Jekyll2022-01-26T03:02:13+00:00https://leonpalafox.github.io/feed.xmlLeon PalafoxPersonal website.Leon palafoxlpalafox@up.edu.mxBanamex y la batalla por la supremacía en la Inteligencia Artificial financiera [Spanish]2022-01-25T00:00:00+00:002022-01-25T00:00:00+00:00https://leonpalafox.github.io/articulos/banamex<p>Nota: Artículo publicado en <a href="https://www.elfinanciero.com.mx/opinion/leon-palafox/2022/01/25/banamex-y-la-batalla-por-la-supremacia-en-la-inteligencia-artificial-financiera/">El Financiero</a></p>
<p>Mi primer recuerdo de banco fue por los pasillos de la sucursal de, en ese entonces, Banamex; localizada en la salida de Metro San Cosme, a la entrada de la colonia de Santa María la Ribera. Mi madre trabajó en esa sucursal durante varios años. Tiene ya más de 30 años que un servidor corría por los pasillos pretendiendo trabajar en el banco. Fue desde ese entonces que entendí las funciones e importancia de un banco, y hasta la fecha entiendo cómo la Inteligencia Artificial juega y seguirá jugando un rol primordial en la continua existencia y sobrevivencia de los bancos.</p>
<p>Citigroup, los dueños de Citibanamex, anunciaron hace un par de semanas que se retirarían de México, como lo han hecho de casi todos los mercados, incluidos los asiáticos, y que, de esa forma, gran parte del negocio que operan en el país se venderá. Para poner las cosas en perspectiva, por cantidad de activos que administran, Citibanamex es el tercer banco más grande de México, detrás de BBVA y Banorte.</p>
<p>Muchos hablan del valor de adquirir tantos clientes y los productos asociados como el valor inherente, y se ha hablado de que grupos como Grupo Salinas o Banorte podrían estar interesados en comprarlo. Si Grupo Salinas lo compra, Banco Azteca se convertiría inmediatamente en el segundo grupo financiero más grande de México, y si Banorte lo hace, este último se convertiría en el grupo financiero más grande de México.</p>
<p>Para mí, el valor de comprar Banamex ya no radica en los clientes o los productos que podrían heredar como institución, entendamos hipotecas, prestamos automotrices, AFORE o tarjetas de crédito. Radica en la capacidad de tener acceso a los datos de los millones de clientes del grupo. Al ser uno de los bancos más antiguos de México, es correcto asumir que se tienen datos históricos de todos estos clientes. Banamex hoy, mas que como banco, mucho del valor de su venta se derivará de los datos asociados a esos clientes.</p>
<p>En la industria financiera estos datos son de particular importancia por que nos ayudan a crear modelos que utilicen múltiples variables asociadas al comportamiento de las personas. Podemos ver la capacidad de pago de clientes que tuvieron una hipoteca a 20 años con el banco. Es más, hipotecas que estaban corriendo en los tiempos de la crisis del 94. Es invaluable hoy en día conocer a esos clientes que fueron capaces de pagar sus hipotecas en esos duros años. Y adquirir aún más crédito.</p>
<p>Debido a lo que expongo, es también sumamente posible que veamos una compra de parte de alguna de las Fintech Unicornio, ya que tener esa información, ayudaría a esa empresa a mejorar su oferta de productos financieros. De la manera que Rappi lo esta haciendo en su alianza con Banorte. Ya he hablado en esta misma columna de como la gran ventaja de los bancos sobre las Fintech son los datos que tienen disponibles y que las Fintech jamás tendrán. Hay que tener en cuenta que esta tendencia de la Fintech de comprar bancos está comenzando a darse en Estados Unidos.</p>
<p>Será una labor titánica desde el punto de vista de Inteligencia Artificial y datos poner en orden los datos históricos de Banamex, y más aún homologar las bases de datos con clientes existentes. Para esto necesitamos de herramientas de procesamiento de datos y de equipos altamente capacitados.</p>
