<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Cesar Riat on Medium]]></title>
        <description><![CDATA[Stories by Cesar Riat on Medium]]></description>
        <link>https://medium.com/@cesarriat?source=rss-3c22f72d22a8------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*k-Qwa-00s-IMd4gyk9SiPw.jpeg</url>
            <title>Stories by Cesar Riat on Medium</title>
            <link>https://medium.com/@cesarriat?source=rss-3c22f72d22a8------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Mon, 16 Nov 2026 15:34:37 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@cesarriat/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[¿Qué se viene en IA? ✨]]></title>
            <link>https://medium.com/@cesarriat/qu%C3%A9-se-viene-en-ia-cdafda762772?source=rss-3c22f72d22a8------2</link>
            <guid isPermaLink="false">https://medium.com/p/cdafda762772</guid>
            <category><![CDATA[data]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <dc:creator><![CDATA[Cesar Riat]]></dc:creator>
            <pubDate>Mon, 25 Nov 2024 12:49:50 GMT</pubDate>
            <atom:updated>2024-11-25T13:53:46.124Z</atom:updated>
            <content:encoded><![CDATA[<p>Una pregunta recurrente (y Gartner tiene una respuesta)</p><p>Cada año, la consultora <strong>Gartner</strong> presenta su famoso <strong>Hype Cycle de Inteligencia Artificial</strong>, una herramienta que explica el ciclo de vida de las tecnologías emergentes, desde su concepción hasta su adopción masiva. Pero… ¿cómo lo arman? ¿De dónde sale esta curva que parece predecir el futuro?</p><h3>Fuente oficial:</h3><p>Este análisis proviene de Gartner y su publicación oficial, que podés consultar aquí: <a href="https://www.gartner.com/en/articles/hype-cycle-for-artificial-intelligence?utm_term=1731599500&amp;utm_campaign=SM_GB_YOY_GTR_SOC_SF1_SM-SWG-AP-GTS-IT&amp;utm_source=linkedin&amp;utm_medium=social&amp;utm_content=Gartner+for+IT">Hype Cycle for Artificial Intelligence</a>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*k7zVjNEnr-8b8RRDTx1kEA.jpeg" /></figure><h3>¿Cómo se construye el Hype Cycle de Gartner? 🔍</h3><p>El <strong>Hype Cycle</strong> no es magia ni una bola de cristal. Gartner combina diferentes metodologías para identificar tendencias tecnológicas:</p><p>1️⃣ <strong>Encuestas globales:</strong> Recogen opiniones de líderes tecnológicos, expertos en IA y ejecutivos de empresas sobre el estado de adopción de ciertas tecnologías.<br>2️⃣ <strong>Análisis de mercado:</strong> Evalúan la inversión, los casos de uso reales y las tendencias en las industrias más innovadoras.<br>3️⃣ <strong>Estudios de caso y experimentos:</strong> Verifican el impacto real de las tecnologías en empresas, contrastando el hype con datos concretos.<br>4️⃣ <strong>Seguimiento mediático:</strong> Identifican cuánto “ruido” generan ciertos temas en medios de comunicación, conferencias y foros especializados.</p><p>El resultado: una curva que indica <strong>qué tecnologías están en auge, cuáles están desinflándose y cuáles ya generan impacto real</strong>. Ahora, veamos las fases clave del gráfico de 2024. 👇</p><h3>Fases del Hype Cycle (y qué significan para vos):</h3><h4>1️⃣ Innovation Trigger (Gatillo de Innovación):</h4><p>Donde todo comienza. Las tecnologías recién nacen, pero aún están en una etapa experimental.</p><p><strong>Qué pasa aquí:</strong></p><ul><li>Poca competencia porque casi nadie está trabajando en esto todavía.</li><li>Mercado inmaduro, sin demanda clara.</li></ul><p><strong>Ejemplos:</strong></p><ul><li><strong>Neuro-Symbolic AI:</strong> Una fusión de enfoques que promete mayor razonamiento lógico.</li><li><strong>Autonomous Systems:</strong> Robots y sistemas autónomos para tareas complejas.</li></ul><p>💡 <strong>Para inversores:</strong> Momento ideal para los más visionarios, aunque el riesgo es alto porque no está garantizado que estas tecnologías triunfen.</p><h4>2️⃣ Peak of Inflated Expectations (Pico de Expectativas Infladas):</h4><p>La tecnología está en boca de todos. Todos creen que será la revolución del siglo… hasta que chocan con la realidad.</p><p><strong>Qué pasa aquí:</strong></p><ul><li>Mucho ruido y visibilidad.</li><li>Se inician proyectos piloto, pero los resultados tardan en llegar.</li></ul><p><strong>Ejemplos:</strong></p><ul><li><strong>Generative AI (IA Generativa):</strong> Herramientas como ChatGPT.</li><li><strong>AI Engineering:</strong> Infraestructuras para manejar IA a gran escala.</li></ul><p>📈 <strong>Para inversores:</strong> Es un buen momento para entrar y construir reputación, pero necesitás paciencia (y tolerancia al hype).