viernes, 30 de julio de 2021

Características clave del cloud computing para la transformación digital

No cabe duda de que el cloud computing ha sido una de las tendencias tecnológicas clave de los últimos años, una fuerza transformadora cuyos efectos se hacen sentir en la gestión de la TI de las organizaciones, en el propio uso de particulares en sus hogares y móviles, o en la democratización y expansión de tecnologías avanzadas como el machine learning o los chatbots.

Podríamos decir que, al contrario que otras tecnologías rodeadas del famoso 'hype', cloud computing sí ha estado a la altura de su promesa y que es un enorme motor de transformación aunque a veces pueda pasar ligeramente inadvertida frente a tecnologías más originales o brillantes como la inteligencia artificial, el blockchain o el big data a las que, sin embargo, sirve con frecuencia de soporte e impulso.

He leído el libro 'Digital Transformation : survive and thrive in the era of mass extinction' de Tom Siebel autor conocido y reconocido  por la empresa y herramienta de CRM que llevaba su nombre y que tras una época de enorme éxito fue adquirida luego por su rival Oracle. En el libro, Siebel identifica cuatro grandes tecnologías para la transformación digital y una de ellas es, precisamente, el cloud computing. Las otras son big data, internet de las cosas e inteligencia artificial.

Cuando se refiere a cloud computing, el autor identifica cinco características clave que son las que lo convierten en esa fuerza impulsora de la transformación digital. Son estas:


  • Capacidad infinita: Aunque no, evidentemente, de manera literal, pero a efectos prácticos para una empresa los recursos de computación y almacenamiento existentes en la nube son virtualmente infinitos.

  • Autoservicio a demanda: Los usuarios pueden, cuando lo deseen y bajo su propia decisión, provisionar recursos sin necesidad de mayor intervención humana, dado el nivel de automatización habitual de dicha provisión.

  • Acceso en banda ancha: Se refiere al acceso, y en banda ancha, desde cualquier lugar y dispositivo. En realidad, más que una aportación del cloud computing lo es de las telecomunicaciones pero es cierto que habilita de manera muy notable al cloud computing.

  • 'Pooling' de recursos: Los proveedores de servicios cloud pueden agrupar y concentrar recursos físicos y lógicos que luego se asignan y reasignan de manera dinámica según las necesidades de clientes y usuarios.

  • Elasticidad rápida: Los recursos se provisionan y 'desprovisionan' de manera rápida, automática y trasparente a medida que la demanda de los usuarios se incrementa o disminuye.


En efecto, se trata de cinco características muy propias del cloud computing y que le confieren gran parte de su poder transformador. Quizá añadiría, de mi cosecha, y pensando en empresas concretas, el cambio de modelo de modelo económico, de la inversión al pago por uso, del Capex al Opex y la masiva externalización de capacidades TI, no sólo materiales sino también humanas.

Uniendo todo ello tenemos bastante explicado por qué el cloud computing está cambiando tanto el panorama digital. Lo ha hecho en los últimos años y creo que continuará haciéndolo hasta convertirse, ya casi lo es, en el 'new normal'.


miércoles, 28 de julio de 2021

Lean Startup contado por Susana Jurado y Javier Llamas con ilustraciones de Andy Baraja

'Lean Startup Aplicación práctica para emprendedores, intraemprendedores y formadores' es un libro muy completo que aborda la famosa metodología Lean Startup en la doble perspectiva de sus fundamentos teóricos e históricos y su aplicación práctica, distinguiendo en este caso, la perspectiva del emprendedor por un lado y la de la innovación en empresas establecidas mediante intraemprendimiento por otro.

El libro, de una extensión media, y tras un prólogo realizado por Mario López de Ávila Muñoz y una introducción, estructura su contenido en nueve capítulos, a saber:
  • '1. El fenómeno Lean Startup:' Hace un recorrido esencialmente histórico sobre el surgimiento y la evolución de Lean Startup, luego aborda muy brevemente alguno de los conceptos esenciales de la metodología incluyendo su ciclo y proceso para abordar finalmente y de una manera más cercana cómo se ha propagado la metodología en España.

  • '2. Antecedentes de la metodología Lean Startup:' Revisa las tres disciplinas de las que bebe Lean Startup, recorriendo sucesivamente Lean Manufacturing, desarrollo Ágil y el método de Desarrollo de Clientes de Steve Blank entrando en bastantes detalles, dentro de lo que cabe, en los dos últimos casos.

  • '3. Aspectos clave en la aplicación de la metodología Lean Startup:' Como el título indica, se centra en los aspectos fundamentales de la metodología siendo el capítulo que, en cierto modo, más se enfoca en explicar propiamente en qué consiste Lean Startup. Se presenta primero el ciclo de Lean Startup. Luego se explica de manera muy detallada cómo se definen, gestionan y validan las hipótesis a validar relacionándolas con los elementos del modelo de negocio del Business Model Canvas. A continuación se aborda de manera más breve el concepto de Producto Mínimo Viable (MVP, Minimum Viable Product). Se presentan luego brevemente algunas ideas sobre el diseño de experimentos para pasar a continuación a profundizar bastante en lo relativo a medición del aprendizaje obtenido. Por último se aborda la decisión clave sobre si pivotar o perseverar. Quizá por lo extenso y nuclear del capítulo, este se cierra con un pequeño resumen con las claves de la metodología.

  • '4. Herramientas clave para la aplicación de Lean Startup:' En este capítulo se explican, una a una, una serie de herramientas metodológicas de amplio uso. Algunas, como los lienzos, tableros de validación, entrevistas experimentos o prototipados se consideran fundamentales para Lean Startup mientras que otros, a saber, personas, mapas de empatía, mapas de customer journey blueprints son herramientas procedentes de otras disciplinar pero cuyo uso puede resultar beneficioso en un momento dado. Se trata de un capítulo bastante extenso puesto que las herramientas se explican en profundidad y algunas, como los lienzos o los experimentos tienen muchas variedades.

  • '5. Los grandes interrogantes sobre la aplicación práctica de Lean Startup:' De alguna manera, el capítulo anterior cierra la parte más descriptiva de la propia metodología y con éste se inagura una serie de capítulos más enfocados a su aplicación práctica. En este, en concreto, se plantean y analizan siete interrogantes:
    • Cómo enlazar el ciclo de desarrollo de cliente con el desarrollo ágil de producto
    • Cómo priorizar el segmento de cliente al que dirigirse primero
    • Cómo se pueden encontrar los primeros clientes potenciales
    • Cómo saber si se han realizado suficientes entrevistas para concluir la validación
    • Cómo saber si se ha conseguido el ajuste problema-solución
    • Cómo priorizar y decidir las funcionalidades o características a incluir en el producto
    • Cómo saber si se ha alcanzado el ajuste producto-mercado

  • '6. Metodología Lean Startup y emprendimiento: casos de aplicación:' En este capítulo se examinan particularidades y casos de aplicación de la metodología Lean Startup para, digamos, emprendimiento puro, es decir, creación de nuevas empresas. Se comienza comparando el método tradicional de preparación de un plan de negocio con el más moderno de puesta en marcha de una idea de negocio. Luego se van analizando algunos de los aspectos de que se habló en el capítulo 3, ejemplificándolos con casos reales de startups concretas.

