miércoles, 25 de abril de 2018

Machine learning busca distinguir los inicios de la Revolución Francesa en los discursos parlamentarios

Una computadora está analizando discursos parlamentarios para entender cómo comenzó la revolución francesa

Por Kathleen J. Davis | Pittsburgh News Radio



La toma de la Bastilla el 14 de julio de 1979.
JEAN-PIERRE HOUËL / WIKIPEDIA COMONS

La Revolución Francesa, que comenzó en 1789, fue el escenario sangriento de una miríada de trastornos políticos europeos. Ahora, el aprendizaje automático arroja luz sobre cómo la lingüística desempeñó un papel en la discusión de los ideales democráticos y la formación del nuevo gobierno.

Un equipo de investigadores, incluido el profesor asistente de la Universidad Carnegie Mellon, Simon DeDeo, utilizó el aprendizaje automático para analizar más de 40,000 transcripciones digitalizadas de los primeros dos años de debates del primer parlamento francés improvisado, durante el comienzo de la revolución.

"Lo primero que realmente salió y nos sorprendió fue que se puede distinguir entre izquierda y derecha no por lo que dicen, sino por cómo lo dicen", dijo DeDeo.

El estudio encontró que los revolucionarios liberales eran más propensos a usar giros novedosos de la frase para hablar sobre nuevas ideas, y también hicieron más discusiones descarrilando.

"Así que tienes estas personas realmente carismáticas que son esencialmente los timones de la revolución", dijo. "Dirigen esta conversación sobre cómo llevar a Francia a direcciones que nadie ha visto nunca".

Los conservadores, por otro lado, usaban patrones de lenguaje y habla más tradicionales, y tendían a mantener las conversaciones en el buen camino. DeDeo señaló que la situación de los conservadores en Francia se volvió cada vez más hostil a medida que la revolución avanzaba y muchos se vieron obligados a huir.

DeDeo dijo que el estudio confirma lo que muchos historiadores han pensado sobre los roles de los diferentes revolucionarios, lo cual es algo bueno.

"Porque ahora lo que tenemos es una herramienta computacional y matemática que podemos aplicar a muchos otros sistemas políticos diferentes", dijo.

DeDeo dijo que el equipo de investigación planea utilizar esta máquina de aprendizaje para analizar las transiciones democráticas de otros países, como Serbia, que son mucho menos entendidas.


martes, 27 de febrero de 2018

El algoritmo de las hormigas para hacer puentes

El algoritmo simple que utilizan las hormigas para construir puentes

Incluso sin nadie a cargo, las hormigas del ejército trabajan colectivamente para construir puentes desde sus cuerpos. Una nueva investigación revela las reglas simples que conducen a un comportamiento grupal tan complejo.
1


Vaishakh Manohar

Kevin Hartnett  |  Quanta Magazine
Escritor sénior

Las hormigas del ejército forman colonias de millones sin embargo, no tienen un hogar permanente. Marchan a través de la jungla cada noche en busca de un nuevo terreno de forrajeo. En el camino, realizan hazañas logísticas que harían sentir orgulloso a un general de cuatro estrellas, incluida la construcción de puentes con sus propios cuerpos.

Al igual que los enjambres de robots baratos y tontos que exploré en mi artículo reciente, las hormigas del ejército manejan esta coordinación sin ningún líder y con recursos cognitivos mínimos. Una hormiga del ejército individual es prácticamente ciega y tiene un cerebro minúsculo que no puede comenzar a comprender su elaborado movimiento colectivo. "No hay un líder, ningún arquitecto que diga 'tenemos que construir aquí'", dijo Simon Garnier, director del Swarm Lab en el Instituto de Tecnología de Nueva Jersey y coautor de un nuevo estudio que predice cuándo una colonia de hormigas del ejército decidirá construir un puente.

El estudio de Garnier ayuda a explicar no solo cómo las hormigas no organizadas construyen puentes, sino también cómo llevan a cabo la tarea aún más compleja de determinar qué puentes vale la pena construir.


