La clase inaugural de Ciencia de Datos 2023, impartida por Agustín Olivares y Felipe Peña, se enfoca en conceptos clave de la ciencia de datos, su relación con disciplinas como la estadística y el aprendizaje automático, y los desafíos que enfrentan las empresas sudamericanas para agregar valor mediante la inteligencia artificial. Se explora la historia de la IA y su evolución, destacando hitos importantes, y se discute la importancia de la ciencia de datos y big data en la toma de decisiones. Además, se analizan diferentes metodologías de gestión de proyectos en ciencia de datos, incluyendo Scrum y su enfoque multidisciplinario.

1. CIENCIA DE
DATOS 2023 -
02
CLASE 01 - INTRODUCCIÓN
Profesores:
Agustín Olivares Soto
Felipe Peña Graf

2. OBJETIVOS DE APRENDIZAJE
•Identificar los conceptos fundamentales
de Data Science y su relación con otras
disciplinas como matemática/estadística y
aprendizaje automático

3. AGENDA
▫ Historia de la IA
▫ Conceptos básicos IA
▫ Aprendizaje automático
▫ ¿Qué es la ciencia de datos (data science)?
▫ Proyectos data science
▫ Gestión de proyectos
▫ Ciclos de vida
▫ Administración de proyectos

4. 4
INTRODUCCIÓ
N

5. “A menudo las empresas
sudamericanas tienen
dificultades para agregar valor
de forma sustancial. La IA
ofrece una oportunidad para
cambiar eso.”
Paulo Henrique Souza
Director Ejecutivo, UBIVIS (Brasil)

6. “Nuestra
inteligencia es
lo que nos hace
humanos, y la
IA es una
extension de
esa cualidad”
Yan LeCun
Chief AI Scientist at Facebook

7. AUTOMATIZACIÓN VS INTELIGENCIA
ARTIFICIAL
Automatización
Agente (software, hardware) que
sigue un conjunto de reglas y
pasos pre programados
Inteligencia Artificial
Agente (software, hardware) que es
capaz de realizar tareas complejas,
tomar decisiones y realizar acciones
para las que no ha sido programado.

8. HISTORIA

9. HISTORIA
2017
• Google researchers developed the concept of transformers in the seminal paper "Attention Is All You Need"
• Stephen Hawking: "Unless we learn how to prepare for, and avoid, the potential risks, AI could be the worst event in the history of our civilization."
2018
• Developed by IBM, Airbus and the German Aerospace Center DLR, Cimon was the first robot sent into space to assist astronauts.
• OpenAI released GPT (Generative Pre-trained Transformer), paving the way for subsequent LLMs.
2019
• Microsoft launched the Turing Natural Language Generation generative language model with 17 billion parameters.
• Google AI and Langone Medical Center's deep learning algorithm outperformed radiologists in detecting potential lung cancers
2020
• The University of Oxford developed an AI test called Curial to rapidly identify COVID-19 in emergency room patients.
• DeepMind's AlphaFold system won the Critical Assessment of Protein Structure Prediction protein-folding contest.
2021
• OpenAI introduced the Dall-E multimodal AI system that can generate images from text prompts.
2022
• OpenAI libera ChatGPT para tener una interfaz de chat para su modelo GPT-3.5 LLM
2023
• OpenAI anuncia GPT-4 que puede recibir texto o imágenes como prompts
• Musk, Wozniak y miles más firman petición para una pausa de seis meses en entrenar Ias más poderosas que GPT-4

10. IMPORTANCIA DE LA IA
Gartner Hype Cycle for Emerging Technologies, 2021

11. INTELIGENCIA ARTIFICIAL
Inteligencia Artificial
Fuerte
▪Mente
▪Estados mentales
Inteligencia Artificial
Débil
▪Actuar en forma
inteligente

12. ACTUAR RACIONALMENTE
Resolución de problemas y búsqueda
Representación del conocimiento y sistemas
basados en el conocimiento
Aprendizaje automático
Inteligencia artificial distribuida

13. RESOLUCIÓN DE PROBLEMAS Y
BÚSQUEDA

14. REPRESENTACIÓN DE CONOCIMIENTO Y
SISTEMAS BASADOS EN CONOCIMIENTO

15. APRENDIZAJE AUTOMÁTICO
https://gravitar.biz/bi/machine-learning/

16. IA DISTRIBUIDA

17. TÉRMINOS Y LÍMITES DE IA
https://www.machinecurve.com/index.php/2017/09/30/the-differences-between-artificial-intelligence-machine-learning-more/

18. 18
APRENDIZAJE
AUTOMÁTICO
Machine Learning

19. DATOS, INFORMACIÓN Y
CONOCIMIENTO
Datos: Solo un valor sin significado. Proviene de fuentes internas o externas de la
organización.
Información: Contextualizado, categorizado, calculado, corregidos y condensados.
Conocimiento: Comparación con otros elementos, predicción de consecuencias,
búsqueda de conexiones, conversa con otros portadores de conocimiento.