  • '7. Metodología Lean Startup e intraemprendimiento: la actividad emprendedora en las organizaciones:' Ahora se mira al caso de la aplicación de Lean Startup en empresas establecidas y mediante intraemprendimiento. Se aportan algunas ideas generales de cómo llevarlo a cabo, se identifican varios retos y luego se aportan una serie de claves y consejos a tener en cuenta. Y se finaliza analizando la importante figura del intraemprendedor.

  • '8. Fallos a evitar y consejor para la aplicación de Lean Startup:' Se identifican una serie de fallos habituales en distintos apartados (hipótesis / validación, experimentos y en el intraemprendimiento) y se aportan algunos consejos:
    • Cuándo aplicar Lean Startup
    • Abordar primero el problema y luego la solución
    • Jamás dejar de hacer la fase de descubrimiento de cliente
    • Enfocarse siempre en la métrica que importa

  • '9. Conclusiones:' Un capítulo de cierre con unas reflexiones finales
Cada capítulo se completa con una serie de referencias bibliográficas y, durante el desarrollo, se acompaña de figuras realizadas por Andy Baraja en un estilo alegre y ligero que no sólo ilustran las ideas del libro sino que también las hacen más amenas y sirven un poco de contrapunto al estilo profesional del contenido textual.

Como complemento, al final del libro se aporta también un glosario de términos y una amplia bibliografía.

'Lean Startup: Aplicación práctica para emprendedores, intraemprendedores y formadores' es un libro serio y abarcador, que toca todos los aspectos esenciales, tanto teóricos como prácticos, de Lean Startup. Y un libro que, conociendo como conozco personal y profesionalmente a una de sus autoras, Susana Jurado, me consta que se apoya en una experiencia real de muchos años en la materia, lo que constituye toda una garantía de calidad y, sobre todo, de realismo.

Lectura obligada, pues, para emprendedores e intraemprendedores, y para toda aquella persona interesada no sólo en Lean Startup sino también, de manera más amplia, en innovación y emprendimiento.

Susana Jurado Apruzzese 

(Fuente: Ficha de autor en la solapa del libro 'La empresa ágil' y pequeña elaboración propia)

Susana Jurado Apruzzese
Susana Jurado es Ingeniera de Telecomunicación y Executive MBA por la IE Business School. Gran parte de su carrera profesional se ha centrado en la innovación, y durante los últimos años, en los campos de la estrategia, metodologías y gestión de la innovación.

Es una apasionada y evangelizadora de la metodología Lean Startup y Customer Development desde 2012. Es coautora del libro 'La empresa ágil' y 'Lean Startup:Aplicación práctica para emprendedores, intraemprendedores y formadores' y autora o coautora de varios white papers y un caso de estudio para la Harvard Business Review sobre la aplicación de Lean Startup y el intraemprendimiento en grandes organizaciones. También ha sido ponente en diversas conferencias internacionales.

Puedes saber más sobre la autora visitando su perfil en LinkedIn o siguiéndola en Twitter donde se identifica como @sjapru.

Francisco Javier Llamas Fernández

(Fuente: Ligera elaboración propia del apartado 'Acerca de' de su perfil en LinkedIn)

Fco. Javier Llamas Fernández
Doctor en Ciencias Sociales en el área de innovación y emprendimiento, especializado en la investigación de la aplicación de la metodología Lean Startup, por la Universidad Pontificia de Salamanca. Coautor del libro 'Lean Startup: Aplicación práctica para emprendedores, intraemprendedores y formadores'.

Su trayectoria profesional ha estado muy ligada al medio educativo, al Carisma Marista y a Latinoamérica. Desde muy joven se ha desempeñado como profesor y responsable de la dirección de diversas áreas educativas, desde la educación básica hasta la formación universitaria.

Su desempeño profesional también ha estado muy vinculado al management y el emprendimiento, a través de la dirección y gestión de algunas empresas y la creación de una Escuela de Negocios: (European School of Leadership).

En la actualidad su propósito se concentra en impulsar el proyecto de la Red Global Marista de Escuelas, un nuevo proyecto que busca impactar en la calidad educativa de los niños y jóvenes de todo el mundo.

Puedes conocer más del autor visitando su perfil en LinkedIn.

Andy Baraja

(Fuente: Ficha en dibujos por sonrisas)

Andy Baraja
Andy Baraja es ilustradora, diseñadora gráfica y emprendedora asturiana, en un Estudio Creativo virtual donde trabaja y cuida con mimo y detalle cada proyecto que pica a su puerta.

El estilo de Andy puede definirse como «amable», con ilustraciones vivas, llenas de color y formas suaves. Persona muy alegre y «prestosa» (como se dice en Asturias, muy agradable), siempre con una sonrisa y buen humor. Esta artista no concibe la vida sin las ilustraciones y uno de sus grandes propósitos es poder publicar un libro lleno de ellas.

Puedes saber más de la autora visitando la página oficial de su estudio o siguiéndola en Twitter donde se identifica como @andybaraja_.

lunes, 26 de julio de 2021

Transformación: el sueño y los hitos.

De las palabras a los hechos, del PowerPoint al Project, de la visión a  la acción. de los sueños a los hitos.

Ese es el salto necesario en el ámbito de las grandes transformaciones: de la transformación digital, de la innovación en modelos de negocio, de la reingeniería de procesos, de todos aquellos cambios, en fin, que modifican de manera profunda la estrategia u operativa de las organizaciones.

Existen dos factores necesarios. 

Por un lado, la visión, aquella proyección, quizá algo idealizada pero también inspiradora, del futuro que queremos alcanzar.

Y por otro, el plan de acción, la concreción en acciones y pasos claros, en hitos y recursos, y que convierten en tangible y ejecutable, accionable como se suele decir, esa visión.

 Me ha gustado la forma en que expresan esta dualidad en el libro 'The business model navigator' sus autores Oliver Gassmann, Karolin Frankenberger y Michaela Choudury. Nos dicen, en lo que entiendo que es una adaptación de la famosa frase de Napoleon Hill, que: 


A vision is a dream with a deadline


Estos autores nos hablan en efecto de un sueño, un ideal a alcanzar pero, en un siguiente paso, le añaden el hito, la concreción temporal del cumplimiento del objetivo. De hecho, para ellos la visión ya no es tan ideal como nosotros decíamos sino que ya es un primer paso en la concreción del sueño. En cualquier caso,  se mantiene la dualidad: sueño e hito, visión y plan de acción.

En opinión de estos autores, siendo necesarios ambos ingredientes, lo que más echan en falta en los líderes y empresas actuales, al menos en materia de innovación en modelos de negocio que es de lo que trata su libro, es la ambición, el sueño. Ven a esos líderes con más capacidad de ejecutar que de imaginar. Y así, nos dicen: 


New business models require dreams and deadlines, but mostly they lack dreaming.


En mi particular experiencia, diría, sin embargo, que he echado en falta más lo contrario: la capacidad de concreción y ejecución. el pasar del ideal, el sueño, al plan de acción, a los hitos.

La literatura tanto técnica como de 'management' llena, me parece, la cabeza de muchos mandos y directivos, de ciertos 'pájaros', de disrupciones y espectaculares transformaciones que creo que con frecuencia no se sabe convertir en iniciativas concretas, implantaciones concretas, planes de proyecto detallados.

