Se trata de empresas que están aplicando diferentes técnicas —ya sea el procesamiento de imágenes, texto, audio, vídeo, datos categóricos o tabulares o combinaciones de los anteriores— para hacer frente a diversos retos de la industria, desde el cumplimiento de la promesa de los coches autónomos hasta la superación de los límites de la producción agrícola.

Argo AI
Argo AI es una empresa que pretende convertirse en la plataforma completa para los vehículos que conducen solos; abarca todo el software, el hardware, los mapas y la infraestructura remota que serán necesarios para llevarnos al glorioso futuro en el que no tengamos que estar en un autobús o un tren para leer un libro en el trayecto al trabajo.
En colaboración con socios como Ford y Volkswagen, Argo AI está ampliando los límites de la investigación, y acaba de anunciar Argo Lidar (light detection and ranging), un nuevo enfoque para realizar comprobaciones de objetos a una distancia de hasta 400 metros, además de funcionar bien por la noche y en condiciones de poca luz y ser capaz de manejar transiciones como la salida de túneles que pueden causar problemas a otras matrices Lidar (y seamos sinceros, también a nosotros, pobres humanos).

Ceres Imaging
Ceres Imaging ofrece una magnífica mezcla de tecnología de la vieja escuela y de vanguardia, ya que evita las imágenes por satélite o de drones y las sustituye por cámaras de alta resolución montadas en aviones de ala fija, y utiliza esas imágenes como entrada a una serie de modelos para proporcionar información crítica a los agricultores, como descubrir problemas de riego dos o tres semanas antes de que sean visibles en el campo, corregir situaciones de exceso o falta de riego y calcular cómo afectará la solución de estos problemas a los rendimientos.
Además, Ceres Imaging puede liberar a los agricultores de la carga de tareas sencillas y laboriosas como el recuento de árboles, haciendo posible que esta tarea se realice a partir de imágenes aéreas. Ceres entrega un informe en el que se contabiliza el número de árboles por variedad y se señalan las ubicaciones de los que faltan o están dañados, llegando incluso a generar el pedido del vivero para su sustitución. Es solo un pequeño ejemplo de cómo las técnicas de IA están permitiendo avances incluso en áreas que no vienen inmediatamente a la mente cuando alguien dice las palabras "red neuronal".

Landing AI
Fundada por Andrew Ng, cofundador de Google Brain y antiguo jefe de ciencia de datos en Baidu, Landing AI es un intento de llevar el poder de la IA a sectores que aún no han visto los avances que puede aportar. El primer producto de la empresa, LandingLens, es una plataforma integrada que permite a los fabricantes combinar su experiencia con la de Landing AI para producir una plataforma de inspección visual de mejora continua. Además de para el mundo de la fabricación, Landing AI también está trabajando en sistemas de inspección visual para las industrias de la agricultura y la automoción.
Un aspecto interesante del enfoque de Landing AI es que sitúa los datos de los usuarios en el centro de la solución. Tratar con los datos de entrada es a menudo la parte menos emocionante del trabajo de un científico de datos, pero, a pesar de los grandes avances que se han hecho en las soluciones autosupervisadas en los últimos años, es en los datos de entrada donde tiene más impacto la aplicación.

Sentinel
Con sede en Estonia, Sentinel se esfuerza por ser uno de los líderes en ese ámbito. Con impresionantes credenciales de ciberseguridad de la OTAN y el respaldo del expresidente de Estonia, la empresa ofrece una API que se basa en varios enfoques de aprendizaje profundo, así como en una base de datos masiva de falsificaciones existentes con fines de comparación, para determinar si los contenidos subidos son falsos o no. El sistema Sentinel incluso produce un informe sobre lo que se hizo para generar la falsificación en el caso de un resultado positivo.

Standard
Standard ofrece la promesa de comprar en tiendas físicas sin hacer colas. El usuario se registra con una aplicación móvil cuando entra en la tienda, se pasea por ella y coge lo que quiere y, luego, simplemente se va. La tecnología de visión computerizada de Standard hace un seguimiento de todo lo que sale del edificio y lo carga en su cuenta. La experiencia tiene incluso menos fricciones que Amazon Go, sin torniquetes ni puertas.