<p>Si a este humilde escritor le permiten opinar, me parece que las empresas que podrían comprar Citibanamex por como pienso que juega en su visión estratégica son:</p>
<ul>
<li>
<p>Grupo Salinas: ya que le da acceso a una gran cartera de clientes a la que o tenían acceso antes, y bien ejecutado se podría derramar esa inteligencia de datos en los otros negocios del grupo.</p>
</li>
<li>
<p>Mercado Libre: Es la pieza fundamental que le falta para consolidar su oferta de Mercadopago como una oferta financiera solida, aunado a los equipos de IA que tienen que pueden ayudar a los diferentes temas financieros. Junto por fin darle la capacidad de funcionar como banco.</p>
</li>
<li>
<p>Banorte: Es el único grupo que me parece que lo haría por consolidar una posición de líder en el mercado mexicano. Pero con la gran estrategia de analíticos que tienen, me parece que podrían potenciar mucho la presente base de clientes que tienen.</p>
</li>
</ul>
<p>Esto no son más que predicciones basado en lo que he leído y lo que pienso que las empresas podrían estar buscando, quizás un conglomerado de empresarios lo compre, en cuyo caso me parece que sería interesante ver que estrategia están dispuestos a seguir en cuestión de la Inteligencia Artificial.</p>
<p>Será un año interesante y estoy seguro de que esto se vera reflejado en aún más demanda de Científicos de Datos en la industria financiera.</p>Leon palafoxlpalafox@up.edu.mxNota: Artículo publicado en El Financiero“Finge hasta que lo consigas”, el peligro de la Inteligencia Artificial [Spanish]2022-01-11T00:00:00+00:002022-01-11T00:00:00+00:00https://leonpalafox.github.io/articulos/theranos<p>Nota: Artículo publicado en <a href="https://www.elfinanciero.com.mx/opinion/leon-palafox/2022/01/25/banamex-y-la-batalla-por-la-supremacia-en-la-inteligencia-artificial-financiera/">El Financiero</a></p>
<p>Bienvenidas a todas las personas que han seguido esta columna fielmente a lo largo de un año ya. Espero que este nuevo 2022, esté lleno de sorpresas y pueda seguirlos ayudando y orientando en este turbio mundo de la Inteligencia Artificial.</p>
<p>El elefante en el cuarto de la Inteligencia Artificial en este 2022 es el caso de la fundadora de Theranos, Elizabeth Holmes.</p>
<p>Theranos era una compañía que prometía, a partir de una sola gota de sangre, realizar toda una batería de estudios clínicos que podían descubrir afecciones tan importantes como la propensión a distintas enfermedades como el VIH. En el 2015, una investigación del diario estadounidense The Wall Street Journal descubrió que la gran mayoría de los resultados y métodos, eran falsos o equivocados.</p>
<p>Después de 5 años de procesos penales e investigaciones, Elizabeth Holmes, la fundadora de Theranos, resultó culpable de 4 cargos, lo cual podría resultar en más de 40 años de prisión por el crimen de mentir a inversionistas y tomar dinero de ellos con base en promesas de valor falsas. Que quede claro, el crimen no fue fallar como empresa, el crimen fue mentir abiertamente sobre las capacidades de su tecnología.</p>
<p>Y aquí estimados lectores, es donde hablamos de Inteligencia Artificial. Hay muchas empresas hoy en el mercado mexicano que ofrecen múltiples soluciones de IA, desde finanzas, imágenes, sentimiento. Y la gran realidad es que muchas de estas empresas quizás no sepan cómo evaluar correctamente sus proyectos y la entrega de valor de los mismos.</p>
<p>En México, los directores de las grandes empresas, apenas están generando un conocimiento general de las capacidades de la IA, y de lo que se puede lograr con un sistema bien implementado. Es muy fácil para alguien con un modicum de experiencia, hablar de cómo la IA puede salvar su empresa sin tener mayor entendimiento de la tecnología en sí.</p>