En cualquier caso, sea cual sea el balance real que tengamos actualmente en nuestros líderes y organizaciones, lo que sí es cierto es que ambos ingredientes son necesarios: la visión y el plan de acción, el sueño y los hitos.


domingo, 25 de julio de 2021

Reiniciando la Inteligencia artificial con Gary Marcus y Ernest Davis

El planteamiento que hay detrás de 'Rebooting AI' es relativamente simple: los autores ven poco creíble la llegada de la singularidad o de una superinteligencia que nos supere pero, a cambio, sí entienden que la inteligencia artificial actual es poco fiable y que es necesario dar un gran cambio de timón que nos permita conseguir esa inteligencia artificial en la que, como dicen los autores, podamos confiar.

Esas ideas las desarrollan a través de ocho capítulos:
  • '1. Mind the gap': Un capítulo introductorio que, entre otras cosas, insiste en el hecho de que la inteligencia artificial de que disponemos hoy en día es una inteligencia artificial débil, enfocada en problemas concretos y lejos de lo que el ruido mediático puede hacer creer. Además, en opinión de los autores, se trata de una Inteligencia artificial que no es confiable, puesto que no podemos asegurar que se comportará correctamente ante una situación no prevista por sus programadores. Los autores defienden que la forma en que actualmente se desarrolla la inteligencia artificial, además, no nos va a conducir a una inteligenca artificial, segura, sabia y confiable por lo que es preciso un cambio de rumbo, un reinicio. Y para ello entienden necesarias tres cosas: entender lo que está en juego. un entendimiento claro de por qué los sistemas actuales no están consiguiendo hacer bien su trabajo y una nueva estrategia.

  • '2. What's at stake': Los autores expresan que de lo que debemos preocuparnos realmente, no es de una presunta superinteligencia o de la singularidad, sino de que las máquinas reales hagan bien su trabajo de una manera confiable y en ese línea repasan una serie de riesgos en caso de no hacerlo así para acabar concluyendo, de nuevo, que lo que se necesita es otro enfoque, otra estrategia.

  • '3. Deep Learning, and Beyond': Un capítulo algo más técnico y objetivo, en que cuentan las ideas fundamentales de los algoritmos de deep learning y algún detalle de otros algoritmos.

  • '4. If Computers Are So Smart, How Come They Can't Read?': Hacen un repaso de algunas de las limitaciones y errores que nos podemos encontrar en el procesamiento de lenguaje natural existente hoy en día en soluciones como buscadores, asistentes virtuales, etc y destacan que algunas de sus limitaciones clave son la falta de 'composicionalidad' es decir, de la capacidad de construir un significado complejo a partir de significados simples y la dificultad para incorporar conocimiento de 'background' o para gestionar la ambigüedad, para concluir que, en el fondo, lo que sucede es que los ordenadores realmente no entienden nada de lo que están leyendo.

  • '5. Where's Rosie?': Comienzan restando credibilidad a la posibilidad de construir una superinteligencia que pudiera volverse contra nosotros. Analizan, basándose en robots, vehículos autónomos, etc, otra serie de limitaciones actuales analizando, por ejemplo, la conciencia de situación ('situational awareness') es decir, entender qué puede pasar a continuación o la dificultad para saber cuál es el mejor curso de acción en un momento dado. Concentran en tres puntos esas limitaciones: evaluación de situaciones, predicción de futuros probables y decisión dinámica a medida que las situaciones cambian. Y al final, concluyen que se necesitan unos modelos cognitivos enriquecidos.

  • '6. Insights from the Human Mind': Una especie de paréntesis en que se aportan algunos puntos de vista procedentes de la neurociencia que parecen indicar, por ejemplo, que la cognición humana hace un uso extensivo de representaciones internas, que los mecanismos de abstracción y generalización son cruciales, que los sistemas cognitivos son altamente estructurados, que los procesos cognitivos, incluso los aparentemente simples, suelen requerir de muchas herramientas diferentes, que el lenguaje y pensamiento humanos son claramente composicionales, que los conceptos que manejamos forman parte de unas ciertas teorías sobre el mundo, que las relaciones causales son fundamentales para nuestro entendimiento del mundo, que las personas monitorizamos personas o cosas no categorías y, finalmente, que las criaturas cognitivas heredan ya un cierto conocimiento y no parten de un papel en blanco.

  • '7. Common Sense, and the Path to Deep Understanding': Tras un breve análisis sobre el sentido común, comienzan a plantear qué necesitaríamos para la nueva inteligencia artificial e identifican dos cosas para empezar: un inventario del tipo de conocimiento que una inteligencia general debería poseer y un entendimiento de cómo podríamos representar ese conocimiento de forma clara y no ambigua. Hablan de que para obtener un razonamiento adecuado deberíamos encontrar la forma correcta de representar el conocimiento y enfocado en los dominios adecuados y, además, que deberíamos encontrar un mecanismo de aprendizaje que se apoye en el conocimiento ya existente, en lugar de empezar casi desde cero en cada nuevo dominio. Entienden que la solución final es una inteligencia que, ni tiene todos lso comportamientos ya programados, ni tampoco debe aprender todo desde cero. Su receta final es: comenzar por desarrollar sistemas capaces de representar los elementos nucleares del conocimiento humano (tiempo, espacio, causalidad básica, un conocimiento básico de los objetos y sus interacciones y un conocimiento básico de los seres humanos y sus interacciones. Una vez hecho esto, integrarlo todo en una arquitectura que puede extender libremente cualquier tipo de conocimiento, teniendo en cuenta los principios de abstracción, composicionalidad y monitorización de individuos. Desarrollar además técnicas de razonamiento poderosas que puedan gestionar un conocimiento incompleto o incierto y que puedan trabajar de arriba a abajo y de abajo a arriba. Conectar luego eso a los sistemas de percepción, manipulación y lenguaje. Usar todo lo anterior para construir modelos cognitivos enriquecidos. Y, finalmente, desarrollar un sistema de aprendizaje inspirado en los humanos que use todas las capacidades cognitivas y conocimientos de la Inteligencia Artificial.

  • '8. Trust': Ataca finalmente, la forma de probar y depurar las soluciones construidas y de imbuir de alguna forma valores y ética.
El conjunto del libro resulta de lectura atractiva e interesante pero, en mi opinión, tras un análisis bastante correcto y completo, la solución que plantean, sin embargo, ese famoso reinicio de la inteligencia artificial que constituye su leit-motiv, es demasiado abstracto, demasiado de alto nivel y, en apariencia, poco conectado con una implementación real y a corto plazo de las ideas que proponen, ni siquiera de sus primeros pasos lo cual lo convierte en un libro especulativo, quizá alejado de la realidad en lo que al plan de acción se refiere.

Gary Marcus

(Fuente: Traducción y elaboración propia del perfil en su página oficial)

Gary Marcus
Gary Marcus es un científico, autor superventas y emprendedor. Es el fundador y CEO de Robust.ai y fue fundador y CEO de Geometric Intelligence, una compañía de machine learning adquirida por Uber en 2016. Es el autor de cinco libros incluyendo 'The Algebraic Mind', 'Kluge', 'The Birth of the Mind', y el superventas del New York Times 'Guitar Zero', además de ser editor de 'The Future of the Brain' y 'The Norton Psychology Reader'.

