Copyright © SAS Inst itute Inc. A l l r ights reserved.

El camino quecomenzando en la Estadísticapasa por la Minería de Datosy llega a la Inteligencia Artificial

Sergio Uassouf

▪ Explíqueme como lo hace

▪ Muéstreme como funciona

Vacuna contra el humoSi piensas que los usuarios de tus programas son unos idiotas,

sólo los idiotas usarán tus programas (Linus Torvalds, creador del Linux)

Todo lo que le contaré es verdad,pero en 45 minutos no puedo contarle toda la verdad

Mi Objetivo Personal

❑ Desde los inicios de la informática un computador, ya sea personal o empresarial está compuesto de 3 componentes principales.

MEMORIA

UNIDADES DEALMACENAMIENTO

UNIDADES DEPROCESAMIENTO

Comienzo de los Tiempos Informáticos

Disk

RAM

CPU CPU

Alan Turing1912-1954

John Von Neumann1903-1957

❑ Desde los inicios de la informática un computador, ya sea personal o empresarial está compuesto de 3 componentes principales.

MEMORIA

UNIDADES DEALMACENAMIENTO

UNIDADES DEPROCESAMIENTO

Comienzo de los Tiempos Informáticos

Disk

RAM

CPU CPU

NANOSEGUNDOS,PERO SE BORRA

MILISEGUNDOS,PERO NO SE BORRA

IF-THEN-ELSE

¡¡¡ HAGAMOSLEUN MERECIDOHOMENAJE !!!

Sistemas Distribuidos => ¡¡¡ Networking !!!

❑ Un modelo determinístico arroja un único resultado para un conjunto de variables de entrada determinado.

La batalla de la decisión¿Determinístico o Probabilístico?

❑ Un modelo probabilístico arroja un conjunto de resultados posibles indicando la probabilidad de ocurrencia de cada resultado.

La batalla de la decisión¿Determinístico o Probabilístico?

Nacimiento de la EstadísticaGodofredo Achenwall

Elbing, Prusia Oriental(1719-1772)

Principales Técnicas AnalíticasComienzo de la Historia: Estadística - Regresiones

Y = X2

Principales Técnicas AnalíticasComienzo de la Historia: Estadística - Regresiones

Y = X + 3

Principales Técnicas AnalíticasComienzo de la Historia: Estadística - Regresiones

Por ejemplo…

¿Cómo se relacionan la edad, el

género, el estado civil, el lugar de

residencia, los ingresos, la profesión, ….

Con la propensión a que

▪ Acepten la oferta de mi producto…

▪ Estén por irse de mi empresa…

▪ Estén cometiendo fraudes…

▪ Estén lavando dinero.

Principales Técnicas AnalíticasComienzo de la Historia: Estadística - Regresiones

1 unit

units

Response

(Y)

Predictor (X)

❑ La respuesta o variable

dependiente (Y) es la variable

que se quiere predecir.

❑ Los predictores o variables

independientes (X) explican la

variación de la respuesta.

Encuentra la función que relaciona valores que conocemos

(variable independiente o predictor) con los valores que

estamos buscando (variable dependiente o respuesta).

Principales Técnicas AnalíticasComienzo de la Historia: Estadística - Regresiones

X

X

*

**

*

**

** *

*

*

*

*

Y

*

**

*

2

1

❑ Considere el modelo de dos

variables Y = 0 + 1X1 + 2X2 +

❑ Donde Y es la respuesta o variable

dependiente.

❑ X1 y X2 son los predictores o

variables independientes.

❑ 0, 1, 2 son los párámetros a

determinar.

❑ es el término de error.

Inteligencia - Definiciones

▪ El origen etimológico del

concepto de inteligencia hace

referencia a quien sabe elegir: la

inteligencia posibilita la selección

de las alternativas más

convenientes para la resolución

de un problema.

▪ Capacidad de generar

información nueva combinando

la que recibimos del exterior con

aquella de la que disponemos en

nuestra memoria.

▪ Descripción de tipos de

inteligencia múltiples (por temas).

▪ Capacidad que tenemos los seres

humanos para adaptarnos con éxito a los cambios que van

apareciendo en nuestro entorno.

▪ Habilidad para juzgar bien, para comprender bien y para razonar

bien.

