Conecta con nosotros

Noticias

La palma de la mano pondrá nombre a los niños invisibles

Publicado el

Hace ya unos años que Fujitsu cuenta con la tecnología Palm Vein. Un sistema que captura e identifica a los usuarios mediante la exploración infrarroja de las venas y el oxigeno de la palma de la mano. Este proceso lo realiza en tan solo un segundo y se trata de un patrón único que además se mantiene durante toda la vida.

Este tipo de identificación biométrica, por la que apuesta Fujitsu, tiene dos características a su favor, es más fiable que la huella dactilar y más barata de implementar que un escáner de retina. Estos dos puntos la convirtieron en la elegida por la ONG itwillbe para poner en marcha el proyecto PPa, Protection People app.

Miles de personas tienen que desplazarse de un lugar a otro sin ningún documento de identidad, este hecho, aunque pueda parecer irrelevante, hacen que estén desprotegidas y no sean reconocidas de ninguna manera. Muchas de ellas, sobre todo los niños, son obligadas a mentir ya que están bajo el control de mafias que controlan el tráfico de personas. Conseguir datos y hacer un seguimiento de estas personas ayuda a organizaciones como itwillbe a prestar ayuda humanitaria a aquellas personas que lo necesitan. Según Arancha Martínez, directora de itwillbe “Si en el sector privado los datos permiten a las empresas diseñar y producir los mejores productos y servicios para cubrir las necesidades de sus clientes, con más razón el que trabaja por erradicar los grandes problemas globales como el hambre, la trata de personas o las epidemias debe tener acceso a datos fiables y a herramientas de gestión de los mismos innovadoras y eficaces“.

El objetivo de itwillbe con PPa era desarrollar una aplicación, fácil de usar, escalable, con sistema portable y barata. Junto con su partner Neoris seleccionaron la tecnología biométrica de Fujitsu ya que cumplía ampliamente estas características. La sencillez y funcionalidad de PPa hace que sea capaz de instaurarse prácticamente cualquier proyecto social que requiera una identificación.

El primer proyecto que itwillbe ha puesto en marcha con esta tecnología es ChildMISS que arranca inicialmente en Bangalore, aunque su objetivo es llegar en un futuro lo más cercano posible a los 11 millones de niños afectados en todo el país. Este trabajo se inició en la ONG Don Bosco y su busca crear una base de datos correcta de los menores y hacer más eficiente el trabajo de intervención social de los centros y, lo más importante, mostrar al Gobierno Indio datos, reales y transparentes de esta problemática.

En India, más de 10 millones de niños viven solos en la calle, sin protección familiar o social. Estos menores llegan a la estación de trenes de Surat procedentes de otros estados empobrecidos de India, con problemáticas  sociales fuertes y enfermedades. La mayoría de ellos no tienen familias o proceden de un entorno desestructurado o sin recursos sin posibilidad de que nadie pueda hacerse cargo de ellos. Por eso terminan viviendo en las calles y utilizan los trenes como medio de desplazamiento dentro del país.

Alrededor de la estación de tren se articula toda una red de abuso y explotación controlada por mafias que se aprovechan de la desprotección de estos menores para utilizarlos con fines económicos, obligándoles a pedir en la estación y sometiéndoles a situaciones de indigencia y miseria en condiciones de salubridad pésimas y en régimen de esclavitud. ChildMISS busca el seguimiento, tratamiento y documentación de datos de menores no acompañados para facilitar la intervención en diferentes áreas (reagrupación familiar, áreas educativa, sanitaria, familiar, social, etc) de niños y niñas de las calles que residen de manea temporal o permanente, en centro de acogida y orfanatos.

Uno de sus grandes valores es que proporciona a las organizaciones gubernamentales y no gubernamentales, un sistemas compartido para documentar sus servicios e intervenciones. Palm Vein es perfecto, ya que permite “a pie de calle” una identificacion con la máxima fiabilidad, evitando duplicidades e ineficiencias, con el objetivo de ganar eficiencia e impacto social. Con ChildMISS se está consiguiendo una reducción del tiempo empleado por los trabajadores sociales, incremento en el éxito de captación, menor gasto de intervención social por niño, mejor transparencia de datos, importantes ahorros económicos  creación de un documento en la fase de recogida de datos para poder erradicar esta “invisibilidad”. Y como no, informar a los gobiernos con datos claros y fidedignos sobre la terrible realidad.

