Certificado de Blockchain
El contenido de esta página esta estampado en tres blockchains diferentes. Una blockchain es una base de datos permanente, distribuida, y sin autoridad central. Esto permite estampar contenido sin nunca desvelar este. Un estampe certifica la existencia de cierto contenido en un instante dado, lo que permite a su autor demostrar que fue él o ella quien primero reclamó la autoría. Más información sobre estampes aquí abajo.

Si quieres saber más sobre blockchain, descarga nuestra publicación de investigación Blockchain: construyendo confianza. Si quieres estampar el contenido de tu propia web, prueba nuestro plugin de WordPress. Si quieres que pensemos juntos como blockchain puede ayudar a tu negocio, envianos un correo :-)
Resumen de estampado:
Título estampado: Aprendizaje automático para mejorar el análisis conversacional y optimizar la escucha social
Tipo estampado:
Título y contenido
URL de contexto: https://www.goodrebels.com/es/aprendizaje-automatico-para-mejorar-el-analisis-conversacional-y-optimizar-la-escucha-social/
Contenido descodificado:
TítuloAprendizaje automático para mejorar el análisis conversacional y optimizar la escucha social
ContenidoEn el pasado TcDesayunos, Isaac Hernández de Google for Work nos recordaba la serie de partidas en las que un ordenador ganó a Go a uno de los mejores jugadores del mundo. Un hito que ilustra cómo ha cambiado la forma en la que debemos entender lo que una máquina nos puede aportar: si en el pasado nos pareció notable que un ordenador pudiera ganarnos al ajedrez, ¿cómo es posible que en solo unos años la computación avance tanto para retarnos a un juego muchísimo más complejo?

La respuesta la encontramos en el aprendizaje automático o machine learning: la máquina que ganó jugando a Go analizó millones de partidas para evaluar patrones y utilizarlos en el momento llegando a jugadas muy eficaces. ¿Cómo podemos utilizar el aprendizaje automático en las actividades que nos afectan?


Mejorar la categorización o sentimiento de nuestros análisis


El aprendizaje automático (machine learning) es un subcampo de la inteligencia artificial (IA) que trata con algoritmos que permiten a las máquinas aprender. Algoritmos que a través de conjuntos de datos deducen información sobre las propiedades de esos datos y la información extraída le permite hacer predicciones sobre otros datos futuros.
Esto es posible debido a que casi todos los datos no aleatorios contiene patrones, y esos patrones permiten a la máquina generalizar. Con el fin de generalizar, se entrena un modelo con el que se determinan los aspectos importantes de los datos.

Muchas veces nos encontramos con herramientas de escucha social o monitorización que clasifican por sentimientos, etiquetas o categorías. Según la aplicación, pueden hacerlo manualmente, a través de librerías que tienen por defecto o bien con reglas en las que determinamos ciertos operados y términos a buscar. El modo manual es cercano al 100% en precisión pero muy lento y costoso en tiempo y generalmente el modo automático es mucho más impreciso aunque más rápido. ¿Cómo podemos mejorar ambos? Utilizando aprendizaje automático para combinar el conocimiento humano y servirlo a la máquina para que, poco a poco, afine sus procedimientos y pueda categorizar automáticamente pero con una precisión mucho mayor. Un ejemplo de herramienta que solemos utilizar para esto es MonkeyLearn.


Extraer conclusiones que afectan a negocio en tiempo real


El Procesamiento de Lenguaje Natural permite a la máquina "entender" textos o mensajes de voz que luego pasan a cadenas de texto susceptibles de ser analizados. Para entenderlo, considera un ejemplo sencillo en la compleja tarea del filtrado de correo electrónico. Supongamos que recibes una gran cantidad de spam que contiene las palabras "farmacia en línea." Como ser humano, puedes reconocer patrones, y determinar rápidamente que cualquier mensaje con las palabras "farmacia en línea" es spam y debe trasladarse directamente a la basura. Ésta es una generalización que tiene, de hecho, un modelo mental de lo que es spam.
Después de marcar varios de estos emails, como mensajes de correo no deseado, un algoritmo de aprendizaje diseñado para filtrar el spam debe ser capaz de hacer la misma generalización que has realizado.



Gracias al Procesamiento de Lenguaje Natural, además, se pueden identificar patrones en textos o mensajes de voz casuales, emitidos de forma espontánea. Por ejemplo, un cliente tuitea sobre lo bien o mal que ha sido tratado en un concesionario y por qué ha tenido esa experiencia. Gracias a herramientas con PLN y machine learning podemos extraer conceptos e identidades (text mining) de las que podemos servirnos para identificar qué elementos de esa experiencia fueron positivos o negativos: el trato del comercial, la prueba del automóvil, la propuesta de precios o el ambiente. Como éste, otros casos en diferentes ámbitos marcan el viaje del consumidor. Por ejemplo, cómo obtener conclusiones que afectan a negocio a través de opiniones de clientes en comparadores de hoteles.


Salvar vidas


El suicidio es la segunda causa de defunción entre las personas de 15 a 29 años, un problema muy grave que afecta a la sociedad hoy en día a día. Con este problema en mente, el Grupo de Procesamiento de Lenguaje Natural y Sistemas de Información de la Universidad de Alicante decidió tomar medidas: han lanzado el proyecto de crowdfunding Life! para desarrollar una herramienta capaz de detectar sentimientos o emociones publicadas en base a texto en las diferentes plataformas sociales e intentar evitar estos fatales sucesos poniendo en contacto con organizaciones de prevención de forma anónima.







Mirando al futuro


Gracias a la aplicación de técnicas como el Aprendizaje automático, Procesamiento de Lenguaje Natural combinados con los avances en software y hardware podemos aplicar la precisión de la labor manual efectuada por una persona y su conocimiento de las experiencias realizadas a la automatización que supone que una máquina cada vez más avanzada sea capaz de mostrarnos patrones, ahorrarnos tiempo de trabajo y ofrecernos aprendizajes que nos permitan mejorar el análisis de procesos que día a día intentamos realizar con herramientas que tan solo infieren en base a unos pocos datos y que nos suponen un tiempo de elaboración demasiado costoso.
URLhttps://www.goodrebels.com/es/aprendizaje-automatico-para-mejorar-el-analisis-conversacional-y-optimizar-la-escucha-social/
AutorDavid García-Navas
OrigenWP Blockchain
Formatowpblockchain
Hash: (SHA256)
Estado:
Momento:
Hace 1 año (2018-03-12 15:10:34 GMT+2)
Transacciones en Blockchain:
Bitcoin:
Estampado (73,482 confirmaciones) como DA214F254CA3... enseñar árbol esconder arbol
DA214F254CA3...
Hash estampado
6637E889CB29...
Otro hash
D651E18A8557...
Otro hash
CC3D37AE01E3...
Otro hash
097F71F652A0...
Otro hash
68DFF765854D...
Otro hash
5DEEFD8F5015...
Otro hash
711619AF05B4...
Otro hash
E9CA71599A3A...
Otro hash
4326AEBE1828...
Otro hash
25071204A184...
Otro hash
C51E8F527333...
Otro hash
9111E12639D8...
Otro hash
0A20D601957A...
Otro hash
CC85F57B7ACC...
Otro hash
6C8A6980121E...
Otro hash
1232DDB1F212...
Otro hash
36C1FD05D138...
Otro hash
1AEC8D743B08...
Otro hash
51D918B693DD...
Otro hash
603F8578738B...
Otro hash
E483F1F01F18...
Otro hash
67AA5A56C338...
Otro hash
645443EDAC0C...
