Participamos en la Netcoreconf 2020

Además de patrocinar la Netcoreconf virtual 2020, impartiremos dos sesiones, una sobre desarrollo de apps para Teams y otra sobre el uso conjunto de Azure Search con Cognitive Services.

Nuestra MVP Mónica Martín , nos propone una charla de introductoria sobre lo que hay que tener en cuenta en el desarrollo de apps para Microsoft Teams.

Por otra parte, Alberto Guerra y Mario del Valle ofrecerán la charla “¿Qué canción era la que decían…?” de nivel intermedio para enseñarnos cómo usar las capacidades de AI de los  servicios cognitivos de Azure y los procesos de enriquecimiento y explotación de datos de Azure Search para crear un buscador sobre un conjunto de ficheros de audio de manera que podamos encontrar los archivos en base a su contenido de voz.

 

Más información: https://netcoreconf.com/virtual-octubre.html

Databricks Consulting & System Integrator Partner

Databricks, la compañía fundada por los creadores originales de Apache Spark, es posiblemente la plataforma unificada de análisis de datos de mayor éxito en Azure. Esta plataforma está concebida para dar soporte a gran escala en ingeniería y ciencia de datos de manera colaborativa entre ingenieros, científicos y analistas, tanto para gestión y tratamiento de los datos como para experimentación en Inteligencia artificial (Aprendizaje automático).

Databricks trabaja con una serie de partners que les proporcionan expertise y capacidad tecnológica para diseñar y desplegar soluciones basadas en su plataforma para de esta forma asegurar el éxito de los proyectos en clientes finales.

ilitia Technologies ya forma farte de este selecto grupo de partners, y es uno del reducidísimo grupo de partners de integración de sistemas y consultoría especializada con presencia en España. Puedes consultar nuestra membresía, aquí: https://databricks.com/partner-types#ConsultingSIPartners

[Post Técnico] OData multi origen

Francisco Refoyo Andrés, nos habla en este artículo de medium acerca de cómo trabajar con oData y múltiples orígenes de datos

El mundo del desarrollo del software suele ir guiado por conceptos teóricos que a menudo chocan con la realidad de las restricciones de los proyectos. Un servicio que se alimenta de dos orígenes de datos diferentes y sin conectividad entre ellos es un claro ejemplo. En esta situación no es factible utilizar OData, ¿qué podemos hacer?

Puedes leer este interesante post aquí.

El código completo que referencia el artículo está disponible en GitHub.

Escenarios de aplicación de Machine Learning: Introducción para el negocio

El Aprendizaje Automático o Machine Learning (ML) es un área de la Inteligencia Artificial centrada en construir sistemas capaces de aprender de forma más o menos automatizada, y que además sean capaces de mejorar sus resultados en el tiempo mediante entrenamiento. Su modus operandi general consiste en identificar patrones complejos en grandes volúmenes de datos para predecir comportamientos futuros de esos datos mediante algoritmos diseñados para este fin. La gran potencia de computación que proporciona la nube ha supuesto un impulso decisivo para aterrizar estas técnicas de Inteligencia Artificial en el mundo de la empresa, con una relación coste-beneficio muy favorable.

En este documento se recogen algunos de los algoritmos de Machine Learning más conocidos en los que se mezclan redes neurales pre-entrenadas y algoritmos heurísticos. En todo caso, considérese que según sea el escenario, es posible desarrollar algoritmos diferentes y entrenar redes específicas adicionales a las que se ilustran en este documento.

La gran mayoría de estos algorítmicos son estadísticos, es decir, se basan en la experiencia y el conocimiento que se obtenga a partir de un volumen importante de datos históricos que sirven como base de entrenamiento y aprendizaje.

Clasificadores

Los clasificadores son un tipo de algoritmo de Machine Learning capaces de separar conjuntos de datos en diferentes clases (conjuntos disjuntos), prediciendo uno de los campos a partir de los demás.