A medida que la brecha se amplía lentamente, un puente de la hormiga del ejército se derrumba y luego se recupera. Simon Garnier, Helen McCreery y el Instituto de Tecnología de Nueva Jersey

Para ver cómo se desarrolla esto, toma la perspectiva de una hormiga en la marcha. Cuando se trata de una brecha en su camino, se ralentiza. El resto de la colonia, aún avanzando a toda velocidad a 12 centímetros por segundo, viene pisoteando su espalda. En este punto, dos simples reglas entran en juego.

El primero le dice a la hormiga que cuando sienta que otras hormigas caminan sobre su espalda, se debe congelar. "Mientras alguien te pase, te quedas quieto", dijo Garnier.

Este mismo proceso se repite en las otras hormigas: pasan por encima de la primera hormiga, pero - uh - oh - la brecha sigue ahí, por lo que la siguiente hormiga en la línea se ralentiza, se pisotea y se congela en su lugar. De esta manera, las hormigas construyen un puente lo suficientemente largo como para abarcar cualquier brecha que se encuentre frente a ellos. Las hormigas que se arrastran en la colonia caminan sobre ella.

Sin embargo, hay más que eso. Los puentes implican compensaciones. Imagina que una colonia de hormigas llega a una brecha en forma de V en su camino. La colonia no quiere rodear la brecha, eso llevaría demasiado tiempo, pero tampoco construye un puente en la parte más ancha de la brecha que minimice la distancia que debe recorrer la colonia. El hecho de que las hormigas armadas no siempre construyan el puente minimizador de distancia sugiere que hay algún otro factor en su cálculo inconsciente.


Una brecha en forma de V ofrece a las hormigas una solución de compromiso: una ruta más directa requerirá más hormigas para construir. Christopher R. Reid, Matthew J. Lutz y el Instituto de Tecnología de Nueva Jersey

"En ecología cuando ves algo como esto, generalmente significa que hay una relación de costo-beneficio", dijo Garnier. "Intenta comprender: ¿cuál es el beneficio y cuál es el costo?"

El costo, según los ecologistas, es que las hormigas atrapadas en puentes no están disponibles para otras tareas, como la búsqueda de alimento. En cualquier momento de una marcha, una colonia puede mantener de 40 a 50 puentes, con tan solo uno y hasta 50 hormigas por puente. En un documento de 2015, Garnier y sus colegas calcularon que hasta el 20 por ciento de la colonia se puede bloquear en puentes a la vez. En este punto, una ruta más corta no vale las hormigas adicionales que se necesitarían para crear un puente más largo.

Excepto, por supuesto, las hormigas individuales no tienen idea de cuántos de sus colonos se están aferrando a una brecha. Y aquí es donde entra en juego la segunda regla. Como las hormigas individuales ejecutan el algoritmo "puente", tienen una sensibilidad a ser estampadas. Cuando el tráfico sobre sus espaldas está por encima de cierto nivel, se mantienen en su lugar, pero cuando cae por debajo de un umbral -tal vez porque muchas otras hormigas están ocupadas en la construcción de puentes- la hormiga se descongela y vuelve a unirse a la marcha.

Este nuevo artículo surgió de experimentos realizados con hormigas del ejército en la jungla panameña en 2014. Con base en esas observaciones, los investigadores han creado un modelo que cuantifica la sensibilidad de las hormigas al tránsito peatonal y predice cuándo una colonia se unirá a un obstáculo y cuándo lo hará. decidir, en cierto sentido, que es mejor dar la vuelta.

"Estamos tratando de averiguar si podemos predecir cuánto atajo harán las hormigas dada la geometría de su entorno", dijo Garnier.

La evolución ha equipado aparentemente a las hormigas del ejército con el algoritmo correcto para la construcción de puentes sobre la marcha. Los investigadores que trabajan para construir enjambres de robots simples todavía están buscando las instrucciones que les permitan a sus máquinas baratas realizar hazañas similares. Un desafío al que tienen que enfrentarse es que la naturaleza hace que las hormigas sean más confiables, y a un costo menor, que los humanos pueden fabricar enjambres de bots, cuyas baterías tienden a morir. Un segundo es que es muy posible que exista más comportamiento de hormigas gobernantes que dos reglas simples.