▪ Repertorio completo de

habilidades, conocimientos,

sistemas de aprendizaje

considerados de naturaleza

intelectual.

Inteligencia ArtificialDefinición… ¿¿¿Hmmmm???

▪ Construcción de

sistemas que puedan

ejecutar tareas

propias de seres

humanos en forma inteligente.

▪ Construcción de

sistemas que puedenpensar y actuar como

humanos.

Inteligencia Artificial: ¿Porqué renace ahora?De la biblioteca de mi juventud

Inteligencia Artificial: ¿Porqué renace ahora?De la biblioteca de mi juventud

Inteligencia Artificial: ¿Porqué renace ahora?Ley de Moore

22 cores

1,54 TB RAM

Disk

CPUCPU

RAM

Disk

RAM

CPUCPU

Disk

RAM

CPU CPU

Disk

RAM

CPU CPU

Disk

RAM

CPU CPU

Disk

RAM

CPU CPU

Disk

RAM

CPU CPU

Disk

RAM

CPU CPU

Inteligencia Artificial: ¿Porqué renace ahora?Big Data = Procesamiento Masivamente Paralelo

❑ 1024 bytes = 1 Kilobyte

❑ 1024 KB = 1 Megabyte

❑ 1024 MB = 1 Gigabyte

❑ 1024 GB = 1 Terabyte

❑ 1024 TB = 1 Petabyte

❑ 1024 PB = 1 Exabyte

❑ 1024 EB = 1 Zettabyte

❑ 1024 ZB = 1 Yottabyte

❑ 1 YB = 1024 bytes

❑ Una página = 2000 caracteres / bytes

❑ Novela de 400 páginas ≈ 1 MB.

❑ 1 TB = 1.000.000 libros(o 200 películas)

❑ Cada libro 23 x 14 x 3 cms ≈ 1000 cm3

❑ 1.000.000 libros = 1000 mts3 o sea un cubo de 10 mts de lado

Big Data - ¿Cuánto Espacio Físico Ocupa 1 PB?

De la Estadística a la Minería de Datos yla Inteligencia Artificial: Árboles de Decisión

De la Estadística a la Minería de Datos yla Inteligencia Artificial: Árboles de Decisión

De la Estadística a la Minería de Datos yla Inteligencia Artificial: Árboles de Decisión

De la Estadística a la Minería de Datos yla Inteligencia Artificial: Árboles de Decisión

❑ Cada rama del árbolrepresenta una elecciónentre alternativas.

❑ Cada hoja representa unaclasificación o decisión.

❑ Por ejemplo, si debemosdecidir si a una persona le ofrecemos o no un crédito.

Inteligencia Artificiales la ciencia de entrenar sistemas para

emular tareas humanas medianteel Aprendizaje y la Automatización

Entenderel Contexto

Aprender Patrones InterpretarLenguaje e Imágenes

Machine Learninges la ciencia de crear sistemas que

aprenden de los datos con algoritmos de aprendizaje que iteran hasta lograr una

aproximación satisfactoria…

Entenderel Contexto

Aprender Patrones InterpretarLenguaje e Imágenes

Machine Learning…en otras palabras, el programa esconstruído automáticamente por el

algoritmo de aprendizaje

Entenderel Contexto

Aprender Patrones InterpretarLenguaje e Imágenes

De la Minería de Datos a la Inteligencia ArtificialMachine Learning ≈ Redes Neuronales

Nuestra dificultad para entender el funcionamiento del cerebroradica en que para hacerlo utilizamos el mismo cerebro

