{"id":39985,"date":"2019-09-18T12:29:45","date_gmt":"2019-09-18T12:29:45","guid":{"rendered":"https:\/\/keepler.io\/?p=39985"},"modified":"2023-11-27T12:30:13","modified_gmt":"2023-11-27T12:30:13","slug":"seldon-el-primer-data-scientist","status":"publish","type":"post","link":"https:\/\/keepler.io\/es\/2019\/09\/18\/seldon-el-primer-data-scientist\/","title":{"rendered":"Seldon, el primer Data Scientist"},"content":{"rendered":"

Cuando leemos u o\u00edmos hablar de Seldon, con seguridad nos vendr\u00e1 a la mente el personaje de la serie Big Bang Theory<\/a><\/em>, Sheldon. Yo estoy convencido que este personaje se llama as\u00ed por Hari Seldon<\/strong>.<\/p>\n

Seldon fue, o mejor dicho ser\u00e1, el padre de la Psicohistoria<\/strong>. Nacer\u00e1 en el a\u00f1o 11.988 de la Era Gal\u00e1ctica en Helicon y morir\u00e1 en Trantor en el 12.069 a los 81 a\u00f1os.<\/p>\n

Seg\u00fan el propio Seldon, la Psicohistoria es una ciencia combinada de matem\u00e1ticas, psicolog\u00eda e historia<\/strong> que puede predecir acontecimientos futuros. Pero tiene que sustentarse sobre dos pilares o axiomas fundamentales:<\/p>\n

1. La poblaci\u00f3n en la cual el comportamiento fuera a ser modelado, deb\u00eda ser suficientemente grande (\u00b175 billones).
\n2. La poblaci\u00f3n deb\u00eda permanecer ignorante de la aplicaci\u00f3n de los an\u00e1lisis psicohist\u00f3ricos.<\/p>\n

Esto obviamente es ciencia ficci\u00f3n… \u00bfno?<\/p>\n

Ciencia no tan ficci\u00f3n: El poder del aprendizaje autom\u00e1tico.<\/h4>\n

Isaac Asimov<\/strong> ya predijo en La Fundaci\u00f3n<\/em><\/a>, escrito en 1951, y a trav\u00e9s de Seldon, que si se tienen suficientes datos, se pueden predecir acontecimientos futuros, y lo m\u00e1s importante, suavizar su impacto si es lo que interesa. Esta creo que es la primera aproximaci\u00f3n que se hace al Big Data, Machine Learning e Inteligencia Artificial<\/strong>, t\u00e9rminos y conceptos tan de moda y que son escuchados a diario.<\/p>\n\u00bfEs La Fundaci\u00f3n de #IsaacAsimov la primera aproximaci\u00f3n al #BigData, #MachineLearning y #AI? <\/a><\/span>Compartir en X<\/a><\/span>\n

Actualmente se utilizan distintos algoritmos de machine learning, como regresiones, con el fin de pronosticar o predecir distintos acontecimientos para luego tomar decisiones enfocadas a la consecuci\u00f3n de un objetivo. Lo que hizo Seldon fue combinar estas tres ciencias (matem\u00e1ticas, psicolog\u00eda e historia) para crear la Psicohistoria<\/strong>. Esta Ciencia se encargar\u00e1 de recoger, desde el origen de los tiempos, toda la informaci\u00f3n del comportamiento del hombre; historia, econom\u00eda, crisis o acontecimientos extraordinarios. Teniendo en cuenta la cantidad de datos de que dispone Seldon y una tecnolog\u00eda superavanzada capaz de procesarlos, ser\u00e1 posible predecir el futuro, y no solo eso, tomar decisiones que puedan mitigar ciertas crisis o actuar de un modo tal que salgamos beneficiados de lo que a priori pudiera parecer que es un acontecimiento poco ventajoso. Esto que aparentemente es ciencia ficci\u00f3n, no lo es tanto.<\/p>\n

Si intent\u00e1semos recrear con m\u00e9todos de machine learning esta predicci\u00f3n, con toda seguridad, ser\u00eda de aprendizaje sin supervisi\u00f3n y utilizar\u00edamos un algoritmo de regresi\u00f3n. Veamos un ejemplo muy simple<\/strong>:<\/p>\n

Imaginemos que valoramos del 1 al 10 cada siglo, donde 1 es que no ha habido ninguna crisis, la convivencia ha sido totalmente pac\u00edfica y la econom\u00eda no ha sufrido ninguna recesi\u00f3n y 10, todo lo contrario, crisis pol\u00edtica, recesi\u00f3n econ\u00f3mica y conflictos b\u00e9licos globales y de gran magnitud.<\/span><\/p>\n

