La cuarta revolución industrial según Klaus Schwab

'The Fourth Industrial Revolution' es un documento a medio camino entre el libro y el informe, una explicación sistemática, que no profunda, sobre el concepto de Industria 4.0 o Cuarta Revolución Industrial que el World Economic Forum, con su fundador y presidente a la cabeza (el autor), identifican como una transformación radical del sistema productivo, pero también de los negocios y la sociedad, como consecuencia del exponencial crecimiento de las tecnologías, fundamentalmente las de naturaleza digital aunque incluyendo otras más biológicas, aunque sin duda influidas por lo digital, como son la genética o la nanotecnología.

El libro se estructura en tres grandes capítulos:

• 'The Fourth Industrial revolution': un capítulo muy breve que intenta explicar lo que es la cuarta revolución industrial y argumentar que se trata de un fenómeno que ya está entre nosotros y que provoca cambios profundos y sistémicos.
  
  
• 'Drivers': donde se identifican y describen brevemente las tecnologías clave, tecnologías que se agrupan en tres secciones, las de naturaleza física (vehículos autónomos, impresión 3D, robótica avanzada y nuevos materiales), las digitales (Internet de las Cosas, Blockchain y las plataformas) y las biológicas (edición genética).
  
  
• 'Impacto': donde, como el título expresa claramente, se analiza el impacto de estas tecnologías desde varios puntos de vista
  
  
  • Economía: fundamentalmente crecimiento, empleo y la naturaleza del trabajo
    
    
  • Negocios: identificando cuatro elementos como son las expectativas de los clientes, los productos enriquecidos con datos, la innovación colaborativa y nuevos modelos operativos
    
    
  • Globalización vs Localización: en lo relativo a gobiernos y administraciones, a regiones y ciudades y a la seguridad internacional
    
    
  • Sociedad: analizando comunidades y desigualdades
    
    
  • Individuo: abordando fundamentalmente la temática de las conexiones entre personas y de la privacidad de la información.

Finaliza el libro con un anexo en que se habla de 23 cambios concretos, valorando la probabilidad de ocurrencia hacia 2025 que los expertos les asignan y las consecuencias negativas y positivas que cabe esperar de ellos.

'The Fourth Industrial Revolution' es un libro interesante por los fenómenos que describe y las consecuencias que estudia, aunque tanto las tecnologías como los impactos se tratan de forma algo superficial y aunque, en mi opinión, el autor no logra dar una definición clara de qué entiende por Cuarta Revolución Industrial que parece, simplemente, como un agregado del impacto de todas las nuevas tecnologías de múltiples disciplinas.

Klaus Schawb

(Fuente: Elaboración propia de material en Wikipedia)

Klaus Schwab

Klaus Martin Schwab es un ingeniero, economista y empresario alemán conocido por ser el fundador y presidente ejecutivo del Foro Económico Mundial.

Nació el 30 de Marzo de 1938 en Ravensburg, Alemania.

Tiene un doctorado en Economía por la Universidad de Friburgo, un doctorado en Ingeniería por el Instituto Federal de Tecnología de Suiza y un máster en Administración Pública por la Escuela John F. Kennedy de Administración de la Universidad de Harvard.

Fue profesor de Política de Negocios en la Universidad de Ginebra desde 1972 a 2002. Es autor de varios libros y desde 1979 publica el Informe sobre Competitividad Global que estima el potencial de incremento de productividad y crecimiento económico de los paises. El informe se basa en una metodología desarrollada por el propio Schwab que mide la competitividad, no sólo en términos de productividad sino también con criterios de sostenibilidad.

Desde 1996 a 1998 fue Vicepresidente del Comité para Planificación del Desarrollo de las Naciones Unidas.

En 1971, Schwab fundó el Foro Económico Mundial como una organización sin fines de lucro, fundación dedicada a mejorar la situación del mundo, más tarde la construcción de hoy en la asociación mundial de empresas, políticos, intelectuales y dirigentes.

En 1998, Schwab y su esposa fundaron la Schwab Foundation for Social Entrepreneurship, una organización sin fines de lucro con sede en Ginebra, Suiza.

En 2004, Schwab fundó una nueva fundación, el Foro de Jóvenes Líderes Globales, que pretende reunir a más de 1000 personas menores de 40 años que han demostrado su compromiso con la mejora de la situación del mundo, y animarles a trabajar juntos en el lapso de cinco años para identificar y comprender el cambio global.

En el año 2010 fue reconocido por la Fundación Internacional de Jóvenes Líderes con la distinción de "Referente de la Humanidad".

