Feedback de datos visuales: amplía la visión de tu empresa

Share on linkedin
LinkedIn
Share on twitter
Twitter
Share on facebook
Facebook
Share on whatsapp
WhatsApp

11 agosto 2021

Compartir en:

El feedback de datos visuales en procesos de machine learning ha permitido la creación de distintos sistemas automatizados como CUE4, el robot basquetbolista. Pero ¿cuáles son los retos que tiene por delante el Data Visualization Feedback si quiere lograr que este tipo de entes sean cada vez más humanos y/o repliquen mejor la realidad?

¿Qué es el feedback visual?

Cualquier sistema, objeto o plataforma que busca interactuar con el ambiente o con un usuario tiene una salida visual, por ejemplo: un ERP, un robot o un videojuego.

En los casos más avanzados, estos entes son capaces de percibir información del mundo real, contrastarla con sus bases de datos y, finalmente, actuar en consecuencia; es decir, ofrecer una respuesta física y/o virtual.

A esa ida y vuelta de información también se le conoce como feedback de datos visuales. Y su efectividad es mayor desde que los dispositivos tienen cámaras integradas y pueden grabar su entorno en tiempo real.

El objetivo del feedback visual es hacer más eficiente la conexión entre el cerebro/chip y el cuerpo/estructura. Así, un sistema con esta tecnología puede mejorar su capacidad motriz, dado que adquiere mayor conciencia y control de sus movimientos y del entorno que le rodea.

<< Inteligencia artificial colaborativa: suma de chips y neuronas >>

En algunos casos, como en el de los videojuegos de realidad aumentada, esta tecnología retoma aspectos del mundo real y los digitaliza en imágenes que se replican hasta el infinito. Es un efecto similar al que puede crearse con dos filas de espejos enfrentados con un objeto en el centro.

Datos en movimiento

Inicialmente CUE4 fue un proyecto extra de los ingenieros y tecnólogos de Toyota, quienes en sus ratos libres construyeron a este robot de 1.80 metros de alto, con el fin de que fuera capaz de encestar como un basquetbolista profesional.

Poco después, la empresa automotriz con sede en Indonesia se dio cuenta del potencial de este peculiar basquetbolista, por lo que decidió apoyar el proyecto y convertirlo en uno de sus estelares.

Para encestar el balón CUE4 utiliza un conjunto de sensores distribuidos en su torso, los cuales miden la distancia a la canasta y evalúan su posición en la cancha, y a partir de ello ajustan la velocidad, la altura, la fuerza y el ángulo del tiro.

Asimismo, en sus pies tiene sensores para reconocer los balones; así puede tomarlos para hacer sus encestes. ¿Qué tan bien le va al respecto? Mejor que a cualquier tirador de la NBA. Los tiros del robot demuestran la precisión de sus sensores y su capacidad para ajustar sus decisiones en función de los datos que recibe en el momento.

Durante varias de sus exhibiciones este robot ha tenido un porcentaje de efectividad de 62.5% en tiros de tres puntos, lo cual supera los registros de jugadores como Kyle Korver, que en la última temporada tuvo un porcentaje de acierto de 53.6% desde esa misma distancia, y Stephen Curry, el mejor tirador de larga distancia de la actualidad, quien en su carrera ha encestado el 43.6% de sus triples.

Aunque por ahora CUE4 no puede correr, driblar ni ejecutar los demás fundamentos del básquetbol, es un ejemplo tangible del potencial que tiene el feedback visual en las empresas.

[embedded content]

CUE4 en acción

Retos del feedback visual

Esta tecnología ha presentado avances en varias industrias y campos del conocimiento, además del entretenimiento. Tal es el caso de la medicina, donde se utiliza para facilitar el reentrenamiento del movimiento de los pacientes, como lo contamos en este artículo.

No obstante, los sistemas basados en feedback visual tienen varios retos por superar, entre los cuales destacan:

  • La carencia de bases de datos organizadas y nutridas
  • El costo de la inteligencia artificial
  • La falta de experiencia de las empresas con el machine learning
  • Simular el funcionamiento de las redes neuronales del cerebro humano
  • Plasmar su potencia virtual en estructuras más flexibles, sustentables y autónomas

De hecho, según previsiones de los mismos desarrolladores de CUE4, los robots y entes no humanos tardarán al menos 20 años en incorporar habilidades que les permitan imitar al ser humano de una manera fluida, especialmente en el aspecto mecánico.

En tu empresa ¿qué uso podrían darle a un sistema con feedback de datos visuales? ¿Han automatizado algunos de sus procesos productivos? ¿Cuál es el mayor beneficio que le ves a esta tecnología?

Comenta en el espacio de abajo y suscríbete a mi blog para conocer más sobre machine learning para empresas, además de otros temas de innovación y tecnología científica aplicada a los negocios.

Originalmente publicado en Jorge Pérez Colin Blog

Jorge Pérez Colín

Jorge Pérez Colín

Mi pasión es ofrecer ayuda a las empresas, ejecutivos y empresarios a solucionar problemas de negocios a través de un análisis pragmático y estratégico enmarcado de Advanced Analytics y Machine Learning. Actualmente soy socio director de Business Data Scientists, la primera firma en México (2009) dedicada por completo a ayudar a las empresas regionales a mejorar sus procesos de decisión basados en datos utilizando el Analítica Avanzada al Big Data. Fui Partner de IBM liderando el área de Cognitive Business Decision (CBDS) para IBM México. Fui Director de Analytics para Accenture de 2015 hasta 2019. Y ocupé el cargo de CIO en el IPADE y de profesor de Entorno Económico durante 13 años. Continúo participando en la escuela de negocios IPADE como profesor visitante y en el ITAM como profesor en la maestría de Ciencia de Datos. Imparto conferencias sobre Analítica Avanzada e Inteligencia Artificial en su implementación en las organizaciones.
Subscribe
Notify of
guest
0 Comments
Inline Feedbacks
View all comments

Contacto

Déjanos tus datos y nos comunicaremos contigo a la brevedad