\"\"<\/p>\n

Aplicando un c\u00e1lculo de regresi\u00f3n lineal (m\u00ednimos cuadrados), con los valores ficticios que hemos introducido, vemos que en el siglo 60 tendremos un 98% de probabilidad de sufrir una crisis global y de gran magnitud. Algo parecido pero con infinidad de variables m\u00e1s es de lo que se encargaban los psicohistoriadores en la Fundaci\u00f3n.<\/span><\/p>\n

Hoy en d\u00eda, las empresas y pa\u00edses m\u00e1s poderosos del mundo disponen de los mejores analistas, data scientist, tecnolog\u00edas… Tienen a su disposici\u00f3n aut\u00e9nticos genios y recursos ilimitados dedicados a este tema. Analizan todos los acontecimientos que te puedas imaginar: crisis burs\u00e1tiles, conflictos b\u00e9licos, desastres naturales, acontecimientos deportivos… Todo aquello que genere gran cantidad de datos es susceptible de ser analizado<\/strong>. Esta informaci\u00f3n es clave para crear estrategias que puedan ayudar a conseguir unos objetivos. A diferencia de lo que la mayor\u00eda de la gente cree, el poder del aprendizaje autom\u00e1tico no est\u00e1 en saber si venderemos m\u00e1s o menos, ni si saldr\u00e1 un partido pol\u00edtico u otro, el verdadero poder del machine learning est\u00e1 en que da igual la predicci\u00f3n que resulte del an\u00e1lisis, lo verdaderamente poderoso es que sabemos con un alto grado de probabilidad qu\u00e9 es lo que va a pasar y en consecuencia, actuaremos.<\/p>\nTodo aquello que genere gran cantidad de datos es susceptible de ser analizado #bigdata <\/a><\/span>Compartir en X<\/a><\/span>\n

Imaginaos una tanda de penaltis en la que el portero sabe a un 95% d\u00f3nde ir\u00e1 el bal\u00f3n. Lo poderoso no es saber d\u00f3nde el contrincante tirar\u00e1 el bal\u00f3n y parar el penalti<\/strong>, lo interesante es que como sabemos casi con toda seguridad que lo pararemos, enviaremos a todos nuestros jugadores a esperar en el \u00e1rea contraria<\/strong> el lanzamiento de nuestro portero despu\u00e9s de haberlo parado.<\/p>\n

Esto es lo que el equipo de Donald Trump<\/strong> hizo para hacerle presidente del pa\u00eds m\u00e1s poderoso del mundo. Probablemente utilizaron series temporales para predecir que, seg\u00fan el modelo, Hilary Clinton iba a ganar las elecciones para luego volver a aplicar otros algoritmos de machine learning relacionados con el an\u00e1lisis de sentimiento en redes sociales para inclinar a su favor las votaciones. Todo esto contado de una manera muy fr\u00edvola, por supuesto.<\/p>\n

En esta l\u00ednea, existe un an\u00e1lisis muy interesante publicado por Yu Wang (Computer Science – University of Rochester), Xiyang Zhang (Psychology – Beijing Normal University) y Jiebo Luo (Computer Science – University of Rochester) titulado, When Follow is Just One Click Away: Understanding Twitter Follow Behavior in the 2016 U.S. Presidential Election<\/a><\/em>.<\/p>\n

\"\"

Fuente: When Follow is Just One Click Away: Understanding Twitter Follow Behavior in the 2016 U.S. Presidential Election<\/p><\/div>\n

Pero lo que m\u00e1s me llama la atenci\u00f3n es que, seg\u00fan el axioma n\u00ba 2 de Seldon, (2. La poblaci\u00f3n deb\u00eda permanecer ignorante de la aplicaci\u00f3n de los an\u00e1lisis psicohist\u00f3ricos.), el mero hecho de saber que se est\u00e1 siendo objeto de una medici\u00f3n o an\u00e1lisis, perturba el resultado<\/strong>. El observado no puede saber que lo est\u00e1 siendo.<\/p>\n

\u00a1Vaya! \u00bfFicci\u00f3n otra vez? Pues creo que no.<\/p>\n

Superposici\u00f3n cu\u00e1ntica y la paradoja del observador<\/h4>\n

En f\u00edsica experimental y f\u00edsica cu\u00e1ntica, la paradoja del observador hace referencia a una situaci\u00f3n en la que el fen\u00f3meno observado se ve influenciado por la presencia del propio observador o investigador.<\/p>\n

Dado que yo no soy f\u00edsico te\u00f3rico, qu\u00e9 m\u00e1s quisiera, voy a limitarme a copiar la explicaci\u00f3n que hace Wikipedia al respecto porque creo que es de muy f\u00e1cil comprensi\u00f3n. Animo a su lectura completa<\/a>.<\/p>\n