Ha publicado ampliamente en campos que abarcan desde el comportamiento humano y animal, hasta la neurociencia, genética, lingüística, psicología evolutiva e inteligencia artificial, con frecuencia dirigiendo revistas como 'Science and Nature' y es quizá el Profesor Emérito más joven de New York University. Su último libro, escrito en colaboración con Ernest Davis 'Rebooting AI: Building Machines We Can Trust' busca sacudir el campo de la inteligencia artificial.

Puedes saber más del autor visitando su perfil en LinkedIn o siguiéndole en Twitter donde se identifica como @GaryMarcus.

Ernest Davis

(Fuente: Traducción y elaboración propia del perfil en su ficha de autor en Penguin Random House)

Ernest Davis
Ernest Davis es profesor de ciencia de los computadores en el Courant Institute of Mathematical Science, New York University. Uno de los científicos líderes en razonamiento de sentido común para inteligencia artificial, es autor de cuatro libros, incluyendo 'Representations of Commonsense Knowledge and Verses for the Information Age'.

Es co-autor de 'Rebooting AI: Building Artificial Intelligence We Can Trust' junto con Gary Marcus.

Puedes saber más del autor visitando su perfil en New York University.


miércoles, 21 de julio de 2021

Un decálogo para tomar buenas decisiones estratégicas

Una de las labores del directivo es tomar decisiones. Unas decisiones que con frecuencia son de naturaleza operativa pero que en otras, quizá cuando la función ejecutiva alcanza su más alta expresión, son de naturaleza estratégica y afectan al posicionamiento, al modelo de negocio o a las actividades de innovación.

En esos casos hablamos de decisiones de gran calado, donde generalmente existen pocas reglas claras y, cuyas consecuencias son, además, de alto impacto. Para esa toma de decisiones no se pueden dar recetas simplistas y procedimentadas. Al final es el directivo, quien, con una información en general incompleta, en un ambiente de incertidumbre y asesorado, eso sí, por su equipo u otros expertos, debe elegir un camino.

Aunque, como decimos, no hay recetas fáciles y generales, ni tampoco fórmulas mágicas, si se pueden aplicar algunos consejos o buenas prácticas. En concreto, leyendo el libro 'The business model navigator' de Oliver Gassmann, Karolin Frankenberger y Michaela Choudury un libro que trata de innovación en modelos de negocio y, por tanto, de toma de decisiones estratégicas, me encuentro con un decálogo de ideas que creo que puede ser útil. Son éstas: 


  • Dado que la innovación tiene habitualmente lugar en condiciones de alta incertidumbre, asegúrate de disponer de información de hechos y un entendimiento sólido de los mismos como base para la decisión. Es decir, seguridad no la tienes, pero al menos apóyate en el conocimiento de las evidencias disponibles.

  • Mantén el número de decisores en el mínimo posible.

  • Analiza las causas subyacentes. Pregunta por qué una y otra vez hasta localizarlas.

  • Permanece abierto a la intuición. Aunque la intuición puede parecer algo mágico y poco racional, en el fondo se basa en experiencia y conocimiento inconsciente y puede ser muy útil ante decisiones complejas.

  • Evita sesgos cognitivos para lo cual el primer paso es ser consciente de ellos.

  • Intenta conseguir el consenso entre decisores. Eso hará mucho más sencilla la implementación posterior. Ese consenso te puede dar seguridad pero actúa, además, como una eficaz herramienta de gestión del cambio.

  • valiente: los errores se pueden corregir pero la indecisión impide avanzar. Actúa.

  • Gestiona de manera abierta las luchas de poder y los conflictos de interés.

  • Aprende de tus errores. Todos cometemos errores pero hay que intentar no repetirlos.

  • Intenta crear un entorno de decisión donde se encuentren los expertos adecuados con visión tanto interna como externa.


Supongo que no sorprenderán al lector estos diez consejos. Se trata de sugerencia de bastante de sentido común y de uso habitual en la práctica directiva. De todas formas, y como casi todas las cosas que parecen evidentes, conviene no confiarse en esa evidencia y recordarlas de vez en cuando.


jueves, 15 de julio de 2021

El poder de los patrones de diseño: del software a los modelos de negocio

Pues resulta que los patrones de diseño, es decir, esos bloques predefinidos, modulares, reutilizables y recombinables de planteamientos de resolución de un tipo problema, son un arma fantástica, tanto de aprendizaje como de innovación y no sólo en el mundo del software sino también en el bastante diferente campo del diseño de modelos de negocio.


Patrones de diseño software


Un libro casi mítico
Descubrí los patrones de diseño en el mundo del software, más concretamente en el campo del diseño orientado a objetos y, si no estoy equivocado, fue ahí donde surgió el planteamiento por primera vez. Eran los primeros años de esta forma de orientar el análisis, modelado y diseño software y el libro 'Design Patterns: Elements of Reusable Object-Oriented Software' de Eric Gamma, Richard Helm, Ralph Johnson y John Vlissides fue como una sacudida, una novedosa, experta y sabia manera de trabajar con el software y los objetos.

Lo que ofrecía el libro era, en esencia, un catálogo de los así llamados patrones de diseño de objetos, ejemplificada luego su codificación en C++ para todo tipo de problemáticas genéricas que se encuentran en el software del día a día, y precedida por una introducción sobre el concepto y la mecánica de utilización.

Era, simplemente, brillante.

Brillante por el novedoso planteamiento de emplear elementos reutilizables, pero no ya a nivel de código construido, cosa que se llevaba promoviendo en el mundo de la ingeniería de software desde mucho antes, sino en el nivel de diseño. Un planteamiento capaz de proporcionar soluciones elegantes y probadas ganando, pues, en calidad y eficiencia del diseño y posterior desarrollo.

Y brillante también porque la calidad de diseño de los patrones que componían el libro era altísima. Ya en aquella época consideré que, probablemente la mejor forma de aprender, de aprender de verdad, cómo era un buen diseño software orientado a objetos era leyendo este libro y usando en la práctica los diseños propuestos.

En años posteriores eché de menos que las nuevas generaciones de desarrolladores no conocieran, al menos no en su mayoría, este libro y estos patrones.


Patrones de modelos de negocio


La idea de los patrones de diseño caló en el mundo del software. Caló mucho. Y todavía hoy en día siguen apareciendo publicaciones con patrones para diferentes casuísticas o lenguajes de programación aunque quizá, y sólo quizá, el auge del low-code y el no-code, y la cada vez mayor disponibilidad de bloques preconstruidos para todo tipo de cosas en la nube, haga que decaiga el interés en este tipo de enfoques, no porque no sigan siendo interesantes, que lo siguen siendo, sino porque el diseño y desarrollo de software al modo tradicional, decaiga parcialmente en utilización

Pero lo bueno es que, no se hasta qué punto por inspiración directa, o indirecta, o por mera convergencia de planteamientos, la idea de los patrones de diseño ha trascendido al mundo del software.