Otro hash
CA4FDE4BF3F3...
Otro hash
8D8CF972C7AC...
Otro hash
C03863F97F54...
Otro hash
7D16A753F8FC...
Otro hash
E7BFBAE7D1B8...
Otro hash
1B739143D406...
Otro hash
3CE0047AD631...
Otro hash
52325F922DB0...
Otro hash
5C56CB892216...
Otro hash
4F0332C1CD6B...
Nuestro hash
70E5D342C03F...
Otro hash
Litecoin:
Estampado (162,711 confirmaciones) como DA214F254CA3... enseñar árbol esconder arbol
DA214F254CA3...
Hash estampado
6637E889CB29...
Otro hash
D651E18A8557...
Otro hash
CC3D37AE01E3...
Otro hash
097F71F652A0...
Otro hash
68DFF765854D...
Otro hash
5DEEFD8F5015...
Otro hash
711619AF05B4...
Otro hash
E9CA71599A3A...
Otro hash
4326AEBE1828...
Otro hash
25071204A184...
Otro hash
C51E8F527333...
Otro hash
9111E12639D8...
Otro hash
0A20D601957A...
Otro hash
CC85F57B7ACC...
Otro hash
6C8A6980121E...
Otro hash
1232DDB1F212...
Otro hash
36C1FD05D138...
Otro hash
1AEC8D743B08...
Otro hash
51D918B693DD...
Otro hash
603F8578738B...
Otro hash
E483F1F01F18...
Otro hash
67AA5A56C338...
Otro hash
645443EDAC0C...
Otro hash
CA4FDE4BF3F3...
Otro hash
8D8CF972C7AC...
Otro hash
C03863F97F54...
Otro hash
7D16A753F8FC...
Otro hash
E7BFBAE7D1B8...
Otro hash
1B739143D406...
Otro hash
3CE0047AD631...
Otro hash
52325F922DB0...
Otro hash
5C56CB892216...
Otro hash
4F0332C1CD6B...
Nuestro hash
70E5D342C03F...
Otro hash
Ethereum:
Estampado (2,318,284 confirmaciones) como 69AF2246D334... enseñar árbol esconder arbol
69AF2246D334...
Hash estampado
2E336F48C399...
Otro hash
00F70E228FD0...
Otro hash
662EC44FD3B7...
Otro hash
C803F3B1C6AA...
Otro hash
765870FF4714...
Otro hash
2CE0FD2E1AE0...
Otro hash
DCA08ED70174...
Otro hash
91004075BFF9...
Otro hash
F49144DD8731...
Otro hash
3DF64E71A2F8...
Otro hash
FD86111EA2FE...
Otro hash
5AF7D9584F03...
Otro hash
B4BA51EC687D...
Otro hash
E6DB46FE30CB...
Otro hash
6BA95A413B39...
Otro hash
4D425F6BD90B...
Otro hash
B218A956AEE8...
Otro hash
AAD9690BC36E...
Otro hash
85DC229DB23B...
Otro hash
4F0332C1CD6B...
Nuestro hash
Ethereum Classic:
Estampado (2,305,810 confirmaciones) como 69AF2246D334... enseñar árbol esconder arbol
69AF2246D334...
Hash estampado
2E336F48C399...
Otro hash
00F70E228FD0...
Otro hash
662EC44FD3B7...
Otro hash
C803F3B1C6AA...
Otro hash
765870FF4714...
Otro hash
2CE0FD2E1AE0...
Otro hash
DCA08ED70174...
Otro hash
91004075BFF9...
Otro hash
F49144DD8731...
Otro hash
3DF64E71A2F8...
Otro hash
FD86111EA2FE...
Otro hash
5AF7D9584F03...
Otro hash
B4BA51EC687D...
Otro hash
E6DB46FE30CB...
Otro hash
6BA95A413B39...
Otro hash
4D425F6BD90B...
Otro hash
B218A956AEE8...
Otro hash
AAD9690BC36E...
Otro hash
85DC229DB23B...
Otro hash
4F0332C1CD6B...
Nuestro hash
Historial de estampados:
Último estampado:
4F0332C1CD6BC7944A21B765C8A31D1EA79E2CD44E325E26085CFF6B35B9EB73 estampado activo
Resultado de API (ver resultado bruto):
{
"success": true,
"results": {
"context_id": 131137,
"context_name": "Aprendizaje automu00e1tico para mejorar el anu00e1lisis conversacional y optimizar la escucha social",
"context_url": "https://www.goodrebels.com/es/aprendizaje-automatico-para-mejorar-el-analisis-conversacional-y-optimizar-la-escucha-social/",
"stamp_id": 8196,
"stamp_type": "default",
"stamp_code": "131137-default-last",
"stamp_name": "Tu00edtulo y contenido",
"hash": "4F0332C1CD6BC7944A21B765C8A31D1EA79E2CD44E325E26085CFF6B35B9EB73",
"hash_method": "SHA256",
"status": "confirmed",
"confirmations": 9717872,
"pending_time": 0,
"created_at_gmt": "2018-03-12 13:02:03",
"created_at": "2018-03-12 14:02:03",
"stamped_at_gmt": "2018-03-12 13:10:34",
"stamped_at": "2018-03-12 14:10:34",
"restamped_at_gmt": "2018-03-12 13:10:34",
"restamped_at": "2018-03-12 14:10:34",
"confirmed_at_gmt": "2018-09-04 23:07:35",
"confirmed_at": "2018-09-05 01:07:35",
"updated_at_gmt": "2019-07-23 16:37:01",
"updated_at": "2019-07-23 18:37:01",
"valid_until_gmt": null,
"valid_until": null,
"gmt_offset": 2,
"blockchains": {
"btc": {
"blockchain": {
"id": "btc",
"name": "Bitcoin",
"block_duration": 600,
"safe_confirmations_amount": 6,
"last_block": 586731,
"last_block_time": "2019-07-24 00:10:30",
"last_block_time_gmt": "2019-07-23 22:10:30",
"transaction_base_url": "https://www.blocktrail.com/BTC/tx/%s"
},
"status": "confirmed",
"confirmed_at_gmt": "2018-03-13 06:43:07",
"confirmed_at": "2018-03-13 07:43:07",
"confirmations": 146915,
"stamped_in": 0,
"pending_blocks": 0,
"pending_time": 0,
"transactions": [
{
"id": "6e176218eeddf0c60c4dbebccb8281408e8dbd0df418f0f121db623212ec6772",
"prefix": "533635F5",
"hash": "DA214F254CA3489EF36B8BEF3593ABA834E883C686EB3C0971E6C1B75AF4B1A7",
"hash_method": "SHA256",
"siblings": [
{
"right": "70E5D342C03F2AD5AB7E306894E740F57F2082CD23F7E8BDB826B3D62CE61FB1"
}, {
"left": "52325F922DB0847F015601B4B88EC810DB2BA159AC3165A437DFD7F772322A41"
}, {
"right": "3CE0047AD631C02CB5888BEB4C32FD3A830CA479F04E82326C686C203DF21199"
}, {
"right": "E7BFBAE7D1B8445676C611B1C9F54918AA4810721DFF5F3924AC3365BE35042E"
}, {
"left": "8D8CF972C7ACB828647BE58AE2D3AA28DDBC58A7142B44CD685F7C583E353A5A"
}, {
"left": "645443EDAC0CD930F9289CCBE4757690E28F62A126C6C81631661C9FEC954239"
}, {
"right": "67AA5A56C3389194644861A03D12AA9084A875B8905C1CC3BEE30C8EBE8530D2"
}, {
"right": "603F8578738BFB28C9AB786F2DE3839DD451B06EAEB272B1164F7DAFD130FB2D"
}, {
"left": "36C1FD05D1383B368FBB4FDE1B33E69F553A915824BF8560B338FADE78871F56"
}, {
"right": "1232DDB1F212ADC5372266E194F62ED0FA2985F4137685B109A03115689A8845"
}, {
"right": "CC85F57B7ACCD482F71605449A0E6A8628B556A2C58A264FABDD5490C7A9DAE0"