"Describimos hormigas del ejército como simples, pero ni siquiera entendemos lo que están haciendo. Sí, son simples, pero tal vez no sean tan simples como la gente piensa ", dijo Melvin Gauci, un investigador de la Universidad de Harvard que trabaja en la robótica de enjambres.


viernes, 29 de diciembre de 2017

4 características de un científico de datos

4 habilidades fundamentales para ser Data Scientist

Los Científicos de Datos lideran los rankings mundiales de los profesionales más solicitados. Si bien adquirir este perfil no es complejo, es indispensable contar con conocimientos muy concretos.



En la “era de los datos” los Data Scientists son los reyes. Lideran numerosos rankings sobre los perfiles más demandados tanto en la Argentina como en el resto del mundo. Este fenómeno se debe a que estos profesionales son los que tienen los conocimientos apropiados para analizar inmensos volúmenes de datos con el objetivo de descubrir tendencias y detectar patrones. Así es como las empresas pueden anticiparse a diferentes escenarios y, por ende, tomar mejores decisiones para el negocio.

En este contexto, estos talentos en Estados Unidos tienen salarios que rondan los 111 mil dólares anuales, según la plataforma norteamericana Glassdoor. Además, hay escasez de profesionales, de hecho, como señala la consultora Gartner, en los próximos dos años hasta el 75% de las empresas invertirán en Big Data y necesitarán contratar a estos colaboradores.

Para ser Científico de Datos hay que contar con las siguientes habilidades:

1. Programación

Como trabajan con conjuntos de datos inmensos, no es posible apelar al Excel. Por este motivo, utilizan SQL (del inglés “Structured Query Language”), que es un lenguaje de programación especialmente diseñado para manipular y extraer datos de sistemas gestores de bases de datos relacionales, como MySQL y SQL Server, entre otros.

También es indispensable dominar Python. Se trata de un lenguaje que tiene una curva de aprendizaje corta que permite visualizar datos y automatizar procesos. Además, resulta útil para extraer datos o avanzar en trabajos de basados en aprendizaje automático.

2. Modelado Predictivo

 El modelado predictivo es lo que distingue al Científico de Datos del analista de datos. Los primeros tienen la tarea de predecir el futuro utilizando datos del pasado y el presente. Por ejemplo, si una tienda de electrodomésticos quiere saber cuántos calefactores va a vender el próximo invierno, el Data Scientist estima esta predicción cruzando datos tales como el historial de unidades comercializadas en el pasado, el pronóstico meteorológico histórico y la situación económica de los consumidores, entre otros para llegar a obtener una cifra aproximada. Para explotar esa gran cantidad de datos, el profesional utiliza métodos de aprendizaje automático tales como regresiones, máquinas vectoriales de apoyo o árboles de decisión para determinar la conducta de los consumidores y así anticiparse al comportamiento de la próxima temporada de venta de estos electrodomésticos.

3. Matemáticas

Ya sea para solucionar problemas o bien para interpretar información, los Científicos de Datos deben tener conocimientos de estadística y probabilidad, entre otros. De esta manera, es capaz de entender y representar datos de forma más apropiada.

4. Visualización

 Obtenidas las conclusiones buscadas, llega el momento de transmitirlas a los tomadores decisión de la compañía, y para eso es crucial que el Data Scientist cuente con habilidades de comunicación para transmitir sus hallazgos de forma clara y precisa. Para eso, existen librerías que son de gran utilidad como Matplotlib, Seaborn, plot.ly y Bokeh, entre otras.

La revolución digital ya comenzó, y este es uno de los motivos por los cuales las empresas de todas las industrias están creando la posición de Científico de Datos para que se desempeñen en distintas áreas, como Marketing, Ventas y Recursos Humanos, por mencionar solo algunas. Por este motivo, esta disciplina promete un gran futuro laboral para aquellas personas que tengan pasión por interpretar y analizar los datos que circulan entre nosotros.

Digital House

lunes, 19 de diciembre de 2016

Explorando modelos en Netlogo

Exploración de modelos de NetLogo


Acoplamiento preferencial: este modelo simula cómo se crean redes; La mayoría de las veces, sólo unos pocos "hubs" están fuertemente conectados con el resto de la red, mientras que los otros nodos sólo tienen algunas conexiones. Es interesante observar cómo se forman esas conexiones y por qué algunos hubs son preferidos sobre otros. El gráfico log-log es especialmente interesante: al transformar el gráfico, se obtiene casi una línea recta. Como consecuencia, hay muy pocos hubs creados con el paso del tiempo. Además, con un modelo muy grande la línea recta sólo es visible para la primera mitad de los nodos; Mi interpretación es que en una red muy grande, es menos probable que sea elegido por el nodo más reciente. El resultado es que cada vez menos nodos muestran un alto grado de conexión, mientras que muchos de ellos sólo tienen un enlace.





