En BI no caben hombres del Renacimiento

Tecnología - Categoría - Página 2 de 3 - Despertar Sabiendo

Esta semana inicio una nueva aventura profesional. Entro en Algoritmia.

Algunos pueden pensar que pierdo la libertad del freelance, pero no conocen Algoritmia.
Las empresas actuales no son horarios ni presencias a cumplir, sino el trabajo bien hecho y con todos los recursos y apoyos a tu disposición.
Y éste es el principal motivo para el cambio. Dejar de trabajar como un Robinson, tener que construir todo el proyecto tú solo. 
En cambio ahora, podré dejar o contar con profesionales de DataFactory, Big data, IA, Sistemas, DW, … para poder dar lo mejor de mí y profundizar en la revolución PowerBi de Microsoft, que cambia y mejora cada mes con nuevas utilidades.
Crecer como profesional BI, seguir participando de la aún altruista comunidad exige concentrar el escaso recurso tiempo, y no intentar en un proyecto abarcar todo.

Foco, foco y más foco. Sin olvidar que Cambio = Oportunidad

Power BI pequeñas joyas I: Tooltip

Por peticiones recibidas, publico aquí links a la presentación realizada en el Grupo de Ususario de Barcelona y el archivo.

El vídeo del evento de ayer está disponible aquí : https://www.youtube.com/watch?v=Yt52HqznhM0 y la presentación de Ignacio aquí : https://github.com/PUG-Barcelona/general/tree/master/Eventos/20201007_Tooltips

Intentaremos descubrir como el uso combinado de elementos básicos en Power BI puede tener efectos WOW en informes y presentaciones.
Gracias a Dhania, Raquel y Alex por dajarme su plataforma GUB para exponer estos temas.

El próximo que estoy preparando es sobre publicar PBIX en web, de forma “pública” pero con password de usuario, sin roles ni licencia PRO.

Vértigo en Power BI

#PowerBI anuncia un nuevo tipo de licencia: La Premiun Per Use

Nuestro gurú Reza Rad de #radacad explica como viene a cubrir el hueco en pequeñas y medianas empresas que necesitan más capacidades de máquina que la licencia PRO ofrece.

https://radacad.com/what-is-premium-per-user-license-for-power-bi-and-what-is-it-good-for

Las opciones de Power BI se están volviendo complicadas, de una software sencillo cuando salió, pasó a incluir las geniales adopciones de Powers Apps, PowerAutomate, Integración con Dinamycs 365, Conectores con cientos de fuentes de datos, Azure (incluyendo Machine Leaning, Common Data Service, … ), Power Virtual Agents, todo ello junto bajo el nombre de Power Platform. Y ahora nuevos licenciamientos. Y no podemos olvidar las External Tools, que necesitan masters para dominarlas.

A los profesionales de PowerBI nos está dando vértigo, de las capacidades y de la velocidad con que todo cambia.

Cierto es que al final, los proyectos son sota, caballo y rey. Un buen modelo de datos, una eficiente conexión y captura de datos, y la más adecuada publicación de resultados según usuarios y uso. Casi siempre son las mismas soluciones, pero necesitamos curso de reciclaje mensuales para las novedades y sobre todo recordar opciones aparecidas hace un tiempo, que no caigan en el olvido, porque podrían ser la mejor solución para nuevos proyectos.

Lo tenemos complicado. Aunque Microsoft tiene webs de formación en todo, hace presentaciones y cursos gratuitos, pero quien más ayuda son los compañeros de las muchas comunidades de Power BI que han ido apareciendo , como los Power BI user group de Barcelona, Madrid, Chile, los gurús Marco Ruso y Reza Rad, etc. Somos legión.

Suscribirse y leer, leer y probar. Nos falta otra vida para mantenernos al día.

2020 Explosión de AI en empresas

pixabay.com

Recién ha aparecido el informe AI Adoption in the Enterprise 2020 de Roger Magoulas & Steve Swoyer, descargable por gentileza de O’Reilly Radar. 14 páginas, serias y muy interesantes.