<p>En el mundo de las startups existe esta frase “Fake it till you make it”, o Finge hasta que lo consigas. Donde una cultura de sobre prometer y de nunca hablar de las limitaciones de tu tecnología es inclusive alentado y fomentado. Con la etérea proesa de que algún día, esas mentiras que se están diciendo se volverán verdad.</p>
<p>Sin embargo, existe una delgada línea entre sobreprometer y no entregar, y abiertamente mentir cuando sabes que tu tecnología simplemente no va a lograr lo que se está prometiendo en un principio.</p>
<p>El caso de Holmes y Theranos debería ser una preventiva para todos los directores en grandes empresas para que se sensibilicen sobre el hecho de que muchos fundadores de startups, quizás van a hacer todo para tratar de que su empresa crezca y sea exitosa, y en el proceso, de fallar, muchos inversionistas perderán grandes cantidades de dinero.</p>
<p>Siempre sean cuidadosas y cuidadosos, y busquen donde está el verdadero valor de la empresa. No se dejen llevar por el carisma, o la novedad de la solución que prometen, y más bien busquen el verdadero valor sólido. Es muy fácil en el mundo de la IA, sobreprometer sobre lo que se puede lograr, y finalmente llegar a promesas vacías.</p>Leon palafoxlpalafox@up.edu.mxNota: Artículo publicado en El FinancieroLos datos representan el mundo, y los modelos aprenden de los datos [Spanish]2021-02-23T00:00:00+00:002021-02-23T00:00:00+00:00https://leonpalafox.github.io/articulos/etica<p>Nota: Artículo publicado en <a href="https://www.elfinanciero.com.mx/opinion/leon-palafox/los-datos-representan-el-mundo-y-los-modelos-aprenden-de-los-datos">El Financiero</a></p>
<p>En el 2015 un tweet, hoy borrado, indicó la forma en la cual los modelos de Inteligencia Artificial clasificaban como gorila a una persona de piel oscura. Así, varios análisis han descubierto cómo las decisiones tomadas usando modelos de IA tienden a reforzar o incrementar sesgos que existen actualmente. Desde desviaciones debido al género hasta el nombre. Ha habido múltiples casos donde sistemas automatizados han tomado decisiones favorecedoras para un grupo en particular. Un reciente caso famoso es el entrevistador automatizado que recomendaba contratar más hombres que mujeres en Amazon.</p>
<p>Dados todos estos problemas de sesgo en la IA, hoy hay un debate rugiendo en el centro de la comunidad de desarrolladores e investigadores. Este debate trata de responder la pregunta: ¿Quién es la parte responsable de supervisar y corregir estos algoritmos para evitar estas decisiones sesgadas? El debate resuelve que puede haber dos partes responsables: por un lado, los diseñadores de los modelos, y por el otro, los datos mismos usados en los modelos.</p>
<p>Tenemos a un grupo de expertos argumentando que los datos, desde su incepción, están sesgados, y estos representan las desviaciones y tendencias que tenemos nosotros los humanos. El trabajo de los modelos es replicar el comportamiento de estos datos de la manera más fidedigna posible. Entonces, los investigadores y diseñadores deben darse a la tarea de buscar datos que no tengan estos sesgos y tendencias, y no, en modificar sus modelos.</p>
<p>Este tipo de pensar remueve toda responsabilidad de la persona que diseña el modelo y la centra en la recolección de datos. Si bien esta forma permite desarrollos más rápidos y ágiles, termina resultando en algo muy cómodo simplemente justificarse en que los datos están mal y no buscar soluciones que coadyuven la mitigación de la problemática.</p>