 

En el mundo de la tecnología por casualidad pero enormemente agradecida. Social Media Manager, Redacción, Organización y cualquier reto que se me proponga.

Noticias

Lenovo crece un 19% gracias a su unidad de PCs

Publicado el

Los ingresos de Lenovo han crecido un 19% en el trimestre finalizado el 30 de Junio (que para la compañía es el primer trimestre del año fiscal) contabilizado de forma anualizada. Lenovo crece, y crece mucho. Tal y como señala Yang Yuanqing, Chairman y CEO de Lenovo, “a medida que ponemos en práctica nuestra estrategia 3-Wave, todas las unidades de negocio han dado pasos firmes en la mejora de ingresos y de beneficios”.

Continuar leyendo

Noticias

TransmogrifAI el Machine Learning de Salesforce llega a GitHub

Publicado el

Los modelos de Machine Learning, la Inteligencia Artificial que identifica relaciones entre millones de datos, rara vez son fáciles de diseñar. Los científicos de datos pasan semanas y meses no solamente procesando los datos en los que se basa cada uno de los modelos, si no que también tienen que extraer características útiles de los datos, estrechando algoritmos y al final construyen, o lo intentan, un sistema que no solo funcione bien en el laboratorio, que también lo haga en el mundo real.

Las nuevas herramientas de Salesforce tienen como objetivo intentar aliviar esta carga de trabajo. Salesforce ha publicado en GitHub TransmogrifAI, una biblioteca de Machine Learning para datos estructurados. Este tipo de datos, que se encuentra en tablas y bases de datos, permitirá seleccionar características útiles y modelos de entrenamiento con tan solo tres líneas de código.

Mayukh Bhaowal, director de Salesforce Einstein, comentó en una entrevista telefónica con VentureBeat que TransmogrifAI transforma conjuntos de datos sin procesar en modelos personalizados. Es la evolución de la biblioteca de Machine Learning de Salesforce, que permitió al equipo de Einstein desarrollar en cuestión de horas un modelo personalizado para sus clientes.

Bhaowal explicó que se creó con la experiencia y el aprendizaje que los científicos de datos de Salesforce consiguieron al crear Einstein. Ellos aprendieron que los modelos personalizados superan a los modelos generados a nivel global. “Si se usa el mismo modelo para hacer predicciones para una empresa de Fortune 500 en una tienda familiar, será difícil encontrar un patrón correcto“.

Lo primero es la inferencia de características y la selección automática de características. Es una parte crucial de la capacitación del modelo, ya que la selección de unas características incorrectas podría resultar en un modelo excesivamente optimista, inexacto o sesgado.

Con TransmogrifAI, los usuarios especifican un esquema para sus datos, la biblioteca extrae funciones automáticamente, como números de teléfono o códigos postales. También realizan pruebas estadísticas, catalogando texto con baja cardinalidad, es decir, una pequeña cantidad de elementos, y elimina características con poco poder predictivo, o aquellas que pueden dar lugar a un sesgo no predictivo, otras señales no deseadas.

En una demo, Bhaowal demostró como TransmogrifAI podía aislar rápidamente características como puestos de trabajo, correos electrónicos, direcciones… y de esta forma averiguaba si son predictivas. Los que no lo son fueron descartados automáticamente. “Es perfecto para la reducción de la dimensionalidad“, dijo refiriéndose al proceso de reducción del número de funciones con respecto a la que el modelo se creó.

El siguiente paso es automatizar el flujo de TransmorgrifAI. Basándose en los tipos de características extraídos en el primer paso, la biblioteca transforma los datos estructurados en vectores, tomando automáticamente, por ejemplo, números de teléfono y separando el código del país para saber si es válido o no.

