En marzo se llevó a cabo la 4ta edición de la conferencia WIDS(Women in Data Science / Mujeres en Ciencia de Datos) y pude entrevistar en exclusiva a su co-fundadora, Margot Gerritsen (@margootjeg).
Hablamos de la importancia de la presencia de mujeres en equipos de datos, de cómo evitar el sesgo en algoritmos, sobre el futuro de WiDS y su experecia personal del #MeToo.
Las preguntas fueron seleccionadas por ella misma entre aquellas que llegaron a una convocatoria que hicimos a mujeres que hablaran en español pues Margot está aprendiendo el idioma y fue mi truco para convencerla y sentarla para la entrevista.
Realmente les recomiendo ver el video con subtítulos en español (13 mins). Seguir leyendo →
Alicia es una científica de datos uruguaya, doctorada en estadística de la IOWA State University que presentó en la conferencia la ponencia “Learning algorithms and Forensic Evidence” en inglés.Conversamos en español sobre su carrera profesional, el camino recorrido para fundar el CSAFE y el impacto de aplicar machine learning en criminalística.
Alicia se tuvo que reentrenar en otras áreas porque la estadística cambió mucho desde que empezó a estudiar. Aunque todavía sigue habiendo investigación tradicional ahora se utiliza mucho machine learning y otras técnicas para big data en justicia criminal.
En su laboratorio desarrollaron un algoritmo que compara las estrías que dejan las balas para poder determinar si esas balas fueron o no a disparadas de una misma arma.
Presentaron su algoritmo en conferencias y solicitaron a departamentos de policía y laboratorios criminales de Estados Unidos que les enviaran muestras de balas para poder testear su funcionamiento.Según Alicia lo han utilizado con miles de pares de balas y hasta ahora no han cometido ningún error de diagnóstico.
Por último, nos transmitió su fascinación personal por la temática de datos (STEM) pues, aunque hay que prepararse, su trabajo tiene mucho impacto social, las aplicaciones son infinitas y no se arrepiente nunca de la elección profesional.
+ Info
– Video de la presentación de Alicia (en inglés) en WiDS 2019 @Stanford
Entrevistamos a Marcela Riccillo (@marcelaricci), doctora en Ciencias de la Computación de la UBA; Especialista en Inteligencia Artificial y Robótica.
En nuestra conversación surgió cómo fue su vinculación con la ciencia de datos, su pasión por la inteligencia artificial, el Machine Learning, la enseñanza, los tipos de robots y otras carreras tradicionales no científicas que tienen un punto de contacto con el Data Science
Marcela es una profesional apasionada, que se expresa en forma muy didáctica para el púbico en general y que nos tranquiliza: “Los robots NO vienen por nosotros.”
Lo entrevistamos para conocer más sobre metodologías de Data Science que puedan aprovecharse para investigaciones periodísticas.
En nuestra charla, explicó en forma muy didáctica qué es un algoritmo, cómo nació el proyecto de Quiniela Judicial, qué es el método estadístico Montecarlo y qué son los grafos a diferencia del universo de estadísticas usando ejemplos concretos de justicia y anticorrupción. Seguir leyendo →
Se acerca el mundial de fútbol Rusia 2018 y acompañando a este vital evento para todos los fanáticos del deporte, nos sucede otro de importancia semejante al primero: llenar el álbum de figuritas con las imágenes de nuestros ídolos. Esta edición, el álbum será de 669 figuritas y los sobres serán de 5 figuritas cada uno. Si tuviésemos toda la suerte del mundo, con 134 sobres (lo que equivale a 669 dividido 5) lo llenaríamos, pero sabemos que para eso tenemos que tener mucha suerte.
Volviendo a nuestro álbum, ¿cuántos sobres son necesarios para llenarlo? Para averiguarlo tenemos 2 maneras, acudir a la teoría estadística -cosa que no nos asusta, pero implica tener bastante conocimiento previo- o hacer una simulación con un programa de computadoras. Vamos por la segunda.
Tomamos el caso de llenar el álbum para ejemplificar cómo encarar una situación problemática desde una perspectiva formal y poder medir eficazmente los insumos y demás recursos necesarios para tomar mejores decisiones. Compartimos esta nota con ejemplos y explicaciones sobre el proceso de diseño de una solución.
Esperamos la disfruten.