Me encuentro leyendo el libro 'The business model navigator' de Oliver Gassmann, Karolin Frankenberger y Michaela Choudury un libro que habla de diseño de modelos de negocio y, sobre todo, de innovación en modelos de negocio.

Y, a alto nivel, es sorprendente el paralelismo con el libro de patrones de diseño orientado a objetos de Gamma y colaboradores.

En efecto, es libro sobre modelos de negocio ofrece lo que denomina 60 modelos de negocio pero que, en realidad, vienen a ser patrones de diseño de modelo de negocio, es decir, planteamientos de modelo de negocio reutilizables y recombinables para generar el modelo de negocio de una empresa concreta. Y ello precedido de algunos capítulos que explican el planteamiento y la mecánica a seguir. Lo mismo que el legendario libro de patrones de diseño orientado a objetos. 

Y me parece fantástico.

Una gran manera de aprender a diseñar modelos de negocio, una gran manera de aprender cómo son los modelos de negocio de éxito y una gran manera de reutilizar diseños existentes aumentando la probabilidad de éxito y la eficiencia del proceso.

Exactamente como en el caso de los patrones de diseño software.


Patrones e innovación


Y si algo faltaba, los patrones de diseño, son un motor de innovación

Pudiera parecer que reutilizar diseños existentes es una mera copia que mata el talento y la innovación,  que quedaría concentrada en los pocos que diseñan los patrones.

Pero no es así. 

Lo cierto es que la recombinación de patrones es un campo de creatividad e innovación. En el caso concreto de los modelos de negocio, reutilizar un patrón de modelo de negocio procedente, quizá, no ya de otra empresa, sino incluso de otro sector, puede ser una forma fantástica de innovar y mejorar en el propio modelo de negcoio.

De hecho, los autores de 'The business model navigator' nos dicen, explícitamente:

we discovered that over 90 per cent of all business model innovations simply recombine existing ideas and concepts from other industries.

O sea, no es sólo que se pueda innovar recombinando patrones de modelos de negocio ya existentes, sino es que, además, así es como se innova en modelos de negocio en la mayoría de los casos.


Conclusiones


Así que, estimado lector, no lo dudes. Los patrones de diseño, ya sea de software o de modelos de negocio, son una gran idea. Son una forma de aprender buen diseño en la disciplina que sea, son una buena forma de conseguir diseños de calidad con mayores garantías y eficiencia y, además, y pese a lo que pueda parecer, son una fuente de innovación.

¿A qué esperas para utilizarlos?


martes, 13 de julio de 2021

Una superinteligencia artificial compatible con los humanos según Stuart J. Russell

En 'Human Compatible' su autor, Stuart Russell, reputado experto en Inteligencia Artificial, expone su visión frente a la llegada de una posible superinteligencia (una inteligencia artificial y general, superior a la humana) en un evento que, aunque el autor no utiliza este término, entiendo que intencionadamente, podríamos entender como la famosa 'singularidad'.

Creo que la posición de Russell se puede resumir como sigue: el autor considera que la llegada de esa superinteligencia general y superior a la humana es posible y que, por tanto, nos debemos preparar para ello. Entiende que la Inteligencia Artificial actual, tal y como está construida, caso de alcanzar ese nivel de superinteligencia, se podría escapar con bastante probabilidad de nuestro control. Y piensa que eso es debido a que le estamos poniendo a los algoritmos objetivos equivocados, unos objetivos, de alguna forma, ajenos a la verdadera intención humana y que esa inteligencia artificial, en aras de conseguir esos objetivos, podría pasar por encima de las verdaderas preferencias y necesidades humanas, eventualmente perjudicándonos e, incluso, llegando a percibirnos a nosotros, los humanos, como un impedimento para la consecución de los objetivos marcados.

De ello deriva el subtítulo del libro 'AI and the problem of control'. Así que, lo que propone, es cambiar el tipo de objetivos que ponemos a la inteligencia artificial y hacer que las máquinas se centren en satisfacer las preferencias humanas. Y desarrolla estas ideas en diez capítulos, como sigue:
  • 'Chapter 1. IF WE SUCCEED: ' Comienza con una especie de breve y algo novelado recorrido histórico por los orígenes de la Inteligencia Artificial y luego comienza a centrarse en el problema de los objetivos y plantea el cambio de paradigma pasando de considerar inteligentes a las máquis que consiguen sus objetivos para pasar a considerar inteligentes a las que consiguen nuestros objetivos.

  • 'Chapter 2. INTELLIGENCE IN HUMANS AND MACHINES: ' Realiza una serie de reflexiones sobre lo que es la inteligencia (tocando incluso el tema de la consciencia), el aprendizaje ysu eventual efecto en la evolución, y la racionalidad. Luego cambia de tercio para hablar de ordenadores y computación , el test de Turing y agentes inteligentes y afirma, entre otras cosas, que el progreso en Inteligencia Artificial, incluso la inteligencia artificial estrecha o débil, nos va conduciendo poco a poco a la inteligencia artificial general.

  • 'Chapter 3. HOW MIGHT AI PROGRESS IN THE FUTURE?: ' Se plantea la evolución de la inteligencia artificial a corto plazo (tocando temas como el vehículo autónomo, los asistentes personales o los robots domésticos) y luego mira hacia el futuro y se pregunta cuándo llegará la superinteligencia y, aunque no duda de que llegará entiende como absurdo el estimar cuando y además afirma que para que llegue se necesitan todavía algunos grandes descubrimientos o avances pendientes de producirse para ámbitos como el lenguaje y el sentido común, el aprendizaje acumulativo, el descubrimiento, la gestión de la actividad mental y quizá algo más. Y finaliza el capítulo imaginando cómo seria esa superinteligencia.

  • 'Chapter 4. MIUSES OF AI: ' Repasa algunos de los usos inadecuados o poco éticos de la inteligencia artificial, como el espionaje, la persuasión y el control, las armas letales autónomas, la eliminación del trabajo o la asunción de otros roles típicamente humanos (cuidados, compañía, etc)

  • 'Chapter 5. OVERLY INTELLIGENTE AI: ' Comienza planteando el posible dominio de una superinteligencia sobre los humanos (el problema del gorila) pasando a continuación a explicar, mediante lo que se llama el problema del Rey Midas, el error que supone proponer a las máquinas unos objetivos propios puesto que, al igual que le ocurrió al mito griego, eso puede conducir a consecuencias inesperadas e indeseables.

  • 'Chapter 6. THE NOT-SO-GREAT AI DEBATE: ' Recorre todas las resistencias y argumentos que se oponen a un debate sobre una super-inteligencia y las acciones para gestionarla.

  • 'Chapter 7. AI A DIFFERENT APPROACH: ' En cierto modo, es el capítulo nuclear, el que expone las propuestas de Russell para gestionar adecuadamente esa superinteligencia que él cree posible. Esa propuesta se concreta en: (1) Hacer que el objetivo de las máquinas sea maximizar las preferencias humanas (máquinas altruistas) (2) Hacer que, inicialmente, las máquinas no sepan cuáles son esas preferencias (máquinas humildes) y (3) que la fuente última de información sobre las preferencias humanas sea el comportamiento de los propios humanos. Expresados esos tres fundamentos, luego repasa algunas razones tanto para el optimismo como para el pesimismo.

