Technology holygrail

Recientemente, el término DAG ha sido considerado erróneamente bajo el concepto de 'tecnología blockchain' y lo que muchos no se dan cuenta es que un DAG es de hecho diferente.

Vamos a desglosar lo que es un gráfico acíclico dirigido (DAG)  y resaltar una de las diferencias clave que tienen de cadenas de bloques como Bitcoin o Ethereum.

Comencemos con un gráfico cíclico no dirigido:nSe trata de un gráfico (o red de nodos conectados) donde la información se puede pasar de un nodo (un círculo) a otro a lo largo de diferentes bordes (líneas rectas). Hay una variedad de diferentes maneras en que la información puede salir de un nodo, pasar a través de otros nodos y volver al nodo original. Cuando esto ocurre sin ningún nodo encontrado más de una vez, el gráfico se puede definir como cíclico.

El gráfico original, y las secciones derivadas en azul y rojo, son todos gráficoscíclicos.

Sin embargo, nos interesan los gráficos acíclicos.  Los gráficos acíclicos son gráficos que  no tienen ciclos.

Sustituya estos nodos por bloques, ¿le resulta familiar?

No hay ninguna ruta de acceso para que la información vuelva a los nodos a la izquierda de cada diagrama sin duplicar y golpear un nodo que ya se ha encontrado.

Ahora sabemos lo que es la sección  gráfico acíclico de un DAG, pero ¿qué pasa con Dirigido?

Si damos a los bordes una dirección (para que funcionen como una calle unidireccional para la información), y nos aseguramos de que ningún nodo se conecte a ninguno de los otros nodos ya en su serie, nuestro gráfico previamente cíclico ahora se puede convertir en un gráfico acíclico dirigido:

Pero, ¿cómo se compara esto con una cadena de bloques estándar?

Las cadenas de bloques funcionan de la misma manera que los dos gráficos acíclicos anteriores: la lógica detrás de ellos funciona cuando hay una sola cadena de bloques, con cada nuevo bloque incluyendo una referencia a la anterior. Sin embargo, las cadenas ramificadas se pueden crear cuando dos mineros producen un bloque al mismo tiempo, o se produce un ataque del 51%. Para garantizar que la cadena principal siga siendo viable, las cadenas de bloques aplican un período de tiempo arbitrario entre bloques para dar a la red tiempo para consolidar y verificar qué "rama" de la cadena es correcta. Este período de espera se conoce como un tiempo de bloqueo, y las ramas más cortas o malintencionadas son 'huérfanas' (descontinuadas).

 Una "cadena de huérfanos" discontinuada por encima de la cadena principal continua

   Los DAG, sin embargo, permiten que varias cadenas de bloques coexistan e interconecten, todo mientras nunca forman una arista con un nodo primario. Los nodos pueden existir en paralelo, siempre y cuando la información se dirija de la misma manera.

Una pequeña sección de un DAG interconectado

Esto abre toda una nueva gama de posibles opciones de confirmación que eliminan la necesidad de tiempos de bloque, así como la reducción de la cantidad de trabajo desperdiciado en "cadenas huérfanas" abandonadas. El resultado final: un potencial sin precedentes para un flujo de información altamente escalable y rápido en una red completamente descentralizada. Los DAG pueden incluso ser capaces de competir con las redes centralizadas existentes en un futuro próximo en términos de rendimiento y seguridad.

Mientras que muchos argumentan que esto no es tan seguro como la cadena de bloques clásica, equipos de personas con talento y líderes de pensamiento han estado trabajando las 24 horas del día en formas de convertir este concepto en una solución utilizable, segura y altamente escalable.

 Se oyó un suspiro colectivo de alivio con la invención de blockchain, aquí había una base que podía ser utilizada para una simultaneidad completamente descentralizada. Los bancos no tendrían el control de nuestro dinero, y tampoco las autoridades centrales tendrían una gobernanza completa sobre él.

Luego, etereum. De repente, no sólo se podían utilizar blockchains para facilitar las transacciones que utilizan monedas descentralizadas (por ejemplo, Bitcoin), ahora teníamos un marco para el desarrollo de aplicaciones descentralizadas.

Sin embargo, si eres un purista de Bitcoin, un acérrimo Ethereum o un gran fan de Litecoin, hay un problema evidente que es el mismo para todos: el tiempo que tarda un bloque en ser extraído.

Los bloques son uno de los conceptos más fundamentales en una cadena de bloques. Cuando envía BTC, ETH o cualquiera de las otras monedas y tokens basados en blockchain, su transacción se incluye (esperemos) en un bloque. Los bloques son más o menos sólo fragmentos de transacciones, y muchas cadenas de bloques utilizan PoW (Prueba de trabajo). También son fundamentales para determinar lo difícil de la minería.