Comencemos la simulación
Una simulación -según Wikipedia- es un artificio contextual que referencia la investigación de una hipótesis o un conjunto de hipótesis de trabajo utilizando modelos para la enseñanza y el aprendizaje. En nuestro caso, la simulación tendrá como objetivo medir cuántos sobres (de 5 figuritas cada uno) se necesitan para llenar un álbum de 669. Y para ello necesitaremos construir un modelo computacional que contemplen los sobres, las figuritas y el álbum.
Python
Haremos un pequeño programa en Python, un lenguaje de programación muy popular que tiene una sintaxis muy simple de entender (para quienes necesiten una ayuda extra, pueden leer estos recursos introductorios preparados por la PyAr – Comunidad Python Argentina ).
In [1]:
print "Cuántos sobres se necesitan para llenar el album usando Python"
Cuántos sobres se necesitan para llenar el album usando Python
El azar y la computadora
La simulación consiste en realizar numerosas corridas de un sistema estocástico, es decir, una situación que está regulada por la aleatoriedad o la suerte, como nuestro caso de ir abriendo sobres de figuritas sin saber de ante mano cuales son las que te van a tocar. Necesitaremos entonces alguna forma que simular el contenido de los sobres de manera azarosa utilizando nuestro modelo computacional. Y eso es todo un tema, porque las computadoras no saben de azar: justamente, son aparatos guiados por el determinismo de los ceros y unos.
Pero no desesperemos, este tema ha sido tratado desde hace mucho tiempo y Python implementa un módulo de generación de números pseudo-aleatorios, que a los efectos de nuestra simulación nos alcanza de sobra.
In [2]:
import random
#la funcion randint(a, b) devuelve un numero entero pseudo-aleatorio N talque
#a <= N <= b.
dado = random.randint(1, 6)
print dado
2
Para modelar el sobre de figuritas utilizaremos la funcion sample(seq, k), que toma k elementos de la secuencia seq; en nuestro caso 5 números del intervalo [0, 660). La forma de extraer los números es sin reposición, es decir, los sobres estarán compuestos por figuritas no repetidas.
In [3]:
#para modelar el sobre utilizaremos la funcion sample.
sobre = random.sample(xrange(669), 5)
print sobre
[586, 414, 255, 474, 12]
Otras librerías
Para esta simulación vamos a incluir otras 2 librerías muy utilizadas en análisis de datos:
NumPy para el manejo de estructuras de datos eficiente (listas o vectores).
import numpy as np
import matplotlib.pyplot as plt
Seteamos las constantes de la simulación, en nuestro caso las FIGURITAS_POR_PAQUETE, las FIGURITAS_POR_ALBUM y la CANTIDAD_DE_CORRIDAS que tendrá nuestra simulación.
Cuántas más corridas hagamos, más preciso será nuestro resultado, pero también más costoso computacionalmente será. Unas 10000 corridas está OK, y la simulación tardará unos 5-10 minutos.
In [0]:
#las constantes de la simulacion
FIGURITAS_POR_PAQUETE = 5
FIGURITAS_POR_ALBUM = 669
CANTIDAD_DE_CORRIDAS = 1000
Iremos registrando cuántos sobres serán necesarios en cada corrida.
In [0]:
#inicializo el vector simulacion
#alli voy a ir registrando cuantos sobres necesito en cada corrida
simulacion = np.empty(CANTIDAD_DE_CORRIDAS)
Ciclo principal de la simulación
El siguiente bloque es el ciclo principal de la simulación. Cuántas más corridas hacemos, más preciso será nuestra estimación.
In [0]:
#voy a realizar tantas corridas como dice la constante CANTIDAD_DE_CORRIDAS
for i in xrange(CANTIDAD_DE_CORRIDAS):
#modelo el album vacio como un vector lleno de ceros
album = np.zeros(FIGURITAS_POR_ALBUM, dtype=int)
#en esta variable contabilizare cuantos sobres se necesitan
cantidad_de_sobres = 0
#voy abriendo sobres nuevos hasta llenar el album
#si el vector contiene algun 0 en alguna posicion significa
#que aun no esta completo esa condicion la podemos expresar de muchas
#formas la que elegi es min(album) == 0,
#tambien podria ser len( album [ album == 0 ] ) > 0
while min(album) == 0:
#un nuevo sobre formado por figuritas tomadas de manera aleatoria
sobre = random.sample(xrange(FIGURITAS_POR_ALBUM), FIGURITAS_POR_PAQUETE)
#voy llenando el album
#sumo 1 en cada posicion correspondiente a cada una de las figuritas
#del sobre
#
#Nota: para quienes conocen otros lenguajes de programacion, esta
#operacion puede llegar a causar confusion. La libreria NumPy permite
#realizar operaciones sobre multiples indices a la vez.