}, {
"right": "9111E12639D8B7B1E3206632C9DDF1FA241E36B5D0F74C72D4F0C66DA431BC05"
}, {
"left": "4326AEBE1828C8A5194633D612B76D9B94E6DB253AE3FF16E8B394E25A28E6F1"
}, {
"left": "711619AF05B456FD7C34CED54566E9A4805D91E0E05E4EDCFB40FA24D56A0613"
}, {
"left": "68DFF765854D01392630365DD1E0B091483197B27E70D10B578BD71110DB181A"
}, {
"left": "CC3D37AE01E38F422EBC1F4A1E460316F982E37EA6A6BA5B212B5B0C93A67D7F"
}, {
"right": "D651E18A8557EC05FB91B2D03A8590A294F899141C375252744AC3792FF1CF1F"
}
],
"block_number": "513249",
"created_at": "2018-03-12 23:06:43",
"confirmed_at": "2018-03-12 23:37:09",
"status": "confirmed",
"confirmations": 73482
}, {
"id": "5cf29e7a6824139fb83832097acaa60bb9c53b64d3d31889a05e8da9d9585b25",
"prefix": "53360886",
"hash": "2482A688DC5E25F7CE2F9712F93A5CF3286E824E9C830700BF39C7C51EAFBCC1",
"hash_method": "SHA256",
"siblings": [
{
"right": "85DC229DB23BA8BE16084B9887BC23AC13BA64300298A65679E300DC4F6CDE08"
}, {
"left": "3B99DA0F49D0197C35FC35482D42524D06E7CC5C36F38E7325CA9313FD08A94F"
}, {
"right": "A9F266FB64E099931C7D50D8F5C780D03DCF74F8A07564DDD944B767C22B2AA8"
}, {
"right": "9B7736B760FE859C962AEE07AFC0458AC0879E247DDDA7E50884226F6365BC12"
}, {
"left": "CBA002CAF75495455E1E19DEBA53DBAD1C55258507CAA3C8DE93487DD31251C8"
}, {
"right": "99AA41717F8C5D02C92767A34B98199207332210DD9F232F52C84A163297370F"
}, {
"right": "6B5292AD4915DC8032943DA838F9BA1C46BAECC143259E68A064161B2748EECC"
}, {
"right": "DED108EF6F31200AC6AA6DD826DB5BE3F86E3231C149DCD6B05888643A54AF31"
}, {
"right": "1DD0C1BCDEABB2FACAD655741563518C95D84E206AA595C6A382B43F1128B394"
}, {
"right": "8A70D88ADBC962751C3F01631B02C17098420E66FAF425BD98CE280E77612910"
}, {
"right": "0B989444046084DBCD2B7632D21EFD8D44B3370147C0F679D3922DD5ED7E74F2"
}, {
"left": "7CEA5932DADDD0C834F820254EF7D0AAF7ADE070027B9DBDEA37E43BF17166C8"
}, {
"right": "E639C81F198CBAE4CFB329522CF785435C2D5FF0C098A13468AF83B271BBB8AA"
}, {
"right": "99B83EC3199CDC1F4333C3616996CE710E1DF141C125B3B79DE420D60E42D6F8"
}, {
"right": "1529C5B5F0AFA1DE9BB36EB6E9E234D46A2789E83A58D6310C84D259F3F4C83B"
}, {
"right": "A0FAB992143118A5FD53E69781FF42F45C1056621D61BB4C998BC41195585084"
}, {
"right": "02A5DEFC7B9A8204FB9601759351A9FD32297EEF2846EDA52E1D71E3EA828394"
}
],
"block_number": "513298",
"created_at": "2018-03-13 06:09:25",
"confirmed_at": "2018-03-13 06:43:07",
"status": "confirmed",
"confirmations": 73433
}
]
},
"ltc": {
"blockchain": {
"id": "ltc",
"name": "Litecoin",
"block_duration": 180,
"safe_confirmations_amount": 6,
"last_block": 1613834,
"last_block_time": "2019-04-13 18:11:41",
"last_block_time_gmt": "2019-04-13 16:11:41",
"transaction_base_url": "https://chain.so/tx/LTC/%s"
},
"status": "confirmed",
"confirmed_at_gmt": "2018-07-05 14:10:06",
"confirmed_at": "2018-07-05 16:10:06",
"confirmations": 325420,
"stamped_in": 0,
"pending_blocks": 0,
"pending_time": 0,
"transactions": [
{
"id": "f8c30d26cdbb54ce7685e0da2001f3d6d61ab6a8d39d5a5b49e45713ba88901c",
"prefix": "533635F5",
"hash": "DA214F254CA3489EF36B8BEF3593ABA834E883C686EB3C0971E6C1B75AF4B1A7",
"hash_method": "SHA256",
"siblings": [
{
"right": "70E5D342C03F2AD5AB7E306894E740F57F2082CD23F7E8BDB826B3D62CE61FB1"
}, {
"left": "52325F922DB0847F015601B4B88EC810DB2BA159AC3165A437DFD7F772322A41"
}, {
"right": "3CE0047AD631C02CB5888BEB4C32FD3A830CA479F04E82326C686C203DF21199"
}, {
"right": "E7BFBAE7D1B8445676C611B1C9F54918AA4810721DFF5F3924AC3365BE35042E"
}, {
"left": "8D8CF972C7ACB828647BE58AE2D3AA28DDBC58A7142B44CD685F7C583E353A5A"
}, {
"left": "645443EDAC0CD930F9289CCBE4757690E28F62A126C6C81631661C9FEC954239"
}, {
"right": "67AA5A56C3389194644861A03D12AA9084A875B8905C1CC3BEE30C8EBE8530D2"
}, {
"right": "603F8578738BFB28C9AB786F2DE3839DD451B06EAEB272B1164F7DAFD130FB2D"
}, {
"left": "36C1FD05D1383B368FBB4FDE1B33E69F553A915824BF8560B338FADE78871F56"
}, {
"right": "1232DDB1F212ADC5372266E194F62ED0FA2985F4137685B109A03115689A8845"
}, {
"right": "CC85F57B7ACCD482F71605449A0E6A8628B556A2C58A264FABDD5490C7A9DAE0"
}, {
"right": "9111E12639D8B7B1E3206632C9DDF1FA241E36B5D0F74C72D4F0C66DA431BC05"
}, {
"left": "4326AEBE1828C8A5194633D612B76D9B94E6DB253AE3FF16E8B394E25A28E6F1"
}, {
"left": "711619AF05B456FD7C34CED54566E9A4805D91E0E05E4EDCFB40FA24D56A0613"
}, {
"left": "68DFF765854D01392630365DD1E0B091483197B27E70D10B578BD71110DB181A"
}, {
"left": "CC3D37AE01E38F422EBC1F4A1E460316F982E37EA6A6BA5B212B5B0C93A67D7F"
}, {
"right": "D651E18A8557EC05FB91B2D03A8590A294F899141C375252744AC3792FF1CF1F"
}
],
"block_number": "1451123",
"created_at": "2018-07-05 14:03:45",
"confirmed_at": "2018-07-05 14:03:46",
"status": "confirmed",
"confirmations": 162711
}, {
"id": "dc697eda158d111bc2f39dcb714a8a931587a837ef273b2ba6ee2fdcfd456bef",
"prefix": "53360886",
"hash": "2482A688DC5E25F7CE2F9712F93A5CF3286E824E9C830700BF39C7C51EAFBCC1",
"hash_method": "SHA256",
"siblings": [
{
"right": "85DC229DB23BA8BE16084B9887BC23AC13BA64300298A65679E300DC4F6CDE08"
}, {
"left": "3B99DA0F49D0197C35FC35482D42524D06E7CC5C36F38E7325CA9313FD08A94F"
}, {
"right": "A9F266FB64E099931C7D50D8F5C780D03DCF74F8A07564DDD944B767C22B2AA8"
}, {
"right": "9B7736B760FE859C962AEE07AFC0458AC0879E247DDDA7E50884226F6365BC12"
}, {
"left": "CBA002CAF75495455E1E19DEBA53DBAD1C55258507CAA3C8DE93487DD31251C8"
}, {
"right": "99AA41717F8C5D02C92767A34B98199207332210DD9F232F52C84A163297370F"
}, {
"right": "6B5292AD4915DC8032943DA838F9BA1C46BAECC143259E68A064161B2748EECC"
}, {
