Categoría: Notas y Entrevistas

Importante herramienta para Gobiernos, Universidades Publicas y Privadas y aun establecimientos de enseñanza secundaria. Entrevista al Dr. Pablo Carranza Ceo de Rio Data Análisis LA SITUACION “El abandono de estudiantes ingresantes universitarios se refiere a la situación en la que estudiantes que recientemente han comenzado sus estudios universitarios deciden dejar sus carreras antes de completarlas” comenzó analizando el Dr. Carranza. “Este fenómeno es de suma importancia por el impacto que tiene no solo en esos estudiantes, sino también en la universidad misma e incluso en la sociedad, por la pérdida de futuros profesionales” puntualizo el profesional. DATO PREOCUPANTE “Con algún margen de error podríamos decir que sólo el 10 % de los ingresantes se gradúan en Argentina. Las razones son múltiples y van más allá de déficits en aprendizajes que deben estar disponibles al ingreso universitario” alerto el Dr. Carranza SAT “Para abordar este problema, una de las opciones es el llamado Sistema de Alertas Temprana (SAT) de abandono. El objetivo de un SAT es brindar una alerta a la institución indicando cuándo un estudiante está en riesgo de abandono con la intención de intervenir y ayudar al estudiante, precisamente antes de que concrete el abandono” explico el Científico SAT CLASICO “Un SAT clásico consiste en utilizar herramientas de machine learning relevando datos de los ingresantes durante varios meses y así generar alertas cuando un estudiante entra en la caracterización de “riesgo de abandono”. Generalmente estos SAT funcionan en base a las calificaciones, las asistencias a clase, el pago de cuotas, etc”, siguió explicando el Dr. Carranza. “Uno de los problemas de estos SAT clásicos es que lo identifica al estudiante, pero no lo caracteriza. Es decir, no se saben las razones por las cuales estaría abandonando. Esta falta de información no ayuda mucho al equipo de intervención de la institución pues si bien se sabe que con quién hay que intervenir pronto, pero no se sabe en qué”. Cerrando el análisis de este punto. EL SAT QUE INDENTIFICA Y CARACTERIZA CADA SITUACION. “En Río Data Análisis estamos implementando un tipo de SAT llamado híbrido, que no solo identifica a los estudiantes sino que también los caracteriza, permitiendo a la institución contar con información para diseñar sus intervenciones, desde la primera semana en la universidad” nos informa el Ceo de Rio Data Análisis “La primera caracterización la basamos en dos dimensiones muy relacionadas con el abandono: el proyecto de vida y la resiliencia. Con encuestas validadas internacionalmente relevamos las percepciones de los estudiantes sobre estas dos dimensiones y generamos un tablero interactivo de indicadores para la institución, como el que muestra la figura”: ANALISIS FINAL “Este tablero de indicadores inicial es luego enriquecido con otras dimensiones, tales como técnicas de estudio por ejemplo; incluso con variables de desempeño y de participación. No solo ello, es posible también integrar variables pedagógico-didácticas que permitan asociar el abandono a metodologías o propuestas no motivadoras. Así entonces consideramos que la causa del abandono no solo es por “problemas” en los estudiantes sino también por otros generados por la institución”, Cerro finalmente, con seguridad, el Dr. Pablo Carranza. https://riodataanalisis.com.ar/ Dr. Pablo Carranza: Doctor en didáctica de la matemática y la estadística por la Universidad Denis Diderot (Francia 2009). Profesor investigador de la Universidad Nacional de Río Negro y socio Fundador en la consultora de análisis de datos Río Data Análisis. www.linkedin.com/in/dr-pablo-carranza Lic. Evangelina Palopolo: Licenciada en Biología (UNLP) y Doctora con Mención Ciencias de la Tierra (UNRN).Socio Fundador en la consultora de análisis de datos de Data Análisis. Trabajando en análisis de datos por IA desde hace unos años. https://www.linkedin.com/in/evangelina-palopolo/ Redaccion, www.chubutdigital.com.ar