Cambio climático: Realmente me gusta este modelo porque separa los diferentes agentes que influyen en el efecto invernadero. Como consecuencia, es más fácil seguir un rayo de luz y entender cómo las nubes y moléculas de CO2 impactan su trayectoria (botón "ver un rayo"). Es divertido tratar de conseguir la temperatura más alta (me detuve a 300 por tener 0 albedo y un montón de moléculas de CO2, pero supongo que subirá indefinidamente). También es interesante ver que la atmósfera tiene algún tipo de permeabilidad fija (con un brillo completo y sin albedo, la temperatura se estabilizará a 50 grados); O que las nubes disminuyen la temperatura, mientras que las moléculas de CO2 la aumentan.




Modelo de Segregación: este modelo no es tan complejo pero el resultado es impresionante; Bajo el 40% de similitud deseada, las flechas rojas y verdes se mezclaron muy fácilmente. Pero cuando se pasa este umbral, se puede ver claramente algunas fronteras que se están creando y diferentes grupos que se están formando. Además, cuanto mayor es el grupo y el mayor porcentaje de similitud, se necesita mucho tiempo para crear fronteras y hacer feliz a la gente.



Finalmente, opté por modificar el modelo de apego preferencial y lo rebautizé como el modelo de difusión de información. Mi objetivo era recrear la teoría de los "dos pasos de la comunicación". La idea es que los "exploradores" (personas en el borde de la red) descubren nuevas piezas de información (por ejemplo, inovaciones, por ejemplo); Si un explorador está conectado a un "hub" (alguien con muchas conexiones), la información se propagará al resto del gráfico y se convertirá en viral. Si el explorador no tiene las conexiones correctas, la información morirá. Para lograr este propósito, agregué un interruptor llamado "propagación" al modelo y cambié el color y el tamaño de los nodos a medida que la información se propaga a través del modelo; El código es bastante simple y funciona bastante bien.

martes, 28 de julio de 2015

Lecciones de auto-organización de las hormigas

Cómo organizar a las masas: las lecciones de las hormigas
Un crítico equilibrio entre la anarquía y el adocenamiento explica la cooperación eficaz
JAVIER SAMPEDRO - El País

Las hormigas intentan resolver uno de los experimentos del Weizmann. / EHUD FONIO/ OFER FEINERMAN

Un agente autónomo tiene muchas ventajas, pero cuando la tarea es demasiado pesada no hay más remedio que cooperar. Sin embargo, la cooperación entre agentes autónomos plantea dos problemas graves. ¿Cómo ponerlos de acuerdo para que todos tiren hacia el mismo lado? ¿Y cómo ajustar su comportamiento en respuesta a los retos del entorno? Una solución es copiar a las hormigas, que lo resuelven mediante un delicado equilibrio entre la anarquía y el adocenamiento.

El físico de sistemas complejos Ofer Feinerman y sus colegas del Instituto Weizmann de Rehovot, Israel, han sometido a la hormiga Paratrechina longicornis –una especie invasiva tan eficaz que ha colonizado los bosques y ciudades de todo el planeta— a toda clase de perrerías experimentales, como tener que transportar enormes piezas de comida o cambiarles la posición del nido al que tienen que regresar con ellas. Y han ido puliendo así sus modelos matemáticos para explicar el comportamiento colectivo de esos insectos. Presentan sus resultados en Nature Communications.

“La optimización del transporte surge de unas reglas de decisión que equilibran la individualidad y la docilidad”, dicen los autores

“A la escala de la hormiga individual”, escriben Feinerman y sus colegas, “la optimización del transporte surge de unas reglas de decisión que equilibran la individualidad y la docilidad”. Ser dócil es imprescindible para que todas las hormigas empujen en la misma dirección: basta que cada una copie a su vecina. Pero son unos pocos individuos particularmente bien informados los que pueden corregir la trayectoria de la turbamulta si ésta se dirige a un lugar erróneo. Lo que no es tan raro.