"right": "DED108EF6F31200AC6AA6DD826DB5BE3F86E3231C149DCD6B05888643A54AF31"
}, {
"right": "1DD0C1BCDEABB2FACAD655741563518C95D84E206AA595C6A382B43F1128B394"
}, {
"right": "8A70D88ADBC962751C3F01631B02C17098420E66FAF425BD98CE280E77612910"
}, {
"right": "0B989444046084DBCD2B7632D21EFD8D44B3370147C0F679D3922DD5ED7E74F2"
}, {
"left": "7CEA5932DADDD0C834F820254EF7D0AAF7ADE070027B9DBDEA37E43BF17166C8"
}, {
"right": "E639C81F198CBAE4CFB329522CF785435C2D5FF0C098A13468AF83B271BBB8AA"
}, {
"right": "99B83EC3199CDC1F4333C3616996CE710E1DF141C125B3B79DE420D60E42D6F8"
}, {
"right": "1529C5B5F0AFA1DE9BB36EB6E9E234D46A2789E83A58D6310C84D259F3F4C83B"
}, {
"right": "A0FAB992143118A5FD53E69781FF42F45C1056621D61BB4C998BC41195585084"
}, {
"right": "02A5DEFC7B9A8204FB9601759351A9FD32297EEF2846EDA52E1D71E3EA828394"
}
],
"block_number": "1451125",
"created_at": "2018-07-05 14:03:45",
"confirmed_at": "2018-07-05 14:10:06",
"status": "confirmed",
"confirmations": 162709
}
]
},
"eth": {
"blockchain": {
"id": "eth",
"name": "Ethereum",
"block_duration": 15,
"safe_confirmations_amount": 7,
"last_block": 7560559,
"last_block_time": "2019-04-13 18:07:30",
"last_block_time_gmt": "2019-04-13 16:07:30",
"transaction_base_url": "https://etherscan.io/tx/%s"
},
"status": "confirmed",
"confirmed_at_gmt": "2018-04-24 11:42:08",
"confirmed_at": "2018-04-24 13:42:08",
"confirmations": 4635179,
"stamped_in": 0,
"pending_blocks": 0,
"pending_time": 0,
"transactions": [
{
"id": "0x0a31193dc0736e2d46c59b691ea9cf7f28ef4ce0875aa67ddd0a117377931cc7",
"prefix": "533635F5",
"hash": "25071204A18450F1F8A3367C0BD9D7CA88F8379DE1B9382BCCFEC86E8BC12021",
"hash_method": "SHA256",
"siblings": [
{
"right": "70E5D342C03F2AD5AB7E306894E740F57F2082CD23F7E8BDB826B3D62CE61FB1"
}, {
"left": "52325F922DB0847F015601B4B88EC810DB2BA159AC3165A437DFD7F772322A41"
}, {
"right": "3CE0047AD631C02CB5888BEB4C32FD3A830CA479F04E82326C686C203DF21199"
}, {
"right": "E7BFBAE7D1B8445676C611B1C9F54918AA4810721DFF5F3924AC3365BE35042E"
}, {
"left": "8D8CF972C7ACB828647BE58AE2D3AA28DDBC58A7142B44CD685F7C583E353A5A"
}, {
"left": "645443EDAC0CD930F9289CCBE4757690E28F62A126C6C81631661C9FEC954239"
}, {
"right": "67AA5A56C3389194644861A03D12AA9084A875B8905C1CC3BEE30C8EBE8530D2"
}, {
"right": "603F8578738BFB28C9AB786F2DE3839DD451B06EAEB272B1164F7DAFD130FB2D"
}, {
"left": "36C1FD05D1383B368FBB4FDE1B33E69F553A915824BF8560B338FADE78871F56"
}, {
"right": "1232DDB1F212ADC5372266E194F62ED0FA2985F4137685B109A03115689A8845"
}, {
"right": "CC85F57B7ACCD482F71605449A0E6A8628B556A2C58A264FABDD5490C7A9DAE0"
}, {
"right": "9111E12639D8B7B1E3206632C9DDF1FA241E36B5D0F74C72D4F0C66DA431BC05"
}
],
"block_number": null,
"created_at": "2018-03-12 22:48:06",
"confirmed_at": null,
"status": "pending",
"confirmations": null
}, {
"id": "0x55589262c66d0f3ca416571b5b8a57fc13ee7e577d1a7d4173c7034d0f422dba",
"prefix": "53360886",
"hash": "764FE8F5890D0218D0AD7270257EA0FB1FC4AA4C4E5D33CCB799AFF1E18C1159",
"hash_method": "SHA256",
"siblings": [
{
"right": "85DC229DB23BA8BE16084B9887BC23AC13BA64300298A65679E300DC4F6CDE08"
}, {
"left": "3B99DA0F49D0197C35FC35482D42524D06E7CC5C36F38E7325CA9313FD08A94F"
}, {
"right": "A9F266FB64E099931C7D50D8F5C780D03DCF74F8A07564DDD944B767C22B2AA8"
}, {
"right": "9B7736B760FE859C962AEE07AFC0458AC0879E247DDDA7E50884226F6365BC12"
}, {
"left": "CBA002CAF75495455E1E19DEBA53DBAD1C55258507CAA3C8DE93487DD31251C8"
}, {
"right": "99AA41717F8C5D02C92767A34B98199207332210DD9F232F52C84A163297370F"
}, {
"right": "6B5292AD4915DC8032943DA838F9BA1C46BAECC143259E68A064161B2748EECC"
}, {
"right": "DED108EF6F31200AC6AA6DD826DB5BE3F86E3231C149DCD6B05888643A54AF31"
}, {
"right": "1DD0C1BCDEABB2FACAD655741563518C95D84E206AA595C6A382B43F1128B394"
}, {
"right": "8A70D88ADBC962751C3F01631B02C17098420E66FAF425BD98CE280E77612910"
}, {
"right": "0B989444046084DBCD2B7632D21EFD8D44B3370147C0F679D3922DD5ED7E74F2"
}, {
"left": "7CEA5932DADDD0C834F820254EF7D0AAF7ADE070027B9DBDEA37E43BF17166C8"
}, {
"right": "E639C81F198CBAE4CFB329522CF785435C2D5FF0C098A13468AF83B271BBB8AA"
}
],
"block_number": null,
"created_at": "2018-03-13 00:04:20",
"confirmed_at": null,
"status": "pending",
"confirmations": null
}, {
"id": "0xc1ab5b7dda4bd712e455afb362dd71654d36279ef354a65d66911814948b6641",
"prefix": "53360886",
"hash": "99B83EC3199CDC1F4333C3616996CE710E1DF141C125B3B79DE420D60E42D6F8",
"hash_method": "SHA256",
"siblings": [
{
"left": "041579D37CD63031F134A64C823183C93D0A699E1630827DBA0F5BA8BB4F79D8"
}, {
"right": "4A349BE560C5BAE60B6D029017DAC29190E075F841529BEC56574717CE260FF7"
}, {
"left": "6125DB4EAECDB39A69061F1F80F4CB861778558EC5276FE74BB6F47A4EF7DF6D"
}, {
"right": "8687B02BE381F9FE91C23A9FE7849D22EEBD52E72A859FBA17733FF4AE2D3EAF"
}, {
"right": "4FCD7E3108E194E91D554D7D9B45C8304EE5B14A5DEB6AEA1E63932DF1DEBBE7"
}, {
"left": "036888C2DB68107928A62FD8C3C3F69C0C5443C605D38F9812DA37D7404C3E73"
}, {
"right": "A4730CE895162B174414A83972CC7DB241E8A594EA595934FACF5073E9C0650E"
}, {
"right": "3BDCB7D669BC2D9846EABE40295C2C86BBF51BB838BDC64B1732F3C9ABD8BB61"
}, {
"right": "B45D349349683EA2F726E4A51B4DFA405A1331B561A93B70E5704E992DF382A1"
}, {
"left": "B87BCC6270420002B243294A56094558A6F249FA6EFAEF06E2508B0F6891D02D"
}, {
"right": "87EB23A398D026980B07845990085E9CB4224042D30C1C545B98AB35B6B5733E"
}, {
"right": "FCB9190FEDB7B8F97BDBCD6E3B451698D5746E9914F5C5A8ACEA0FAF1FE6770F"
}
],
"block_number": null,
"created_at": "2018-03-13 00:32:09",
"confirmed_at": null,