Dos referentes científicos en la ciencia de datos, la Dra. Débora Chan y el Dr. Andrés Farall, fueron entrevistados por www.chubutdigital.com.ar En cuanto al objetivo de aplicación en energías renovables de las técnicas de machine learning, indicaron que “existen múltiples aplicaciones en el campo de las energías renovables de las estrategias del aprendizaje automático (machine learning), por ejemplo, podría ser muy provechosa su aplicación para mejorar los pronósticos de oferta y demanda energética. Estos pronósticos se realizan in situ basados en datos de redes de estaciones meteorológicas”. PREDICCIONES MÁS PRECISAS “Los pronósticos meteorológicos globales y regionales disponibles no pueden predecir con precisión las condiciones meteorológicas específicas de una variable (por ej. intensidad del viento o radiación solar) y locación en particular” señalaron los científicos a la vez que destacaron que “estos pronósticos generales están diseñados para predecir las condiciones medias de grandes áreas geográficas, y de las principales variables atmosféricas. En tanto que la producción de energías renovables depende, para su gestión eficiente, de la predicción de variables específicas en puntos geográficos determinados. Ejemplo de esto es la predicción de fuertes ráfagas de viento que afectan la producción de energía eólica forzando a los parques eólicos a limitar su producción. Otro evento notable en la producción de energía solar es la disminución de radiación incidente producto de altos niveles de nubosidad. Estos dos últimos ejemplos se vinculan con la oferta energética. También es importante predecir eventos que se asocian con la demanda energética, como por ejemplo una ola de calor en el periodo estival que produce un incremento notable de la demanda eléctrica como consecuencia de la refrigeración de los ambientes”. VENTAJAS Con relación a las ventajas que tendría la mejora en la predicción para la producción de energía, los especialistas expusieron que “con base en una cierta estación meteorológica (generalmente de tipo automática), a la que llamaremos la estación de interés, se puede construir un modelo predictivo usando técnicas de machine learning, aprovechando los datos de variables meteorológicas definidas específicamente para la localización y el fenómeno de interés. Estas técnicas deben aprender las relaciones existentes entre las salidas de los pronósticos generales (i.e. GFS), la evolución de las variables atmosféricas medidas en otras estaciones vecinas, y los valores observados en la estación meteorológica de interés. Una vez aprendidas estas relaciones, el usuario (el productor de energía) dispondrá de predicciones más precisas sobre las variables y eventos meteorológicos definidos como relevantes” remarcando que “este enfoque ofrece dos potenciales beneficios para los productores energéticos y la gestión de la energía renovable en general; el primer beneficio concierne a la mejora en el pronóstico del generador que posee la estación de interés mientras que el segundo beneficio concierne a la provisión de pronósticos alternativos mejorados para todos los generadores de energía cuyas actividades se hallen en el área de influencia de la red de estaciones meteorológicas. De esta forma existe un incentivo para el crecimiento y mantenimiento de la red. La mejora en la precisión de los pronósticos meteorológicos localizados redundaría en una mejora en la toma de decisión de los generadores de energía, pudiendo anticiparse mediante diferentes estrategias a la ocurrencia de ciertos eventos relevantes”. SOLUCIONES PARA LAS DIFICULTADES En cuanto a las dificultades que podría solucionar una aplicación como esta, Chan y Farall mencionaron que “una característica esencial inherente a las energías renovables es su alta variabilidad en términos de su generación en el corto plazo, así como la fluidez de la misma. En el caso de la generación de la energía eólica, específicamente en las regiones de fuertes vientos, es habitual que la intensidad (y en algunos casos la dirección) de los mismos posea de una alta variabilidad. Esta alta variabilidad resulta perjudicial para los sistemas integrados energéticos como es el caso de nuestro país, puesto que dificulta la previsión de una oferta energética estable a lo largo del tiempo. De todo esto surge la necesidad de contar con sistemas de predicción de alta precisión para asegurar la estabilidad del sistema” e informaron que “la energía eólica representó un tercio del crecimiento total