Camposs a evaluar y Campo a predecir
Campo ACampo BCampo CCampo DResultado

Ejemplos:

  • Sugerencia de películas: Si alguien ha visto Starwars, Alien y ET, queremos saber si le puede interesar ver Jurassic Park. Con suficientes datos un clasificador pudiera inferir si es probable que este individuo esté en el mismo conjunto de los que se han interesado por Jurassic Park.
  • Sugerencia de compras: Se pueden sugerir determinados productos evaluando los que has comprado a partir de comparar tus compras con las de otros compradores. El clasificador te sugerirá productos que otros han comprado si tú has comprado productos similares a los suyos.

Multi-clasificadores

Son como una extensión de los clasificadores, pero a la inversa, es decir, estos algoritmos deducen varios campos a partir de uno.

Ejemplos:

  • Extracción de semántica: Se puede deducir que un documento sobre las olimpiadas trata de: deportes, atletas, países, eventos, etc.
  • Identificación de tipos de errores: Tras recibir una incidencia, se puede aspirar a deducir sus áreas semánticas principales: por ejemplo: “La caldera de la calefacción ha dejado de funcionar” se deduce: avería, inmueble, servicio, temperatura

Selectivos

Permiten seleccionar un elemento de una lista a partir de evaluar los campos de los elementos que la componen.

Ejemplos:

  • Selección de miembros para participar en un determinado proyecto para un cliente. Se evalúan campos como: experiencia en ese tipo de proyecto, disponibilidad, relación previa con el cliente, etc.

Regresión

A partir de una serie de valores numéricos se predicen posibles valores futuros.

Ejemplos:

  • Predecir variaciones de precios de activos inmobiliarios.
  • Predicción de evolución de temperatura: A partir de la ingesta de valores de temperatura, predecir posible comportamiento futuro de la temperatura en un futuro próximo.

Detección de anomalías

Estos algoritmos primero aprenden patrones de comportamiento de determinados conjuntos de datos y posteriormente son capaces de detectar cambios sutiles o relevantes sobre el patrón: Anomalías.

Ejemplos:

  • Detección anticipada de problemas cardíacos (Salud)
  • Prevención de averías en equipamiento de fabricación o procesamiento (Industria)
  • Detección de irregularidades contables o similares para auditorías (Finanzas)
  • Detección de pautas sospechosas de pagos para prevenir blanqueo de capitales (Banca)

Casos combinados

Aunque no son propiamente algoritmos de ML, sí que son patrones que comúnmente se utilizan estratégicamente para atacar problemas que de primeras son muy complejos o no encajan perfectamente con casos fácilmente tipificados.

Pipes

Un pipe (o tubería) es un enlace en línea de varios algoritmos, donde la salida de un algoritmo es la entrada del siguiente en la cadena:

Ejemplo: Sugerir el departamento que puede ocuparse de una incidencia técnica. Pasos:

  1. Deducir las áreas semánticas a partir del texto de la incidencia (multi clasificador)
  2. Con las áreas semánticas, sugerir un departamento (clasificador)
  3. A partir de la información de los operadores de asistencia técnica, filtrar por el departamento resultante del paso 2 y recomendar uno (algoritmo selectivo) según datos de ubicación, momento, disponibilidad, experiencia, etc.

Selección evolutiva

La selección evolutiva es una estrategia para reducir los tiempos de desarrollo de una solución de ML eficiente y precisa. Puede involucrar lo siguiente:

  • Competición: Entrenamiento en paralelo para reducir tiempos de desarrollo. Se entrenan varias redes y se va evaluando el grado de fiabilidad de cada una (cuán “lista” es resolviendo el problema), La ganadora será la que tenga mejor grado de fiabilidad.
  • Selección generacional: Se definen períodos de entrenamiento donde al final de cada uno se evalúa la fiabilidad de las redes, se desechan las peores y con las mejores se hacen replicas o combinaciones de las mismas para completar una nueva generación, con las cuales se prosigue el entrenamiento en el siguiente período.

Inteligencia de Enjambre

Se entrenan diferentes redes (típicamente pequeñas) para el mismo propósito, y con algoritmos de enjambre se intenta que entre todas encuentren soluciones a problemas.

Ejemplos:

  • Encontrar rutas eficientes entre lugares.
  • Realizar diagnósticos conjuntos entre diferentes redes que pueden estar entrenadas a partir de datos de distinto origen, región, historial médico o grupos étnicos.
  • Pronósticos financieros: Diferentes redes que hacen predicciones a partir de diferentes datos de múltiples áreas semánticas, colaboran para predecir a largo plazo las pérdidas o ganancias que se puedan obtener de aplicar determinada inversión.