 Entonces, ¿cuánto tiempo se tarda en confirmar un bloque de transacciones? El número varía:

En promedio:

Bitcoin tiene un tiempo de bloqueo de 10 minutos

Litecoin reduce eso por un factor de 4 a 2.5 minutos

El tiempo de bloqueo de Ethereum es de entre 16 segundos

Lo que esto significa es que, como mínimo, su transacción Bitcoin tardará 10 minutos en confirmarse una vez. Ethereum es mucho más rápido, sin embargo, esto pueden ser órdenes de magnitud más altos debido a operaciones colaterales.

Ahora que estamos llegando al problema real aquí, ¿cómo puede esto competir con una alternativa centralizada? Visa se jacta de que puede manejar más de 24.000 transacciones por segundo. Sin tener en cuenta los problemas que podría causar, reducir a la mitad el tiempo de bloqueo de Ethereum ni siquiera lograría esto.

En el mundo real, esperar minutos para que los pagos confirmen es un paso atrás, especialmente mientras está de pie en una tienda física. Del mismo modo para los comerciantes, que no quieren dejar que un cliente se vaya hasta que se haya recibido su pago.

Aquí es donde entran los DAG.

Los DAG, o gráficos acíclicos dirigidos no dependen de una sola cadena de bloques continuamente confirmada. Piense en la cadena de bloques estándar como un solo palo constantemente añadido y  alargado en línea recta — un DAG funciona como una red de ramas entrelazadas que crecen hacia afuera en múltiples direcciones. Las transacciones se pueden confirmar órdenes de magnitud más rápido mientras permanecen descentralizadas, ya que cada bloque solo necesita confirmar la transacción anterior.

 Algunos ejemplos de DAG:

- FANTOM está rompiendo la barrera a la adopción generalizada que las cadenas de bloques y sus tiempos de bloque asociados han creado

- la cadena OPERA debería ser capaz de facilitar más de 300.000 transacciones por segundo.

Aunque los científicos se esfuerzan por aumentar la claridad en sus mediciones y conceptos, a menudo es la incertidumbre lo que estimula un nuevo pensamiento. La confusión de la noción de especie hizo que Charles Darwin reflexionara sobre la evolución. Francis Crick observó que si él y James Watson se hubieran preocupado por cómo definir el gen en la década de 1950, el progreso en la biología molecular se habría estancado. "En la investigación, la línea del frente casi siempre está en la niebla", escribió Crick en su autobiografía. Incluso hoy no existe una definición consensuada del gen.

En  un amplio estudio de la incertidumbre, el informático Kees van Deemter argumenta que las definiciones precisas pueden no ser significativas o lógicas. A través de su experiencia en investigación en inteligencia artificial él  sabe bien lo difícil que es programar computadoras para hablar y escribir como humanos. Existen muchas perspectivas lógicas, lingüísticas y filosóficas em el tema de la vaguedad.

Los lenguajes naturales, a diferencia de los lenguajes formales que se usan en lógica e informática, están llenos de imprecisión y ambigüedad. En español o inglés, el adjetivo 'grande' es igualmente aplicable a una araña, un elefante o un planeta. Los oradores deducen el significado de la palabra del contexto de su uso. Por lo tanto, "grande" es un concepto vago según la definición de van Deemter porque "permite casos límite". Aunque el término "obeso" parece estar mejor definido, también es vago: los límites entre bajo peso, peso saludable, sobrepeso y obesidad están, en gran medida, arbitrariamente dibujados.

Los límites son esenciales para la precisión, pero su definición puede desafiar la razón. Es interesante observar las ramificaciones de la paradoja de los soritas, un enigma griego antiguo del tamaño de un montón (soros en griego). Agregar un grano de arena a otro claramente no lo convierte en un montón. Pero si sigue el razonamiento de la lógica aristotélica y el álgebra booleana, que permite que una declaración sea verdadera o falsa, sin importar cuántos granos agregue, en ningún momento se convertirá en un montón. El umbral no se puede definir a través de la lógica clásica.

Del mismo modo, un objeto puede conservar su identidad aunque haya sufrido muchos cambios. En un caso de la Corte Suprema de Londres en 1990, un vendedor de un automóvil de carreras antiguo demandó a un comprador que se había retirado del acuerdo después de afirmar que el automóvil no era auténtico debido al reemplazo sucesivo de sus partes. El juez falló a favor del vendedor: "Las piezas nuevas se asimilaron en el conjunto a un ritmo y durante un período de tiempo tal que nunca hicieron que el automóvil perdiera su identidad".