20. APRENDIZAJE SUPERVISADO
https://machinelearningenespanol.com/2021/07/21/que-es-machine-learning-como-funciona/
Aprendizaje
Supervisado

21. APRENDIZAJE NO SUPERVISADO
https://machinelearningenespanol.com/2021/07/21/que-es-machine-learning-como-funciona/

22. REGRESIÓN VS CLASIFICACIÓN

23. 23
TECNOLOGÍAS
Y
APLICACIONES

24. TECNOLOGÍAS Y APLICACIONES
24
Deep
Learning

25. TECNOLOGÍAS Y APLICACIONES
25
Deep
Learning

26. TECNOLOGÍAS Y APLICACIONES
26
Procesamiento de Lenguaje Natural

27. TECNOLOGÍAS Y APLICACIONES
27
Big Data & Cloud Computing

28. TECNOLOGÍAS Y APLICACIONES
28
Visualizació
n

29. TECNOLOGÍAS Y APLICACIONES
29
Visualizació
n

30. APLICACIONES
30
https://www.iberdrola.com/innovacion/que-es-inteligencia-artificial

31. APLICACIONES

32. 32
CIENCIA DE
DATOS

33. DEFINICIÓN
Data Science es la ciencia centrada en el
estudio de los datos. Se encarga de extraer
información de grandes cantidades de
datos. Data Science combina la estadística,
las matemáticas y la computación para
interpretar datos. El objetivo es tomar
decisiones.

34. DATA SCIENCE Y BIG DATA
▪ Cuando hablamos de Big Data nos referimos a conjuntos de datos de
gran volumen. Esto dificulta su almacenamiento, gestión, procesamiento
y análisis mediante tecnologías y herramientas convencionales.
▪ Big Data se encarga de resolver los problemas de gestión y
almacenamiento de datos. Esto permite dibujar patrones y obtener un
visión más completa de los clientes.
▪ Data Science se centra en las herramientas que transforman los datos en
información de valor.

35. 35
PROYECTOS
DE CIENCIA
DE DATOS

36. CASOS DE USO

37. Caso de Uso: Marketing
37

38. Caso de Uso: Marketing
38

39. Caso de Uso: Chile
39
Zippedi
https://www.ing.uc.cl/boletines/desarrollan-primer-robot-chileno-
inteligencia-artificial-trabajar-supermercados/

40. Nuevos Retos
40

41. Nuevos Retos
41

42. NUEVOS RETOS
42

43. CONSIDERACIONES ADICIONALES
43

44. 44
GESTIÓN DE
PROYECTOS

45. ENFOQUE MULTIDISCIPLINARIO
Equipos de trabajo con expertos en ingeniería de datos,
método científico, matemáticas, estadística, computación
avanzada, visualización y expertos en los distintos
ámbitos de especialidad.
45

46. CICLO DE VIDA DE UN PROYECTO MACHINE LEARNING
46

47. ROLES Y SU PARTICIPACIÓN EN UN PROYECTO DE DATA
SCIENCE
47

48. HERRAMIENTAS
48

49. 49
CICLOS DE
VIDA
DATA SCIENCE

50. OTROS PROCESOS PARA DATA
SCIENCE

51. OTROS PROCESOS PARA DATA
SCIENCE

52. KDD (DATA MINING)

53. SEMMA

54. CRISP-DM (Cross Industry Standard Process for
Data Mining)
Fase I. Definición de necesidades del
cliente (comprensión del negocio)
Fase II. Estudio y compresión de los
datos.
Fase III. Análisis de los datos y selección
de características.
Fase IV. Modelado. Se aplican las
técnicas de modelado que sean
pertinentes al problema.
Fase V. Evaluación (Obtención de
resultados)
Fase VI. Despliegue (Puesta en
(Chapman et al., 2000).

55. CRISP-DM

56. EN GENERAL

57. 57
ADMINSITRAC
IÓN DE
PROYECTOS
Metodologías ágiles

58. SCRUM
¿QUÉ ES?
▪Scrum es un framework
(estructura de trabajo) ágil
para la realización de
proyectos complejos.
¿QUÉ LO HACE UN MÉTODO
ÁGIL?
▪No es un proceso o una
técnica, es un amplio marco
de trabajo, dentro del cual se
pueden emplear diversas
técnicas y procesos.

59. PILARES FUNDAMENTALES DE SCRUM
Cada aspecto del
proceso debe
definirse por un
estándar común a
todos los integrantes
del equipo
Cada aspecto del proceso debe definirse
por un estándar común a todos los
integrantes del equipo
La inspección constante, garantiza la
capacidad de respuesta y la subsiguiente
adaptabilidad del framework

60. PILARES FUNDAMENTALES DE SCRUM

61. ROLES DE SCRUM
Son las personas que tienen
interés directo en el proyecto,
ya que les producirá el
beneficio que justifica su
desarrollo.
El equipo de desarrollo consiste
en los profesionales que
desempeñan el trabajo de
entregar un Incremento del
producto “Terminado”.
Responsable de maximizar el
valor del producto y del trabajo
en Equipo.
Facilitador y puente entre el
Product Owner y demás
integrantes del equipo

62. ARTEFACTOS DE SCRUM
Los artefactos de SCRUM son los que aportan la mayor
transparencia en la información clase del proceso.

63. PRODUCT BACKLOG

64. EVENTOS DE SCRUM

65. PRODUCT ROADMAP
Herramientas de planificación
Objetivos generales y específicos
Cumplimiento a corto, mediano y
largo plazo
Hitos y milestones
Muestran nuestro estado actual y lo
que vamos a hacer a para llegar a
nuestro estado futuro

66. PRODUCT ROADMAP
Debe hacer y responder 3
importantes preguntas:
▪ ¿A dónde vamos?
▪ ¿Cómo vamos a llegar allí?
▪ ¿Por qué vamos allí?

67. KANBAN

68. ¿PREGUN
TAS?

69. CIENCIA DE
DATOS 2023 -
02
CLASE 01 - INTRODUCCIÓN

70. REFERENCIAS
• Material adaptado y basado en material de Dr. Juan Bekios