Una vez que TransmogrifAI ha extraído las características del conjunto de datos, estará listo para comenzar la capacitación de modelos automatizados. En esta etapa se ejecutan un cuadro de algoritmos de aprendizaje automático. En paralelo, sobre los datos, se selecciona automáticamente el modelo de mejor rendimiento, se toman muestras y se recalibran las predicciones para evitar datos desequilibrados.

Shubha Nabar, Director Senior de Data Science para Salesforce Einstein, define el entrenamiento de TransmogrifAI como la “explicación del modelo”, la transparencia sobre los factores que influyen en los modelos. “Desde una perspectiva de confianza y privacidad de los datos, es importante que el modelo generado no sea una caja negra. TransmogrifAI muestra los efectos globales de cada característica”.

Y esta es solo la punta de un iceberg muy grande

TransmogrifAI cuenta con herramientas que facilitan ajustar los hiperparámetros, variables como la frecuencia de muestreo y filtros, que influyen y optimizan los modelos de Machine Learning. Dentro de los entornos de desarrollo integrados que lo soportan, TransmogrifAI resalta los errores de sintaxis y tipográficos, sugiere como completar el código y las característica de cada “tipo” con una jerarquía extensible, lo que permite a los usuarios diferenciar entre funciones primitivas y matizadas.

TransmogrifAI nos ha transformado, reduciendo el tiempo medio de respuesta en el que se entrena un modelo de rendimiento en un par de horas y permitiendo a nuestros científicos de datos desplegar miles de modelos de producción con un mínimo ajuste manual” dijo Bhaowal. “El objetivo de democratizar el machine learning solo se puede lograr en una plataforma abierta de intercambio de ideas y códigos, y las diversas perspectivas de la comunidad harán que la tecnología sea mejor para todos“.

Casualmente, el lanzamiento público de TransmogrifAI  se produce un día después de la plataforma abierta de Oracle, GraphPipe, una herramienta que facilita el desplieuge de modelo de machine learning hechos para frameworks como Google TensorFlow, MXNet, Facebook Caffe2 y PyTorch.

Photo por Curtis MacNewton en Unsplash

Continuar leyendo

Noticias

Un niño de 11 años hackea una réplica de la web electoral de Florida

Publicado el

Emmett Brewer

Emmett Brewer, un niño americano de 11 años, ha logrado piratear una réplica de la web de resultados electorales de Florida en tan solo 10 minuto, logrando cambiar nombres y cifras. Esta hazaña tuvo lugar durante una convención de seguridad en la que los organizadores pretendían concienciar sobre el tema antes de las próximas elecciones nacionales.

Al acto acudieron un total de 35 niños, de entre 6 y 17 años, a quienes retaron para piratear las copias de las webs de seis estados norteamericanos indecisos con su voto. Brewer fue el más rápido de todos. El evento estaba pensado para evaluar la fortaleza de la infraestructura electoral del país y las vulnerabilidades encontradas se transmitieron a los estados.

La Asociación Nacional de Secretarios de Estado, responsables del recuento de votos, indicaron que recibieron con “satisfacción” los esfuerzos de los organizadores de la convención pero que los sistemas reales utilizados por los estados tenían protección adicional. “Sería extremadamente difícil replicar estos sistemas, ya que muchos estados utilizan redes únicas y bases de datos personalizados con nuevos y actualizados protocolos de seguridad”, afirmaron.

Lo cierto es que existe preocupación sobre las vulnerabilidades que pudieran atacar al sistema electoral antes de las elecciones estatales y federales, de ahí que pidieran comprobar la seguridad del mismo. De hecho, el equipo de seguridad nacional del presidente, Donald Trump, advirtió hace dos semanas que Rusia había estado intentando interferir en las elecciones de noviembre.

Los responsables del evento dijeron que los pequeños hackers  habían logrado cambiar los nombres de los partidos y dado hasta 12.000 millones de votos a los candidatos.

Continuar leyendo




Lo más leído

Suscríbete gratis a MCPRO

La mejor información sobre tecnología para profesionales IT en su correo electrónico cada semana. Recibe gratis nuestra newsletter con actualidad, especiales, la opinión de los mejores expertos y mucho más.

¡Suscripción completada con éxito!