Coronavirus: Mapa se actualiza en tiempo real con casos más recientes #COVID19

Con un alarmante crecimento de casos del Coronavirus Covid-19 en Italia y Corea del Sur este último fin de semana, la alerta por nuevos casos y posibles brotes del virus ha ido en aumento. El Centro para Ciencias de Sistemas e Ingenieria del John Hopkins University ha puesto a nuestra disposición un mapa, actualizado en tiempo real que mantiene un record de los casos confirmados, personas recuperadas y muertes totales confirmadas, además de un mapa que nos muestra las zonas más afectadas.

El mapa nos permite ver regiones que han sido afectadas, además de permitirnos “clickear” en cada uno de los puntos para poder obtener más detalles:

Y qué podemos hacer para poder prevenir las posibilidades del contagio? Ayer el World Health Organization lanzó su reporte más reciente enumerando los nuevos casos, además de dar recomendaciones para el público en general:

https://twitter.com/arturogoga/status/1232076423671664641

Esta es la superficie del Sol

El telescopio Daniel K. Inouye, ubicado en Hawaii, ha logrado capturar la imagen de mayor resolución que existe hasta el día de hoy del sol, dándonos una idea de cómo se ve la superficie. El resultado? Parece pop-corn.

El telescopio solar inició operaciones en Diciembre desde la montaña Haleakala y si bien aún no está terminado (lo estará para mediados de este año), ya puede obtener imágenes nunca antes vistas, como esto:

El video es producto de haber observado al sol por 10 minutos. Las celdas en movimiento es plasma que sale del sol, enfriándose, y luego retirándose al centro. Tal es la potencia del telescopio que lo que se puede apreciar en el video equivale sólo a una distancia de 30 kilómetros. Para ponerlo en perspectiva, cada “grano” o celda que ven en el video es del tamaño de Francia, o cada dos, del tamaño de Perú.

Pueden encontrar más detalles, aquí

Un sólo vehículo autónomo podría mejorar el tráfico en las calles

Odian el tráfico? Vehículos autónomos podrían mejorar considerablemente el tránsito en las calles.

Una nueva investigación llevada a cabo en Tucson, Arizona ha demostrado que para mejorar el tráfico, no es necesario reemplazar a todos los autos, por vehículos autónomos – que se transporten solos. Una reciente investigación ha descubierto que tan sólo introducir unos cuantos en el tráfico regular puede eliminar comportamientos como el “stop and go” y el riesgo de accidentes.

Según el estudio, con una cifra tan baja como 5 por ciento de vehículos en la calle como autónomos y constantemente monitoreados, es posible eliminar las “olas de stop and go” generadas por el comportamiento humano. Esto se refiere a la tendencia de los humanos a frenar innecesariamente, ocasionando que el vehículo de atrás haga lo mismo y así sucesivamente, como pueden apreciar en este gráfico:

Así es, no tenemos que esperar a que todos los vehículos den el salto hacia la automatización, según este estudio, pues basta con la introducción de unos cuantos vehículos manejados por inteligencia artificial para corregir lo mal que conducimos los seres humanos. Esto lo consiguió el estudio al introducir un vehículo autónomo, para luego añadir 20 vehículos conducidos por humanos al circuito.

Por qué? O cómo? Pues al tener un conductor automatizado en la misma pista, se puede controlar el ritmo o flujo del tráfico, evitando así problemas ocasionados por errores humanos. La prueba descubrió que el añadir este conductor por AI, disminuyó el consumo de gasolina en un 40 por ciento.

Parece, pues, que el siguiente gran salto en mejorar el tráfico en las calles y ciudades del mundo, implicaría la introducción de estos vehículos autónomos, para de alguna manera, servir de “ejemplo” para el resto de conductores y así ahorrarnos embotellamientos y tiempo perdido en transporte.

Más info en Phys.org

Redes Neuronales. Qué son y cómo funcionan?

Redes Neuronales. Un conjunto de palabras que hemos escuchado con creciente frecuencia en estos dos últimos años y cuya importancia, irá creciendo aún más. Pero qué son las redes neuronales, por qué están cobrando tanta importancia ahora, y cuáles son las aplicaciones que podremos darle? En este artículo, veremos por qué es importante tener el concepto de redes neuronales bien claro, para entender qué nos depara el futuro cercano.

 Redes neuronales artificiales: una simulación del cerebro humano.

Lo bueno es que “redes neuronales”, de por sí, es un conjunto de palabras bastante descriptivo. Sabemos que, de alguna manera, tiene que estar relacionado con el cerebro, verdad?

Y es que una red neuronal es, en esencia, una simulación o copia de cómo funciona un cerebro típico, en una computadora. Una manera que una computadora pueda aprender, detectar patrones y tomar decisiones en torno a ello, tal y como lo haría un ser humano.