Mis titulares tras la lectura:

De las empresas consultadas, ¡el 85% ya están incorporando AI en sus procesos ! (frente al 54% del año anterior).

El 50% ya está “madurando” procesos que adoptan AI (el doble que el año anterior).

Las principales dificultades, son:

  • encontrar profesionales preparados (se mantiene igual que el año anterior)
  • encontrar recursos para la inversión necesaria,
  • luchar con el freno interno de que “eso” de la IA, no ven “como puede aplicarse en nuestra empresa”.

Necesitas ya! políticas de Data Gobernance

El Machine Learning Supervisado se mantiene como principal técnica, pero el deep learning sube con mucho empuje, siendo la herramienta más empleada TensorFlow, seguida del paquete Scikit.

La reflexión posterior, aparte de si los que han contestado son una muestra representativa, da motivos para reflexionar en:

  • Todos quieren incluir AI en sus procesos. Todos están haciendo, probando o mirando, y si todavía no tienes un plan de AI para tu empresa, te van a atropellar.
  • No saben muy bien cómo monetizar ese conocimiento que el AI puede extraer de los datos. Se necesitan urgentemente Data Scientist de aplicación práctiva en Procesos de Negocio. No sé que nuevo titulo en inglés se inventarán para eso.
  • El volumen de datos ya no es problema. Nadie habla de eso. Ya hay tecnicas maduras para el tratamiento y guarda de Big Data
  • Las Redes Neuronales lo “petan” (TensorFlow+Keras para imágenes, RNN para textos y pronósticos, CNN para reconocimiento). Y más que se van a emplear. Sin embargo Python + Scikit + PyTorch … indican que el futuro es Python, aunque no sea tan bueno (de momento) para algunas cosas como R.
  • Entre muy interesantes gráficas, algo clásicas, destaco la de riesgos de los modelos creados con AI. Es la primera vez que veo esta serie de riesgos que con la metodología en la mano debes controlar, evaluados realmente en la práctica:
©Roger Magoulas and Steve Swoyer, O’REILLY Radar
Asusta la mala gestión de expectativas y la obtención de resultados esperados

En sus conclusiones, informa que la AI está madurando rápido, que cada vez hay más usuarios y aplicaciones en las organizaciones de AI, a lo que añado que todavía tienen que explotar el uso de Redes Neuronales preentrenadas, ni el uso de chat-bots, de lo que no habla.
Y la recomendación de establecer Gobernanza de Datos, a lo que sugiero la casi obligación de adoptar ISOS 27001 y la 29100 como guías y reglas de buenas prácticas que pueden prevenir muchos problemas, sobre todo cuando somos tan novatos en este campo.

Otro día hablaré de como la Inteligencia Real es saber aplicar algoritmos (inteligentes, o tontos) en los Procesos de Negocio.

¿Qué algoritmo debo usar?


undefined pixabay.com

El tratamiento de datos con Inteligencia Artificial, nos permite obtener resultados muy útiles, y sabrosos si aplicamos el proceso adecuado.

Que me perdonen los puristas por la redacción, pero prefiero dar un mensaje sencillo, fácil de comprender por cualquier persona. Los algoritmos son un procedimiento de trabajo, como una receta de cocina, que indica la preparación de datos, el tipo de cocción, que algoritmo aplicar, y la interpretación de resultados, que es el emplatado.

Estos algoritmos se llaman de Inteligencia Artificial porque encuentran soluciones, acercándose poco a poco, ellos solos, hasta un nivel de resultados que previamente hemos fijado como objetivo. Los algoritmos más usuales se dividen en Machine Learning, que podemos clarificar como los que se calculan mediante operaciones matemáticas, y los Deep Learning que emplean Redes Neuronales.