A Standard le gustaría mucho ser la empresa que haga que esta tecnología esté omnipresente en el comercio minorista, conectándose a sus cadenas de suministro para proporcionar análisis detallados y posibilitar las experiencias de pago más fluidas. En la actualidad, la compañía tiene una tienda insignia en San Francisco (¡pero claro!) y ha firmado un acuerdo con Circle K para realizar algunos experimentos piloto en Arizona, equipando cuatro tiendas con tecnología de caja autónoma. Si todo va bien, podríamos ver cómo la IA de compras de Standard se extiende rápidamente por todo el país.

Podemos decir que en una área de un negocio existe necesidad de innovar si se cumplen tres condiciones:
1. Los consumidores está realizando una actividad pero no disponen de herramientas suficientemente buenas para realizarla. Las herramientas existentes no llegan a facilitar ni a simplificar dicha tarea.
2. La actividad está siendo realizada por una gran cantidad de personas, en países diferentes, y de un modo similar.
3. Existe una actividad concreta dentro de esa actividad general que genera un alto grado de insatisfacción en los usuarios al utilizar herramientas que ya existen. Además, esa actividad o tarea concreta es crítica para llevar a cabo la actividad general.
El emprendedor, a través de la búsqueda sistemática, debe ser capaz de encontrar una actividad que mucha gente esté desarrollando, pero en la que no existan buenas herramientas para su ejecución. Esta es la parte más difícil de todo el proceso. De hecho, uno de los errores más frecuentes de los emprendedores es desarrollar soluciones novedosas, eficientes y eficaces para tareas que muy poca gente realiza: no dejan de ser soluciones en búsqueda de problemas.
Una vez identificada esa actividad, debe estudiarse a fondo y dividirse en tareas específicas. Después, se entrevistará a una muestra relativamente pequeña de personas que llevan a cabo esa actividad, y se analizará con detenimiento cuál es su grado de satisfacción con las herramientas que ya existen en el mercado para realizar cada una de esas tareas.
La tarea con mayor criticidad y con el mayor índice de insatisfacción será aquella a la que el emprendedor deberá dedicarle más tiempo, imaginación y recursos para diseñar una mejor solución a todas las existentes. Este, sin duda, es el camino para crear soluciones a problemas que necesitan ser resueltos y que son relevantes en un determinado sector de consumo. Y para nosotros es la definición de innovación en su estado más puro, innovar para resolver una necesidad grande que no esté satisfecha con las herramientas creadas y diseñadas hasta la fecha.

Articulo: https://intelectium.com/innovacion-en-startups/

Revisión del primer paper:
A Model-Free Affective Reinforcement Learning Approach to Personalization of an Autonomous Social Robot Companion for Early Literacy Education

Este paper nos muestra la aplicación del aprendizaje por refuerzo en la educación de los niños. Presentan un sistema personalizado de compañero de aprendizaje (robot social) que utiliza señales afectivas verbales y no verbales de los niños para modular su participación y maximizar sus ganancias a largo plazo.
Proponen un enfoque de aprendizaje por refuerzo afectivo para capacitar una política personalizada para cada estudiante (niño de 4 a 6 años) en donde el robot social le contará una historia al estudiante donde intervendrá las preguntas e intervenciones del niño.
El robot registrará cada sesión y puede evaluar automáticamente las señales de afecto no verbal de los niños, así como analizar sus muestras de discurso para evaluar su léxico y habilidades de sintaxis. Usando esta política optimizada, el robot selecciona historias que estén optimizadas para el compromiso lingüístico y el compromiso de cada niño teniendo una progresión de la habilidad.
Para lograr este trabajo, se reclutó a 67 estudiantes que conocieran el idioma inglés de entre 4 a 6 años y puedan participar en el experimento. Se llevó un despliegue de 3 meses en la escuela, la política fue capacitada para entregar un plan de estudio personalizado para cada niño. Luego se comparó el compromizo y los resultados de aprendizaje de un grupo de estudiantes utilizando el robot y un grupo de estudiantes que no utilizaron el robot. El resultado fue que la política afectiva se personalizó con éxito para cada niño y logró impulsar su compromiso y resultados de aprendizaje. El estudiante logró retener más palabras y utilizar más estructuras de sintaxis en comparación que los estudiantes que no utilizaron el robot, lo cual era el objetivo.

