{"id":3213,"date":"2015-05-13T19:58:16","date_gmt":"2015-05-13T22:58:16","guid":{"rendered":"http:\/\/lukasnet.com.ar\/blogwp\/?p=3213"},"modified":"2015-05-13T23:57:28","modified_gmt":"2015-05-14T02:57:28","slug":"bigdata-y-redes-sociales-ii","status":"publish","type":"post","link":"https:\/\/lukasnet.com.ar\/blogwp\/bigdata-y-redes-sociales-ii\/","title":{"rendered":"Bigdata y redes sociales (II)"},"content":{"rendered":"

\"ml22\"<\/a>La idea nuclear de este posteo es que, conociendo los algoritmos<\/em> que intervienen en las plataformas de redes sociales, as\u00ed como los que\u00a0procesan la Bigdata, la comprensi\u00f3n de los fen\u00f3menos sociales mejora.<\/p>\n

Ahora bien. \u00bfQu\u00e9\u00a0es un algoritmo?\u00a0En principio es\u00a0un conjunto de reglas concretas y secuenciadas que permiten que se produzca un comportamiento predefinido con\u00a0un\u00a0objetivo mensurable.<\/p>\n

<\/p>\n

En t\u00e9rminos generales cosas como\u00a0sumar, fabricar una escoba, abrir una puerta, contestar un email o usar un artefacto electr\u00f3nico suponen la existencia de un flujo de reglas secuenciadas para que se produzca ese resultado buscado (lease resolver un problema).<\/p>\n

Un manual de uso es el ejemplo t\u00edpico, pero puede resultarnos demasiado lineal: de hecho gracias a la evoluci\u00f3n el cerebelo, un \u00f3rgano que se ubica detr\u00e1s del cerebro, tiene engramas funcionales donde existen registros precargados de modos de actuar que regulan la mayor\u00eda de nuestros actos vitales, sobretodo los que hacemos cotidianamente sin pensar. El cerebelo ser\u00eda como la m\u00e1quina de algoritmos de la mente.<\/p>\n

\u00bfPorque nos sirve el cerebelo como met\u00e1fora? Porque debe lidiar con much\u00edsimos datos, debe navegar el exceso de informaci\u00f3n que le proveen los sentidos y las diferentes operaciones que realiza el cerebro. Como tuvieron que hacer Yahoo y Google en el principio de los tiempos, en los que se enfrentaron a una Internet que se parec\u00eda al caos del clima.<\/p>\n

Casi todos nosotros tenemos nuestro\u00a0meteor\u00f3logo de barrio que es mejor para\u00a0predecir si hay que salir o no con\u00a0paraguas, pero ahora los programas algor\u00edtmicos de predicci\u00f3n del tiempo utilizan m\u00e1s de un siglo de datos para determinar los patrones de clima con meses de antelaci\u00f3n con una\u00a0precisi\u00f3n del 74%<\/a> , casi el doble de lo que m\u00e9todos convencionales logran actualmente. La pregunte es: las sociedades se parecen en algo al clima?<\/p>\n

No lo podemos decir, pero como las hormigas si. Por lo menos eso dicen en\u00a0Icosystem<\/a>,\u00a0una empresa que aplica\u00a0modelado basado en agentes<\/a>.\u00a0Pepsi utiliz\u00f3 su servicio para ayudarles a entender c\u00f3mo los consumidores se mueven a trav\u00e9s de un supermercado<\/a>\u00a0y lo hacen como hormigas.<\/p>\n

Antecedentes<\/strong><\/p>\n

\"graunt-title\"El origen de estas ideas lo vimos en la astronom\u00eda griega, pero tambien lo podr\u00edamos asociar a los primeros estudios epidemiol\u00f3gicos, cuando la peste bub\u00f3nica creaba largu\u00edsimas listas de mortalidad (Bills of Mortality) en las parroquias de Londres que fueron el deleite de Graunt un vendedor de telas del siglo XVII.<\/p>\n