Van Deemter argumenta que no hay una resolución satisfactoria de la paradoja de los sorites modificando la lógica clásica. En lugar de que las declaraciones sean verdaderas o falsas, lo que se necesita es una lógica basada en grados de verdad, que va desde cero hasta 100% de certeza.

Permitir tales gradaciones en las definiciones de límites puede ayudar en la toma de decisiones. El autor cuenta la historia del robo de un diamante del emperador de China por uno de los mil eunucos. El testigo soltero exclama en su lecho de muerte solo que "El ladrón es alto". ¿Cómo va a atraparlo el emperador? Un lógico clásico, que podría clasificar a los sospechosos como altos o no altos, definiría una altura promedio y recomendaría buscar a todos los que sean más altos que el promedio. Un lógico que permita grados de verdad podría encontrar al culpable más rápidamente: cuanto más alto es el ladrón, más probable es que el testigo lo haya descrito como alto. Por lo tanto, la búsqueda debe comenzar con el más alto.

Para múltiples restricciones, los grados de verdad se combinan mediante otras operaciones lógicas. Estos sistemas de "lógica difusa" se utilizan ampliamente en informática, por ejemplo, al proporcionar sistemas automatizados de apoyo a la decisión para los médicos. Pero, sostiene Van Deemter, debido a que estas combinaciones aún se basan en suposiciones de verdad o falsedad, la lógica difusa no puede abordar todas las ambigüedades del lenguaje natural, incluida la paradoja de los sorites.

Tal vez en el discurso público necesitamos un mayor uso de la vaguedad y menos de la "falsa claridad" de la lógica formal   para  ser convincente. En ciencia, la vaguedad a veces es una virtud y debe entenderse mejor si las computadoras alguna vez pasan la prueba de Turing para demostrar la inteligencia humana.

Mas información:

COMGO ,  assisted   by  IBM ,  has  built a  blockchain network  to  conenct  donors  and  Thrid Word development  projects and  generate  trustness among them.

Technology  behind  is  IBM  Blockchain  based  on  the  Open Source  project  Hyperledger  Fabric.

See:   http://comgo.mybluemix.net

[more   info   on   https://www.linkedin.com/feed/update/urn:li:activity:6527216462233366529 ]

Complexity research is a main concern in disparate science fields such as computing, city planning, Internet, etc. In computingand  programming,  complexity  became  early  an  issue  and  a  target  for  software  engineering, but  in  fact  the  pattern  concept  was  born  in  architecture  and  city  planning  environment.  The  universe  is  not  made  of  "things,"  but  of  patterns of  complex  and  interactive  geometries.  We can  generalize  such  a  concept  to  Internet  of  Things  and  SmartCities  domain  and  consider  more complex abstract structures called semi lattices.

Smart Cities modeling is  paradigm of Internet of Things (IoT) modeling. Ashton  was probably the first person to coin the phrase-term 'Internet of Things' (IoT) back in 1999 to describe this  vision  of  Internet-connected  sensors,  devices, and  citizens. Linked  to the  concept of Internet of Things  is the concept domain of Smart Cities, where Internet and other relevant technologies continued to develop and mature a number  of  solutions  from  computer industry  giants that  today  made  IoT  a  feasible  option  for  a  good  number  of  modern cities, as Boulosand Shorbaji describes. Indeed, IoT is often perceived as a major enabler for the 'smart cities' of the present and the future. Modeling large scale IoT systems,as a Smart Cities could be, is a challenge due to the  huge  number of heterogeneous  components and the  even  greater complexity of their  relationships  if a cooperative or distributed approach is used instead a centralized one .As Vermesan stated,  this could be faced using simulation of System of Systems.

Nevertheless, we additionally propose another approach for modeling IoT and Smart Cities using the Semantic Web as a way of knowledge representation.  OWL2 (Ontology  Web  Language  2)  is  the  Web  Ontology  Language  recommended  by  the  World  Wide  Web  Consortium  (W3C,  http://www.w3c.org).  The  Semantic  Web  is  an  extension  of  the  current  web  created  to  better  enabling computers to work in cooperation.The official World Wide Web Consortium (W3C) document on OWL states  that  it  was  designed  “for  use  by  applications  that  need  to  process  the  content  of  information  instead  of  just  presenting information to humans. OWL facilitates much better machine interpretability of internet content than that supported by XML, RDF, and RDF Schema (RDF-S) by providing additional vocabulary, stronger syntax and formal semantics.”  Some commercial platforms to manage smart cities, supports the use of OWL  and many smart cities or IoT systems can be modeled using simple hierarchy trees where increasing the number of "things" does not increase complexity, because in fact it is a simple tree. Increasing complexity, either on Smart City or on a more generalized IoT, comes due to the introduction of additional concepts as, for example, space and time. Consider the following scenario: An operator instructs his intelligent trash_truck to go to the next trash container in priority list, trash_container_i, according to some optimization parameters and correlating data from GPS geo-position, filled sensor, etc. He should take only the recycling_plastic_container and emptying it into trash_truck. This container is next to a street with a traffic jam. Afterwards he needs go to the trash managing plant. The concepts suitable for an ontology are in bold and additional relevant concepts, as space and time, are underlined. To model or represent this second scenario is obvious that a hierarchy OWL model has problems. In  figure  a graph of both scenarios is shown.(Left) IoT simple hierrarchy tree ; (Right) IoT complex relationships