  • 'Chapter 8. PROVABLY BENEFICIAL AI: ' Un capítulo relativamente largo en que se detalla la forma de aplicar y conseguir esos fundamentos. Se razona sobre las garantías que querríamos y cómo consegurlas y cómo aprender del comportamiento humano. Luego se aportan directrices sobre cómo debería actuar una máquina, un robot, ante una orden o una instrucción directa de un humano y se finaliza con los mecanismos de automejora recursiva.

  • 'Chapter 9. COMPLICATIONS: US: ' Se centra en las personas y como éstas, nosotros, podríamos representar, con frecuencia, un problema para llevar a cabo el plantemiento de Russell. Así revisa desde problemáticas como que los humanos somos muchos y diferentes, hasta que existen humanos agradables pero otros también crueles o envidiosos, pasando por la mera estupidez humana y los factores emocionales. Al final, el autor se pregunta si los humanos tenemos realmente preferencias.

  • 'Chapter 10. PROBLEM SOLVED?: ' Un capítulo final en que analiza si el construir las máquinas con esos principios realmente supondría resolver el problema y aporta otros factores o necesidades como un gobierno de la Inteligencia Artificial y la aplicación de principios éticos, el peligro de un uso malicioso por parte de humanos y el problema del eventual debilitamiento y pérdida de autonomía de la raza humana.
El libro se completa con cuatro anexos, a saber:
  • 'Appendix A. SEARCHING FOR SOLUTIONS: ' donde se explica cómo se trabaja cuando se buscan soluciones a un problema, cómo 'mirar adelante' e 'imaginar' posibles soluciones.

  • 'Appendix B. KNOWLEDGE AND LOGIC: ' Se aportan algunos fundamentos de lógica, incluyendo una explicación de la lógica proposicional y la lógica de primer orden.

  • 'Appendix C. UNCERTAINTY AND PROBABILITY: ' Ahora se centra en unos fundamentos de probabilidad, incluyendo unas notas sobre redes bayesianas y lenguajes probabilísticos de primer orden.

  • 'Appendix D. LEARNING FROM EXPERIENCE: ' Anexo final con unas ideas sobre aprendizaje
'Human Compatible' es un libro erudito, transversal e interesante pero debo decir que, siempre en mi opinión, sugiere más de lo que consigue: aborda temas muy interesantes y con puntos de vista orginales pero luego siento que no remata del todo, que no me llena el resultado, y que las conclusiones no están del todo a la altura de las preguntas formuladas. En ese sentido y aunque, de nuevo, la propuesta de cómo deberían ser las máquinas superinteligentes es original y a tener en cuenta, no me convence del todo ni me parece que este suficientemente explicado y mucho menos demostrado, que ese sea el camino y que ni siquiera sea realmente viable.

Aún así, creo que es una lectura que vale la pena.

Stuart Russell

(Fuente: Traducción y elaboración propia de su Wikipedia)

Stuart J. Russell
Stuart Jonathan Russell (Portsmouth, Inglaterra, 1962) es un informático conocido por sus contribuciones a la inteligencia artificial. Es profesor de ciencias de la computación en la Universidad de California en Berkeley y profesor adjunto de cirugía neurológica en la Universidad de California en San Francisco.

Stuart Russell nació en Portsmouth, Inglaterra. Recibió su título de Bachelor of Arts con honores de primera clase en Física en el Wadham College, en 1982. Posteriormente, recibió su título de doctorado en ciencias de la computación en la Universidad Stanford en 1986, por investigar en razonamiento inductivo y razonamiento por analogía, siendo supervisado por Michael Genesereth.

Tras doctorarse, se unió a la facultad de la Universidad de California en Berkeley, donde desde 1996 es profesor en ciencias de la computación. También tiene un puesto como profesor adjunto de cirugía neurológica en la Universidad de California en San Francisco, donde investiga en fisiología computacional y en la monitorización en unidades de cuidados intensivos.

En 2016, fundó el Centro para Inteligencia Artificial Compatible con Humanos, en la Universidad de Berkeley, con los co-investigadores Pieter Abbeel, Anca Dragan, Tom Griffiths, Bart Selman, Joseph Halpern, Michael Wellman y Satinder Singh Baveja. Junto con Peter Norvig, es el autor de 'Inteligencia Artificial: Un enfoque moderno', un libro de texto usado en más de 1300 universidades en 116 países. Está en el consejo asesor científico del Future of Life Institute​ y en la junta asesora del Centro para el Estudio del Riesgo Existencial.

En 2017, colaboró con el Future of Life Institute en la producción de un vídeo, Slaughterbots, sobre enjambres de drones asesinando rivales políticos, y lo presentó en una reunión de las Naciones Unidas sobre el Convenio sobre Ciertas Armas Convencionales.

En 2018 participó como entrevistado en el documental Do You Trust This Computer?

Su libro más reciente, 'Human Compatible: Artificial Intelligence and the Problem of Control', fue publicado en inglés el 8 de octubre de 2019.

Puedes saber más del autor visitando su perfil en LinkedIn.


lunes, 12 de julio de 2021

Siete mitos sobre innovación en modelos de negocio

La innovación en modelos de negocio, es decir, esa innovación referida al conjunto de cómo una empresa crea y entrega valor a sus clientes y obtiene una contraprestación por ello, a la forma en que, de manera global, la empresa funciona y compite, es quizá, el escalón último de la innovación, el paso más agresivo y ambicioso y que, de alguna manera, actúa como superconjunto de otras formas de innovación como son la innovación en productos o la innovación en procesos.

Y como toda forma de innovación, también esta innovación en modelos de negocio tiene una parte de inspiración e ideación y un mucho de método, empeño, liderazgo y trabajo constante y esforzado.

Pero quizá por la componente de inspiración que le afecta, es fácil dejarnos atrapar por algunos mitos y caer en algunos errores. Me encuentro leyendo el libro 'The business model navigator' de Oliver Gassmann, Karolin Frankenberger y Michaela Choudury que trata, evidentemente, de innovación en modelos de negocio. 

En esta esta obra identifican siete mitos sobre innovación en modelos de negocio, de los que nos conviene ser conscientes. Son estos:

  • Mito del ascenso inicial ('initial ascent'): Aunque el nombre, al menos a mi, me confunde un poco, a lo que se refiere es a la falsa creencia de que el éxito comercial proviene de ideas que nadie ha tenido nunca antes cuando la realidad indica que con frecuencia, los modelos de negocio de éxito toman prestadas ideas de modelos de negocio de otros sectores.

  • Mito de pensar a lo grande: un mito que nos dice que las innovaciones en modelo de negocio deben ser radicales y completamente nuevas para el mundo, cuando lo cierto es que la innovación en modelo de negocio se puede hacer, de igual forma que la innovación en producto, de manera incremental.

  • Mito de la tecnología: un mito que nos hace pensar que toda innovación en modelo de negocio se basa en alguna nueva y fascinante tecnología que inspira nuevos productos. Lo cierto es que, aunque las tecnologías, en efecto, posibilitan y conducen con frecuencia a la innovación, en general esas tecnologías son de naturaleza genérica y es en su aplicación concreta, su uso concreto dentro de un modelo de negocio lo que crea la diferencia y donde radica el éxito.