El comercio de tejidos hoy es uno de los mas estad\u00edsticamente predecibles aun en pa\u00edses inestables como Argentina, he conocido personalmente fabricantes que han errado en menos de diez el c\u00e1lculo de jeens a producir por a\u00f1os. En 1662 public\u00f3 un libro con el intrigante nombre de \u00abNatural and Political Observations …\u00bb<\/p>\n

En extensas matrices que hoy cargar\u00edamos en un excel o programa equivalente listaba enfermedades como letargo, enfermedad del sue\u00f1o, dolor, s\u00edfilis o peste bub\u00f3nica y otras como \u00abEl mal del Rey ‘,una inflamaci\u00f3n de los ganglios linf\u00e1ticos en el cuello, que s\u00f3lo pod\u00eda ser curada por el toque de un monarca y que Graunt desestim\u00f3 acertadamente, ya que hoy sabemos que era una forma de tuberculosis.<\/p>\n

\"cholera\"<\/a>Dos siglos despu\u00e9s el enfoque epidemiol\u00f3gico fue usado por John Snow que descubri\u00f3 que (confeccionando un mapa de Londres donde centenares de personas hab\u00edan muerto en apenas una semana) que todas las muertes hab\u00edan ocurrido en el \u00e1rea de Golden Square donde la compa\u00f1\u00eda de agua privada que suministraba al vecindario extra\u00eda el agua de una secci\u00f3n del T\u00e1mesis especialmente contaminado. Cuando se cambi\u00f3 el agua y comenz\u00f3 a extraerse r\u00edo arriba la epidemia de c\u00f3lera se redujo significativamente.<\/p>\n

El algoritmo de Snow era simple: seleccionaba los casos confirmados de c\u00f3lera, les atribu\u00eda una geoposici\u00f3n, cargaba esos datos en un mapa seg\u00fan fechados y con eso obten\u00eda visualizaciones en las que reconoci\u00f3 un patr\u00f3n que permiti\u00f3 tomar medidas pol\u00edticas.<\/p>\n

Pero en matem\u00e1ticas los algoritmos son una cosa seria y que pueden producir enormes beneficios a sus creadores. Google mismo no es mas que un complejo algoritmo que transforma los datos de un problema (la b\u00fasqueda) en los datos de una soluci\u00f3n (los resultados).<\/p>\n

Lo que no queremos ver<\/strong><\/p>\n

El miembro\u00a0de MoveOn.org<\/a> \u00a0ELi Pariser\u00a0bautiz\u00f3 esta idea como \u00abburbuja filtrada\u00bb (me gusta mas que la traducci\u00f3n \u00abfiltro burbuja\u00bb): el resultado es que recibiremos principalmente noticias agradables, familiares y que confirmen nuestras creencias. Como estos filtros son invisibles<\/em>, no vamos a saber lo que se nos oculta.\"moveon\"<\/p>\n

Los algoritmos\u00a0determinar\u00e1n a\u00a0que estaremos expuestos en el futuro, dejando menos espacio para la innovaci\u00f3n y el intercambio de ideas con personas de intereses diferentes y eso es tambien verdad para sitios como\u00a0OkCupid<\/a>.<\/p>\n

La idea de Burbuja Filtrada revela c\u00f3mo esta personalizaci\u00f3n algor\u00edtmica podr\u00eda socavar el prop\u00f3sito original de la Internet como una plataforma abierta para la difusi\u00f3n de ideas.<\/p>\n

Pero hay otros usos del filtrado de grandes datos, por ejemplo en\u00a0predicci\u00f3n de delito se estima que el\u00a0algoritmo lo reduce un\u00a020 30 % mediante el patrullaje selectivo de zonas de riesgo.<\/p>\n

Las discogr\u00e1ficas utilizan software llamado Music X-Ray<\/a> para juzgar la si una nueva pista es probable que sea un \u00e9xito o un fracaso, otra empresa, Epagogix<\/a>, utiliza un proceso similar al evaluar guiones<\/a> para los estudios de Hollywood.<\/p>\n

De alguna manera todo el comportamiento humano, desde la medicina a la publicidad est\u00e1 siendo atravesada por esta l\u00f3gica de procesos que no solo reconocen patrones en bancos de datos, sino que aprenden de sus propios resultados.<\/p>\n