"status": "pending",
"confirmations": null
}, {
"id": "0x9e140f2c417b820de1b1643d015f49da77cb4bfc258354afb2b6cd4859ddade3",
"prefix": "53363583",
"hash": "69AF2246D3341F64131366224E3599E2AAA0C7FD39E096132F7651877C88440D",
"hash_method": "SHA256",
"siblings": [
{
"left": "85DC229DB23BA8BE16084B9887BC23AC13BA64300298A65679E300DC4F6CDE08"
}, {
"left": "B218A956AEE8BB924AC0B7CB09E5551C5132DA2E66A36F90CA559DC777E33C84"
}, {
"left": "6BA95A413B395A3FBDDECCC646B521F63B81445C77C9414AE9176811B4464DEE"
}, {
"left": "B4BA51EC687D256DB9E9685C1003A717DBE879AD9A638F48A8126E8AAABF2553"
}, {
"right": "5AF7D9584F0315FE00E639DFD2FE07F144CFE6E1FB1FF5D242AF7267B29FF07F"
}, {
"right": "3DF64E71A2F88ACFADFFFEAE89282BBA7DD54FE91DBD71078528E9CB49C87A31"
}, {
"right": "91004075BFF9CE252032D6E82F3609CAC80EAF78AF2618B97601D72FE364F449"
}, {
"right": "2CE0FD2E1AE0185970F8DA1F106627CBEE41AF7AF87F56CF02E8760C550B54D4"
}, {
"right": "C803F3B1C6AA5D7890F17E416544CCE18B2CBD0F0D740D21C4B93A3AD62A166A"
}, {
"left": "2E336F48C399287A8C4682CF57AB305F5B3031DC238EAF3370D76A6F4142042B"
}
],
"block_number": "5242275",
"created_at": "2018-03-12 18:19:17",
"confirmed_at": "2018-03-12 18:19:45",
"status": "confirmed",
"confirmations": 2318284
}, {
"id": "0x5e2859756b20e5a4ac3bc9d14efd8d83707b0f9e958c34c77093d2ddfd1b817b",
"prefix": "533619EB",
"hash": "ABBEE170DDD9C50ECD32B1FC64F0A7CBF97AA3849F74DA75F6D221CC740304E0",
"hash_method": "SHA256",
"siblings": [
{
"right": "85DC229DB23BA8BE16084B9887BC23AC13BA64300298A65679E300DC4F6CDE08"
}, {
"right": "373D74701ED845481DA8E102FB79142D0E98C4538E72E9CF82EE0F563A7C9FD3"
}, {
"left": "3FDD0A30B9181138A88D5017396598FF888AFC96A69A1BC9305C1B87035A600E"
}, {
"left": "B737ED0266B6C373C8B241BBE9E73C6A7AF3404A37CD32C7A4B92C5BD1B06423"
}, {
"right": "E9131519DD1F21C64FC42B6ED770C696D8D404F6BE50947FCEA278A26CEDF0DB"
}, {
"right": "F66411C9EBC059B5B40EFDA55A2CBA020D7CD5E530721788586A0F722DC2879E"
}, {
"left": "743B5711300C465771DD2679CBE624BB741DD5BB6D06BCEA8D0AB0BF9E52202B"
}, {
"left": "FF05C20A2DE3A472AD7B2BEC33A38AD9BAC18E0EACC87F9E4ABD0546B219D845"
}, {
"right": "4D51EF8FAB7F17AC7E968FE380CB087922F7411019B2FC897CC23ED662459319"
}, {
"right": "03239DEB595EA0C37EF35D1B0F0409F3731E5F09D26B70A8CD8A73A936A54A40"
}, {
"right": "F27C2A2AFA9D557B50763010129ACC81FE5E01C5547CC6CF816FC4E68335F756"
}, {
"right": "4F8A05EE521CAE6CEDEE8513078E3B312500B4AEB9B077A8CEF4FFCA0B017705"
}, {
"left": "79617A5412EFE9D7BB841DD3951CE9F7A3AEFF0A951C45852C3822BE18697B91"
}
],
"block_number": "5243664",
"created_at": "2018-03-12 19:10:51",
"confirmed_at": "2018-04-24 11:42:08",
"status": "confirmed",
"confirmations": 2316895
}
]
},
"etc": {
"blockchain": {
"id": "etc",
"name": "Ethereum Classic",
"block_duration": 15,
"safe_confirmations_amount": 10,
"last_block": 7844546,
"last_block_time": "2019-04-13 18:11:51",
"last_block_time_gmt": "2019-04-13 16:11:51",
"transaction_base_url": "https://gastracker.io/tx/%s"
},
"status": "confirmed",
"confirmed_at_gmt": "2018-04-24 11:42:08",
"confirmed_at": "2018-04-24 13:42:08",
"confirmations": 4610358,
"stamped_in": 0,
"pending_blocks": 0,
"pending_time": 0,
"transactions": [
{
"id": "0x1e46b7791292fe98c99cecf82bae92a2baa753293bf73854e0a51286ec76afc9",
"prefix": "533635F5",
"hash": "25071204A18450F1F8A3367C0BD9D7CA88F8379DE1B9382BCCFEC86E8BC12021",
"hash_method": "SHA256",
"siblings": [
{
"right": "70E5D342C03F2AD5AB7E306894E740F57F2082CD23F7E8BDB826B3D62CE61FB1"
}, {
"left": "52325F922DB0847F015601B4B88EC810DB2BA159AC3165A437DFD7F772322A41"
}, {
"right": "3CE0047AD631C02CB5888BEB4C32FD3A830CA479F04E82326C686C203DF21199"
}, {
"right": "E7BFBAE7D1B8445676C611B1C9F54918AA4810721DFF5F3924AC3365BE35042E"
}, {
"left": "8D8CF972C7ACB828647BE58AE2D3AA28DDBC58A7142B44CD685F7C583E353A5A"
}, {
"left": "645443EDAC0CD930F9289CCBE4757690E28F62A126C6C81631661C9FEC954239"
}, {
"right": "67AA5A56C3389194644861A03D12AA9084A875B8905C1CC3BEE30C8EBE8530D2"
}, {
"right": "603F8578738BFB28C9AB786F2DE3839DD451B06EAEB272B1164F7DAFD130FB2D"
}, {
"left": "36C1FD05D1383B368FBB4FDE1B33E69F553A915824BF8560B338FADE78871F56"
}, {
"right": "1232DDB1F212ADC5372266E194F62ED0FA2985F4137685B109A03115689A8845"
}, {
"right": "CC85F57B7ACCD482F71605449A0E6A8628B556A2C58A264FABDD5490C7A9DAE0"
}, {
"right": "9111E12639D8B7B1E3206632C9DDF1FA241E36B5D0F74C72D4F0C66DA431BC05"
}
],
"block_number": null,
"created_at": "2018-03-12 22:48:06",
"confirmed_at": null,
"status": "pending",
"confirmations": null
}, {
"id": "0xc3913d8ccf9ee1febf387b2155448f776da7d044f05b1e6e0dedc28632afb4dc",
"prefix": "53360886",
"hash": "764FE8F5890D0218D0AD7270257EA0FB1FC4AA4C4E5D33CCB799AFF1E18C1159",
"hash_method": "SHA256",
"siblings": [
{
"right": "85DC229DB23BA8BE16084B9887BC23AC13BA64300298A65679E300DC4F6CDE08"
}, {
"left": "3B99DA0F49D0197C35FC35482D42524D06E7CC5C36F38E7325CA9313FD08A94F"
}, {
"right": "A9F266FB64E099931C7D50D8F5C780D03DCF74F8A07564DDD944B767C22B2AA8"
}, {
"right": "9B7736B760FE859C962AEE07AFC0458AC0879E247DDDA7E50884226F6365BC12"
}, {
"left": "CBA002CAF75495455E1E19DEBA53DBAD1C55258507CAA3C8DE93487DD31251C8"
}, {
"right": "99AA41717F8C5D02C92767A34B98199207332210DD9F232F52C84A163297370F"
}, {
"right": "6B5292AD4915DC8032943DA838F9BA1C46BAECC143259E68A064161B2748EECC"
}, {
"right": "DED108EF6F31200AC6AA6DD826DB5BE3F86E3231C149DCD6B05888643A54AF31"
}, {
"right": "1DD0C1BCDEABB2FACAD655741563518C95D84E206AA595C6A382B43F1128B394"
}, {
