Big Data Spain 2018 — Resumen Jornada 1

Publicado por @SpainML el Nov. 14, 2018, 8:56 p.m.
SpainML estuvo presente en la primera jornada del Big Data Spain 2018. Este post resume las tendencias presentes en las ponencias a las que asistí (ojalá pudiese estar en cuatro ponencias a la vez, pero por desgracia no pude acudir a más de una en cada momento). Tengo que destacar el éxito de la organización del evento, cumpliéndose los tiempos de cada conferencia, sin ningún retraso en la hora de comienzo y con un cátering de calidad y cantidad. </br> </br> En primer lugar, como siempre que se habla de Big Data, debemos entender que hay dos grandes bloques dentro de las empresas con respecto a todo lo relacionado con estas tecnologías: la parte técnica y la parte de negocio. Las propias conferencias dentro de Big Data Spain están categorizadas de dicha forma, y aún así ambas acaban convergiendo en el mismo punto: los análisis deben llevar a una acción de negocio, o al menos a una presentación del análisis que facilite la toma de decisiones. Relacionado con ésto pudimos ver ejemplos como Olozip, que trata de predecir eventos en el mundo del fútbol y produce visualizaciones intuitivas. Por su lado, The Cocktail contó casos de uso en el sector de los viajes. </br> </br> Otro de los asuntos más mencionados de la jornada fue la necesidad de seguir buenas prácticas al trabajar con entornos Big Data. Como bien es sabido, toda tecnología tarda tiempo en madurar y este campo sufre cambios de forma vertiginosa. Sin embargo, hay una serie de pautas que deben seguirse para que los entornos de producción sean escalables y fiables. Desde UrbanDataAnalytics contaron su experiencia en todo lo relacionado con “DataOps”, reconociendo errores en el pasado y presentando la metodología que siguieron hasta conseguir una mejora notable en su rendimiento. Holden Karau, de Google, también hizo mención a buenas prácticas y se enfocó en la detección de fallos antes de la fase de producción para que éstos no lleguen más lejos. </br> </br> En cuanto a aplicaciones interesantes siguiendo corrientes actuales, DigitalGlobe introdujo un análisis de imágenes capturadas por satélites con técnicas de “remote sensing”, Telefónica mostró cómo realizar un sistema de recomendación juntando aprendizaje por refuerzo y datos provenientes de estudios de mercado, MathWorks enseñó a usar su framework para etiquetar datos con el fin de entrenar modelos de coches autónomos y GeoBlink demostró la cantidad de posibilidades que ofrece analizar datos que contienen geolocalización. </br> </br> Si te ha gustado este artículo te animo a compartirlo en tus redes sociales, y si quieres unirte a una comunidad online de apasionados del Machine Learning te invito a entrar a través de este enlace.