Las dos l\u00f3gicas que animan estos posteos (Bigdata y an\u00e1lisis de redes sociales) terminan implicados como veremos.<\/p>\n

Machine Learning<\/strong><\/p>\n

Pero no solo la b\u00fasqueda en s\u00ed. En diciembre de 2009, Google comenz\u00f3 la personalizaci\u00f3n de sus resultados de b\u00fasqueda para todos los usuarios,\u00a0lo que\u00a0se est\u00e1 llevando a cabo en todos los sitios web m\u00e1s importantes\u00a0como\u00a0Facebook, Twitter o empresas basadas en informaci\u00f3n como Apple o\u00a0Microsoft que cierran su negocio basicamente con la venta de informaci\u00f3n a sus anunciantes. El\u00a0resultado es que cada vez vamos a ver nuestro propio universo informacional depurado por algoritmos.<\/p>\n

De lo que estamos hablando es de cierta vanda de moebius en la que somos un poco maquinas, pero los artefactos son casihumanos. Primero fueron la inteligencia artificial y las redes neuronales, pero el nuevo paso es el Machine Learning (ML), un tipo de an\u00e1lisis de datos que permite a las computadoras sacar conclusiones a partir de grandes conjuntos de datos, mediante la construcci\u00f3n de modelos predictivos y el muestreo repetido de datos.<\/p>\n

Machine Learning<\/a> es un proceso iterativo, por lo que, cuanto m\u00e1s datos que el sistema consigue, mejores\u00a0predicciones puede hacer. Sin embargo el truco consiste en encontrar que cantidad de datos es suficiente.<\/p>\n

Todos los algoritmos de ML<\/a>\u00a0consisten en las siguientes tres cosas:<\/p>\n

    \n
  1. Un conjunto de modelos posibles (ej.\u00a0cantinas casi infinitas en una ciudad) para detectar la mejor cantina.<\/li>\n
  2. Una manera de probar si un modelo es bueno (ir a comer a cada una) o mejor que otro.<\/li>\n
  3. Una forma inteligente de encontrar ese\u00a0buen modelo con s\u00f3lo unos pocos\u00a0pasos (men\u00fa, el edificio, el barrio, la cantidad de comensales, etc)<\/li>\n<\/ol>\n

    Debido a que por lo general requiere una gran cantidad de potencia de c\u00e1lculo, su uso se ha restringido a la comunidad acad\u00e9mica hasta hace muy poco aunque\u00a0gracias a la computaci\u00f3n en nube Machine Learning en m\u00e1s asequible: Microsoft lanz\u00f3 su servicio de Machine Learning comercial en febrero de este a\u00f1o.<\/p>\n

    Por\u00a0ejemplo Fujitsu ha construido un sistema que utiliza Azure para ayudar a los agricultores japoneses a predecir mejor momento para inseminar\u00a0vacas lecheras, mejorando el rendimientos de cada animal.<\/p>\n

    Cada vaca est\u00e1 equipada con un sensor en una de sus piernas\u00a0que\u00a0registra cu\u00e1ntos pasos da por\u00a0d\u00eda:\u00a0los datos del sensor se transmiten a Azure, que puede identificar las vacas en celo.<\/p>\n

    El m\u00e9todo cl\u00e1sico para\u00a0detectar una vaca inseminable\u00a0acierta en un\u00a033 %, pero el procedimiento ML puede alcanzar hasta\u00a0un 95 %.<\/p>\n

    Ganadores que se quedan con los talentos<\/strong><\/p>\n

    Mientras el mundo academico discurre estos asuntos, los art\u00edculos sobre las desigualdades en la financiaci\u00f3n y las nuevas formas de financiar laboratorios han conseguido recientemente una gran cantidad de atenci\u00f3n\u00a0en Twtter.<\/p>\n

    Muchos investigadores han estado compartiendo ah\u00ed\u00a0un art\u00edculo que dice qye la financiaci\u00f3n de la ciencia no siempre va a los m\u00e1s meritorios.<\/p>\n

