LPI – El conocimieto no se crea ni se destruye solo se transfiere

Conferencia sobre Modelos de Analítica Predictiva empleando Machine Learning en Power BI.

Power BI democratiza Machine Learning (ML) usando AutoML en Dataflows para construir, entrenar y aplicar modelos predictivos sin necesidad de código. Estos modelos (clasificación binaria, regresión, etc.) enriquecen los datos y se convierten en entidades usables en cualquier informe. El visual de Factores de Influencia complementa esto, ya que automáticamente identifica y clasifica los drivers o segmentos clave que impactan en una métrica objetivo. Esta funcionalidad ofrece explicaciones causales directas y de fácil entendimiento sobre por qué la métrica sube o baja. Juntas, ambas características permiten a los usuarios obtener insights avanzados de su data de forma rápida y visual.

El fracaso de la BigData

Te has preguntado si, ¿el enorme almacén de datos de tu empresa que diariamente almacenas está generando beneficios?. La realidad, como sospechas, es que procesar el 100% de los datos de una empresa no solo es técnicamente casi imposible para la mayoría, sino que a menudo resulta económicamente ineficiente. ¿Es realmente la "Big Data" una mentira?, o ¿en algunos sectores es funcional? La evidencia más contundente contra el procesamiento total de datos es la enorme cantidad de datos que generamos a diario y no usamos.

Big Data El problema del Analista de Datos

En la última década, las empresas han pasado de tener datos limitados a estar abrumadas por la big data. Recopilamos terabytes de información basados en clics de clientes, en las cadenas de suministro, en marketing y operaciones. Pero estos datos, por sí solos, no nos dicen nada. Son solo ruidos. Del 2010 al 2024 hemos multiplicado por 70 la generación de datos, pasando de 2 zettabytes a más de 149 zettabytes. Pero el cambio más importante no es solo el tamaño, sino cómo lo usamos. Precisamente por eso, el **Analista de Datos** se ha convertido en uno de los roles más fundamentales en cualquier empresa.

Inversiones en Inteligencia Artificial (IA) en América Latina y el Caribe (ALC)

El nivel de inversión en Inteligencia Artificial (IA) en América Latina y el Caribe (ALC) presenta un nivel muy bajo y preocupante con apenas el 1.12% de las inversiones a nivel global, pero con un dinamismo de crecimiento notable en las inversiones de riesgo y un fuerte enfoque en la inversión en infraestructura por parte de gigantes tecnológicos globales. Por ejemplo Microsoft está invirtiendo en Brasil desde el 2024 y durante 3 años, 2.700 millones de USD en infraestructura de IA y Computación en la Nube.

Algoritmos de Aprendizaje Reforzado

El aprendizaje por refuerzo es un tipo de aprendizaje automático donde un agente aprende a tomar decisiones basados en una recompensa esperada. Los algoritmos de este método se pueden clasificar en diferentes tipos, cada uno con un enfoque particular. Los algoritmos de aprendizaje por refuerzo son una rama del aprendizaje de máquina que se enfoca en cómo los agentes inteligentes deben tomar decisiones en un entorno para maximizar una recompensa. Su importancia radica en su habilidad para resolver problemas de toma de decisiones secuenciales, donde un agente aprende a través de la interacción directa con el entorno. Esto les permite entrenar modelos para tareas complejas como el control de robots, la conducción autónoma y los juegos, superando las limitaciones del aprendizaje supervisado y no supervisado.

Redes Neuronales Artificiales y Deep Learning

Las Redes Neuronales Artificiales tienen su origen en la década de 1940, inspiradas en el funcionamiento del cerebro humano, pero su interés resurgió en la década de 1980 con la invención del algoritmo de retropropagación que permitió el entrenamiento de redes neuronales con múltiples capas ocultas, luego denominadas redes neuronales convolucionales, superando la limitación del Perceptrón. A pesar de estos avances, las redes neuronales seguían siendo limitadas. El resurgimiento ocurrió a partir de la década de 2000 gracias a tres factores claves: primero el aumento de la capacidad de cómputo con la aparición de las unidades de procesamiento gráfico (GPU), segundo la aparición de la big data y tercero los avances en los algoritmos dando paso a arquitecturas como las Redes Neuronales Convolucionales para el procesamiento de imágenes, y las Redes Neuronales Recurrentes para datos secuenciales.