Piensen un momento cómo es que funciona la computadora, smartphone o tablet que estén usando. Estas computadoras son muy capaces a la hora de realizar cálculos, de reorganizar información, de actuar frente a las precisas instrucciones que nosotros les damos. Pero sin una interacción de nuestra parte, si nosotros no le “ordenamos” a la computadora hacer algo, son totalmente inútiles. Nuestro cerebro, por otro lado, funciona de una manera totalmente diferente. Puede que nos tome mucho más tiempo realizar cálculos o reordenar información, pero nuestro cerebro puede razonar , recopilar información recogida por experiencia, y luego asumir o interpretar dicha información para actuar sobre ella.

Un ejemplo excelente, es el que encontramos en “Neural Networks and Deep Learning”. Vean esto:

Nosotros podemos rápidamente interpretar dicha imagen como 504192, verdad? Pero esto es porque nuestro cerebro, como una super computadora, analiza la información visual y sabe, por experiencias pasadas, por miles cientos de millones de años de evolución, que se trata de una serie de dígitos. Pero intentar hacer que una computadora entienda ello, que el “2” es una figura ligeramente redondeada en la parte superior, con una curvatura inicial para terminar en una línea recta horizontal, es sumamente complicado. Y no, tampoco entenderá analogías como “piensa en el dos como si fuese un cisne”.

Aquí es donde las redes neuronales, o la inteligencia artificial entran en acción. En lugar de actuar como un típico programa de computadora, que espera nuestros comandos para poder tomar acción, una red neuronal toma una enorme cantidad de información previa, conocido como “ejemplos de entrenamiento” y luego utiliza esta información para para inferir una respuesta por su cuenta. Si nosotros notamos algún error y se lo hacemos saber, la red neuronal puede adaptar este nuevo conocimiento, tomarlo como un resultado negativo y así, mejorar la precisión de información para el futuro . Es decir, las redes neuronales siempre están en constante aprendizaje, alimentándose de la información d

Algunos ejemplos de entrenamiento para que las redes neuronales sean capaces de inferir sobre números escritos a mano:

Así es como funcionan las redes neuronales: cogen enormes cantidades de información pre-existente (denominado “input units”) que pasan a ser procesadas para luego darnos un “output” o resultado Las redes neuronales aprenden de acuerdo al feedback o respuestas que les damos. Siguiendo el ejemplo anterior: si detecta un “9” cuando no lo es y se lo informamos, tomará esta información para aplicarla en un futuro.

 Algunos ejemplos

Quizás uno de los ejemplos más populares en la actualidad, es la aplicación fotográfica “Prisma”, que recientemente saltó a la fama por ofrecernos los mejores filtros artísticos que hemos visto a la fecha. De la nada, Prisma podía imitar el estilo de varios artistas, o darle a nuestras fotos un look de ilustración.

Esto lo consigue a través de redes neuronales. Prisma se alimenta de información de millones de fotografías, para poder definir qué cosa es qué en una imagen. Es decir, sabe el “contexto” de la foto. Piensen en una aplicación fotográfica cualquiera; lo que hace usualmente, es hacer los cálculos necesarios para aplicar un filtro a toda la imagen, de acuerdo a los parámetros que nosotros establecemos, verdad?

En cambio Prisma actúa diferente. Prisma no aplica un filtro encima de la foto y nos la entrega, sino que construye una imagen nueva en base a la información dada. Coge nuestra foto y detecta que se trata de un paisaje, por ejemplo, o de un retrato. Luego, en base al estilo seleccionado, aplica esta información y genera una imagen nueva, de cero, en un “lienzo vacío”. Por eso los resultados son tan diferentes, tan especiales con Prisma. No se trata de una “capa de pintura” o filtro encima de la foto; es una imagen construida desde cero, por redes neuronales.

Otro claro ejemplo, es el que Google recientemente implementó en su app Google Translate para móviles, que ha implementado “traducción neuronal” que, en lugar de traducir palabra por palabra, lo hace frase por frase, mejorando enormemente la consistencia y calidad de las traducciones. El resultado, gracias a la aplicación de redes neuronales a Google Translate es, según Barak Turovsky, product lead, una mejora tan sustancial que ha mejorado más con este salto, que en los últimos 10 años combinados. De momento, las redes neuronales para traducción se aplican a 8 idiomas: Alemán, Francés, Español, Portugués, Chino, Japonés, Coreano y Turco.