de la generación de energías renovables en los últimos años. En un sistema como el argentino en el cual se combinan los sistemas de energía eólica con los de energía hidroeléctrica, estas previsiones se convierten en fundamentales pues una caída en la oferta de energía eólica puede muy bien ser compensada por la fuente hidroeléctrica pero con un rezago de horas. Este es el tiempo que les toma la puesta en marcha a las turbinas de la fuente hidroeléctrica. ESTRATEGIAS Con relación a las estrategias que serían adecuadas para esta implementación, destacaron que “las metodologías avanzadas de machine learning permiten hoy realizar pronósticos precisos en tiempo real, aprovechando la información disponible tanto histórica local como meteorológica integrada. Entre las técnicas más desarrolladas recientemente podemos mencionar las redes neuronales artificiales, los métodos de boosting y bagging. El desarrollo reciente de tecnologías asociadas a las redes neuronales ha impactado en múltiples campos del conocimiento en general y especialmente en aquellos que se nutren de datos provenientes de distintas fuentes, como imágenes, señales, lenguaje, audio, etc. Entre las técnicas de mayor difusión en la actualidad cabe destacar las redes neuronales generativas, como las que están detrás del ChatGPT, Bard, Claude y otros LLM (Large Language Models). La potencia de estas redes también puede ser utilizada para generar pronósticos con alto nivel de precisión”. APORTES PARA ENERGÍAS COMO EL PETRÓLEO “La prospección sísmica es una técnica crucial para encontrar yacimientos de petróleo” señalaron los científicos destacando que “la ciencia de datos ayuda a procesar y analizar grandes volúmenes de datos sísmicos para identificar estructuras geológicas y predecir la ubicación de reservas de petróleo. También puede ser de interés construir modelos para estimar reservas de cantidad de petróleo recuperable por yacimiento; estos modelos pueden considerar simultáneamente las características estructurales del yacimiento y la incertidumbre geológica. Otro campo interesante de aplicación es la optimización de la producción y el mantenimiento preventivo de las maquinarias, con un análisis en tiempo real y

Para el conteo de las entradas de nidos de loros barranqueros se están utilizando redes neuronales convolucionales Un equipo compuesto por biólogos e ingenieros está llevando a cabo un trabajo de conteo de nidos, mediante técnicas de inteligencia artificial, en la colonia de Loros Barranqueros, Cyanoliseus patagonus, ubicada en un acantilado frente al Océano Atlántico en cercanías del balneario El Cóndor, provincia de Río Negro, en el Noreste de la Patagonia Argentina. En el mundo de la ecología, contar poblaciones animales es fundamental para comprender los procesos ecológicos. Sin embargo, en el caso de grandes poblaciones, contar manualmente puede ser tedioso y condicionado a errores. En este estudio, se utilizan redes neuronales convolucionales (CNN; un subconjunto de aprendizaje automático que usa algoritmos de aprendizaje profundo) para contar el número de entradas de nidos de loros en fotografías tomadas en la colonia de Psittaciformes (“los que tienen forma de loro” según su etimología; es decir loros, cotorras, catitas, guacamayos, papagayos y cacatúas) más grande del mundo. Así es, de todas las especies de loros en el mundo, esta es la colonia más grande en cuanto a número de individuos. El objetivo principal de este proyecto es obtener el número total de entradas de nidos de la colonia e investigar la distribución de dichas entradas a lo largo del acantilado. La colonia evoluciona con el tiempo y tiene hoy una extensión de unos 18 kilómetros. Mediante relaciones obtenidas en trabajos de campo previos, los biólogos pueden estimar el número aproximado de individuos, en función de la cantidad de entradas de nidos. Una de las 222 imágenes utilizadas en el trabajo de conteo. Recuadro: un detalle de los nidos, con una pareja de Loros Barranqueros en la entrada de un nido (fotografía: Alejandro Balbiano). El equipo de investigación está compuesto por el Dr. Juan F. Masello (JFM) de la Universidad de Bielefeld, Alemania, y de la Universidad de Venda, Sudáfrica, el biólogo Mauricio Failla (MF) del proyecto