MathWorks aborda el poder de la Inteligencia Artificial como motor de progreso en el mundo

Este año se celebra en formato virtual la novena edición de Big Things Conference, evento que reúne a los principales expertos mundiales en inteligencia artificial (IA) y análisis de datos. También aborda esta conferencia áreas como el aprendizaje automático y el Internet de las Cosas (IoT).

Más de 3.500 líderes que han debatido bajo el lema de esta edición, “La responsabilidad de conducir el futuro”. Una de las voces destacables es la de la empresa MathWorks, especializada en software de computación matemática, además de desarrolladora del lenguaje Matlab. Esta empresa pone el énfasis en el poder de la IA como motor de progreso en el mundo.

Inteligencia artificial de múltiple aplicación

La conducción autónoma, los diagnósticos médicos, la obtención y gestión de energías limpias o el desarrollo de las ciudades inteligentes son sólo algunos de los campos donde se está aplicando ya y con éxito la IA.

Uno de los aspectos expuestos desde MathWorks es el de la segmentación semántica a cargo de Arvind Hosagrahara, arquitecto jefe de Soluciones de la empresa. El aprendizaje profundo acelera el proceso de llevar una idea experimental del prototipo hasta la producción, mediante la resolución de un problema complejo de percepción de conducción autónoma. Resulta esencial poder escalar los flujos de trabajo y el rendimiento de los procesos de ingeniería aprovechando la automatización, el almacenamiento y el cálculo en la nube.

Ética de los datos y aprendizaje federado

Louvere Walker-Hannon, ingeniera senior de aplicaciones de MathWorks, ha participado en un panel sobre la ética de los datos donde ha expuesto la verificación y la validación de la IA y el uso responsable de la IA como claves para nuestra sociedad, siendo fundamental involucrar tanto la ética de los datos como la ética general.

En cuanto al aprendizaje federado, se ha explicado cómo permite a múltiples fábricas compartir el conocimiento sin necesidad de compartir los datos y desarrollar en breve espacio de tiempo una clasificación de anomalías global.