Serverless Computing or Functions as a Service (FaaS) is gaining momentum. Amazon is fueling the innovation by expanding Lambda to edge devices and content distribution network. IBM, Microsoft, and Google have their own FaaS offerings in the public cloud. There are over half-a-dozen open source serverless projects that are getting the attention of developers. This year, expect to see new platforms emerging in this segment.

With all the excitement and hype around serverless, it’s important to understand what really defines the platform. Here is an attempt to highlight the key attributes of serverless computing platforms. For customers, it acts as a checklist for choosing the right offering while helping platform vendors in optimizing their product.

1. Polyglot Platform The biggest benefit of FaaS is choosing the best of the breed languages and runtimes optimized for specific tasks. Each function could be written in a different language yet contributing to the same application. Though JavaScript seems to be the lowest common denominator for Serverless, supporting other languages is important.

AWS Lambda started with JavaScript but eventually added support for Python, Java, and C#. Azure Functions supports all popular languages including BASH scripting language. With Docker integration, some providers will enable BYOI (Bring Your Own Image) with support for legacy code and binaries. IBM OpenWhisk is an example of such FaaS. Polyglot is an important aspect of FaaS that customers should factor.

2. Support For Sync and Async Invocation Functions deployed in FaaS may be synchronous or asynchronous. A certain class of applications demands immediate response while others may prefer asynchronous invocation. For example, the data generated by sensors needs to be processed and analyzed immediately while images uploaded to object storage may be converted to thumbnails by a batch process.

Running an application in FaaS is similar to flying a drone.

Irrespective of the style of the function, FaaS platforms should support both synchronous and asynchronous invocation. When a function is triggered asynchronously, the platform returns an identifier that can be used to poll the status. IBM OpenWhisk supports this pattern in which every function is treated as asynchronous unless the invocation includes a blocking request.

It’s also important to understand the number of concurrent invocations supported by the platform. Azure Functions

Read the entire article at The New Stack

Janakiram MSV is an analyst, advisor, and architect. Follow him on Twitter, Facebook and LinkedIn.

Ten Attributes of #Serverless | @CloudExpo #FaaS #AI #Lambda #OpenWhiskPlease feel free to blog about this particular article.

Article Summary:

Ten Attributes of #Serverless | @CloudExpo #FaaS #AI #Lambda #OpenWhisk — Serverless Computing or Functions as a Service (FaaS) is gaining momentum. Amazon is fueling the innovation by expanding Lambda to edge devices and content distribution network. IBM, Microsoft, and Google have their own FaaS offerings in the public cloud. There are over half-a-dozen open source serverless projects that are getting the attention of developers. This year, expect to see new platforms emerging in

HTML Copy'n'Paste from here:

Article URL:

BLOCKCHAIN   for  JOURNALISM.  Starting point  meeting:

ECPMF chair Henrik Kaufholz participated in a recent blockchain-related meeting among journalists and IT professionals in Madrid. From left to right: Carlos Kuchkovsky, CTO New Digital Business at BBVA; Ángel Hernández, CTO Security & Blockchain IBM; Astyanax Kanakakus, CEO & co-founder Norbloc; Mario de la Iglesia, translator; Henrik Kaufholz; Úrsula O'Kuinghttons, journalist & co-founder OléChain; Alberto Gómez Toribio, CTO Blockchain Barrabes Biz; Alberto Barreiro, Chief Experience Officer, PRISA. Photo courtesy of Covadonga Fernández, OléChain 

El  conocimiento  de la memoria puede dar  mucha ayuda  para  entender el proceso de aprendizaje y también  para entender los trastornos cerebrales.Los investigadores de la memoria han han  hecho notar  que existe un estado  de memoria, un espacio cerebral cognitivo desconocido [1].