#Aprovechenla, es muy util.
album[sobre] += 1
#incremento la cantidad de sobres en 1
cantidad_de_sobres += 1
#para llenar este album he necesitado tantos sobres como
#lo dice cantidad_de_sobres
simulacion[i] = cantidad_de_sobres
Presentación visual de los resultados
Luego de finalizar las corridas, tenemos muchos resultados. Presentaremos la información de una manera visual utilizando un histograma.
In [8]:
#cuantos sobres necesitamos en promedio para llenar el album
sobres_promedio = simulacion.mean()
#visualizamos la simulacion con un histograma de las corridas
plt.hist(simulacion, bins=50)
plt.axvline(sobres_promedio, color='r')
plt.legend(["%.2f sobres" % sobres_promedio])
plt.title("Cantidad de sobres en promedio para llenar 1 album")
plt.show()
Llenar el álbum costará…
Por su condición de experimentos aleatorios, las simulaciones darán resultados levemente distintos, pero sí podemos ver que para llenar el álbum se necesitarán aproximadamente 941 sobres. A $15 por sobre, llenar el álbum de esta manera costará… ¡un ojo de la cara!
In [9]:
print "Llenar el album costará... %2.f pesos. Y qué hago con las %d repetidas!" % (sobres_promedio * 15, sobres_promedio * FIGURITAS_POR_PAQUETE - FIGURITAS_POR_ALBUM)
Llenar el album costará... 14085 pesos. Y qué hago con las 4026 repetidas!
…más el costo de álbum en sí, que ya a esta altura parecen monedas.
Con amigos todo es mejor
Como vimos, para llenar un álbum de 669 figuritas necesitaremos aproximadamente 341 sobres y nos sobrarán 4000 figuritas repetidas. Con tantas repetidas estamos muy cerca de llenar un 2º y 3º álbum; y las que nos sobran las podemos cambiar con algún otro amigo que las necesite. Sin duda si nos juntamos con otros amigos, llenar todos los álbumes es mucho más rápido, barato y divertido.
Cuánto costará llenar n álbumes
Démosle una vuelta al problema y pensemos cuántos sobres son necesarios para llenar n álbumes.
Agreguemos la constante CANTIDAD_DE_ALBUMES
In [0]:
#pensemos un grupo de 20 amigos que se juntan para llenar cada uno su album
CANTIDAD_DE_ALBUMES = 20
El vector simulación ahora registrará cuántos sobres se necesitan para llenar 1, 2, 3, … , 20 álbums. Ésto lo haremos con un vector de 2 dimensiones (cuando el vector tiene 2 dimensiones suele llamarse matriz, aunque cuando tiene 3 dimensiones o más, vuelve a llamarse vector, cosas que pasan…).
In [0]:
#inicializo el vector simulacion_grupo con 2 dimensiones
simulacion_grupo = np.zeros([CANTIDAD_DE_ALBUMES+1,
CANTIDAD_DE_CORRIDAS], dtype=int)
Ciclo principal de la simulación de grupo
Con algunas pocos agregados podemos calcular cuántos sobres se necesitan para llenar n álbums
In [0]:
#voy a realizar muchas corridas, tantas como dice la constante CANTIDAD_DE_CORRIDAS
for i in xrange(CANTIDAD_DE_CORRIDAS):
#modelo el album vacio como un vector lleno de ceros
album = np.zeros(FIGURITAS_POR_ALBUM, dtype=int)
#en esta variable contabilizare cuantos sobres se necesitan para llenar 1..n albumes
cantidad_de_sobres = 0
#aqui voy a contabilizar cuando albumes estan llenos
albumes_llenos = 0
#a diferencia de la simulacion anterior, la condicion de corte sera cuando se
#llenen los n albumes. Eso lo podemos expresar asi:
#albumes_llenos < CANTIDAD_DE_ALBUMES
while albumes_llenos < CANTIDAD_DE_ALBUMES:
#un nuevo sobre formado por figuritas tomadas de manera aleatoria
sobre = random.sample(xrange(FIGURITAS_POR_ALBUM), FIGURITAS_POR_PAQUETE)
#voy llenando los albumes
album[sobre] += 1
#incremento la cantidad de sobres en 1
cantidad_de_sobres += 1
#si el min(album) se incremento, significa que se ha llenado un nuevo album.
if albumes_llenos < min(album):
#hemos llenado un album nuevo
albumes_llenos = min(album)
#registramos la cantidad de sobres
simulacion_grupo[albumes_llenos, i] = cantidad_de_sobres
Presentación visual de la simulación de grupos de amigos
Ya recopilamos los resultados de muchas corridas, veamos qué tal nos fue para llenar n álbums.