<p>Del otro lado, tenemos al otro grupo de expertos que propone que las personas a cargo de diseñar los modelos son los encargados de verificar que los modelos no generen resultados sesgados. Que, independientemente de lo tendenciosos de los datos, los modelos mismos deben de ser capaces de extraer dichos sesgos y corregirlos para no cometer la toma de decisiones erróneas. Al igual que con el grupo anterior, donde los datos eran el problema, éste grupo opina que la responsabilidad, no recae en la recopilación de datos, o la existencia nativa de sesgos, sino en los modelos mismos, y hace que toda la responsabilidad recaiga en la persona o grupo diseñador del modelo. De igual manera, uno podría argumentar que al remover los sesgos, nos volvemos ciegos a los problemas y solo estamos rehaciendo el mundo como queremos que sea, en lugar de aceptarlo como es.</p>
<p>Ambas aproximaciones tienen sus ventajas y desventajas, si la culpa fuese sólo de los datos, estaríamos siempre esperando que los datos no fueran sesgados, sin tratar de generar algún cambio interno, estaríamos constantemente justificándonos en que el mundo es así, sin que nuestro modelo lo intente resolver. Por el otro lado, si la culpa es de los modelos, y la diseñadora está encargada de remover sesgos: ¿Qué va a evitar que los propios sesgos e ideologías de la diseñadora influencien el resultado del modelo y cómo el resultado afecte el negocio directamente?</p>
<p>Es fácil encontrar ejemplos que justifiquen ambas ideologías: Pensemos en los créditos bancarios, donde si un modelo es entrenado con datos que contienen el color de piel, podemos tener casos donde personas de piel más oscura han incurrido en morosidad constantemente.</p>
<p>Si utilizamos dichos datos en un país donde la mayoría de las personas tiene la piel oscura, jamás se otorgaría un crédito y tendríamos que cerrar el banco. Por el otro lado; si eliminamos ese sesgo, quizás si se otorgasen muchos créditos a personas que, efectivamente, no pueden pagarlos, perdiendo de nuevo dinero y resultando en algo negativo para el banco.</p>
<p>En mi opinión debemos tener un justo medio, donde el diseñador trate de usar datos lo menos sesgados posibles, pero al mismo tiempo tratar de hacer un modelo que no incremente las discriminaciones que ya existen y de cierta manera, tratar de decrementarlas de alguna u otra forma. Quizás diseñando un crédito ajustado para personas que históricamente no han pagado a tiempo, lo cual resultaría en un beneficio neto para el banco y el cliente.</p>
<p>Al final del día, los modelos de IA no hacen más que replicar el mundo que existe ahí afuera y está en nosotros tratar de crear un mundo mejor.</p>
<h1 id="noticas-éticas">Noticas éticas</h1>
<p>Google AI, la rama dedicada a la inteligencia artificial en Google está siendo fuertemente atacada por su decisión de terminar sus relaciones laborales con dos expertas en el campo de IA y Ética. Dicha decisión pone en evidencia que hoy en día, aún en algunas de las empresas más importantes de la tecnología, el tema de la ética en IA no se ha resuelto y requiere constante trabajo.</p>Leon palafoxlpalafox@up.edu.mxNota: Artículo publicado en El FinancieroDe datos y cafés, o cómo crear la bebida perfecta [Spanish]2021-02-09T00:00:00+00:002021-02-09T00:00:00+00:00https://leonpalafox.github.io/articulos/datosCafe<p>Nota: Artículo publicado en <a href="https://www.elfinanciero.com.mx/opinion/leon-palafox/de-datos-y-cafes-o-como-crear-la-bebida-perfecta">El Financiero</a></p>
<p>Cuando pides un café en la cafetería de la Sirena, ¿conoces los procesos previos necesarios, para tener tu vaso listo? Hay toda una serie de pasos para llevar el café desde el cafeto hasta tu vaso; el plantado, la cosecha, la selección de granos, el secado, el transporte, el molido de los granos y demás elementos asociados para crear un simple vaso de café.</p>
<p>De la misma forma que existen varios procesos para asegurar que ese vaso de café esté en tus manos, la cafetería de la Sirena utiliza varios sistemas para recomendar nuevas promociones, determinar ingredientes y diseñar nuevas bebidas.</p>