"right": "8A70D88ADBC962751C3F01631B02C17098420E66FAF425BD98CE280E77612910"
}, {
"right": "0B989444046084DBCD2B7632D21EFD8D44B3370147C0F679D3922DD5ED7E74F2"
}, {
"left": "7CEA5932DADDD0C834F820254EF7D0AAF7ADE070027B9DBDEA37E43BF17166C8"
}, {
"right": "E639C81F198CBAE4CFB329522CF785435C2D5FF0C098A13468AF83B271BBB8AA"
}
],
"block_number": null,
"created_at": "2018-03-13 00:04:20",
"confirmed_at": null,
"status": "pending",
"confirmations": null
}, {
"id": "0x8118d35d8c9849abff3841b06008511eaba4e695e88c85276de5395075bab832",
"prefix": "53360886",
"hash": "99B83EC3199CDC1F4333C3616996CE710E1DF141C125B3B79DE420D60E42D6F8",
"hash_method": "SHA256",
"siblings": [
{
"left": "041579D37CD63031F134A64C823183C93D0A699E1630827DBA0F5BA8BB4F79D8"
}, {
"right": "4A349BE560C5BAE60B6D029017DAC29190E075F841529BEC56574717CE260FF7"
}, {
"left": "6125DB4EAECDB39A69061F1F80F4CB861778558EC5276FE74BB6F47A4EF7DF6D"
}, {
"right": "8687B02BE381F9FE91C23A9FE7849D22EEBD52E72A859FBA17733FF4AE2D3EAF"
}, {
"right": "4FCD7E3108E194E91D554D7D9B45C8304EE5B14A5DEB6AEA1E63932DF1DEBBE7"
}, {
"left": "036888C2DB68107928A62FD8C3C3F69C0C5443C605D38F9812DA37D7404C3E73"
}, {
"right": "A4730CE895162B174414A83972CC7DB241E8A594EA595934FACF5073E9C0650E"
}, {
"right": "3BDCB7D669BC2D9846EABE40295C2C86BBF51BB838BDC64B1732F3C9ABD8BB61"
}, {
"right": "B45D349349683EA2F726E4A51B4DFA405A1331B561A93B70E5704E992DF382A1"
}, {
"left": "B87BCC6270420002B243294A56094558A6F249FA6EFAEF06E2508B0F6891D02D"
}, {
"right": "87EB23A398D026980B07845990085E9CB4224042D30C1C545B98AB35B6B5733E"
}, {
"right": "FCB9190FEDB7B8F97BDBCD6E3B451698D5746E9914F5C5A8ACEA0FAF1FE6770F"
}
],
"block_number": null,
"created_at": "2018-03-13 00:32:09",
"confirmed_at": null,
"status": "pending",
"confirmations": null
}, {
"id": "0x511f24dcefa764568f96d61a35837f5447286903489b8a3caa0384dc06fc6ce8",
"prefix": "53363583",
"hash": "69AF2246D3341F64131366224E3599E2AAA0C7FD39E096132F7651877C88440D",
"hash_method": "SHA256",
"siblings": [
{
"left": "85DC229DB23BA8BE16084B9887BC23AC13BA64300298A65679E300DC4F6CDE08"
}, {
"left": "B218A956AEE8BB924AC0B7CB09E5551C5132DA2E66A36F90CA559DC777E33C84"
}, {
"left": "6BA95A413B395A3FBDDECCC646B521F63B81445C77C9414AE9176811B4464DEE"
}, {
"left": "B4BA51EC687D256DB9E9685C1003A717DBE879AD9A638F48A8126E8AAABF2553"
}, {
"right": "5AF7D9584F0315FE00E639DFD2FE07F144CFE6E1FB1FF5D242AF7267B29FF07F"
}, {
"right": "3DF64E71A2F88ACFADFFFEAE89282BBA7DD54FE91DBD71078528E9CB49C87A31"
}, {
"right": "91004075BFF9CE252032D6E82F3609CAC80EAF78AF2618B97601D72FE364F449"
}, {
"right": "2CE0FD2E1AE0185970F8DA1F106627CBEE41AF7AF87F56CF02E8760C550B54D4"
}, {
"right": "C803F3B1C6AA5D7890F17E416544CCE18B2CBD0F0D740D21C4B93A3AD62A166A"
}, {
"left": "2E336F48C399287A8C4682CF57AB305F5B3031DC238EAF3370D76A6F4142042B"
}
],
"block_number": "5538736",
"created_at": "2018-03-12 18:19:17",
"confirmed_at": "2018-03-12 18:19:43",
"status": "confirmed",
"confirmations": 2305810
}, {
"id": "0xbea00c7c38299a6e1556baa2cfee5c3c40ee42e3198db6a8f86a008ae3b0cc0a",
"prefix": "533619EB",
"hash": "ABBEE170DDD9C50ECD32B1FC64F0A7CBF97AA3849F74DA75F6D221CC740304E0",
"hash_method": "SHA256",
"siblings": [
{
"right": "85DC229DB23BA8BE16084B9887BC23AC13BA64300298A65679E300DC4F6CDE08"
}, {
"right": "373D74701ED845481DA8E102FB79142D0E98C4538E72E9CF82EE0F563A7C9FD3"
}, {
"left": "3FDD0A30B9181138A88D5017396598FF888AFC96A69A1BC9305C1B87035A600E"
}, {
"left": "B737ED0266B6C373C8B241BBE9E73C6A7AF3404A37CD32C7A4B92C5BD1B06423"
}, {
"right": "E9131519DD1F21C64FC42B6ED770C696D8D404F6BE50947FCEA278A26CEDF0DB"
}, {
"right": "F66411C9EBC059B5B40EFDA55A2CBA020D7CD5E530721788586A0F722DC2879E"
}, {
"left": "743B5711300C465771DD2679CBE624BB741DD5BB6D06BCEA8D0AB0BF9E52202B"
}, {
"left": "FF05C20A2DE3A472AD7B2BEC33A38AD9BAC18E0EACC87F9E4ABD0546B219D845"
}, {
"right": "4D51EF8FAB7F17AC7E968FE380CB087922F7411019B2FC897CC23ED662459319"
}, {
"right": "03239DEB595EA0C37EF35D1B0F0409F3731E5F09D26B70A8CD8A73A936A54A40"
}, {
"right": "F27C2A2AFA9D557B50763010129ACC81FE5E01C5547CC6CF816FC4E68335F756"
}, {
"right": "4F8A05EE521CAE6CEDEE8513078E3B312500B4AEB9B077A8CEF4FFCA0B017705"
}, {
"left": "79617A5412EFE9D7BB841DD3951CE9F7A3AEFF0A951C45852C3822BE18697B91"
}
],
"block_number": "5539998",
"created_at": "2018-03-12 19:10:51",
"confirmed_at": "2018-04-24 11:42:08",
"status": "confirmed",
"confirmations": 2304548
}
]
}
},
"content_decoded": {
"title": "Aprendizaje automu00e1tico para mejorar el anu00e1lisis conversacional y optimizar la escucha social",
"content": "En el pasado TcDesayunos, Isaac Hernu00e1ndez de Google for Work nos recordaba la serie de partidas en las que un ordenador ganu00f3 a Go a uno de los mejores jugadores del mundo. Un hito que ilustra cu00f3mo ha cambiado la forma en la que debemos entender lo que una mu00e1quina nos puede aportar: si en el pasado nos pareciu00f3 notable que un ordenador pudiera ganarnos al ajedrez, u00bfcu00f3mo es posible que en solo unos au00f1os la computaciu00f3n avance tanto para retarnos a un juego muchu00edsimo mu00e1s complejo?nnLa respuesta la encontramos en el aprendizaje automu00e1tico o machine learning: la mu00e1quina que ganu00f3 jugando a Go analizu00f3 millones de partidas para evaluar patrones y utilizarlos en el momento llegando a jugadas muy eficaces. u00bfCu00f3mo podemos utilizar el aprendizaje automu00e1tico en las actividades que nos afectan?nntnMejorar la categorizaciu00f3n o sentimiento de nuestros anu00e1lisisnnnEl aprendizaje