Referencia: https://sci-hub.se/https://doi.org/10.1 ... 01.3301687

Revisión del segundo paper:
Reinforcement learning of pedagogical policies in adaptive and intelligent educational systems

Este paper nos habla sobre los sistemas adaptativos inteligentes(AIES), en donde se explica que se necesita una gran experiencia para que el sistema aprenda a enseñar correctamente, por esa razón se presentaron experimentos empíricos que puedan demostrar que la función de valor aprendida con estudiantes simulados pueda proporcionar al AIES una política pedagógica inicial muy precisa. La evaluación se basa en la interacción de más de 70 estudiantes de licenciatura en Ciencias de la Computación. Los resultados muestran que el módulo pedagógico pueda describirse como un problema de aprendizaje por refuerzo. De esta forma, el sistema es capaz de actualizar la política pedagógica automáticamente según las necesidades de los alumnos en cada momento de la interacción, basada únicamente en la experiencia previa con otros estudiantes con características de aprendizaje parecidas.

Referencia:https://sci-hub.se/https://doi.org/10.1 ... 009.01.007

Conforme pasan los años, la inteligencia artificial es usada en más acciones cotidianas y en sectores de industria. Aportando mucho para mejores tomas de decisiones, detección de enfermedades tempranas o también para interactuar con clientes mediante chatbots. Mientras más avanza la tecnología y el desarrollo de la inteligencia artificial, nos hacemos la pregunta si la inteligencia artificial nos ayudará o podría ser un peligro si se usa de manera incorrecta. Con un manejo de información enorme de las personas, la IA utilizada de la manera incorrecta puede generar manipulación social, ataques cibernéticos e incentivos financieros, al darse cuenta las personas pueden reconocer el gran peligro que puede ser la IA utilizada de una manera no favorable para el ser humano. En el paper "Building Ethics into Artificial Intelligence" nos habla de la importancia de construir la ética en la IA, dándonos tres dimensiones. La primera nos dice que una IA es ética cuando sopesa las consecuencias de cada elección y elige la opción con los resultados más morales. La segunda dimensiones nos dice que una IA es ética cuando respeta las obligaciones, deberes y derechos relacionados con cada situación que abarca la IA. Y la tercera dimensión nos dice que una IA es ética cuando actua con valores morales y deben ser percibidos favorablemente por sus usuarios.

En el sector financiero, la IA es uno de los campos más utilizados y explotados ya que tienen múltiples aplicaciones y con el paso de los años se van desarrollando nuevas aplicaciones, por ejemplo los bancos utilizan las técnicas de machine learning para detectar fraudes en tarjetas de crédito, algoritmos de recomendación, chatbots con los clientes y la fuga de clientes. Ya que el sector financiero maneja mucha información siendo también muy delicada y crítica, la importancia y el impacto ético es un gran diferenciador para las empresas y en el sector financiero que se basa en interactuar con el cliente para generar una confianza y cercanía con este, se tiene que tener mucha mayor transparencia y coherencia al desarrollar sus soluciones o modelos de negocio, teniendo soluciones de inteligencia artificial bajo supervisión humano, que sea privada y segura para el cliente, que pueda generar una confianza, buscando el bienestar social y ambiental. Siendo la inteligencia artificial muy usada por el sector financiero y teniendo una gran importancia con su uso, también debe tener unas obligaciones grandes para hacer sentir al cliente seguro y cumplir los principios éticos es un gran diferenciador de las empresas que no las cumplen, además que ayuda al usuario a confiar en lo nuevo y desconocido para que pueda utilizar y comprar estas nuevas soluciones.