  • El mito de la suerte: que asume que la innovación en modelos de negocio se basa en golpes de suerte y no puede ser gestionada de forma sistemática. Sin embargo, la innovación en general, y la de modelos de negocio en particular, requiere esfuerzo, persistencia y foco y es necesario planificarla y prepararse para ella. Y, aunque es cierto que actuar de forma sistemática no garantiza el éxito, sí que aumenta las probabilidades de alcanzarlo.

  • El mito de Einstein: que hace pensar que las ideas realmente innovadoras solo pueden provenir de genios creativos. Lo cierto es hoy en día el éxito en innovación proviene más de equipos y, además, equipos multidisciplinares.

  • El mito del tamaño: según el cual, un gran logro requiere de muchos recursos. Sin embargo, la realidad demuestra que los cambios en modelos de negocio más revolucionarios provienen con frecuencia de pequeñas startups sin muchos recursos.

  • El mito de la I+D: que supone que los departamentos de Investigación y Desarrollo son la fuente de las innovaciones importantes. Lo cierto es que la innovación es muy interdisciplinar y que la tecnología juega, indudablemente, un papel crucial, pero siempre en conexión con el modelo de negocio en su conjunto. Y, además, el impulso para la innovación puede provenir de cualquier parte de la organización.

Seguro que nos resultan muy reconocibles estos mitos. Y, probablemente, aunque los negaríamos si nos preguntasen sobre ellos y contestásemos de forma consciente y razonada, esos mitos habiten en nuestro interior y en el de nuestras organizaciones. Así que conviene estar atentos.


jueves, 8 de julio de 2021

Sobre el pensamiento computacional

Una de las habilidades que con cierta frecuencia se indica que deberían reforzarse en la educación, es lo que ha dado en llamarse pensamiento computacional.

E, intuitivamente, parece normal y razonable que, dado el impacto actual y creciente de las tecnologías digitales, unas tecnologías basadas en gran parte en ordenadores, en software y algoritmos, se desarrollen habilidades que, de alguna manera, tienen que ver con esa forma de trabajo de las tecnologías digitales. 


A vueltas con el pensamiento computacional


Sin embargo, admito que, a pesar de haber desarrollado toda mi ya larga carrera profesional en el ámbito de las tecnologías digitales, a pesar de, durante muchos años, haber ejercido como desarrollador, ya sea como actividad profesional, ya sea como hobby, a pesar de yo mismo haber recomendado, en el ámbito de las herramientas 'low-code', el tener una 'mentalidad de desarrollador', a pesar de haber vivido y desarrollado en mis propias carnes y mi propia mente lo que entendía y entiendo como pensamiento computacional, nunca me había parado a definirlo, a concretarlo y tampoco, hay que decirlo, había llegado a mi ninguna definición o expresión más concreta de lo que ese pensamiento computacional es. 

Porque, aunque tiene mucho que ver con la programación, no hablamos realmente de programación, sino de una forma de enfocar y resolver problemas.


Fases del pensamiento computacional: el planteamiento de Conrad Wolfram


Por eso me ha llamado la atención y he querido traer a este blog, la explicación que al respecto me he encontrado acabando la lectura del libro 'Inteligencia artificial para los negocios. 21 casos prácticos y opiniones de expertos' de Lasse Rouhiainen quien, a su vez, se apoya en el artículo 'Anchoring computational thinking in today's curriculum' de Conrad Wolfram.

Wolfram plantea el pensamiento computacional como un proceso en cuatro fases tal y como se recoge en la siguiente figura (extraída del propio artículo)

Las cuatro fases del pensamiento computacional según Conrad Wolfram

Las fases, con algunos comentarios y pequeñas adaptaciones de mi autoría, serían:

  • DEFINIR preguntas: Es decir, clarificar, de manera inequívoca cuál es la pregunta o preguntas que queremos contestar o, si se prefiere, cuál es el problema que queremos resolver. En mi opinión, lo más relevante y diferencial de esta fase, en lo que a pensamiento computacional se refiere es que esa formulación de la pregunta o preguntas sea exacta, sin ambigüedades.

  • TRADUCIR a abstracciones: Traducir esa pregunta a una serie de pasos, de nuevo, inequívocos y sin ambigüedades, que permiten contestar la pregunta o resolver el problema, y expresar esos pasos en algún tipo de lenguaje formal (lenguaje de semántica exacta), ya sea un lenguaje de programación, un lenguaje gráfico formal o un procedimiento inequívoco. En esta traducción, en general, se intentarán reutilizar técnicas o algoritmos ya existentes y definidos. En cualquier caso, y de alguna manera, esta fase supone establecer el algoritmo para contestar a la pregunta / resolver el problema.  

  • COMPUTAR las respuestas: Una vez hecho esto, calcular realmente la respuesta o resolver realmente el problema, generalmente usando un ordenador. Eso producirá la respuesta que Wolfram etiqueta como respuesta abstracta, cosa en la que no estoy cien por cien de acuerdo. En algunos casos la respuesta puede ser, en efecto, general o abstracta,  Según la pregunta / problema, la respuesta puede ser concreta, exacta y definitiva, no abstracta, y por tanto no precisar de la siguiente y última fase.  

  • INTERPRETAR los resultados Volver a poner en el contexto de la pregunta el resultado obtenido y, con cierto grado de escepticismo, evaluar o validar esa respuesta.

En el planteamiento de Wolfram, estas fases no constituyen un proceso lineal de tipo 'one-shot', sino que realmente se suelen aplicar de manera iterativa, lo que el expresa gráficamente como una hélice. 


Conclusiones


De las cuatro fases, en mi opinión, la que más marca, con diferencia, la esencia del pensamiento computacional, es la segunda: esa capacidad de abstraer y de estructurar en un algoritmo la respuesta, y un algoritmo expresado en lenguaje formal. Eso es lo que hace un desarrollador cuando diseña el software, momento en que estudia el problema recibido y define, usando como piezas las instrucciones de un lenguaje de programación y las librerías disponibles, cómo va a obtener la respuesta o solucionar el problema planteado.

Una forma de pensar y actuar que exige rigor, exactitud, planificación y capacidad de abstracción. Y una forma de pensar que, en el fondo, es muy parecida, creo, al pensamiento matemático, aunque computación y matemáticas, constituyan realmente disciplinas claramente diferenciadas.

Rigor, exactitud, planificación y abstracción. Si, me parece que esa es una buena forma de explicar el pensamiento computacional. 

martes, 6 de julio de 2021

Una visión de ingeniería de los robots con Saeed Niku

'Introduction to robotics' es un libro técnico y de ingeniería, un libro donde se explican de forma detallada y rigurosa los fundamentos de la robótica (sobre todo robótica industrial) con especial foco en la mecánica: cinemática y dinámica de los robots aunque también con importantes incursiones en los aspectos de control. Un libro no de divulgación sino de estudio y claramente orientado a su uso como libro de texto universitario.

El contenido se estructura en doce capítulos, a saber:
  • 1. Fundamentals: Proporciona algunas ideas preliminares básicas incluyendo definiciones, una referencia histórica de la robótica, componentes y características de un robot, lenguajes de programación y aplicaciones.