Ficha técnica:

TITULO: THE FOURTH INDUSTRIAL REVOLUTION

AUTOR: Klaus Schwab

EDITORIAL: World Economic Forum

AÑO: 2016

ISBN:  978-1-944835-01-9
PAGINAS: 199

Artículos de este blog relacionados

• 22 cambios tecnológicos que cambiarán la sociedad
• Cuatro inteligencias para afrontar el cambio en un mundo digital
• Una sociedad digital y social pero atrapada en una espiral de silencios
• Vencer la ignorancia paralizante
• #macrotweet: Si la ley de Moore no se detiene...
• Professionals as a Service o el offshoring silencioso
• El empleo en peligro: de la digitalización y el outsourcing a la automatización
• #macrotweet: La tranquilidad y la atención como lujos necesarios
• Las megatendencias tecnológicas de la Industria 4.0
• Una consecuencia ¿indeseable? de la economía de las plataformas
• Tres razones que hacen diferente a la cuarta revolución industrial
• ¿Qué es eso de la Industria 4.0 y la cuarta revolución industrial ?

Deep Learning, algo más que redes neuronales

Cuando hace unas pocas fechas elucubrábamos sobre las definiciones de deep learning, una de los elementos poco claros era si deep learning es un nuevo nombre para las redes neuronales o se trata de un subconjunto de ellas, quizá una aplicación de ellas.

Una afirmación de Daniel Graupe en 'Deep Learning Neural Networks' parece disipar las dudas. Dice:

Deep learning can also be achieved with non-NN (non-neural networks) architectures, such as SVM (Support Vector Machines), which are general in range of applications, but usually slow.

Según esto, no hay identificación: deep learning es una cosa y redes neuronales otra...aunque parece que frecuentemente se solapan...

¿Todo el mundo opina lo mismo?

Colaboración: "La Luna ya no es suficiente: Elon Musk y la conquista de Marte" en 'A un Clic de las TIC'

La semana pasada publicaba en A un CLIC de las TIC el artículo titulado 'La Luna ya no es suficiente: Elon Musk y la conquista de Marte' donde hablo de un tema ya tratado en este blog: los planes de Elon Musk y SpaceX para colonizar Marte.

Pero, en este caso, juego un poco con las palabras y la metáfora...

¿Te gustaría leerlo?

Pues sigue este enlace...

Redes neuronales: quizá no tan cerca del cerebro humano

Una de las explicaciones básicas sobre las redes neuronales, y probablemente uno de sus primeros atractivos, dejando a un lado sus resultados, es que se inspiran en el cerebro humano y en el sistema nervioso.

Si ambos están constituidos por neuronas, que, reciben impulsos en las dendritas, los procesan y transmiten el resultado por los axones que se unen a otras neuronas, las redes neuronales artificiales están formados por unos nodos (que emulan a las neuronas) que reciben unos inputs a través de las conexiones de entrada (algo así como las dendritas), los procesan y transmiten el resultado por las conexiones salientes (algo así como los axones).

 Esta metáfora, es la que inspira las redes neuronales artificiales y la que parece explicar, si es que explicar es la palabra, que las redes neuronales puedan conseguir resultados más cercanos a la inteligencia y al comportamiento humanos.

Sin embargo, parece que cuando se avanza en las redes neuronales artificiales, y muy en especial, en las que se emplean en deep learning. comienzan a existir divergencias no menores.

Al menos esos es lo que se deduce leyendo a Daniel Graupe, quien, en su libro 'Deep Learning Neural Networks', nos dice:

whereas Neural Networks are supposed to follow or to approximate a general architecture based on the organization of the biological Central Nervous System (CNS), many if not most of the DLNN (Deep Learning Neural Networks) architectures have little in common with any CNS architecture. Also, our knowledge of the CNN itself is stll too weak to allow modeling of its deep learning.

Dos cosas a tener en cuenta. Por un lado, el diseño de redes neuronales para deep learning emplea otros algoritmos no conexionistas para complementar el algoritnmo básico de la red neuronal, todo ello en busca del más que comprensible objetivo de obtener mejores resultados.

Por otro lado, el reconocimiento explícito de que aún no conocemos suficientemente el sistema nervioso central como para emularlo en un algoritmo, neuronal o del tipo que sea.

La parte fea, y digo fea más que mala, es que parece que las redes neuronales de deep learning son algo menos neuronales de lo que creíamos y que se utilizan de forma menos elegante de lo que la metáfora de partida hacía suponer.

Pero también hay una lectura más que positiva. Por una parte, que se obtienen resultados... y eso es bueno en sí mismo.  Por otro es que, si somos capaces de obtener resultados positivos, e incluso sorprendentes, con un modelo burdo del sistema nervioso central ¿qué no seremos capaces de hacer cuando lo conozcamos mejor?

Queda camino, desde luego... y un camino que se presume apasionante...

#macrotweet: ¿Nos superan los avance tecnológicos?

We are morphing so fast that our ability to invent new things outpaces the rate we can civilize them.

Kevin Kelly

'The inevitable'

Dos definiciones y alguna duda sobre Deep Learning Neural Networks

Es lo que tiene el 'buzzword' o cuando el marketing se mezcla en exceso con la tecnología... que al final es muy difícil saber de qué estamos hablando exactamente.