Métodos de Aprendizaje de Máquina

Los algoritmos de Machine Learning se caracterizan por su capacidad para aprender de los datos, automatizar tareas y mejorar su precisión con el tiempo. No están programados para realizar una tarea específica, sino que aprenden patrones y relaciones a partir de un conjunto de datos de entrenamiento. Esto les permite generar un modelo que puede hacer predicciones o tomar decisiones sobre datos nuevos y no vistos de una manera recursiva. La calidad y cantidad de los datos son cruciales para el rendimiento del algoritmo. Existen cuatro categorías principales de aprendizaje que definen cómo un algoritmo aprende. Estos son: Aprendizaje Supervisado. Aprendizaje No Supervisado. Aprendizaje por Refuerzo. Redes Neuronales y Deep Learning.

Ingenieria de Caracteristicas

Es el proceso creativo y técnico de transformar los datos brutos en variables (características) que los algoritmos de machine learning pueden entender mejor. El objetivo es que las características capturen la información relevante del problema a resolver, revelando patrones que de otra manera estarían ocultos. Esto se logra mediante técnicas como: La creación de nuevas variables: al combinar o transformar variables existentes (por ejemplo: crear la variable "índice de masa corporal" a partir de las variables "peso" y "altura"). La codificación: Al convertir variables categóricas (como "ciudad" o "país") en un formato numérico que el modelo pueda procesar. La normalización/estandarización: al escalar los valores de las características para que tengan una distribución similar, evitando que una variable con un rango de valores grande domine al modelo. En esencia, la ingeniería de características es donde el conocimiento del dominio del experto se encuentra con la ciencia de datos para mejorar drásticamente el rendimiento del modelo. Es la fase que a menudo consume la mayor parte del tiempo de un científico de datos, ya que un buen conjunto de características es más importante que elegir el algoritmo más sofisticado.

La estrategia de enseñanza de la I.A en las escuelas chinas

China, la segunda economía mundial en una medida audaz introducirá la Inteligencia Artificial en los colegios a partir de septiembre de 2025 desde los niveles primaria, secundaria y superior en un intento por impulsar la innovación en Inteligencia Artificial de los estudiantes. De acuerdo a lo planificado, se presentará a los escolares de primaria los conceptos básicos de la IA, como el reconocimiento de voz, la clasificación de imágenes y la interacción con dispositivos inteligentes, así como sus usos básicos y mejores prácticas. Al llegar a la secundaria, los estudiantes aprenderán a construir sus propios algoritmos y dispositivos inteligentes. El presidente chino Xi Jinping ya ha calificado en abril del 2025 a la Inteligencia Artificial como "una causa para los jóvenes" y los instó a fortalecer sus habilidades en este ámbito.

Analisis de sentimientos con Azure Cognitive Services en Power BI

Aplicar la IA en nuestra empresa para enriquecer nuestros datos y encontrar conocimiento, es sencillo con Azure Cognitive Services. Ya no requerimos de programación avanzada para integrar aplicaciones de reconocimiento de imágenes, análisis de sentimientos y procesamiento de lenguaje natural en nuestros procesos de negocios. En Power BI, las aplicaciones de Azure Cognitive se encuentran en el menú “Conclusiones de IA”. Aquí uno puede acceder a una colección de modelos de Machine Learning entrenados previamente que mejoran los contenidos de los modelos de datos. Se puede acceder a Conclusiones de I.A en el Editor de Power Query tanto en el menú “Inicio” como el de “Agregar Columna”.