Inteligencia ArtificialMachine Learning ≈ Redes Neuronales

NIVEL SALARIAL

OCUPACION

SALDO

PROMEDIO

Nivel Salarial = 0,3; Saldo Promedio = 0,2; Ocupación = 0,9 → Buen pagador

0,3

0,9

0,2

Inteligencia ArtificialMachine Learning ≈ Redes Neuronales

NIVEL SALARIAL

OCUPACION

SALDO

PROMEDIO

0,3

0,2

0,9

Nivel Salarial = 0,3; Saldo Promedio = 0,2; Ocupación = 0,9 → Buen pagador

Inteligencia ArtificialMachine Learning ≈ Redes Neuronales

NIVEL SALARIAL

OCUPACION

SALDO

PROMEDIO

Nivel Salarial = 0,2; Saldo Promedio = 0,2; Ocupación = 0,5 → Mal pagador

0,2

0,5

0,2

Inteligencia ArtificialMachine Learning ≈ Redes Neuronales

NIVEL SALARIAL

OCUPACION

SALDO

PROMEDIO

0,2

0,2

0,5

Nivel Salarial = 0,2; Saldo Promedio = 0,2; Ocupación = 0,5 → Mal pagador

https://mattmazur.com/2015/03/17/a-step-by-step-backpropagation-example/

Inteligencia ArtificialMachine Learning ≈ Redes Neuronales

NIVEL SALARIAL

OCUPACION

SALDO

PROMEDIO

0,5

0,7

0,3

Nivel Salarial = 0,5; Saldo Promedio = 0,3; Ocupación = 0,7

Inteligencia ArtificialMachine Learning ≈ Redes Neuronales

NIVEL SALARIAL

OCUPACION

SALDO

PROMEDIO

Nivel Salarial = 0,5; Saldo Promedio = 0,3; Ocupación = 0,7

0,7

0,3

0,5

Nivel Salarial = 0,5; Saldo Promedio = 0,3; Ocupación = 0,7 → Buen pagadorNivel Salarial = 0,5; Saldo Promedio = 0,3; Ocupación = 0,7 → Mal pagador

Inteligencia ArtificialDeep Learning ≈ Redes Neuronales de Varias Capas Ocultas

Company Conf ident ia l – For Internal Use OnlyCopyright © SAS Inst itute Inc. A l l r ights reserved.

Aprendizaje AutomatizaciónImágenes ¿Es usted?

Transacciones ¿Está cometiendo fraude?

Usuarios y Clientes ¿Necesita nuestros servicios?

Imágenes Médicas ¿Hay enfermedad?

Lenguajes ¿Qué está consultando?

Emails ¿Es un spam?

Inteligencia Artificial

Reconocimiento de Caracteres Manuscritos

Reconocimiento de Caracteres Manuscritos

Reconocimiento de Caracteres Manuscritos

Convolutional Neural Networks

(CNN)

Auto Encoder (AE)

Recurrent Neural Networks (RNN)

Deep FF Neural Network (DNN)

SAS Deep Learning – Tipos de Redes Neuronales

Recapitulando Principales Técnicas Analíticas

REGRESIONESARBOLES DE

DECISION

REDES

NEURONALES

Recapitulando Principales Técnicas Analíticas

❑ Velocidad de aplicación del modelo

❑ Velocidad de entrenamiento

❑ Tolerancia al ruido

❑ Explicabilidad

Programación por Código en Lenguaje SAS…

… O en el Lenguaje de su Preferencia

Programación Gráfica o Desarrollo Visual

Todos los lenguajes

Todas lasinterfaces

Histórico oen tiempo

real

On-Premise o en la Nube

No distribuido

o en paralelo

SAS Viya – Única Plataforma Analítica IntegralPara satisfacer las necesidades de todos los tipos de usuarios

Caso de Uso GeneralMensaje Electoral Personalizado

¿Cerramos la inmigración o la abrimos?

¿Economía de mercado o con intervención

estatal?

¿Acepta o rechaza la

interrupción del embarazo?

¿Represión o aceptación de

manifestaciones públicas?

¿Fútbol gratuito o pago?

¿Seguridad con tendencia

garantista o punitiva?

¿Promueve o rechaza los

planes asistenciales?

Caso de Uso GeneralMensaje Electoral Personalizado

¿Cerramos la inmigración o la abrimos?

¿Economía de mercado o con intervención

estatal?

¿Acepta o rechaza la

interrupción del embarazo?

¿Represión o aceptación de

manifestaciones públicas?

¿Fútbol gratuito o pago?

¿Seguridad con tendencia

garantista o punitiva?

¿Promueve o rechaza los

planes asistenciales?

Caso de Uso GeneralMensaje Electoral Personalizado

¿Cerramos la inmigración o la abrimos?

¿Economía de mercado o con intervención

estatal?

¿Acepta o rechaza la

interrupción del embarazo?

¿Represión o aceptación de

manifestaciones públicas?

¿Fútbol gratuito o pago?

¿Seguridad con tendencia

garantista o punitiva?

¿Promueve o rechaza los

planes asistenciales?