Patagonia Noreste, con sede en Viedma, el ing. Gabriel Zanellato (GZ) de la Fundación Soberanía con sede en Cinco Saltos, y el ing. Gabriel Pagnossin (GP) de la Universidad Nacional de Río Negro. JFM, GP y GZ concibieron y diseñaron el estudio. MF, JFM y GP efectuaron el trabajo de campo a través del relevamiento fotográfico de la colonia, de donde JFM tomó los parches utilizados en el trabajo. GZ estuvo a cargo de la programación del código para crear los modelos y ejecutar los conteos. PRECISIÓN Y EFICIENCIA En una entrevista realizada al Ing. Gabriel Zanellato este destacó “La importancia del trabajo en equipo y la colaboración de expertos en diferentes áreas fue fundamental para el éxito de este proyecto” explicando que “las CNN ayudan en el conteo de entradas de nidos de loros en fotografías al automatizar el proceso. En el estudio realizado por el equipo de investigación, se utilizaron diferentes arquitecturas de CNN, como U-Net, ResUnet y DeepLabv3, para procesar las imágenes de la colonia de loros. Estas redes permiten contar con precisión y eficiencia, ahorrando tiempo y eliminando errores asociados con el conteo manual. Se utilizó tecnología GPU (del inglés, Graphics Processing Unit, un tipo de procesador que maneja y acelera la representación de gráficos) para mejorar el rendimiento de las CNN, facilitando el análisis de grandes conjuntos de datos de manera más efectiva”. TÉCNICA Zanelatto dio detalles sobre la técnica utilizada: “en lugar de detectar y localizar instancias u objetos en una imagen, el objetivo es estimar un mapa de densidad de la imagen. Luego, al integrar o sumar los valores de píxeles sobre cualquier región de dicho mapa de densidad, se obtiene el recuento de objetos dentro de dicha región. El proceso de aprender a inferir dicha densidad implica minimizar una función de costos. Al trabajar bajo un esquema de aprendizaje supervisado, se necesitan mapas de densidad etiqueta o ground-truth (del inglés, «verificación fundamental»; se refiere al proceso de recopilar los datos objetivos, probables, adecuados para una prueba dada), que se comparan con los mapas de densidad predichos durante el proceso de entrenamiento. Para obtener los mapas de densidad ground-truth, un biólogo experto demarca manualmente la ubicación aproximada del centro de las entradas de los nidos en el conjunto de parches de entrenamiento, produciendo así un nuevo conjunto de imágenes punteadas compuestas por un fondo negro y lo píxeles individuales esparcidos, cada uno con valor 1. La colonia está representada en su totalidad por 222 fotografías cada una de 3000 x 4000 píxeles, y sobre ellas se extraen aleatoriamente 156 parches representativos de 256 x 256 píxeles” VENTAJA DEL PROCESO Destacando que “aquí radica la ventaja de este proceso, ya que sólo se demarcan los parches de entrenamiento seleccionados aleatoriamente, en lugar de utilizar el conjunto completo de imágenes, lo que sería el tedioso proceso manual previo que queremos automatizar, ahorrando así un tiempo valioso para el biólogo. El siguiente paso es aplicar una convolución gaussiana (es decir, un tipo general de media matemática móvil, como se puede observar si una de las funciones se toma como la función característica de un intervalo) sobre las imágenes de puntos, un proceso que difuminará los puntos, creando los mapas de densidad. Luego, mediante técnicas de data augmentation (es decir, la generación de señales sintéticas, en este caso imágenes, reorganizando componentes de datos reales, en este caso los parches) se lleva el número total de parches a 312. Aplicamos simplemente un volteado horizontal. DIVISIÓN DE DATOS El Ingeniero detalló que “una vez generada la totalidad de parches, se procede a crear conjuntos de entrenamiento, validación y testeo. Esta división de los datos sirve para entrenar el modelo en el conjunto de entrenamiento, ajustar los hiperparámetros utilizando el conjunto de validación y evaluar el rendimiento del modelo final en el conjunto de testeo. Con el objetivo de asegurar una distribución estadística similar entre los conjuntos y reducir cualquier sesgo subyacente en los datos, se mezclaron los parches y se entrenaron siete modelos diferentes para cada una de las tres arquitecturas”. PASO FINAL “El