La individualidad, la docilidad y el sutil equilibrio se codifican en cada insecto –quien tiene un cerebro es la hormiga, no el hormiguero—, pero de la interacción entre esos agentes autónomos resultan propiedades nuevas. Este es el distintivo de un sistema emergente: un todo que es más que la suma de sus partes. El conjunto de hormigas se comporta de un modo bien conocido por los físicos: como un sistema cercano a una transición de fase.

Como el agua cerca del punto de congelación, donde se juega su naturaleza líquida o sólida, el sistema de hormigas se sitúa justo en la frontera entre el paseo aleatorio –la forma de andar de un borracho— y el movimiento balístico, que se dirige a un objetivo preciso. Por eso la llegada de una sola hormiga bien informada (una exploradora, o scout) es capaz de inclinar la balanza hacia la trayectoria correcta. Si el sistema de hormigas estuviera lejos de esa transición de fase, no habría manera de enderezar su conducta.

Logran transportar enormes piezas de comida o cambiarles la posición en el nido al que tienen que regresar con ellas
No es la primera vez que la cercanía a una transición de fase (a veces llamada “criticalidad”, o comportamiento crítico) se propone como un principio organizador de los sistemas biológicos. Los enjambres de abejas y las bandadas de pájaros se comportan también como sistemas críticos, y esa cercanía a una transición de fase les permite sus rápidas y espectaculares correcciones de rumbo. Experimentar con esos sistemas, sin embargo, plantea obvias dificultades y riesgos dolorosos. Las hormigas de Feinerman han resultado un sistema óptimo.

Importa reparar en que todos estos sistemas funcionan sin un control central. Es cierto que la hormiga exploradora puede ejercer un efecto drástico sobre el colectivo, como lo ejerce el pájaro que encabeza la V sobre la bandada que va detrás. Pero esos individuos en posiciones de privilegio no son quienes organizan el comportamiento de los demás: son quienes tienen la mejor información, pero las reglas del sistema no están en su cerebro, sino que emergen del conjunto. Más que verdaderos líderes, son auténticos listillos.

jueves, 16 de abril de 2015

Los algoritmos no están matando la cultura creativa

Algoritmos no están matando Cultura Creativa
Los algoritmos son fundamentalmente no creativa. Cada conjunto de números crujían, cada resultado calculado, necesita un componente humano igual y quizás opuesta a traerlo a la vida.
KYLE CHAYKA - Pacific Standard



El Registro Nacional de Cine ha recopilado una lista de las películas americanas más importantes en la historia, seleccionados por un panel de expertos con décadas de experiencia académica. En un estudio reciente de la Universidad Northwestern, un programa informático crujía datos públicos en línea para generar casi exactamente la misma lista sin experiencia humana requerida. Por métricas que analizan como ingresos de taquilla, citas de Wikipedia, y la clasificación de búsqueda de Google, este algoritmo fue capaz de mejores críticos de cine humanos en su propio juego.

El estudio, publicado en las Actas de la Academia Nacional de Ciencias, sugiere que podemos utilizar métodos cuantitativos para llegar a lo que solemos ver como un juicio cualitativo de realización artística. Del mismo modo, un estudio de 2013 en la Universidad de Stonybrook encontró que con esta técnica de "estilometría estadístico", un tipo de sabermetrics para la cultura en lugar de béisbol un algoritmo capaz de predecir con un 84 por ciento de precisión que las novelas se convertirá en un éxito comercial. Empresas como Epagogix y defensores, como el ex profesor de estadística Vinny Bruzzese ofrecen análisis predictivo de guiones, así, intentar utilizar ecuaciones de adivinar simplemente que las secuencias de comandos funcionarán mejor.

Es fácil imaginar que estos algoritmos están matando la creatividad, que nos conduce por un camino a un dispositivo que escupe de nuevo los libros perfectos y guiones de cine como una versión literaria de coche auto-conducción de Google. Uno casi puede oír a los guionistas y novelistas recogidos del mundo gritando de angustia cuando contemplan su futuro irrelevancia. ¿Están los artistas van a ser sustituidos por programas de ordenador sin alma?