    El art\u00edculo, escrito por la soci\u00f3logo Yu Xie<\/a> en la Universidad de Michigan, se\u00f1ala que la ciencia ahora se asemeja a un sistema de \u00abel ganador se queda con\u00a0todo\u00bb que otorga una parte desproporcionada de los recursos a una minor\u00eda de los investigadores e instituciones.\u00a0Xie escribi\u00f3 que los cient\u00edficos son cada vez menos juzgados por la calidad de su investigaci\u00f3n, y mas por sus n\u00fameros: publicaciones, citaciones, salarios, subsidios y el tama\u00f1o de sus equipos de investigaci\u00f3n.<\/p>\n

    Timothy O’Leary, un neurocient\u00edfico de la Universidad de Brandeis en Waltham, Massachusetts, tuite\u00f3 hace poco que los Postdocs est\u00e1n teniendo conversaciones sobre c\u00f3mo moverse hacia arriba de la pir\u00e1mide cient\u00edfica o cuando salirse a tiempo.<\/p>\n

    Allison Stelling, director de extensi\u00f3n para la ingenier\u00eda y la ciencia de los materiales mec\u00e1nica en la Universidad de Duke, Carolina del Norte, dijo en Twitter que los actuales sistemas subestiman a los cient\u00edficos: tienden a ver a los cient\u00edficos como un gasto, no el coraz\u00f3n y el alma de la investigaci\u00f3n. En su opini\u00f3n, la financiaci\u00f3n cient\u00edfica es demasiado escasa y concentrada en un peque\u00f1o numero de \u00abganadores\u00bb.<\/p>\n

    Los algoritmos est\u00e1n siendo muy eficientes, pero no podemos quedarnos en esa mirada ingenua: las implicaciones respecto a nuestra capacidad de dejar huella en la realidad est\u00e1 seriamente cuestionada,\u00a0aun respecto a los grandes popes de la ciencia. Un articulo reciente muestra que\u00a0los expertos son muy propensos a estar equivocados<\/a>\u00a0y ademas que, dejados a una evoluci\u00f3n silvestre, unos pocos se quedar\u00e1n con todo.<\/p>\n

    Para el que se tome estos asuntos en serio los problemas que hay adelante son fascinantes.<\/p>\n

     <\/p>\n

     <\/p>\n","protected":false},"excerpt":{"rendered":"

    La idea nuclear de este posteo es que, conociendo los algoritmos que intervienen en las plataformas de redes sociales, as\u00ed como los que\u00a0procesan la Bigdata, la comprensi\u00f3n de los fen\u00f3menos sociales mejora. Ahora bien. \u00bfQu\u00e9\u00a0es un algoritmo?\u00a0En principio es\u00a0un conjunto de reglas concretas y secuenciadas que permiten que se produzca un comportamiento predefinido con\u00a0un\u00a0objetivo mensurable.<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[310,264,47],"class_list":{"0":"entry","1":"post","2":"publish","3":"author-admin","4":"has-more-link","5":"post-3213","7":"format-standard","8":"category-general","9":"post_tag-algoritmo","10":"post_tag-bigdata","11":"post_tag-redes-sociales"},"_links":{"self":[{"href":"https:\/\/lukasnet.com.ar\/blogwp\/wp-json\/wp\/v2\/posts\/3213","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/lukasnet.com.ar\/blogwp\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/lukasnet.com.ar\/blogwp\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/lukasnet.com.ar\/blogwp\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/lukasnet.com.ar\/blogwp\/wp-json\/wp\/v2\/comments?post=3213"}],"version-history":[{"count":34,"href":"https:\/\/lukasnet.com.ar\/blogwp\/wp-json\/wp\/v2\/posts\/3213\/revisions"}],"predecessor-version":[{"id":3331,"href":"https:\/\/lukasnet.com.ar\/blogwp\/wp-json\/wp\/v2\/posts\/3213\/revisions\/3331"}],"wp:attachment":[{"href":"https:\/\/lukasnet.com.ar\/blogwp\/wp-json\/wp\/v2\/media?parent=3213"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/lukasnet.com.ar\/blogwp\/wp-json\/wp\/v2\/categories?post=3213"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/lukasnet.com.ar\/blogwp\/wp-json\/wp\/v2\/tags?post=3213"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}