero en este caso son apps, sistemas digitales y objetos inteligentes (IoT). El flujo es demasiado intuitivo, como cuando descargas una app a tu smartphone. Y finalmente dentro de lo más llamativo, te permite tener una conversación en lenguaje natural con lo que integres al sistema.

A diferencia del smartphone, con Alexa, en lugar de apps tiene «skills» que puedes consultar aqui para saber qué tipo de conexiones puedes hacer con tus aparatos. Un reciente análisis nos dice aproximadamente qué tipo de Skills han desarrollado en su marketplace.

Pero…. ¿Funciona en México?

La duda de muchos latinos interesados querer usarlo es saber si se puede usar Alexa en el país o en equipo.. como nosotros en Datlas. Luego te pasa como algunas apps en Android o Itunes que intentas descargar pero te sale la nota de «Este servicio no está disponible para tu región».

Si logras conseguir uno de estos en Estados Unidos y lo quieres usar en tu país hay algunos tips que te sugerimos para que funcione.

• Dar de alta tu cuenta anunciando que eres de México o el país latino de tu procedencia
• Ingresar el código postal más próximo a tu residencia. No te va a dejar hacerlo en un inicio, pero una ves que das de alta la cuenta puedes modificarlo.
• La validación final es que bajes la «skill» de Uber y te asegures que tu dirección está bien asociada, de esta manera pedirás un Uber y si funciona, ¡lo lograste!

Top 5: Las mejores Skills en Amazon que sí funcionan en LATAM

1. Uber – Simple y elegante pide un Uber a Alexa sin necesidad de abrir una app o usar tus manos.
2. Web Analytics – ¿Tienes una página web? Conecta tu cuenta de google analytics con este sistema y te comentará tus últimos datos de tu webpage.
3. Fitbit – (Requieres tener un aparto Fitbit) Un animador sobre tu monitoreo de pasos diarios.
4. Twitter – Si eres twittero y te interesa escuchar noticias, trending topics o tus últimos retweets Alexa te hace el favor de narrartelos.
5. BigML – Este es un sistema más avanzado, de hecho la razón por la que nos hicimos de un Alexa en Datlas. Conecta a la plataforma de análisis de Datos BigML tus modelos para poder formular conversaciones que generen pronósticos.

El pase de diapositivas requiere JavaScript.

En Resumen

Sistemas de voz como Alexa llegaron para quedarse. El futuro está en la integración de más sistemas a ecosistemas como este.

Si antes desarrollabas un producto y pensabas, ¿Requiere una webpage? seguido de ¿Requiere una app? ahora también será ¿Requiere una «skill» en Alexa?

Estos sistemas se pueden usar en México con una serie de ajustes, sin duda algunos no están tropicalizados y tienen sus limitantes, pero será cuestión de poco tiempo para que liberen las siguientes etapas. Esto también está impulsado con proyectos como Alexa Fund que premian con dinero y reconocimiento a equipos que estén desarrollando para este sistema.

Nosotros desde Datlas seguiremos aprendiendo más de estos sistemas para en un futuro conectar nuestros análisis a estas plataformas.

Imagínate poder analizar el mercado en tu colonia desde la comodidad de tu casa en cuestión de segundos. Bueno eso es lo que sigue…

Además te invitamos a revisar una entrevista de todos estos detalles en esta liga

Cierre y para fans

Con esto cerramos el blog de hoy, esperamos que te haya gustado y si estás pensando en comprar un Alexa pregúntanos tus dudas, por ejemplo como porqué no habla español. También comparte con tus amigos «hackers» para que decidan hacerse de uno lo más pronto posible.

No te pierdas de este video:

 

Equipo Datlas

-Keep it weird-