Cuando se  almacena en la memoria el nombre de alguien a quien se acaba de conocer, este nombre se mantiene durante unos segundos en la llamada memoria de trabajo,  mantenida  superficialmente  por el continuo refresco de las neuronas.

Si dicha  persona es importante para el  sujeto, el nombre permanecerá algunos días en la memoria  denominada de largo plazo, la cual es mantenida por conexiones neuronales  permanentemente fijadas  o,  en  el   argot  de la neurociencia,  cableadas. Pero, ¿dónde va durante las horas intermedias, cuando ha dejado la memoria de trabajo estándar y aún no está incrustada en la memoria a largo plazo?

Recientes  observaciones de N. Rose et al. [2] apuntan a una nueva forma de memoria de trabajo, que denominan "memoria a largo plazo  priorizada", la cual  existe sin que se genere una elevada actividad neuronal.La información puede de alguna manera ser mantenida entre las sinapsis que conectan las neuronas,  incluso después de que la memoria de trabajo convencional se haya desvanecido. Se han estudiado sujetos que observaban una serie de diapositivas mostrando caras, palabras o puntos moviéndose en una dirección,  y  han  rastreado la actividad neuronal resultante utilizando la imagen de resonancia magnética funcional (fMRI) y, con la ayuda de un algoritmo de aprendizaje automático, mostraron que podían clasificar la actividad cerebral asociada con cada ítem.

Posteriormente,los sujetos vieron los elementos en combinación (una palabra y una cara, por ejemplo), pero se centraron en un solo elemento. Al principio, las firmas cerebrales de ambos ítem aparecieron nítidas (medidas con electroencefalografía (EEG) ), pero la actividad neuronal del ítem no controlado se redujo rápidamente a la línea de base, como si hubiera sido olvidada, mientras que la firma EEG del ítem marcado seguía siendo una señal de que todavía estaba en la memoria de trabajo. Sin embargo, los sujetos aún podrían recordar rápidamente el ítem  no controlado cuando se le pedía  que lo recordase  unos segundos más tarde.  Usando  estos mismos  sujetos  y  el mismo  tipo de ítem. N. Rose et  al.  han  utilizado adicionalmente  la estimulación magnética transcraneal (TMS),  que es un método no invasivo que utiliza campos magnéticos que cambian rápidamente para inyectar un pulso de corriente eléctrica al cerebro,  para  monitorizar  las respuestas  del  experimento.

Los sujetos realizaron las mismas tareas de memoria controlada, y seguidamente, se aplicó un amplio pulso TMS justo después de la firma de la memoria  del elemento (ítem) no controlado hubiera desaparecido.  La actividad neuronal asociada a ese elemento "olvidado" aumentó, mostrando que la memoria fue reactivada en la conciencia inmediata desde su estado latente. Es más, cuando el TMS se dirigió directamente a las áreas cerebrales que inicialmente estaban activas para el elemento no controlado, la respuesta de reactivación fue aún más fuerte.

Hasta  este momento no  se sabe mucho sobre  las sinapsis u otras características neuronales que puede contener este segundo nivel de memoria de trabajo, o cuánta información puede almacenar pero es un primer paso  en la comprensión de cómo traemos las cosas a la mente.

Despite   Cognitve  Computing is  not  Artificial Intelligence (AI),  it  uses AI  deeply .  AI  evolves to  complex algorithmics and  touch new emerging  areas.  

One example  of  this  is the Eureqa project,  now being  a proprietary A.I.-powered modeling engine originally created by Cornell's Artificial Intelligence Lab and later commercialized by Nutonian, Inc.

Eureqa scenario is based around to  use  evolutionary search to determine mathematical equations that better describe sets of data.

In the  past  years  AI  has been  using  data scientists,  with tools like R, Python,  SQL, SAS, SPSS, etc ,  to execute predictive and statistical modeling  specially  on  volume of data and complexity of problems that humans could  not solve because they are ever-increasing.  The  volume  and complexity increase  but the number of data scientists  do not.

To solve this  data science gap, initiatives as  Eureqa,  Watson  , etc  where tha idea is  that machines could extract meaning from data and people automatically.

Eureqa is an artificial intelligence-powered "Virtual Data Scientist" that automatically builds predictive and analytical models, and allows domain experts to rapidly iterate on them in  such a way  that automates the discovery and explanation of answers from data.  This is  the  same  idea  that  Watson .

This  Intelligent  Machine works by doing random equations with the data through a process known as "evolutionary search". Most of the equations do not give anything useful, but a few of  equations will make much more sense than  others and those  will be used as a basis of a new iteration of millions of  equations until a stable result is reached. This has been used to discover formula with invariant relationships  (Newton’s laws, Maxwell’s laws...)