<p>Desde el momento en que entras a una tienda y realizas tu orden hasta el momento en que te retiras, hay toda una infraestructura de grandes datos e Inteligencia Artificial diseñada con un solo motivo: que tu tengas la bebida que deseas de la manera más expedita posible al mismo tiempo que todos los datos generados por la orden son procesados, almacenados y serán utilizados para tu siguiente compra.</p>
<p>Quizá sea Navidad y compres un especial de temporada, o verano y compres algo refrescante. No importa la época o día, las bebidas en la cafetería estarán orientadas y diseñadas para que sacien tu sed y te inclinen a regresar para realizar una futura compra.</p>
<p>Las decisiones sobre los modelos de Inteligencia Artificial usados y cómo se utilizan en el día a día son parte de las responsabilidades de un equipo de Analítica. Dicho equipo está compuesto por perfiles tan diversos como científicos de datos, ingenieros de datos y directivos. Cada uno aporta valor aún a los procesos más simples.</p>
<p>Imaginemos el caso de una nueva bebida de temporada: Esta bebida se diseñó para que las personas relacionan la temporada a la bebida, pero también para que la bebida se venda lo suficiente para justificar modificar procesos y cambiar ingredientes. Pero, ¿cómo se concibió la bebida en un principio?</p>
<p>Una infraestructura de grandes datos, administrada en parte por ingenieros de datos, es la encargada de procesar las compras en la cafetería de la Sirena y tener los datos listos. Datos acerca de la hora de la compra, la orden, donde estaba localizado el cliente, si se utilizó la aplicación, y muchos otros que se van generando con cada interacción del cliente.</p>
<p>Una vez almacenados los datos, se deben de limpiar y pre-procesar, rol que también incluye a un ingeniero de datos con un poco de trabajo de un científico de datos. Ambos se dedicarán a analizar los distintos campos y ver cuáles son útiles para informar acerca de los presentes gustos de los clientes. Y en el caso de una bebida nueva, cuáles ingredientes o elementos debería tener. Quizá al cliente le gusta la bebida con canela o azúcar. Quizá el lunes sea un día adecuado para anunciar la bebida. Este proceso de selección y limpieza está muy influenciado por el problema de negocio que se desee resolver.</p>
<p>Ahora, un modelo de Inteligencia Artificial, generalmente usado por los Científicos de Datos, puede usarse para determinar qué clientes serán los más propensos a comprar la nueva bebida, con esto, podemos hacer una extrapolación utilizando los datos de compra promedio y número de personas para determinar cuánto más van a comprar si introducimos la nueva bebida al mercado. Es válido obtener resultados negativos y que la creación de una nueva bebida no sea una buena idea.</p>
<p>Una vez hechos estos análisis y modelos, podemos mostrar que la nueva bebida resulta en una ganancia clara para el negocio y es conveniente comenzar a promocionarla. Ahí, el valor del análisis e interpretación de los datos, lo cual permite evaluar la toma decisiones de negocio.</p>
<p>De esta manera sistematizada y ordenada se deben de abordar los proyectos de Ciencias de Datos, no para garantizar que siempre se van a obtener resultados positivos, sino para garantizar que va a existir un aprendizaje institucional, y las decisiones se basarán en los datos. Así evitaremos repetir errores, y garantizar que la creación de valor fue dada de forma racional y no por suerte o casualidad.</p>
<h1 id="inteligencias-artificiales-peligrosas">Inteligencias Artificiales Peligrosas</h1>