</p><h4>3️⃣ Trough of Disillusionment (Valle de la Desilusión):</h4><p>Se termina la “luna de miel” y muchas empresas abandonan sus proyectos porque no cumplen las expectativas.</p><p><strong>Qué pasa aquí:</strong></p><ul><li>Solo sobreviven las tecnologías con aplicaciones claras y casos de uso reales.</li><li>Baja visibilidad mediática, pero hay oportunidades ocultas.</li></ul><p><strong>Ejemplos:</strong></p><ul><li><strong>Smart Robots:</strong> Siguen enfrentando desafíos en costos y aplicabilidad.</li><li><strong>Cloud AI Services:</strong> Compiten por diferenciarse en un mercado saturado.</li></ul><p>📉 <strong>Para inversores:</strong> Este es un momento clave para invertir a bajo costo en tecnologías que veas con potencial de rebote.</p><h4>4️⃣ Slope of Enlightenment (Pendiente de Iluminación):</h4><p>Las cosas mejoran. Empiezan a aparecer casos de éxito reales y las tecnologías encuentran su lugar.</p><p><strong>Qué pasa aquí:</strong></p><ul><li>La demanda empieza a crecer, aunque no masivamente.</li><li>Las mejores prácticas están más claras, reduciendo riesgos.</li></ul><p><strong>Ejemplos:</strong></p><ul><li><strong>Knowledge Graphs:</strong> Bases de datos semánticas para motores de búsqueda y recomendaciones.</li><li><strong>Autonomous Vehicles:</strong> En logística y transporte controlado.</li></ul><p>⚙️ <strong>Para inversores:</strong> Ideal para escalar. Hay menos incertidumbre, aunque la competencia comienza a aparecer.</p><h4>5️⃣ Plateau of Productivity (Meseta de Productividad):</h4><p>La tecnología alcanza su madurez y se convierte en algo cotidiano.</p><p><strong>Qué pasa aquí:</strong></p><ul><li>Alta demanda y adopción masiva.</li><li>Competencia feroz; es difícil diferenciarse.</li></ul><p><strong>Ejemplos:</strong></p><ul><li><strong>Computer Vision:</strong> Usada en retail, agricultura, y seguridad.</li><li><strong>Intelligent Applications:</strong> Aplicaciones empresariales basadas en IA.</li></ul><p>🏆 <strong>Para inversores:</strong> Mercado estable, pero el margen de ganancia puede ser más ajustado. Diferenciarse es clave.</p><h3>Conclusión: ¿Dónde estás en la curva? 🧐</h3><p>Invertir en IA no es solo cuestión de dinero, sino de <strong>timing</strong>. Estar en la fase correcta de la curva es clave para maximizar tus retornos:</p><ul><li><strong>Fase temprana:</strong> Liderás el mercado, pero asumís el riesgo.</li><li><strong>Fase madura:</strong> Ya hay mercado, pero también más competencia</li></ul><p>Gracias por leer hasta aqui!!🚀</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=cdafda762772" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[¿Por qué los programadores no suelen ser speakers en los eventos de IA?]]></title>
            <link>https://medium.com/@cesarriat/por-qu%C3%A9-los-programadores-no-suelen-ser-speakers-en-los-eventos-de-ia-1c2add739d4f?source=rss-3c22f72d22a8------2</link>
            <guid isPermaLink="false">https://medium.com/p/1c2add739d4f</guid>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[data]]></category>
            <category><![CDATA[speakers]]></category>
            <dc:creator><![CDATA[Cesar Riat]]></dc:creator>
            <pubDate>Sun, 06 Oct 2024 02:21:07 GMT</pubDate>
            <atom:updated>2024-10-06T02:21:07.981Z</atom:updated>
            <content:encoded><![CDATA[<p>En los eventos de inteligencia artificial abundan por estos tiempos, con grandes paneles. Sin embargo, rara vez los programadores, quienes están detrás del código y la innovación, ocupan esos lugares en el escenario. Aquí exploramos algunas razones de esta tendencia:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*m9sb-LjZp82vtmBILzreew.jpeg" /></figure><p>1️⃣ De programador a líder, pero no siempre a speaker:</p><p>Muchos programadores talentosos ascienden a roles de liderazgo o gestión, pero no todos están interesados en la parte gerencial. Para quienes disfrutan del código, la transición a ser manager no siempre es el objetivo. Esto hace que, incluso si llegan a posiciones de liderazgo, prefieran mantenerse enfocados en la programación y no tanto en la representación pública.</p><p>2️⃣ Los decisores son la cara visible:</p><p>En la mayoría de las empresas, los CEOs y directores son los responsables de las decisiones clave. Por esta razón, suelen priorizar su participación en eventos de alto nivel. La presencia de los decisores en estos eventos proyecta la imagen estratégica de la empresa y refuerza la credibilidad de las decisiones que se comunican.</p><p>3️⃣ Comunicación reservada al nivel C:</p><p>Muchas compañías limitan la comunicación externa al nivel C, reservando a sus programadores y otros empleados técnicos para comunicaciones internas y desarrollo. Esto responde a la estrategia de mantener una voz coherente y oficial hacia el exterior.