El software podría estar tomando un papel más importante que nunca en la creatividad cultural, pero por temor a su impacto no es por temor a que a diferencia de la prensa de Gutenberg mataría el arte de escribir en el siglo 15.

La paranoia es comprensible. Algoritmos ya gobiernan la mayoría de nuestras experiencias en línea, desde la selección de las historias que aparecen en nuestras noticias Facebook alimenta a decidir las fechas posibles en OkCupid. Están "conquistar el mundo", como una charla TEDx puso. Sin embargo, el miedo más grande de la mecanización, la noción aterradora que el arte creativo puede ser replicado tecnológicamente con sólo pulsar un botón, es infundado. Yo diría que más que nosotros sustitución, algoritmos computacionales En realidad nos proporcionan nuevas herramientas para reflexionar sobre nuestra propia cultura muy humano.

A pesar de que una escritura periodista artículos que los algoritmos pronto podrían replicar automáticamente a la Associated Press que ya está utilizando el software para generar sus informes sobre las ganancias corporativas, no estoy particularmente miedo de mi propia creatividad convirtiéndose en inútil. Eso es porque los algoritmos sólo son capaces de deducir las tendencias de los datos que se dan, decidir qué nuevos libros podrían ser piezas negociables o que de noticias convincente por juzgarlos contra ejemplos previamente exitosas. Carecen de una visión humana.

Ante esta incapacidad para "hacerlo nuevo", como Ezra Pound dijo, los algoritmos están atrapados en el pasado. Los grandes estudios y editoriales que dependen de análisis predictivo pudieron encontrar su trabajo de repente derivado en su intento de hacer sólo las apuestas asistido por ordenador más seguros posible.

Utilizando datos de la inspiración no es una práctica nueva. Amazon permite a los usuarios votar sobre los que los pilotos de televisión que produce. Netflix utiliza asimismo información sobre lo que los suscriptores ya miran a planificar su originales propios espectáculos-castillo de naipes se hizo porque los espectadores amaron La Red Social, que David Fincher también dirigió, así como la estrella Kevin Spacey. Estas estrategias imitar el efecto de los algoritmos de predicción sin que necesariamente el uso de ellos. Los escritores no han desaparecido ni tiene el mundo terminado, aunque la televisión puede ser un poco más aburrido como resultado.

Del mismo modo, Marvel y Warner Brothers están planeando decenas de películas de superhéroes de aquí a 2020. El último grupo de luchadores galácticas de gran presupuesto fue un éxito, por lo que los siguientes doce películas será, también, o lo que el pensamiento va. Puede haber un problema técnico, sin embargo, para ser eficaces, los algoritmos deben también cambian con sus audiencias, que eventualmente podría sufrir de agotamiento héroe imprevisto.

Mientras que atienden a la comerciabilidad podría ir en contra de la sensibilidad de algunos escritores, no es un pecado. Algoritmos predictivos exitosos también podría significar que los estudios hacen apuestas fuertes en sus películas independientes, incluso a medida que reducen el riesgo en sus títulos mega-presupuesto. Podría haber más espacio para complacer a la corriente principal y nichos de público por igual, además de fomentar el éxito sin precedentes rara como congelado, las niñas, o Jeff VanderMeer del Sur Alcance Trilogy.

Los algoritmos son una bala mágica. Claro, Hollywood podría saber que el público como las comedias extravagantes con dos protagonistas femeninas, pero que son esos personajes van a ser y lo que van a decir? La computadora no puede escribir un guión completo, ni de datos puede dar todas las respuestas. Debemos abrazar las formas algoritmos nos pueden ayudar en lugar de centrarse en cómo podrían hacer daño.

Los algoritmos son simplemente un punto de partida donde comienza el trabajo creativo real. Artistas y diseñadores visuales expertos en tecnología ya están mostrando cómo los algoritmos pueden aumentar la creatividad en lugar de reemplazarlo, con ecuaciones para abrir nuevos caminos creativos. De hecho, las computadoras podrían ser especialmente adecuado para encontrar justo lo que hace que el arte convincente. "Los algoritmos están diseñados para el procesamiento de la cultura humana," el artista londinense Mateo Plummer-Fernández dice.