<p>Estas semanas que pasaron, las acciones de la tienda Gamestop se incrementaron de manera vertiginosa. Mucho de esto se debió al accionar de usuarios de internet, pero también hubo una gran cantidad de algoritmos de Inteligencia Artificial que compraron la acción de manera automatizada y rápida para obtener ganancias para sus fondos de inversión.</p>Leon palafoxlpalafox@up.edu.mxNota: Artículo publicado en El FinancieroBig data e inteligencia artificial, dos lados de la misma moneda [Spanish]2021-01-26T00:00:00+00:002021-01-26T00:00:00+00:00https://leonpalafox.github.io/articulos/BigData<p>Nota: Artículo publicado en <a href="https://www.elfinanciero.com.mx/opinion/leon-palafox/big-data-e-inteligencia-artificial-dos-lados-de-la-misma-moneda">El Financiero</a></p>
<p>Entre transacciones de tarjetas de crédito, registros a páginas web, viajes en servicios de transporte, posts en redes sociales y toda nuestra actividad digital, el humano promedio genera alrededor de 40 Megabytes de datos al día, el equivalente a 10 canciones en formato digital. Hace algunos años, era difícil imaginar que una sola persona pudiese generar tal volumen de datos.</p>
<p>La suma de ese volumen de datos necesita un repositorio, un lugar donde se almacenen para posteriormente, poder aprovecharlos de una manera útil y creativa. A la gran cantidad de datos y las soluciones para manejarlos es a lo que coloquialmente se le llama Big Data o Grandes Datos en español.</p>
<p>La descripción arriba mencionada muestra claramente cómo se convierte el concepto de Big Data por medio de la identificación de las 5V´s: volumen (cantidad), variedad (tipos de datos tales como textos, imágenes, audios, etc., velocidad (de generación y procesamiento), veracidad (calidad) y valor (utilidad).</p>
<p>No hay una medida exacta del momento en el cual los datos se consideran BIG, un indicador puede ser la dificultad que implica procesarlos con una computadora normal. La imposibilidad de tratar con herramientas tradicionales este volumen de datos ha dado cabida a la creación de tecnologías orientadas al Big Data, las cuales están diseñadas para almacenar, procesar y visualizar los datos en tiempos adecuados para apoyar en la toma de decisiones oportunamente.</p>
<p>Poder aprovechar estos grandes datos dan una definitiva ventaja a las empresas que tengan las competencias de recopilarlos, almacenarlos, procesarlos y visualizarlos. La gran cantidad de datos que generamos hoy en día exige el uso de tecnologías y equipos de trabajo robustos que den capacidad para tener accionables como la toma de decisiones basadas en datos y de esa manera añadir valor al negocio.</p>
<p>En el concepto mencionado anteriormente de “añadir valor al negocio” es que la Inteligencia Artificial se vuelve un componente simbiótico con los grandes datos. No se puede aprovechar uno sin el otro. Hasta hace algunos años, muchos modelos de IA no se podían utilizar debido a que no existía la suficiente cantidad de datos para entrenarlos, sólo sirvieron durante algún tiempo para juntar polvo en artículos científicos.</p>
<p>La realidad es que hoy en día, los grandes datos requieren de la inteligencia artificial para analizar esas masivas cantidades de datos, y la inteligencia artificial necesita de esos datos para poder utilizarse de manera eficiente. Muchos negocios actualmente son valuados no por los datos que tienen, sino por su capacidad de explotarlos.</p>
<p>Así, prácticamente todas las empresas, independientemente de su giro, deberían tener áreas dedicadas a la inteligencia artificial. Uber, Rappi y Grupo Alsea, tres empresas en rubros distintos, están invirtiendo millones de recursos en capturar y aprovechar la gran cantidad de datos que tienen disponibles.</p>
