CONFERENCIA DE CITYAWARE!

PLATAFORMA DE CROWDSOURCING
PARA HABILITAR SMART CITIES

Expositora: Romina Torres

Hoy en día nos encontramos en una etapa de tabulación, en el cual se están centralizando cada
vez más las personas en los centros urbanos, ya sea por distintos factores como, por ejemplo,
motivos económicos, Escasez de trabajo, entre otros.

Para el 2030, se estima que dos tercios de la población mundial residirá en mega ciudades
densamente pobladas. Para el 2050, el 70% de la población mundial estará radicada en las zonas
urbanas, será el 90% en América Latina.

¿QUÉ ES SMART?
Capacidad de moverse y reaccionar rápida y fácilmente.

FUNCIÓN DE SMART CITY

Apoyar la toma de decisiones en pro de hacer a las ciudades más eficientes y sustentables,
además de mejorar la vida de sus residentes.

DESAFÍOS DEL SIGLO 22

 Crecimiento de la población -> sociedad que consume 1.5 veces lo que el planeta
demora en devolver los recursos
 Calentamiento global
 Escasez de recursos

TECNOLOGÍAS RELACIONADAS EN INDUSTRIA 4.0

 Robots
 Big Data
 Simulación
 Sistema Integración
 Internet de las cosas
 Ciberseguridad
 Cloud Computing
 3D
 Realidad Aumentada

MINERÍA DE DATOS
Los datos pasan de ser un producto (el resultado histórico de los sistemas de información) a ser
una materia prima que hay que explotar para obtener el verdadero producto elaborado, el
conocimiento.

“Riqueza de datos, Conocimiento

Pobreza de información” (patrones interesantes)

MINERÍA DE TEXTO
Ejemplo:

Estas claves sugieren que la deficiencia del magnesio podría representar un papel en algunos
tipos de migrañas, una hipótesis que no existía en la literatura y que Swanson encontró
mediante estas ligas. De acuerdo con Swanson (Swanson y otros ,1994), estudios posteriores
han probado experimentalmente esta hipótesis obtenida por Text Mining con bueno resultados.

Inteligencia Artificial=datos-información-aprendizaje-conocimiento-autonomía

MÁQUINAS DE APRENDIZAJE Y SUS APLICACIONES

El aprendizaje automático es un método de

análisis de datos que automatiza la construcción
de modelos analíticos. Los algoritmos pueden
clasificarse ampliamente como Supervisado, No
supervisado, Aprendizaje de refuerzo y otros en
función de sus diferentes categorías.

 ALGORITMO DE APRENDIZAJE AUTOMÁTICO SUPERVISADO

Estos son los algoritmos que funcionan en las predicciones y la búsqueda de patrones en un
conjunto dado de muestras. Los algoritmos supervisados de aprendizaje automático intentan
representar relaciones y dependencias entre la salida de predicción objetivo y las
características de entrada.

 ALGORITMO DE APRENDIZAJE AUTOMÁTICO NO SUPERVISADO

Los algoritmos de aprendizaje automático no supervisados organizan los datos en un grupo de
grupos. Describe su estructura y hace que los datos complejos parezcan simples y organizados
para el análisis.

 MÁQUINA DE REFUERZO DE ALGORITMO DE APRENDIZAJE

Estos algoritmos envían una acción de acuerdo con el punto de datos y luego evalúan la decisión.
El algoritmo utiliza las observaciones recopiladas a partir de la interacción y toma medidas para
minimizar el riesgo y maximizar los beneficios.
PATRONES BIOMÉTRICOS

Mano
Cara

PATRONES BIOMETRICOS

Iris Voz

Huella Dactilar