Pues bien, una superposici\u00f3n cu\u00e1ntica ocurre cuando un objeto posee simult\u00e1neamente dos o m\u00e1s valores de una cantidad observable<\/strong>. Hay que dejar claro que esto solo sucede en part\u00edculas subat\u00f3micas o cu\u00e1nticas, tan peque\u00f1as que un fot\u00f3n de luz las puede hacer colapsar en un sentido u otro. Aqu\u00ed es donde podr\u00edamos hacer v\u00e1lido la 2\u00aa ley Seldon: la poblaci\u00f3n deb\u00eda permanecer ignorante de la aplicaci\u00f3n de los an\u00e1lisis psicohist\u00f3ricos porque si el observador (part\u00edcula cu\u00e1ntica) detecta que est\u00e1 siendo observado, puede variar su comportamiento (colapso).<\/p>\n

Conclusi\u00f3n<\/h4>\n

Tenemos delante de nosotros un la posibilidad de utilizar correctamente estas herramientas y estos estos conocimientos para mejorar la calidad de vida de todos<\/strong>. De este modo estaremos ayudando a la conservaci\u00f3n del planeta, conseguiremos hallazgos tecnol\u00f3gicos inimaginables y evolucionaremos como nunca el hombre lo ha hecho.<\/p>\n

Desgraciadamente esto, a d\u00eda de hoy, s\u00ed que parece ficci\u00f3n.<\/p>\n

Agradecimientos:<\/strong>
\n A Isaac Asimov por ense\u00f1arme el camino,
\na Nico, compa\u00f1ero y crack en sus ratos libres,
\ny al Gato de Schr\u00f6dinger est\u00e9 como est\u00e9.<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"

Cuando leemos u o\u00edmos hablar de Seldon, con seguridad nos vendr\u00e1 a la mente el personaje de la serie Big Bang Theory, Sheldon. Yo estoy convencido que este personaje se llama as\u00ed por Hari Seldon. Seldon fue, o mejor dicho ser\u00e1, el padre de la Psicohistoria. Nacer\u00e1 en el a\u00f1o 11.988 de la Era Gal\u00e1ctica […]<\/p>\n","protected":false},"author":134360170,"featured_media":33881,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_seopress_robots_primary_cat":"none","_seopress_titles_title":"","_seopress_titles_desc":"Isaac Asimov ya hablaba de Big Data, Machine Learning e Inteligencia Artificial en La Fundaci\u00f3n. Reflexionamos sobre el primer Data Scientist: Hari Seldon.","_seopress_robots_index":"","_et_pb_use_builder":"","_et_pb_old_content":"","_et_gb_content_width":"","_crdt_document":"","content-type":"","_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_publicize_message":"","jetpack_publicize_feature_enabled":true,"jetpack_social_post_already_shared":true,"jetpack_social_options":{"image_generator_settings":{"template":"highway","default_image_id":0,"font":"","enabled":false},"version":2},"_wpas_customize_per_network":false,"jetpack_post_was_ever_published":false},"categories":[227],"tags":[250,325,299,241,269,324],"class_list":["post-39985","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ciencia-de-datos","tag-big-data-es","tag-ciencia-de-datos-2","tag-datos-es","tag-inteligencia-artificial","tag-machine-learning-es","tag-tecnologias-2"],"jetpack_publicize_connections":[],"jetpack_featured_media_url":"https:\/\/i0.wp.com\/keepler.io\/wp-content\/uploads\/2019\/09\/seldon-isaacasimov.jpg?fit=850%2C350&ssl=1","jetpack_shortlink":"https:\/\/wp.me\/p9CeZw-aoV","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/keepler.io\/es\/wp-json\/wp\/v2\/posts\/39985","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/keepler.io\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/keepler.io\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/keepler.io\/es\/wp-json\/wp\/v2\/users\/134360170"}],"replies":[{"embeddable":true,"href":"https:\/\/keepler.io\/es\/wp-json\/wp\/v2\/comments?post=39985"}],"version-history":[{"count":1,"href":"https:\/\/keepler.io\/es\/wp-json\/wp\/v2\/posts\/39985\/revisions"}],"predecessor-version":[{"id":39988,"href":"https:\/\/keepler.io\/es\/wp-json\/wp\/v2\/posts\/39985\/revisions\/39988"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/keepler.io\/es\/wp-json\/wp\/v2\/media\/33881"}],"wp:attachment":[{"href":"https:\/\/keepler.io\/es\/wp-json\/wp\/v2\/media?parent=39985"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/keepler.io\/es\/wp-json\/wp\/v2\/categories?post=39985"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/keepler.io\/es\/wp-json\/wp\/v2\/tags?post=39985"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}