Cada problema tiene una receta más adecuada:

  1. Predecir basándose en datos pasados:mantenimiento predictivo, sistemas de recomendación, pronósticos de venta … Los algoritmos más empleados son los de Machine Learning: Regresión Lineal, Arboles de decisión, Support Vector Machine (SVM), y reglas de Asociación.
  2. Descubrir tendencias, patrones: reconocimiento de lenguaje natural, análisis de sentimiento, identificar documentos, ciberseguridad, detección de fraude … Los algoritmos más empleados son de Machine Learning como Regresión Lineal, SVM, naïve Bayes, y para análisis de texto los RNN (Recurent Neural Network) de Deep Learning.
  3. Identificar objetos en imágenes vídeo o tiempo real. Aplicado en visión robótica, detección de cámaras de seguridad, reconocimiento por voz … Algoritmos más usuales son de Deep Learning con Redes Neuronales Convolucionales CNN, y Clusterings.
  4. Desplazamiento de un objeto físico o simulación: conducción autónoma, drones, vídeo juegos … Los algoritmos más usuales son de Deep Learning ANN, RNN y CNN (Artificial, Recurrent y Convolutional Neural Networks) y Aprendizaje de Refuerzo
  5. Mejora de imágenes o eliminación de ruidos en audio, reconocimiento de órdenes por voz. Se emplean Deep Learning de redes neuronales LSTM, CNN y VDSR.

Desarrollar proyectos AI no sirve de nada si no se aplican. La inteligencia práctica es saber incluir el uso de estos algoritmos en los Procesos de Negocio. Pero de esto hablaremos otro día, si ustedes quieren.

Evolucionar o repetir la historia

abandoned_attack_building_crisis_decay_demolished_demolition_high_rise-1124109

https://pxhere.com/es/photo/1124109

Llego el momento de plantearnos si queremos la autodestrucción del planeta, si esta economía es sostenible, si queremos vivir como hasta ahora. O cambiar algunas cosas realmente importantes.

  • Teletrabajo productivo, no presencial, si a los resultados. Más tiempo personal. Evitar la despoblación rural con servicios, comunicaciones y teletrabajo. El trabajo no debe ser un castigo, a ninguna edad.
  • Energías renovables incluso generadores domésticos. Adios a la contaminación! Conservar las ciudades limpias.
  • Transporte público gratuito, de calidad y eléctrico. Transporte privado, sí, tributando o simplemente aplicando el coste real del petroleo.
  • Políticas de desarrollo europeas sin plazos electorales.
  • Menos costes de políticos. Actividad parlamentaria 12 meses al año. Fijar objetivos.
  • Mejor justicia, más ágil y 12 meses hábiles.
  • Aprendizaje continuo en la escuela/universidad 12 meses. Teleformación y temarios con salidas profesionales.
  • Mejorar la sanidad. Prevenir la próxima ola (que vendrá seguro). Telemedicina y prevención.
  • El Estado debe integrarse con el Sector Social que lleva siglos cubriendo sus deficiencias en protección Social. Nacionalizar ONGs y Renta universal ?
  • Racionalizar el consumo. Comercializar dispositivos que puedan arreglarse.

Hasta aquí mis 10 ideas a vuelapluma, sin ningún orden o prioridad.

Agradecer a todos los que sean sacrificado por nosotros, y pensar en el futuro.
Seguro que se os ocurren muchas más y, o,  matizar estas. Bienvenidas sean.

Sólo que coincidamos en una cuantas ya tendremos un objetivo para iniciar el camino. ¿Dónde queremos ir?

Informe uso de Cloud por Denovo

cloud proveedores

Gran informe de Denodo sobre el uso de Cloud por las empresas. Muy bueno por la amplitud de temas revisados y la sencillez de su presentación.

Aquí va MI resumen:

  • Sube el interés de las empresas, pero no se lanzan.
  • Uso principal para Data Analytics y BI reporting, no para sus procesos.
  • En Cloud híbridas 42%
  • Con datos estructurados. El DataLake de todo junto queda lejos, porque la accesibilidad y la seguridad priman
  • Azure (+) y AWS (-) se llevan el grueso del mercado
  • La migración lleva implicita refactoring 35%, rehosting 21%, … trabajos importantes
  • Y un gran miedo a los costes ocultos del licenciamiento
  • Eso también explica el limitado uso de los Markets Places

Seguro que tu tendrán conclusiones más adecuadas a tus necesidades. Lo dicho, gran informe.