El trabajo de Plummer-Fernández incluye esculturas abstractas y jarrones geométricas creadas por algoritmos repitiendo hasta que se forman formas que ningún humano podría imaginar. Las piezas nos muestran lo que parece cuando artistas y máquinas colaboran. "Algoritmos están profundamente hibridan con la actividad humana, de las intenciones de su programador a los datos humanos generados por las que se alimentan de", dice Plummer-Fernández.

En noviembre pasado, el artista Internet Darius Kazemi creado Generación Mes Nacional de Novela, una respuesta algorítmico al desafío anual novela-escritura de un nombre similar. En lugar de escribir una novela, Kazemi instó a los programadores a diseñar algoritmos que se salieron no sólo una idea para un programa de televisión, pero un manuscrito completo. Entradas a NaNoGenMo incluyeron un misterioso tomo faux-medieval por Liza Daly y un cómic detective noirish de Greg Borenstein. Cada vez que uno de estos algoritmos artísticas se ejecuta, un libro nuevo emerge, completamente único e imposible sin la ayuda de una ecuación.

Los nuevos libros no tienen sentido narrativo perfecto, de ahí la necesidad permanente de un editor humano. Pero tal es el defecto fatal de la cultura algorítmica. En realidad, es fundamentalmente poco creativo. Cada conjunto de números crujían, cada resultado calculado, necesita un componente humano igual y quizás opuesta a traerlo a la vida.

El futuro no es tan oscuro como la paranoia algoritmo podría sugerir. Así que anímate, novelistas reunidos: Software podría estar tomando un papel más importante que nunca en la creatividad cultural, pero por temor a su impacto no es por temor a que a diferencia de la prensa de Gutenberg mataría el arte de escribir en el siglo 15. Las nuevas herramientas tecnológicas tienen una manera de generar creatividad más humana, no menos.

martes, 14 de abril de 2015

Dinámica empresarial de vida y muerte de empresas

¿A dónde van las empresas cuando mueren?
Las empresas no pueden vivir para siempre, y el promedio de vida de una empresa que cotiza en bolsa cae. La buena noticia es que se conviertan en otras empresas.
BOURREE LAM - The Atlantic


Mike Segar / Reuters

En el trabajo económico clásico La naturaleza de la empresa, el economista Nobel Ronald Coase escribió acerca de por qué existen las empresas. El argumento de Coase era que las empresas reducir los costes de producción de bienes y servicios, porque es más fácil de coordinar personas y proyectos cuando todo se hace bajo un mismo techo. Pero hoy en día, la tecnología de las comunicaciones ha reducido drásticamente los costos de tener ciertos trabajos realizados fuera de la casa. ¿Serán las empresas vivir tanto como lo hacían antes?

No parece: Richard Foster, profesor de la Escuela de Administración de Yale, ha descubierto que el promedio de vida de una empresa S & P redujo de 67 años en 1920 a 15 años en la actualidad. Foster también encontró que, en promedio, una empresa S & P está siendo reemplazada cada dos semanas, y estima que el 75 por ciento de los S & P 500 empresas será reemplazado por nuevas empresas en 2027.

Con tantas empresas muriendo a un ritmo más rápido, lo que se da de ellos? ¿Son sólo va a pique? Un nuevo informe del Instituto de Santa Fe dice todo lo contrario: las empresas estadounidenses mueren para crear nuevas empresas o formar parte de otra empresa. En cuanto a una base de datos de 25.000 empresas 1950-2009, el grupo de investigadores empleó modelos matemáticos de la ecología teórica para mirar la vida útil de las compañías estadounidenses. Encontraron que las empresas que cotizan en bolsa se mueren a la misma velocidad, independientemente de la edad de la empresa o qué sector se encuentra. En su conjunto de datos, se encontró que la mayoría de las empresas viven alrededor de 10 años y la razón más común de una empresa desaparece es debido a una fusión o adquisición.

Este gráfico muestra los tamaños de 30.000 empresas que cotizan en bolsa, con unas ventas de estabilizarse ya que las empresas alcancen la madurez.