automu00e1tico (machine learning) es un subcampo de la inteligencia artificial (IA) que trata con algoritmos que permiten a las mu00e1quinas aprender. Algoritmos que a travu00e9s de conjuntos de datos deducen informaciu00f3n sobre las propiedades de esos datos y la informaciu00f3n extrau00edda le permite hacer predicciones sobre otros datos futuros.nEsto es posible debido a que casi todos los datos no aleatorios contiene patrones, y esos patrones permiten a la mu00e1quina generalizar. Con el fin de generalizar, se entrena un modelo con el que se determinan los aspectos importantes de los datos.nnMuchas veces nos encontramos con herramientas de escucha social o monitorizaciu00f3n que clasifican por sentimientos, etiquetas o categoru00edas. Segu00fan la aplicaciu00f3n, pueden hacerlo manualmente, a travu00e9s de libreru00edas que tienen por defecto o bien con reglas en las que determinamos ciertos operados y tu00e9rminos a buscar. El modo manual es cercano al 100% en precisiu00f3n pero muy lento y costoso en tiempo y generalmente el modo automu00e1tico es mucho mu00e1s impreciso aunque mu00e1s ru00e1pido. u00bfCu00f3mo podemos mejorar ambos? Utilizando aprendizaje automu00e1tico para combinar el conocimiento humano y servirlo a la mu00e1quina para que, poco a poco, afine sus procedimientos y pueda categorizar automu00e1ticamente pero con una precisiu00f3n mucho mayor. Un ejemplo de herramienta que solemos utilizar para esto es MonkeyLearn.nntnExtraer conclusiones que afectan a negocio en tiempo realnnnEl Procesamiento de Lenguaje Natural permite a la mu00e1quina "entender" textos o mensajes de voz que luego pasan a cadenas de texto susceptibles de ser analizados. Para entenderlo, considera un ejemplo sencillo en la compleja tarea del filtrado de correo electru00f3nico. Supongamos que recibes una gran cantidad de spam que contiene las palabras "farmacia en lu00ednea." Como ser humano, puedes reconocer patrones, y determinar ru00e1pidamente que cualquier mensaje con las palabras "farmacia en lu00ednea" es spam y debe trasladarse directamente a la basura. u00c9sta es una generalizaciu00f3n que tiene, de hecho, un modelo mental de lo que es spam.nDespuu00e9s de marcar varios de estos emails, como mensajes de correo no deseado, un algoritmo de aprendizaje diseu00f1ado para filtrar el spam debe ser capaz de hacer la misma generalizaciu00f3n que has realizado.nnnnGracias al Procesamiento de Lenguaje Natural, ademu00e1s, se pueden identificar patrones en textos o mensajes de voz casuales, emitidos de forma espontu00e1nea. Por ejemplo, un cliente tuitea sobre lo bien o mal que ha sido tratado en un concesionario y por quu00e9 ha tenido esa experiencia. Gracias a herramientas con PLN y machine learning podemos extraer conceptos e identidades (text mining) de las que podemos servirnos para identificar quu00e9 elementos de esa experiencia fueron positivos o negativos: el trato del comercial, la prueba del automu00f3vil, la propuesta de precios o el ambiente. Como u00e9ste, otros casos en diferentes u00e1mbitos marcan el viaje del consumidor. Por ejemplo, cu00f3mo obtener conclusiones que afectan a negocio a travu00e9s de opiniones de clientes en comparadores de hoteles.nntnSalvar vidasnnnEl suicidio es la segunda causa de defunciu00f3n entre las personas de 15 a 29 au00f1os, un problema muy grave que afecta a la sociedad hoy en du00eda a du00eda. Con este problema en mente, el Grupo de Procesamiento de Lenguaje Natural y Sistemas de Informaciu00f3n de la Universidad de Alicante decidiu00f3 tomar medidas: han lanzado el proyecto de crowdfunding Life! para desarrollar una herramienta capaz de detectar sentimientos o emociones publicadas en base a texto en las diferentes plataformas sociales e intentar evitar estos fatales sucesos poniendo en contacto con organizaciones de prevenciu00f3n de forma anu00f3nima.nnnnnnntnMirando al futuronnnGracias a la aplicaciu00f3n de tu00e9cnicas como el Aprendizaje automu00e1tico, Procesamiento de Lenguaje Natural combinados con los avances en software y hardware podemos aplicar la precisiu00f3n de la labor manual efectuada por una persona y su conocimiento de las experiencias realizadas a la automatizaciu00f3n que supone que una mu00e1quina cada vez mu00e1s avanzada sea capaz de mostrarnos patrones, ahorrarnos tiempo de trabajo y ofrecernos aprendizajes que nos permitan mejorar el anu00e1lisis de procesos que du00eda a du00eda intentamos realizar con herramientas que tan solo infieren en base a unos pocos datos y que nos suponen un tiempo de elaboraciu00f3n demasiado costoso.",
"url": "https://www.goodrebels.com/es/aprendizaje-automatico-para-mejorar-el-analisis-conversacional-y-optimizar-la-escucha-social/",
"authors": [
"David Garcu00eda-Navas"
],
"origin": "WP Blockchain",
"format": "wpblockchain"
},