In [13]:
#cuantos sobres necesitamos en promedio para llenar n-albumes
#usamos una matriz de histogramas
amigos = [2, 5, 10, 20]
fig, axes = plt.subplots(nrows=2, ncols=2, sharey=True, sharex=True)
for ax, q in zip(axes.flat, amigos):
simulacion = simulacion_grupo[q]/q
sobres_promedio = simulacion.mean()
ax.set_title('$albumes=%d $' % (q))
ax.hist(simulacion, bins=50)
ax.axvline(sobres_promedio, color='r')
ax.legend(["%.2f sobres" % sobres_promedio])
fig.suptitle("Cantidad de sobres en promedio para llenar $n$ albumes")
plt.show()
Algo que suponíamos: cuántos más amigos tenemos, la cantidad de sobres por integrante del grupo para llenar su álbum disminuye. Y se acerca a la cantidad óptima de (FIGURITAS_POR_ALBUM / FIGURITAS_POR_PAQUETE). No hace falta tener mucha suerte, sino muchos amigos. (Aunque tener muchos amigos es ser muy afortunado).
In [14]:
#Otra forma de visualizar la cantidad promedio de sobres para llenar n-albumes
plt.boxplot([simulacion_grupo[i]/i for i in xrange(1,CANTIDAD_DE_ALBUMES+1)])
plt.title("Cantidad de sobres para llenar $n$ albumes")
plt.show()
Conclusiones
Como pudimos ver, para llenar un álbum necesitaremos aproximadamente 941 sobres; pero para llenar 20 álbumes, se necesitan un poco más de 4940 sobres, lo que nos da 247 sobres por integrante. Muchísimo menos.
In [16]:
print "Llenar %d albumes costara... %2.f pesos por integrante. Que bueno es tener amigos!" % (CANTIDAD_DE_ALBUMES, (simulacion_grupo[CANTIDAD_DE_ALBUMES]/CANTIDAD_DE_ALBUMES).mean() * 15)
Llenar 20 albumes costara... 3704 pesos por integrante. Que bueno es tener amigos!
El Open Data Day es una fecha especial para la comunidad de usuarios, generadores y analistas de datos abiertos de alcance global. Este año se celebró el sábado 3 de marzo con más de 350 encuentros locales alrededor del mundo para intercambiar ideas, buenas prácticas y promover el desarrollo de tecnología cívica. Además de alentar a los ciudadanos a que se involucren y participen para que los gobiernos mejoren sus políticas de transparencia. Y por todo eso, ¡no quisimos quedarnos afuera! Seguir leyendo →
El próximo lunes 5 de marzo tendrá lugar en la universidad de Stanford, y en más de cien capítulos locales vía livestream, la conferencia global Women in Data Science (WiDS). La jornada está destinada a compartir experiencias y conocimientos de mujeres en este campo, con el objeto de inspirar a otras, pero orientado a un público amplio interesado en estas temáticas, es decir, sin distinción de género.
Los “embajadores” de WIDS en todo el mundo coordinan lo capítulos locales en diferentes países para que lo que suceda ese día en Stanford, no quede solamente allí. El capítulo en Buenos Aires está organizado por miembros de la Facultad de Ingeniería de la Universidad de Buenos Aires (FiUba) y el equipo de periodismo de Datos en LA NACION (LNData) y consta de oradoras locales durante la mañana , y streaming en vivo desde Stanford con el agregado de traducción simultánea, durante la tarde.
Todo tendrá lugar en la Facultad de Ingeniería , Av. Paseo Colón 850, el lunes 5 de marzo desde las 9hs. La participación es gratuita pero con cupo limitado y requiere inscripción previa en www.widsbuenosaires.org.