Los tamaños de las 30.000 empresas de Estados Unidos desde 1950 hasta 2009


Hamilton y Daepp / Santa Fe Institue

Los investigadores del Instituto de Santa Fe en cuenta que sus resultados son diferentes de lo que se ve en Europa y Japón. Este último es el hogar de más de 50.000 empresas que son más de 100 años de edad (incluyendo este 1300 años posada), aunque estas antiguas empresas familiares también están comenzando a enfrentar la mortalidad a la luz de la legislación sobre quiebras actualizada de Japón. Foster, por su parte, ha hecho un llamamiento a las empresas estadounidenses a abrazar la "destrucción creativa" en lugar de luchar contra ella.

sábado, 14 de febrero de 2015

Simulando la dinámica de avance escolar

La comprensión de la dinámica de la progresión escolar
Computational Modeling in Cognitive and Social Science Blog


Una visión general del modelo completo

Esta investigación se basa en la observación de que la progresión de grado en escuelas sudafricanas de bajos ingresos es sólo débilmente vinculado a la capacidad real y el aprendizaje como una consecuencia de la incapacidad de los (mal entrenado, baja calidad) maestros en estas escuelas para evaluar adecuadamente la competencia de su aprendices. Por tanto, el objetivo principal de este modelo es de entender con mayor granularidad de la relación entre la progresión de los estudiantes y profesores y los factores sociales. En particular, ¿cómo funciona la eficacia del profesor en la evaluación de la capacidad de los estudiantes, la oportunidad de aprender, los niveles de desempleo, y las diferencias salariales entre los trabajadores calificados y no calificados afectan las decisiones de los estudiantes sobre la asistencia escolar? Una contribución clave de este modelo es explorar la importancia relativa de estos en dos dimensiones: la repitencia y la deserción escolar de los estudiantes. Mientras que la repetición de grado es una función exclusivamente de la capacidad y la eficacia de evaluación docente, este resultado se alimenta en las tasas de deserción escolar, la creación de una relación dinámica entre estas dos variables.

El modelo consta de cuatro procedimientos secuenciales significativos que se producen durante un período de un tick (solo año), con cada tic que representa un solo año escolar. Agentes primer estudiante se crean con un nivel de habilidad innata (una vez que el modelo está en ejecución, esto representa sólo la adición de una nueva cohorte de 8s Grado), a continuación, los alumnos escriben un examen anual que se evalúa con cierta aleatoriedad, y luego decidir si no permanecer en la escuela sobre la base de esta prueba, su capacidad innata y diversos factores del mercado laboral. Por último, aquellos estudiantes que hayan superado la prueba y no han abandonado son promovidos al siguiente grado.


Más altos componentes estocásticos dan como resultados en un aumento de las tasas de abandono escolar y menos estudiantes que llegan a los grados superiores

Mientras que la calificación del estudiante promedio se mantiene aproximadamente en la media especificada en el modelo (62%), la mayor variabilidad en las puntuaciones de la prueba generada por la introducción de un componente estocástico en la evaluación produce mucho mayor variación de resultados de las pruebas en torno a la media, y por lo tanto mayor probabilidad de los estudiantes en su defecto. Esto a su vez genera una carrera escolarización prolongada. La escolarización de duración aumenta a medida que las perspectivas de empleo empeoran (abandonos disminuyen). Cada vez más clases pequeñas surgen en los diferentes grados superiores como el grado de aleatoriedad en la asignación de los aumentos de marca de prueba. Cabe destacar que una U invertida que aparece en la matrícula total en los escenarios de alta y media de desempleo. Bajo las condiciones del mercado de trabajo favorables (bajo desempleo), los estudiantes tienen pocos incentivos para permanecer en la escuela después de una mala evaluación de su capacidad. Sin embargo, como las condiciones del mercado laboral empeora, dos fuerzas en conflicto entran en juego - como aleatoriedad en incrementos de evaluación, los estudiantes son más propensos a abandonar (por lo tanto, observamos clases más pequeñas), sin embargo, un componente estocástico mayor también significa mayor número de suspensos (y por lo tanto más grande tamaño de las clases en cada grado). Los resultados sugieren que en el hecho de la alta tasa de desempleo, esta última prevalece, y permanecer en la escuela se convierte en una estrategia más exitosa para los estudiantes.

final_model