En el campo de las redes neuronales y la investigación de la inteligencia artificial, se habla del "problema black-box  o de la caja-negra"  a la dificultad para el sistema  en proporcionar una explicación adecuada de cómo se llegó a una respuesta .

Del mismo modo que las personas  tenemos que navegar mentalmente a través de los complejos conjuntos de valores para llegar a una conclusión,  para explicar completamente los cálculos que hacemos,  debemos gastar horas y horas para hacerlo a fondo.

Pero cuando se trata de computadores, esto crea además un problema complicado  mas allá  incluso de problemas  como el procesamiento del lenguaje natural,  reconocimiento de imágenes, etc.:  es necesario también que haya un rastro entre la entrada y la salida; una validación   más allá del hecho de que un sistema  "inteligente" ha proporcionado una respuesta.

 Es  muy conocida la primera pelea de Dean Pomerleau con el problema de black-box(1). Era el año 1991 y que estaba haciendo un intento pionero para hacer algo que ahora se ha convertido en algo común en la investigación del vehículo autónomo:  enseñar a un ordenador la forma de conducir. Se trataba de tomar el volante de un vehículo especialmente equipado y guiarlo a través de calles de la ciudad. El equipo que se había programado  para mirar a través de una cámara, interpretar lo que estaba ocurriendo en la carretera y memorizar cada movimiento  que hizo al   responder al contexto.  Con el tiempo, Pomerleau esperaba que la máquina podría producir suficientes asociaciones para dirigir el  vehículo por sí mismo. En cada viaje, Pomerleau se dedicaba a entrenar al sistema durante unos minutos, y luego permitía conducir al sistema. Todo parecía ir bien hasta que  un día el  vehículo se acercó a un puente y de repente se desvió hacia un lado.

Él evitó un choque volviendo  el volante de forma   rápida y volver a tomar el control. De vuelta al laboratorio, Pomerleau trataba de entender que es lo que  había salido mal. Había que  analizar el problema  de la caja negra y averiguar lo que estaba “pensando” por dentro esta caja. Se había programado el ordenador para actuar como una "red neuronal",  un tipo de inteligencia artificial  (IA) que se inspira en el cerebro, y que prometía ser mejor que los algoritmos estándar habituales para tratar con situaciones complejas del mundo real.

Desafortunadamente, este tipo de redes son tan opacas  como el propio cerebro. En lugar de almacenar lo que han aprendido en una    memoria digital, difunden la información de una manera que es muy difícil de descifrar. Sólo después de probar exhaustivamente las respuestas de su  programación a diversos estímulos visuales,  Pomerleau descubre el problema: la red había estado utilizando bordes con hierba y pasto como una guía para la dirección  de la carretera, por lo que el aspecto del puente había confundido al computador. Años más tarde, el desciframiento de la caja negra  se ha convertido en exponencialmente más difícil y más urgente. La tecnología en sí misma se ha disparado en complejidad y existen  hoy en día  enormes redes neuronales que se están ejecutando con  técnicas de aprendizaje profundo,  en el que las redes son entrenadas con gigantescos  archivos de datos.  Estas técnicas  se usan en dominios  tales  como conducción autónoma  o motores de recomendación  en marketing digital ario.

Estos avances harán más grave  el problema de la caja negra porque surge  esta  pregunta:  ¿hasta qué punto se puede confiar en el aprendizaje profundo?.

Imaginemos, como hace Lipson (2),  un extraterrestre inteligente cuyos ojos tienen receptores no sólo para los colores primarios rojo, verde y azul,  pero también para un cuarto color. Sería muy difícil para los seres humanos para entender cómo el extranjero ve el mundo, y para el extraterrestre explicar como lo ve. Las computadoras tendrán dificultades similares que explican las cosas a nosotros, dice Lipson. Las primeras redes neuronales artificiales fueron creadas en la década de 1950.La idea es simular pequeñas unidades de computación, las 'neuronas',  que están dispuestos  en capas conectadas por una multitud de 'sinapsis' digitales.  Cada unidad de la capa inferior toma  datos externos (por ejemplo , píxeles de una  cámara) y a continuación distribuye  la información hasta algunas o todas las unidades de la capa siguiente. Cada unidad en la segunda capa  integra sus entradas de la primera capa,  utilizando una regla matemática simple, y pasa el resultado más arriba. Con el tiempo, en las capas superiores  se obtiene una respuesta, por ejemplo,   la clasificación de la imagen original como una "señal de tráfico" o un "semáforo".

El poder de este tipo de redes se debe a su capacidad de aprender, es decir, que dado un conjunto de datos de entrenamiento acompañado de las respuestas correctas,   pueden mejorar progresivamente su rendimiento mediante la deformación de la fuerza (otros dicen peso)  de cada conexión hasta que sus salidas de nivel superior también sean correctos.