Casos de Uso Gubernamentales

“Obama y Trump usaron el Big Data para lavar cerebros”Por Martin Hilbert

http://www.theclinic.cl/2017/01/19/martin-hilbert-experto-redes-digitales-obama-trump-usaron-big-data-lavar-cerebros/

Teniendo entre 100 y 250 likes tuyos en Facebook, se puede predecir

tu orientación sexual, tu origen étnico, tus opiniones religiosas y

políticas, tu nivel de inteligencia y de felicidad, si usas drogas, si tus

papás son separados o no. Con 150 likes, los algoritmos pueden

predecir el resultado de tu test de personalidad mejor que tu pareja.

Y con 250 likes, mejor que tú mismo.

Sin escuchar tus conversaciones ni saber con quién hablas, sino sólo

con qué frecuencia y con qué duración usas tu celular, se puede hacer

ingeniería reversa y reproducir el 85% de tus resultados de un censo:

si eres hombre o mujer, cuál es tu rango de ingresos, si tienes niños, si

estás casado, tu origen étnico.

Casos de Uso GubernamentalesCenso Poblacional

Para despedirme permitame decirle que…

Todo lo que le conté es estrictamente cierto,

Puede encarar todo (casi todo) tipo de problemasque su creatividad imagine,

Pero es un tanto más complejoque lo que pude explicar en estos pocos minutos.

Company Conf ident ia l – For Internal Use OnlyCopyright © SAS Inst itute Inc. A l l r ights reserved.

QUEDAMOS A SU DISPOSICIONPARA BRINDARLE

EXPLICACION O DEMO EN SU EMPRESA

PRUEBAS DE CONCEPTO

SAS Video Portal / SAS Free Software Trials

sergio.uassouf@sas.com SAS El Rincón del Dinosaurio

❑ Un byte = 8 bits; Una letra ocupa un byte

Big Data: ¿Cuan grande tiene que serlo grande para ser grande?

❑ C o r o01000011 01101111 01110010 01101111 00100000

❑ C u m p a01000011 01110101 01101101 01110000 01100001

❑ Una letra ocupa un byte.

❑ "Una manzana grande y roja" ocupa 24 bytes.

❑ Cada pixel ocupa 3 bytes.

"Una imagen vale más que mil palabras"

¡Hmmmm!

❑ La imagen de la manzana grande y roja ocupa 1000000 bytes = 1 MB.

Big Data: ¿Cuan grande tiene que serlo grande para ser grande?

Pero ocupa 40.000 veces más espacio

(si está en baja definición, si no ocupa mucho más)

❑ 1024 bytes = 1 Kilobyte

❑ 1024 KB = 1 Megabyte

❑ 1024 MB = 1 Gigabyte

❑ 1024 GB = 1 Terabyte

❑ 1024 TB = 1 Petabyte

❑ 1024 PB = 1 Exabyte

❑ 1024 EB = 1 Zettabyte

❑ 1024 ZB = 1 Yottabyte

❑ 1 YB = 1024 bytes

❑ Una página = 2000 caracteres / bytes

❑ Novela de 400 páginas ≈ 1 MB.

❑ 1 TB = 1.000.000 libros(o 200 películas)

❑ Cada libro 23 x 14 x 3 cms ≈ 1000 cm3

❑ 1.000.000 libros = 1000 mts3 o sea un cubo de 10 mts de lado

Big Data: ¿Cuan grande tiene que serlo grande para ser grande?

❑ 1024 bytes = 1 Kilobyte

❑ 1024 KB = 1 Megabyte

❑ 1024 MB = 1 Gigabyte

❑ 1024 GB = 1 Terabyte

❑ 1024 TB = 1 Petabyte

❑ 1024 PB = 1 Exabyte

❑ 1024 EB = 1 Zettabyte

❑ 1024 ZB = 1 Yottabyte

❑ 1 YB = 1024 bytes

❑ Una transacción de cajero automático o home banking = 200 bytes.

❑ 1 TB = 5.000.000.000 de transacciones

❑ Red Link + Banelco ejecutan aprox. 20.000.000 de transacciones por día

❑ 1 TB almacena 250 días de transacciones de Link y Banelco

Entonces... ¿Qué es Big Data?

Big Data: ¿Cuan grande tiene que serlo grande para ser grande?

Big Data: Definición "Estratégica" o de "Marketing"