<p>Existen, sin embargo, múltiples retos asociados a las diferentes industrias y su capacidad de desplegar el potencial de los datos. Desde complicaciones respecto a la recopilación de datos, regulaciones sobre la capacidad de su uso, hasta los muy sensibles asuntos de la privacidad, así como, evitar la creación de sesgos y desigualdad a través de los datos.</p>Leon palafoxlpalafox@up.edu.mxNota: Artículo publicado en El FinancieroDeshaciendo Mitos [Spanish]2021-01-12T00:00:00+00:002021-01-12T00:00:00+00:00https://leonpalafox.github.io/articulos/mitos<p>Nota: Artículo publicado en <a href="https://www.elfinanciero.com.mx/opinion/leon-palafox/deshaciendo-mitos">El Financiero</a></p>
<p>Hace 65 años, antes de la llegada del hombre a la Luna, o de la creación del internet, en 1956, fue presentada la primera conferencia sobre Inteligencia Artificial, en Dartmouth, EUA, por los hoy ya legendarios Marvin Minsky y John McCarthy. En dicha conferencia, grandes mentes de las matemáticas se dieron a la tarea de definir vagamente lo que hoy conocemos como “Inteligencia Artificial”.</p>
<p>Es difícil concebir que de aquella reunión de ideas y sueños, pudiesen nacer las vastas aplicaciones que hoy conocemos para inteligencia artificial; desde sugerencias en la corrección de estilos en la forma de escribir un correo electrónico, pasando por la manufactura inteligente y la industria 4.0, hasta la planeación computarizada de cosechas para alimentar a la humanidad.</p>
<p>Pero, ¿cómo se puede definir el concepto de Inteligencia Artificial? la Inteligencia Artificial es enseñarle a una computadora por medio del modelado de datos, a ejecutar una tarea.</p>
<p>Hoy en día las aplicaciones de la Inteligencia Artificial en la industria son muchas y diversas. Existen múltiples fondos de inversión que a diario utilizan Inteligencia Artificial para seleccionar qué acciones elegir en un portafolio. Grandes bancos utilizan las mismas herramientas para colocar y aprobar créditos. Mucho del mercadeo moderno, se basa en modelos de aprendizaje automático para saber precisamente a qué cliente se le debe ofrecer cuál producto o promoción.</p>
<p>Pero, ¿qué es precisamente la inteligencia artificial? Cuando se habla de máquinas inteligentes. Ciertamente no se refiere a entes como aquellos vistos en las películas, capaces de razonar y en algunos casos de sentir. Más bien hablamos de herramientas diseñadas para tareas muy específicas y que durante su ejecución, son capaces de llevarlas con mucha habilidad, de manera autónoma y sin la intervención humana.</p>
<p>Pensemos en un brazo robótico dentro de una planta. Dicho brazo es capaz de ensamblar autos durante todo el día, sin embargo, no es capaz de usar sus capacidades para abrir una botella de refresco, o para construir una casa. Aunque hace todo de manera autónoma, es incapaz de generalizar a distintas aplicaciones más allá de las cuales que hayan sido diseñadas por sus creadores.</p>
<p>Aun con estas limitaciones, la inteligencia artificial es sin lugar a duda una de las herramientas más importantes para el futuro. La firma de inteligencia IDC estima que para 2023 se estará gastando más de 97 mil millones de dólares en la implementación de herramientas de IA, un poco más que todas las ventas petroleras de Pemex del 2018.</p>
<p>En México, hoy estamos en el parteaguas de las implementaciones de estas tecnologías, a medida que las diferentes empresas las vayan adoptando podrán hacer frente a retos profundos como los que está presentando la pandemia. Hoy más que nunca las empresas no pueden prescindir de no aprovechar las tecnologías para aprovechar cada peso invertido y convertirlo en ganancia.</p>