El origen de WIDS
Stanford WIDS surgió de una iniciativa de Margot Gerritsen, directora del Instituto de Ingeniería Computacional y Matemática (ICME) en la Universidad de Stanford quien tiene un PHD en Matemática Computacional y es experta en matemática aplicada a la producción de energía y análisis de fluidos.
“He estado en este campo de ingeniería en computación por más de 35 años y en general fui la única mujer. Esto no me incomoda, me divierto bastante, pero reconozco que a veces puede ser difícil”, confiesa Margot y agrega “por esto decidimos hacer una conferencia donde seamos todas mujeres y que ellas sean excelentes data scientists e ingenieras que inspiren a las generaciones más jóvenes para introducirse y mantenerse en el campo del data science, tanto en ingeniería en computación, en las ciencias de la computación o en estadística y matemática”
El apoyo local
Los ingenieros Ricardo Veiga , secretario de Posgrado de Fiuba, y Jonás Pfefferman, docente del departamento de electrónica , realizaron el primer WIDS Buenos Aires en febrero del año pasado y explican los motivos por los cuales consideran valioso al evento:
“En la Facultad de Ingeniería de la Universidad de Buenos Aires venimos enseñando los temas de Data Science desde hace muchos años. Por ejemplo, tenemos un curso de Redes Neuronales desde 1990. Actualmente ofrecemos una maestría conjunta con la Facultad de Ciencias Exactas en Minería de Datos y Descubrimiento de Conocimiento. Y en junio estamos trayendo un especialista de Harvard para que de un curso intensivo específico de Data Science.” explica Viega, y agrega “por otra parte, en estos últimos tiempos le hemos dado un fuerte impulso para que más mujeres se incorporen a este apasionante mundo”.
“Con los volúmenes de información que actualmente se disponen en todos los ámbitos y la necesidad de utilizarlos para aprender, decidir y actuar, Data Science dejó los laboratorios para pasar a formar parte importante en nuestro día a día. En FIUBA, como formadores de ingenieros, investigadores y científicos, vemos en WIDS la posibilidad de dar conocer el enorme aporte de las mujeres en éste área y, en WIDS Bs. As. la oportunidad invaluable de articular el talento de las mujeres locales con la industria para potenciar la innovación Argentina.” explica Pfefferman.
A estos voluntarios se suma el apoyo de LA NACION y su equipo de periodismo de datos con varias voluntarias, entre ellas Gabriela Bouret quien agrega “estamos convencidas de que las ciencias de datos son una gran herramienta también para el periodismo, es decir para descubrir y contar historias en un mundo donde los datos abiertos, los no estructurados o las grandes bases de datos ofrecen nuevos desafíos y oportunidades para resolver problemas de alto impacto. El aporte de la mujer en este ámbito es fundamental ya que las voces tienen que ser mas diversas al nivel de análisis y toma de decisiones, y especialmente en lo que hace a ciencias de datos donde estas soluciones pueden aplicarse a cualquier disciplina que genere cambios en la sociedad”.
La agenda
Participan del capítulo local mujeres que promueven, protagonizan e impulsan hace tiempo la aplicación de la Ciencia de Datos en diferentes ámbitos, industrias, soluciones de tecnología y servicios en Argentina.
Además de todo lo relacionado a inteligencia artificial, machine learning e inteligencia computacional; se abordarán temáticas de ciencias de datos aplicables a: marketing, negocios, periodismo y casos de políticas públicas.
Durante la tarde y hasta las 18hs se compartirá el streaming de las charlas de Stanford con protagonistas a nivel global, las cuales contarán con traducción simultánea. Algunas oradoras pertenecen al equipo de profesores de universidades como Stanford, Harvard, Texas y Washington. Otras provienen del data science aplicado a tecnología para desarrollo de inteligencia artificial o diferentes industrias, como: Facebook, Google, Microsoft, SAP, Airbnb y Uber. Debido a la diferencia horaria, el evento local cubrirá la mitad de las sesiones pero la jornada completa se podrá continuar viendo por streaming.
WIDS Buenos Aires cuenta con el apoyo del Ministerio de Modernización de la Nación, Banco Ciudad, BID INTAL, IBM, Banco Mundial, Accenture, Gobierno de la Ciudad de Buenos Aires, Microsoft, Google, SAP y Certant.
Links:
Para registrarse y conocer la agenda Local (incluye traducción simultánea de la mitad de la jornada en Stanford): https://www.widsbuenosaires.org/