Este proceso, que simula la forma en que el cerebro aprende mediante el fortalecimiento o debilitamiento de las sinapsis, con el tiempo produce una red que puede clasificar con éxito nuevos datos que no eran parte de su conjunto de entrenamiento inicial. Esa capacidad de aprender atrajo a los físicos del  CERN   en la década de 1990, cuando fueron de los primeros en utilizar de forma rutinaria las redes neuronales a gran escala para la ciencia: las redes resultaron ser una gran ayuda en la reconstrucción de las trayectorias de metralla subatómica que viene de colisiones de partículas en el gran colisionador de hadrones del CERN. La diferencia de esta forma de aprendizaje se debe a qué la información esta  difusa en la red,  igual que en  el cerebro, de manera que la memoria está codificada  en la fuerza de  las conexiones múltiples, en lugar de almacenarse en lugares específicos, como en una base de datos convencional.  No es una secuencia bien definida de bits que codifica el número,  como  se hace en  los  computadores tradicionales basados  en arquitectura  Von-Newman.

El problema del  black-box se empezó a  estudiar  masivamente   desde  2012,  de la mano del estudio de la   visión por computador y  se demostró por primera vez que la capacidad de aprendizaje  profundo  de estos algoritmos de redes neuronales para clasificar las fotografías de una base de datos con millones de imágenes.  Este reto  superó con creces  la de cualquier otro procedimiento de  Inteligencia Artificial  o Machine Learning.  Se requería una  mejora en la algoritmia y la clave  de esta mejora  estuvo en  el  cambio de  estrategia en  el entrenamiento de la red neuronal. En lugar de enseñar una red para dar la interpretación correcta de una imagen, se parte de redes pre-entrenadas para tratar de reconstruir las imágenes que produjeron tales redes. Se trata  de un mecanismo  inverso  al primitivo. De  esta manera se puede  entender la manera  como  la máquina estaba representando diversas características de la realidad:  es como  preguntar  a la máquina como  debería  aparecer en la  imagen  tal  o cual  característica (3).

De  forma  similar  Tyka y otros  investigadores (4)  siguieron un enfoque similar con un algoritmo, que llamaron deep dream  (sueño profundo), que comienza a partir de una imagen - por ejemplo un pájaro  - y lo modifica para mejorar la respuesta de una neurona a nivel superior en particular. Si la neurona le gusta marcar  imágenes como aves, por ejemplo, la imagen modificada comenzará a mostrar pájaros por todas partes, generando cosas mucho más parecidas a una alucinación o incluso a una  generación creativa  de imágenes.  Esto hizo  que  en cuestión  de días ,  sueño  profundo se convirtiera  en un fenómeno viral en la red.

 En 2014  Nguyen  y otros (5) descubrieron  que  el problema de la caja negra podía ser peor de lo esperado: las redes neuronales son sorprendentemente fáciles de engañar con imágenes que a la gente le pueden  parecer  ruido aleatorio  o patrones geométricos abstractos. Por ejemplo, una red neuronal  podría ver líneas onduladas y clasificarlos como una estrella de mar, o confundir las rayas negras y amarillas  de cualquier  fuente por un autobús escolar americano.

Los investigadores han propuesto una serie de enfoques para resolver este problema  del  fácil engaño de la redes neuronales, pero hasta el momento no ha surgido una solución general.  Nguyen  y su  grupo,  afirman todo esto  podría ser peligroso en el mundo real  ya  que podría  ser una  herramientas para hackers con malas intenciones  que podrían aprender a explotar  estas debilidades. Entonces podrían enviar un coche autónomo a girar por una valla publicitaria  que se piensa que es un camino, o engañar a un escáner de retina  para que den un intruso el acceso a algún  lugar  protegido por eses sistema. Hay  que  profundizar pues  para   que las máquinas aprendan  de forma  más sólida e inteligente.

Todo  esto  lleva a pensar  en si  el aprendizaje profundo con las redes neuronales es la única  opción.  De hecho,  han  salido recientemente  algoritmos como por ejemplo   Eureqa  que   muestran  nuevas estrategias de aprendizaje.  Con Eurega ,  Hod Lipson (6)  demostró que podía volver a descubrir las leyes de la física newtoniana con sólo observar un objeto mecánico   relativamente simple  como  un sistema   de péndulos usando una combinación aleatoria de bloques de construcción matemáticos, como +, -, seno y coseno,. Eureqa sigue un método de ensayo y error inspirado en la evolución  darwiniana para  llegar a un modelo describa mejor los datos. Se proponen posteriormente experimentos para probar los modelos.  Es  un método mucho mas sencillo pues por lo general tiene una docena de parámetros mientras que una red neuronal tiene millones .