<p>Es por eso, que hoy, las herramientas de IA en México deberán ser adoptadas de forma ordenada y acelerada, para garantizar un impacto real dentro de la empresa, y no simplemente un humo blanco que prometa solucionar problemas que no existan.</p>Leon palafoxlpalafox@up.edu.mxNota: Artículo publicado en El FinancieroRIIAA @Universum [Spanish]2018-08-26T00:00:00+00:002018-08-26T00:00:00+00:00https://leonpalafox.github.io/conferences/riiaaesp<p>Como lo mencione en la entrada pasada, este fin de semana asistí al <a href="https://riiaa.org/">RIIAA</a>. Fue un evento donde asistieron multiples ponentes de lugares tan prominentes como Facebook y Deepmind. Y también fueron muchos investigadores y personas relacionadas al mundo de IA en México. Es la primera vez que tengo tanta exposición a un evento de este tipo en México y como en todo, tengo muy buenas y malas experiencias que contar:</p>
<h3 id="lo-bueno">Lo bueno.</h3>
<p><em>Siempre que se externa una opinión acerca de algo, es mejor empezar con lo mejor.</em></p>
<p>El evento tuvo una organización bastante buena, los ponentes que se eligieron dieron muy buenas lecturas y la verdad el material presentado por parte de los ponentes internacionales fue de la más alta calidad.</p>
<p>Las dinámicas para socializar fueron bastante buenas, y pude platicar con muchas personas con ideas muy interesantes y provocadoras acerca de la inteligencia artificial en México.</p>
<p>Pude conocer más de lo que se está haciendo y más de las personas involucradas en el ecosistema.</p>
<h3 id="lo-malo">Lo malo</h3>
<p>Algunos de los ponentes no dieron platicas realmente innovadoras o creativas, en particular dos ponentes de muy alta alcurnia (no diré nombres), dieron sus pláticas de stack que siempre manejan. Los académicos en particular se redujeron a dar sus pláticas académicas, sin tener en cuenta la energía de la audiencia o la gran oportunidad que era tener este cuarto lleno de gente, entusiasmada por la IA, lo cual va de la mano con mi mayor crítica.</p>
<p>En lo que respecta a los mexicanos, si se dejó mucho que desear. Muchas de las personas que llevan la estrategia nacional de IA parecen ser personas que no dominan el tema en realidad. Conocen uno o dos algoritmos, y se manejan como expertos en las esferas del gobierno. Las presentaciones más “flashy”, fueron también las que obviaban más su falta de conocimiento.</p>
<p>Nota al pie, dos investigadores mexicanos cometieron errores garrafales en sus definiciones básicas respecto a redes neuronales, lo que sí me parece muy preocupante a nivel academia mexicana.</p>
<p>En conclusión, me parece que el evento fue bueno, se juntó mucha energía y muchas personas, pero si me gustaría que la academia mexicana se viera más inyectada por esa juventud y energía.</p>
<p><img src="/assets/images/riiaa.jpg_large" alt="My helpful screenshot" /></p>Leon palafoxlpalafox@up.edu.mxComo lo mencione en la entrada pasada, este fin de semana asistí al RIIAA. Fue un evento donde asistieron multiples ponentes de lugares tan prominentes como Facebook y Deepmind. Y también fueron muchos investigadores y personas relacionadas al mundo de IA en México. Es la primera vez que tengo tanta exposición a un evento de este tipo en México y como en todo, tengo muy buenas y malas experiencias que contar:RIIAA @Universum in Mexico City2018-08-25T00:00:00+00:002018-08-25T00:00:00+00:00https://leonpalafox.github.io/conferences/riiaa<p>I am currently at the <a href="https://riiaa.org/">RIIAA</a> conference. Which is the first in its kind to attend themes and topic of Machine Learning in Mexico. So far it has been good, and I think the ideas behind it are very worth pursuing.</p>
<p>However, I think they are inviting people that are no longer sensibilized with the current trends of ML and AI in the world.</p>
<p><img src="/assets/images/riiaa.jpg_large" alt="My helpful screenshot" /></p>Leon palafoxlpalafox@up.edu.mxI am currently at the RIIAA conference. Which is the first in its kind to attend themes and topic of Machine Learning in Mexico. So far it has been good, and I think the ideas behind it are very worth pursuing.