Autor: Mario del Valle, Consultor de Inteligencia Artificial (ilitia Technologies)

Evolucionamos la base de datos latinoamericana de enfermedades congénitas

Gracias a la financiación de Microsoft en ilitia hemos llevado a cabo el diseño y desarollo de una nueva base de datos que amplíe las capacidades del ECLAMC.

El ECLAMC es un programa de investigación clínica y epidemiológica de las anomalías congénitas del desarrollo en nacimientos hospitalarios latinoamericanos. Se trata de un programa de investigación de los factores de riesgo ambientales y genéticos en la causa de las malformaciones congénitas, y que, a modo de ejemplo, registró el aumento de casos de microcefalia relacionado al efecto del virus ZIKA en Brasil antes de los juegos olímpicos de 2016.

Este programa cuenta con una base de datos de casos desde 1967 que había sido evolucionada sucesivamente hasta el punto de llegar a permitir el alta y gestión de los datos de forma telemática para todos los médicos miembros. Sin embargo, el ECLAMC desea seguir incorporando las nuevas capacidades que la tecnología puede ofrecer al programa. Para ellos, nos pusimos manos a la obra para dibujar escenarios de mejora tecnológica actuales y futuro. En este caso, gracias a la intermediación de Julian Isla de Fundación 29, Microsoft se involucró para financiar el proyecto.

En esta primera fase se ha desarrollado una réplica de la base de datos original en la nube y se ha desarrollado un interfaz web y un API para, por un lado, mejorar la capacidad de análisis de los datos y, por otro, hacer posible el acceso a investigadores de todo el mundo.

Esta réplica de los datos, también ha hecho posible hacer pruebas de las posibilidades que la inteligencia artificial puede brindar al programa. De momento han sido unas pruebas tentativas con Azure Machine Learning , Azure Anomaly Detection y Microsoft Power BI que han mostrado su potencial para mejorar la capacidad de previsión de los investigadores.

            

Nace ilitia Systems

Estamos de enhorabuena!

Ha nacido ilitia Systems, empresa “hermana” de Ilitia Technologies que se centrará en el servicio gestionado, infraestructuras, seguridad y Cloud.

ilitia Systems llega empujando fuerte, con la experiencia que aportan las personas que componen este equipazo, y que empezaron a trabajar en éste área hace más de 20 años, ahora apoyados por la forma en que ilitia Technologies está desarrollando sus proyectos desde nuestro inicio.

Juntos estamos seguros de poder completar el abanico de servicios que ofrecemos a nuestros clientes, apareciendo ahora nuevas sinergias entre ambas empresas.

Estamos seguros de que os gustará nuestra propuesta que nos permite estar presentes en todas las capas, desde la captación del dato, pasando por su almacenamiento o respaldo, hasta su análisis, puesta en valor y presentación al usuario.

Queremos que ilitia Systems se convierta en una extensión de los equipos de trabajo de nuestros clientes en el área de IT.

#TodosdesdeCasa

#TodosdesdeCasa es una unión de varias empresas españolas para ayudar a las pymes a implantar el #teletrabajo seguro durante el confinamiento por la crisis del Covid-19. Esta inciativa ofrece asesoramiento, herramientas y software, guías, foros y mucho más a quien lo necesite, de forma totalmente altruista.

ilitia Technologies, como socio de la IAMCP, forma parte de esta plataforma que aspira a convertirse en un punto de encuentro solidario donde compartir conocimientos y experiencias. La iniciativa está abierta a cualquier empresa o particular que pueda ofrecer, de forma solidaria, conocimientos, servicios o recursos destinados a facilitar la implantación de soluciones de teletrabajo y colaboración remota.

¡Solicita ayuda!  https://www.todosdesdecasa.es/

Ya somos Gold Cloud Platform

Como preferred partner de Microsoft desde hace 20 años, ilitia Technologies atesora un alto nivel de conocimiento y especialización en tecnologías Microsoft.