  • 2. Kinematics of Serial Robots: Position Analysis: El primero de varios capítulos dedicados a la cinemática (movimientos, trayectorias, velocidades, etc) asociada a los robots. En concreto, este capítulo se centra en los llamados robots serie (robots de bucle abierto, sin realimentación) y de ellos se explican las representaciones de coordenadas, transformaciones análisis de posición y orientación así como la denominada representación Denavit-Hartenberg de la cinemática de un robot en cinemática tanto directa (cálculo de la posición y orientación del extremo a partir de las longitudes de los segmentos y ángulos de las articulaciones) como inversa (cálculo de ángulos para conseguir una posición del extremo dada).

  • 3. Robot Kinematics with Screw-Based Mechanics: Ofrece otro enfoque diferente de la cinemática de los robots serie, en este caso basada en la denominada mecánica basada en el tornillo, entendiendo por tornillo un plano inclinado enrollado alrededor de un cilindro, como ocure en la rosca de un tornillo real.

  • 4. Kinematics Analysis of Parallel Robots: Pasa ahora de los robots serie a los robots paralelos (robots en bucle cerrado, en los que existe realimentación y, además, una estructura que disminuye las deflecciones) mostrando el análisis de varios tipos de estos robots (planares, espaciales, etc).

  • 5. Diferential Motions and Velocities: Sigue profundizando en el análisis cinemático, ahora con el análisis de velocidad y movimientos diferenciales (movimientos muy pequeños que, al dividirlos por pequeños incrementos de tiempo, nos dan como resultado una velocidad).

  • 6. Dynamic and Force Analysis: Pasamos de la cinemática a la dinámica, incluyendo el análisis de fuerzas y usando la mecánica Lagrangiana como base.

  • 7. Trajectory Planning: Presenta métodos para la planificación de trayectorias tanto en el espacio cartesiano como en el de las articulaciones.

  • 8. Motion Control Systems: Cubre los aspectos fundamentales de la ingeniería de control, incluyendo, por ejemplo, los controles proporcional, derivativo e integral. También se incluye una introducción a los sistemas digitales, los no lineales y los de múltiples entradas y salidas (MIMO, Multiple Input, Multiple Output).

  • 9. Actuators and Drive Systems: Se muestran diferentes clases de actuadores incluyendo dispositivos hidráulicos, motores eléctricos, dispositivos neumáticos asi como otros actuadores más novedososo. Además, se estudia el control de estos actuadores mediante microprocesadores. Sin tratarse de un libro sobre mecatrónica sí cubre muchos aspectos de esta disciplina.

  • 10. Sensors: Un panorama de los sensores usados en los robots y aplicaciones robóticas.

  • 11. Image Processing and Analysis with Vision Systems: Aborda los sistemas de visión incluyendo diferentes técnicas para el procesado y análisis de imágenes.

  • 12 Fuzzy Logic Control: Un último capítulo dedicado a la lógica difusa y sus aplicaciones en control mediante microprocesador y robótica.

Además, cada capítulo incluye numerosos ejercicios resueltos y, al final, referencias bibliográficas y lo que se denominan proyectos que son ejercicios para el lector/estudiante. Un planteamiento, como se ve, muy propio de ingeniería mecánica y de control.

'Introduction to robotics' es, pues, un buen libro, puede que incluso un muy buen libro, pero no para el disfrute propiamente dicho, sino para un estudio largo y concienzudo con orientación claramente técnica y de ingeniería. 

Saeed Niku


Saeed Niku
El doctor Saeed Niku es profesor en el Departamento de Ingeniería Mecánica en California Polytechnic State University en San Luis Obispo, California.

Obtuvo su grado en la Universidad Politécnica de Teherán (1975), su Máster en Stanford University (1976) y su doctorado en la Universidad de California en Davis (1982) todos ellos en ingeniería mecánica.

Saeed es un Ingeniero Profesional registrado en el Estado de California y un Fulbright Specialist Scholar (India, 2014).

Desde 1983 ha ejercido la docencia e investigación en Cal Poly donde ha impartido clases de diseño, robótica y mecánica.

Ha escrito 'Introduction to Robotics' (2020), 'Creative Design of Products and Systems' (2009) y 'Engineering principles of Everyday Life for Non-Engineers' (2016).

Sus intereses investigadores incluyen robots y sistemas de visión, mecánica, biomecánica y desarrollo de dispositivos para discapacitados.

Puedes saber más del autor visitando su ficha en Cal Poly.

Ficha técnica:

AUTOR: Saeed Niku
EDITORIAL: Wiley
AÑO: 2020 
ISBN: 978-1119527626
PAGINAS: 528

Artículos de este blog relacionados

lunes, 5 de julio de 2021

Metodología para Machine Learning (III): SEMMA

Continuamos con la pequeña serie de artículos dedicados a metodología relacionada con el Machine Learning.

Hoy hablamos de SEMMA. SEMMA fue creada por el SAS Institute en 2012 y en ese sentido precede a CRISP-DM, con la que abrimos esta serie de artículos y en la que también participó SAS (hoy en IBM).

Como CRISP-DM, más que como una metodología de Machine Learning, se plantea como una metodología (o al menos un proceso) para Data Mining, antecedente del Machine Learning, pero sus propuestas pueden seguir siendo bastante válidas en el contexto algo más amplio, al menos en mi opinión, del Machine Learning.

El SAS Institute define Data Mining como

the process of Sampling, Exploring, Modifying, Modeling, and Assessing (SEMMA) large amounts of data to uncover previously unknown patterns which can be utilized as a business advantage.

definición en la que ya podemos ver que aparece el acrónimo SEMMA porque, en efecto, SEMMA lo que establece es un proceso que incluye esas cinco fases, a saber:

  • 'Sample' (muestreo): es decir, captura de datos y eventualmente creación de tablas u otras estructuras que los contengan, y prestando atención al tamaño de las muestras de manera que el conjunto de datos sea suficientemente grande para que resulte representativo y suficientemente pequeño como para permitir el procesamiento.

  • 'Explore' (exploración): entender de alguna forma los datos de que se dispone mediante visualización, agrupamiento, etc de forma que se puedan observar relaciones, tendencias y cualquier otra información que nos de una idea general sobre los datos y el fenómeno subyacente.

  • 'Modify' (modificación): Trabajo sobre los datos de forma que queden listos para el posterior modelado. Eso se consigue realizando pequeñas transformaciones, seleccionando variables e incluso creándolas a partir de datos en bruto, etc

  • 'Model' (modelado): quizá la etapa más científica y valiosa (aunque no necesariamente la que más tiempo consume) en donde se determina el modelo más adecuado (el que mejor predice la o las variables de salida a partir de la o las variables de entrada), seleccionando entre las familias disponibles (redes neuronales, árboles de decisión, regresión logística, etc) y afinando el modelo en la o las opciones seleccionadas.

  • 'Assess' (evaluación): Evaluar el funcionamiento del modelo en su conjunto en cuanto a fiabilidad, utilidad etc


Como se puede observar, se trata de un proceso definido a muy alto nivel, que no se diferencia demasiado de los que hemos visto hasta ahora (especialmente del CRISP-DM) y que, en gran medida es puro sentido común o conocimiento básico de la mecánica de trabajo con datos.

 

Artículos de este blog relacionados