"content": "{"title":"Aprendizaje autom\u00e1tico para mejorar el an\u00e1lisis conversacional y optimizar la escucha social","content":"En el pasado TcDesayunos, Isaac Hern\u00e1ndez de Google for Work nos recordaba la serie de partidas en las que un ordenador gan\u00f3 a Go a uno de los mejores jugadores del mundo. Un hito que ilustra c\u00f3mo ha cambiado la forma en la que debemos entender lo que una m\u00e1quina nos puede aportar: si en el pasado nos pareci\u00f3 notable que un ordenador pudiera ganarnos al ajedrez, \u00bfc\u00f3mo es posible que en solo unos a\u00f1os la computaci\u00f3n avance tanto para retarnos a un juego much\u00edsimo m\u00e1s complejo?\n\nLa respuesta la encontramos en el aprendizaje autom\u00e1tico o machine learning: la m\u00e1quina que gan\u00f3 jugando a Go analiz\u00f3 millones de partidas para evaluar patrones y utilizarlos en el momento llegando a jugadas muy eficaces. \u00bfC\u00f3mo podemos utilizar el aprendizaje autom\u00e1tico en las actividades que nos afectan?\n\n\t\nMejorar la categorizaci\u00f3n o sentimiento de nuestros an\u00e1lisis\n\n\nEl aprendizaje autom\u00e1tico (machine learning) es un subcampo de la inteligencia artificial (IA) que trata con algoritmos que permiten a las m\u00e1quinas aprender. Algoritmos que a trav\u00e9s de conjuntos de datos deducen informaci\u00f3n sobre las propiedades de esos datos y la informaci\u00f3n extra\u00edda le permite hacer predicciones sobre otros datos futuros.\nEsto es posible debido a que casi todos los datos no aleatorios contiene patrones, y esos patrones permiten a la m\u00e1quina generalizar. Con el fin de generalizar, se entrena un modelo con el que se determinan los aspectos importantes de los datos.\n\nMuchas veces nos encontramos con herramientas de escucha social o monitorizaci\u00f3n que clasifican por sentimientos, etiquetas o categor\u00edas. Seg\u00fan la aplicaci\u00f3n, pueden hacerlo manualmente, a trav\u00e9s de librer\u00edas que tienen por defecto o bien con reglas en las que determinamos ciertos operados y t\u00e9rminos a buscar. El modo manual es cercano al 100% en precisi\u00f3n pero muy lento y costoso en tiempo y generalmente el modo autom\u00e1tico es mucho m\u00e1s impreciso aunque m\u00e1s r\u00e1pido. \u00bfC\u00f3mo podemos mejorar ambos? Utilizando aprendizaje autom\u00e1tico para combinar el conocimiento humano y servirlo a la m\u00e1quina para que, poco a poco, afine sus procedimientos y pueda categorizar autom\u00e1ticamente pero con una precisi\u00f3n mucho mayor. Un ejemplo de herramienta que solemos utilizar para esto es MonkeyLearn.\n\n\t\nExtraer conclusiones que afectan a negocio en tiempo real\n\n\nEl Procesamiento de Lenguaje Natural permite a la m\u00e1quina \"entender\" textos o mensajes de voz que luego pasan a cadenas de texto susceptibles de ser analizados. Para entenderlo, considera un ejemplo sencillo en la compleja tarea del filtrado de correo electr\u00f3nico. Supongamos que recibes una gran cantidad de spam que contiene las palabras \"farmacia en l\u00ednea.\" Como ser humano, puedes reconocer patrones, y determinar r\u00e1pidamente que cualquier mensaje con las palabras \"farmacia en l\u00ednea\" es spam y debe trasladarse directamente a la basura. \u00c9sta es una generalizaci\u00f3n que tiene, de hecho, un modelo mental de lo que es spam.\nDespu\u00e9s de marcar varios de estos emails, como mensajes de correo no deseado, un algoritmo de aprendizaje dise\u00f1ado para filtrar el spam debe ser capaz de hacer la misma generalizaci\u00f3n que has realizado.\n\n\n\nGracias al Procesamiento de Lenguaje Natural, adem\u00e1s, se pueden identificar patrones en textos o mensajes de voz casuales, emitidos de forma espont\u00e1nea. Por ejemplo, un cliente tuitea sobre lo bien o mal que ha sido tratado en un concesionario y por qu\u00e9 ha tenido esa experiencia. Gracias a herramientas con PLN y machine learning podemos extraer conceptos e identidades (text mining) de las que podemos servirnos para identificar qu\u00e9 elementos de esa experiencia fueron positivos o negativos: el trato del comercial, la prueba del autom\u00f3vil, la propuesta de precios o el ambiente. Como \u00e9ste, otros casos en diferentes \u00e1mbitos marcan el viaje del consumidor. Por ejemplo, c\u00f3mo obtener conclusiones que afectan a negocio a trav\u00e9s de opiniones de clientes en comparadores de hoteles.\n\n\t\nSalvar vidas\n\n\nEl suicidio es la segunda causa de defunci\u00f3n entre las personas de 15 a 29 a\u00f1os, un problema muy grave que afecta a la sociedad hoy en d\u00eda a d\u00eda. Con este problema en mente, el Grupo de Procesamiento de Lenguaje Natural y Sistemas de Informaci\u00f3n de la Universidad de Alicante decidi\u00f3 tomar medidas: han lanzado el proyecto de crowdfunding Life! para desarrollar una herramienta capaz de detectar sentimientos o emociones publicadas en base a texto en las diferentes plataformas sociales e intentar evitar estos fatales sucesos poniendo en contacto con organizaciones de prevenci\u00f3n de forma an\u00f3nima.\n\n\n\n\n\n\n\t\nMirando al futuro\n\n\nGracias a la aplicaci\u00f3n de t\u00e9cnicas como el Aprendizaje autom\u00e1tico, Procesamiento de Lenguaje Natural combinados con los avances en software y hardware podemos aplicar la precisi\u00f3n de la labor manual efectuada por una persona y su conocimiento de las experiencias realizadas a la automatizaci\u00f3n que supone que una m\u00e1quina cada vez m\u00e1s avanzada sea capaz de mostrarnos patrones, ahorrarnos tiempo de trabajo y ofrecernos aprendizajes que nos permitan mejorar el an\u00e1lisis de procesos que d\u00eda a d\u00eda intentamos realizar con herramientas que tan solo infieren en base a unos pocos datos y que nos suponen un tiempo de elaboraci\u00f3n demasiado costoso.","url":"https:\/\/www.goodrebels.com\/es\/aprendizaje-automatico-para-mejorar-el-analisis-conversacional-y-optimizar-la-escucha-social\/","authors":["David Garc\u00eda-Navas"],"origin":"WP Blockchain","format":"wpblockchain"}"
}
}