Desde hace varios años somos partner Gold con numerosas competencias y ahora hemos conseguido la competencia Gold Cloud Platform como reconocimiento a nuestra experiencia y buen hacer en la implantación de soluciones sobre Azure.
De este modo en ilitia Technologies alcanzamos 7 competencias cloud y 1 Silver:

Gold Application Development
Gold Application Integration
Gold DevOps
Gold Datacenter
Gold Data Analytics
Gold Data Platform
Gold Cloud Platform
Silver Windows and Devices

https://www.microsoft.com/es-es/solution-providers/partnerdetails/ilitia-technologies-srl_956cd31d-b80d-48be-93a9-2a68c62bda55/2664f0f3-54eb-4994-ac0a-ff3e77cadb39

Como siempre, gracias a nuestros ilitios por su esfuerzo formativo constante.

ilitia certificada como PYME Innovadora

Este reconocimiento del Ministerio de Ciencia e Innovación acredita a empresas que demuestran cumplir requistos en las siguientes áreas:

  1. Recibir financiación pública para proyectos de I+D+i en los últimos tres años
  2. Demostrar su carácter innovador en su propia actividad, ya sea mediante patentes o informes motivados vinculantes
  3. Demostrar su capacidad de innovación mediante certificaciones oficiales reconocidas por la AGE

Tras haber cumplido con estos criterios, hemos obtenidio el sello acreditativo de PYME Innovadora, que tiene una validez de 3 años.

Proyectos como Dx29, Sociescuela o nuesta participación en el desarrollo de la plataforma Health29 de Foundation29 demuestran nuestro compromiso con la innovación a través de nuestra iniciativa I+D+S: Investigación y Desarrollo con conciencia Social

Puede consultar nuestro registro como Pymes Innovadora mediante nuestro CIF o razón social en el Registro de PYMEs innovadoras.

 

Sello PYME INNOVADORA 19/11/2022
PYME INNOVADORA
Válido hasta el 19 de noviembre de 2022
escudo de MEIC 19/11/2022

El CDTi escoge nuestro proyecto I+D+S de ehealth para seguimiento con IA de pacientes con trastornos de alimentación

Inteligencia Artificial, Bot Framework y cognitive services conforman el núcleo de nuestra app para acompañar a pacientes con trastornos de alimentación en sus pautas y tratamientos

Buena parte de la labor I+D+S en ilitia se ha centrado el acompañamiento del paciente. Desde hace varios años trabajamos en el mejor modo de cuidar al paciente en su domicilio y de acercar al médico a todos sus pacientes en el seguimiento diarios. Proyectos como Teki o Kronect en el 2012 supusieron nuestros primeros pasos en esta labor.

Fruto de este trabajo de años, en ilitia, con la inestimable cooperación de Taniwa, nos hemos focalizado en el desarrollo de agentes conversacionales orientados al acompañamiento del pacientes. Apps capaces de acompañar al paciente e informar al médico, apps de triage, de ayuda al diagnóstico, de ayuda al seguimiento de pautas farmacológicas y terapéuticas. Apps conectadas a dispositivos médicos e IoT e, incluso, apps que con el apoyo de inteligencia artificial alertaban de posibles contagios de resfriado.

En definitiva, una serie de aplicaciones explorando todas las posibilidades para acercar el médico a cada paciente.

Este año nuestra labor se está centrando en el desarrollo de una app conversacional para el seguimiento de pacientes con patologías psicológicas – en este caso pacientes con trastornos de alimentación- con la que sea posible hacer el seguimiento a la ingesta de los pacientes, en la que vamos a incorporar inteligencia artificial para  identificar el estado emocional del paciente a partir de sus diálogos y así acompañarle del mejor modo posible reforzando los mensajes del terapeuta, aconsejándole pautas a seguir en situaciones de ansiedad e incluso lanzando avisos al equipo médico en caso de identificar emociones extremas o delicadas.

El CDTI avala nuestra propuesta técnica y ha seleccionado nuestro proyecto como proyecto I+D TIC.

Para el desarrollo de esta solución se emplean tecnologías como Language Understanding, Azure Cognitive Services, Microsoft BOT Framework y Azure Machine Learning.