Este es tan sólo un par de ejemplos recientes de la aplicación visible de redes neuronales (o Inteligencia Artificial) a aplicaciones a las que nosotros, como consumidores finales, tenemos acceso. Gracias al creciente poder computacional, además de la creciente recolección de información de gigantes como Google, es que estas redes neuronales, ahora, cuenta con la data o información necesaria, además del poder computacional para poder procesarlas. Por eso estamos viendo tantos avances en ello. Se han preguntado cómo Google Photos, por ejemplo, hace tan buen trabajo en detectar el contexto de nuestras fotos? Cómo sabe que estamos en un concierto, en una montaña, que esa foto que tomamos es de una cerveza, o de una copa de vino? Cómo identifica rostros de personas, a pesar de que estas personas están de perfil, en un segundo plano? Todo esto es gracias a las redes neuronales. Y la aplicación y utilidad de las mismas, se irá ampliando.

Gracias a la cantidad de información que Google recibe, está en una posición privilegiada para poder realizar grandes avances a las redes neuronales, machine learning e inteligencia artificial en sí. De hecho, acaban de lanzar “A.I Experiments”, un portal con diferentes juegos que nos darán una oportunidad de aprender y conocer cómo funcionan. Pueden darle un vistazo aquí!

screenshot-2016-11-16-09-35-38f

Escucha la primera canción generada por una Computadora

La canción fue elaborada en los laboratorios de Alan Turing

Dos investigadores, Jack Copeland y Jason Long, acaban de restaurar la primera grabación generada por una computadora en la historia. Esta versión “remasterizada” de la primera grabación de música generada por computadora cuenta con 3 melodías, y fue hecha por la BBC en los laboratorios de Alan Turing en 1951.

Estas melodías fueron creadas por la computadora “Mark II” de Turing, un prototipo que contaba también con un parlante bastante básico, apodado “the hooter” (por el tipo de sonido que hacía) por Turing. Según describen en el blog post publicado en el British Library, se hizo reproducir al “hooter” notas aproximadas al repetir múltiples notas a grandes velocidades. Sin embargo, Turing no le prestó mayor interés (simplemente generó  tonos utilitarios con este sistema: uno para avisarle cuando la computadora había culminado una tarea, otro cuando habían errores, etcétera); sería el pianista  y futuro programador Christopher Strachey, el que convertiría las indicaciones dejadas por Turing, en una verdadera melodía.

Según recuentos de Strachey:

“Me senté frente de esta enorme máquina con cuatro o cinco filas de 20 switches y cosas en un cuarto que parecía el cuarto de control de un buque de guerra”. Todos quedaron asombrados cuando, tras una ardua noche de programación, la máquina soltó, en “bips” y “bops”el himno nacional.

Es el himno nacional el que podemos escuchar en las melodías rescatadas, junto a “Baa Baa Black Sheep”, una canción de cuna, y una versión de “In the Mood” de Glenn Miller.

Aquí podemos ver a Turing (derecha), frente a la computadora, la Mark II, donde se produjeron estas melodías:


Aquí tienen un link directo hacia la melodía en sí. También pueden escucharla en SoundCloud:

 

 

 

Via British Library /  the verge

NASA encuentra agua en Marte!

Screen Shot 2015 09 28 at 12 12 08 PM

 

La NASA comentó que tendría un importante anuncio durante el fin de semana que pasó. Y en efecto, se trata de un anuncio bastante importante: agua líquida fluye en Marte, tal y como revelaron en una nota de prensa

Eso es precisamente lo que se puede apreciar en la imagen que abre al post. Según la NASA:

Esas líneas oscuras y delgadas de 100 metros de longitud llamadas “recurring slope linae” que fluyen cuesta abajo en Marte se infieren que se han formado por agua que fluye de manera contemporánea. Recientemente, los científicos planetarios detectaron sales hidratadas en estas laderas en Hale cráter, corroborando su hipótesis original que las rayas son de hecho formadas por agua líquida. El color azulado que se ve cuesta arriba de las líneas oscuras no está relacionada con su formación – se cree – pero sí por la presencia del mineral piroxeno. 

 

En pocas palabras: Marte tiene ríos que ocurren de manera estacional, aumentando considerablemente las posibilidades de que el planeta pueda sostener algunos tipos de vida. Repetimos: Hay agua en Marte, que está en o cerca a la superficie. 

 

Mars 0001 970x647 c

Esto fue detectado gracias al Mars Reconnaissance Orbiter, o MRO, que ha estado circulando al planeta por casi una década. Según Michael Meyer, científico principal de la misión “Mars Exploration Program”:

Nos tomó múltiples naves espaciales a lo largo de varios años para resolver el misterio, pero ahora sabemos que hay agua líquida en la superficie de este planeta frío y desértico. Parece ser que cada vez que estudiamos más a Marte, más aprendemos sobre cómo la vida puede ser soportada y donde están esos recursos para soportar vida, en un futuro”.

 

f