En busca de entender el concepto exacto (suponiendo que exista esa presunta exactitud) de 'Deep Learning' y su relación con las redes neuronales me encuentro en el libro 'Deep Learning Neural Networks' de Daniel Graupe dos definiciones. Una que la aporta el propio autor y que nos dice:

Deep Learning Neural networks (DLNNs) may be defined as neural network architectures that can facilitate deep learning, retrieval and analysis of data that is deeply buried in input information and not otherwise easily retrievable.

Y otra que atribuye a Dong y Yu en una publicación de 2014 y que reza:

DLNNs are a class of machine learning techniques that exploit many layers of nonlinear information processing for supervised and unsupervised feature extraction and transformation and for pattern analysis and classification.

Ninguna es del todo clarificadora, pero entre ambas parecen deducirse los siguientes elementos:

• Son un subconjunto dentro de las redes neuronales
• ... y un subconjunto dentro de las técnicas de machine learning
• Se aplican en problemas complejos difícilmente atacables por otras vías
• Se usan para extraer información en el sentido de reconocimiento y clasificación de patrones
• Utilizan algoritmos no lineales
• Aparentemente, tiene muchas capas (¿de ahí lo de 'deep'?)

En otras fuentes he oído cosas como que:

• Deep learning no es más que un nuevo nombre, algo así como un 'rebranding', para el concepto de red neuronal
• La diferencia entre el Deep learning y el machine learning es que en machine learning se entrena a los algoritmos mientras que en Deep learning aprenden por sí mismos

Está claro que todas estas afirmaciones no pueden ser ciertas al mismo tiempo. 

Por ejemplo, hay arquitecturas de redes neuronales que funcionan con entrenamiento y otras aprenden solas, luego según la última afirmación, unas serían técnicas de machine learning y otras de deep learning... pero entonces no puede ser Deep Learning un sinónimo de red neuronal.

Por otro lado, parece a priori muy restrictivo pensar que las redes neuronales usadas en Deep Learning sólo se utilicen para reconocer patrones

Esta figura, de NVIDIA parece sugerir un Deep Learning con entrenamiento

En fin, que la idea es muy interesante y prometedora, y las soluciones aún más...pero quizá se necesite un poco de dedicación adicional el cerrar el concepto con rigor y exactitud.

La razón de la existencia de las redes neuronales

Las redes neuronales, una de las herramientas típicas de la inteligencia artificial, y el corazón del tan de moda Deep Learning, plantean un esquema radicalmente diferente a la resolución de problemas al de cualquier otra solución algorítmica. 

En lugar de definir un algoritmo claro que establezca de forma comprensible por un humano la relación entre entradas y salidas, el razonamiento subyacente y el 'modus operandi', tal como hace el software 'normal' o incluso otras variedades de la inteligencia artificial como los sistemas expertos, las redes neuronales adoptan un enfoque mucho más de caja negra: se crean estructuras interconectadas de nodos y se ajustan los pesos de las conexiones.

La idea es imitar el comportamiento del cerebro humano pero, tal y como en el fondo nos pasa con ese nuestro cerebro humano, al final no entendemos realmente el funcionamiento, el porqué para una entrada se produce una salida. De alguna forma son como 'cajas negras' que, aunque dan resultados correctos e, incluso, inteligentes y, más aún, adaptativos, no sabemos muy bien por qué. Y es curioso, porque a nivel micro, nodo a nodo, el funcionamiento es clarísimo e incluso sencillo, pero el comportamiento 'macro' es oscuro...

La inspiración en el cerebro humano es clara y sugerente pero ¿por qué adoptar un enfoque tan, digamos, extraño, tan incomprensible?

La respuesta puede ser muy simple. En el inicio del libro 'Deep learning Neural Networks' de Daniel Graupe, me encuentro la siguiente frase.

Deep learning neural networks were created for its potential in solving problems in fields where current methods, theoretical or algorithmic were insufficient.

Es decir, la respuesta es muy simple: se crean las redes neuronales porque no hemos encontrado la forma de resolver esos problemas de otro modo y, sin embargo, las redes neuronales sí son capaces...

Unas líneas más adelante, el autor, remacha:

Deep learning is needed when simple methods are insufficient

donde la única aportación adicional relevante es la calificación de 'simples' para el resto de métodos.

Reconocimiento de imágenes mediante red neuronal

¿Es posible que algún día podamos resolver por otras vías que no sean redes neuronales algunos de esos problemas complejos? ¡Quien sabe! Probablemente sí, al menos en algunos casos.

De todas formas, habida cuenta de los resultados que están proporcionando las redes neuronales, y del brillante futuro que se les augura a 'ellas' y el deep learning, quizá haya sido una suerte el que no encontráramos antes otros algoritmos...