DenodoCloud

El misterio del Si bemol 3 en Mozart

Mozart sib3

¿Por qué no hay Si bemol 3 en la obra de Mozart?

Cómo una gráfica de frecuencia de las notas empleadas por Mozart, nos lleva a descubrir conspiraciones masónicas anti absolutistas, sonidos que mejoran la inteligencia, o tendencias actuales de la música del efecto Baus.
Imprescindible ver el video de Jaime Altozano. Nos enseña cómo un storytelling condiciona la comprensión de unos datos, su interpretación  y la construcción mental de sus consecuencias.

Una vez visto, entenderéis porqué es tan diferente a una gráfica de frecuencias normales esperadas, y de cómo debemos hacer caso a nuestra intuición estadística para descubrir patrones ocultos.

Deseo que disfrutéis tanto como yo he disfrutado.

 

La IA cambia cómo tomar decisiones de Negocio

BI-timeline

Con este post continúo la línea de cómo la IA nos afecta directamente la Gestión de las organizaciones.

Este post refleja cómo están evolucionando los BI, Business Intelligence, o sistemas de información para la toma de decisiones de Negocio gracias a la incorporación de Inteligencia Artificial en el tratamiento de datos.

No creo poder mejorar el artículo de Mona Patel de birst, por lo que recomiendo su lectura. Aquí un pequeño resumen.

A los problemas clásicos que los Business Intelligence, BI, tienen en las organizaciones:

  • Sólo acceden el 20%
  • No responden todas las preguntas, creando frustración
  • No suele ser escalable

La AI puede ofrecer hasta un 10% de ingresos (Mc Kinsey) al permitir:

  • El usuario pasa del atasco de pedir informes directamente al Análisis
  • Descubriendo datos ocultos y prediciendo para ser proactivos

El uso de información en la actualidad aún tiene problemas:

  • El analista debe conocer el negocio para identificar la información de valor
  • Seguimos sin suministrar toda la información que requiere el tomador de decisiones
  • El cual, pierde mucho tiempo en analizar e interpretar

La disrupción de IA en BI aparece cuando hacemos los análisis y datos, más utilizables, oportunos y valiosos.

Poco a poco vamos automatizando esa obtención de valor en los BI, pero en estas primeras etapas, aún se requiere de tiempo para analizar, y los humanos sentimos la necesidad de preguntar el “por qué” de una predicción de AI, que no siempre puede proporcionar.

Sin embargo, la AI tampoco puede reemplazar todos los casos de uso y debe mantener a los humanos informados debido a posibles errores de la máquina.

La IA permite nuevo nivel de análisis, mejor, más práctico y más inteligente.

En próximos post hablaremos de casos prácticos. Hagan sus peticiones.

 

2020 año nuevo, nuevas competencias

ML IBM

Nunca ha sido tan fácil crecer profesionalmente. A los buenos cursos de edX, Coursera, o el MIT, se le ha unido COGNITIVECLASS.AI de IBM.
Cursos de contenido actual, con prácticas en su entorno LAB dentro de la plataforma Cloud de IBM.
A recomendar totalmente, por experiencia propia, este curso de Machine Learning con Python y el de Datascience. Un  temario completo, buenos vídeos, prácticas de buen nivel, con aplicabilidad inmediata, en Python con hands-on en Jupiter dentro de IBM, conm la posibilidad de servicios gratuitos en Watson.

Un gran abanico de competencias profesionales ordenadas por carreras profesionales: DataScience con R y Python, BigData con Hadoop, Spark,  ScaLa, Sistemas con Containers, microservices, Kubernetes, e Istio en Cloud , etc.

Alguno de ellos ha sido traducido al castellano y se eofrece en edX.

Desde un nivel sin experiencia, puedes llegar donde quieras, ya no hay excusas, el nivel de inglés es muy básico. Eso sí, requiere un poco de disciplina y esfuerzo.

¿Hasta donde eres capaz de llegar?