 El problema de la caja negra,  es decir, la incapacidad  de  generar una narración  sobre  como  la máquina ha  llegado  a  una conclusión va  incluso  más allá  de los problemas  ya mencionados.  Por ejemplo, en  muchos  países,  los bancos que niegan un préstamo tienen la obligación legal de decir por qué lo deniega,  algo un algoritmo de aprendizaje profundo como las redes neuronales no podrían implementar.

La  solución  está en las  técnicas de IA y Machine Learning  transparente.   El mundo real es compleja: hay cosas que no podemos verbalizar ni  simplificar. Cuando  un médico diagnostica por qué esto o lo otro  usa conocimientos,  a veces no verbalizables,  que se han  adquirido tras muchos  años  de experiencia.  

Una  forma de  construir esta forma  transparente  de razonamiento  computacional puede ser la  llamada  Computación Cognitiva ,  en  la cual se  paralelizan  múltiples estrategias  de inteligencia  artificial sobre  conjuntos  de datos y  evidencias  de tamaño creciente (7). El  uso  de múltiples aproximaciones reduce los problemas asociados a usar  un  solo tipo de algoritmo.  Adicionalmente,  la computación  cognitiva registra  “narrativamente”  el proceso de generación  de hipótesis  y razonamientos  sobre los datos.

 Sin  embargo,  el   concepto  de caja negra no  debe  considerarse  trivial. Al  fin  y al  cabo esta  presente en la cabeza  de todos los humanos.  Usamos  el cerebro  sin preguntarnos  como funciona.  "

  Referencias

 (1) Castellvecchi, D., Nature  vol. 538, 10-23,  Oct 2016

(2) Lipson, H. & Schmidt, M. Science 324, 81–85 (2009).

(3) Mahendran, A. & Vedaldi, A. Preprint at http://arxiv.org/abs/1412.0035 (2014).

(4) https://research.googleblog.com/2015/06/inceptionism-going-deeper-into-neural.html

(5) Nguyen, A., Yosinski, J. & Clune, J. Preprint at https://arxiv.org/abs/1412.1897 (2014).

(6) www.ted.com/talks/hod_lipson_builds_self_aware_robots

Falta  poco  para  tenere teléfonos celulares con pantallas 3D flotantes, o tarjetas de crédito con las marcas de seguridad en tres dimensiones.

Mediante el uso de una sola capa de película metálica nanoescala, los investigadores de la Universidad de Missouri de Ciencia y Tecnología han reconstruido a todo color en 3D imágenes holográficas. La técnica es compatible con biomédica, la seguridad, y aplicaciones de almacenamiento de datos grandes.

Las películas metálicas ultra fino, a escala nanométrica cuentan metasurfaces que pueden manipular el frente de onda de la luz.

Experimentando con la interacción de la luz láser de color rojo, verde y azul en estructuras Metasurface, el equipo de Missouri S & T demostró imágenes holográficas limpios y vivos con alta resolución.

Para crear el holograma Metasurface, los investigadores utilizaron un proceso de microfabricación conocida como fresado por haz de iones enfocado para perforar la película de 35 nanómetros de espesor de aluminio y crear pequeñas rendijas rectangulares. Los agujeros perforados de salida tenían diferentes ángulos de orientación.

Bajo el microscopio electrónico de barrido, el holograma se ve como un patrón de encaje de aguja.Al ajustar el ángulo de orientación de las ranuras de nanoescala, se es capaz de sintonizar plenamente el retardo de fase a través de la ranura para la realización de la modulación de fase dentro de toda la gama de color visible. El  equipo  que  lo  desarrolla  es el del  Dr. Yang Xiaodong,  

Para conseguir la alta resolución, los hologramas contienen ambas modulaciones de amplitud y fase a escala nanométrica.

A NEW CHALLENGE FOR ENDESA ENERGY CHALLENGES: BLOCKCHAIN TECHNOLOGY FOR THE ELECTRICITY INDUSTRY

10/5/2016 Madrid

• Blockchain is an ancillary technology that enabled the development of bitcoin and which could change the way in which business is carried out throughout the world since assets can be exchanged without central intermediaries. It is an almost incorruptible digital ledger since it can be updated only by consensus of a majority of the participants in the system and the information can never be deleted.

• Thanks to its open innovation model, Endesa launches this new challenge through Endesa Energy Challenges, the company's new collaborative platform that seeks, together with entrepreneurs, new energy efficient products and services.