</p><p>4️⃣ Habilidades de oratoria:</p><p>Aunque hay excepciones, la realidad es que las habilidades de oratoria y presentación no siempre son el fuerte de los programadores. La mayoría prefiere comunicarse a través del código y los resultados, y no necesariamente en escenarios ante grandes audiencias.</p><p>5️⃣ Cultura de humildad en la comunidad tech:</p><p>Dentro de la comunidad de desarrolladores, ser un “rockstar tecnólogico” o un “buscafama” no siempre es bien visto. El respeto se gana a través del trabajo duro y los resultados técnicos, no necesariamente por estar en el centro de atención. La verdadera gratificación para muchos programadores es ver cómo sus proyectos generan impacto, sin necesidad de los reflectores.</p><p>6️⃣ El impacto del trabajo es lo que importa:</p><p>Para los programadores, el mayor reconocimiento viene de ver el impacto tangible de su trabajo en el mundo real. En lugar de buscar protagonismo, su enfoque está en cómo su código puede cambiar vidas o resolver problemas complejos.</p><p>7️⃣ Enfocados en la solución, no en la presentación:</p><p>Los programadores están, por naturaleza, más orientados a resolver problemas que a presentarlos. El tiempo que muchos prefieren dedicar a la creación y optimización de soluciones es invaluable y, para ellos, la prioridad siempre es el desarrollo del producto por encima de la visibilidad personal.</p><p>8️⃣ Cultura de equipo sobre individualismo:</p><p>En la programación y el desarrollo de software, el trabajo en equipo es fundamental. Las charlas a menudo resaltan a un individuo, pero cada avance tecnológico es el resultado del esfuerzo colectivo. Esta mentalidad de equipo sobre el individualismo también influye en la poca visibilidad de los programadores en eventos públicos.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1c2add739d4f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Derribando mitos: la IA no son cajas negras]]></title>
            <link>https://medium.com/@cesarriat/derribando-mitos-la-ia-no-son-cajas-negras-68530f4d603f?source=rss-3c22f72d22a8------2</link>
            <guid isPermaLink="false">https://medium.com/p/68530f4d603f</guid>
            <category><![CDATA[python-programming]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[code]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[data]]></category>
            <dc:creator><![CDATA[Cesar Riat]]></dc:creator>
            <pubDate>Sun, 12 May 2024 21:00:05 GMT</pubDate>
            <atom:updated>2024-05-12T21:00:05.467Z</atom:updated>
            <content:encoded><![CDATA[<p>En el amplio mundo de la inteligencia artificial (IA), el término “cajas negras” ha resonado con fuerza. A menudo, al hablar de modelos de aprendizaje automático, nos encontramos con esta expresión. <strong>¿Pero qué significa realmente?</strong> Una caja negra es un sistema cuyo funcionamiento interno es opaco para el observador; sabemos qué entra y qué sale, pero el “cómo” permanece escondido. Esta analogía se ha aplicado a los modelos de IA para expresar cómo, en ocasiones, sus procesos de toma de decisiones internos son incomprensibles para los humanos.</p><p><strong>¿Por qué este término se ha popularizado especialmente en la comunidad de data science?</strong> La respuesta nos lleva a un interesante cruce de caminos entre la tecnología y la percepción humana. Curiosamente, muchos de los primeros divulgadores de este término eran personas ajenas a la programación o con un entendimiento superficial de ella. Este fenómeno no es casualidad: al encontrarse con sistemas que producían resultados impresionantes pero cuya lógica interna era inaccesible, nació una narrativa de asombro y, a veces, de suspicacia hacia estas “máquinas misteriosas”.</p><p><strong>¿Pero se puede entender que es lo que aprendieron estos modelos? Si, </strong>existen métodos y herramientas diseñadas específicamente para desentrañar los misterios de estos modelos. Un ejemplo destacado son los <a href="https://github.com/shap/shap">valores Shap</a>, que nos permiten interpretar la contribución de cada variable a la predicción de un modelo de machine learning.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*67DClJEOP3mrItCXYXzPiQ.png" /><figcaption>En esta imagen lo que tenemos que deducir es mientras mas arriba este el dato importa mas en la predicción, el color hace referencia en como impacta en el resultado, por ejemplo para Latitud mientras mas chico sea( mas rojo hacia la izquierda), mas grande es el valor de lo que queremos predicir, caso diferente para AveRooms mientras mas rojo este hacia la derecha, mas alto es valor predicho.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*lbGXXBBXQCKI4C37Wnc4ng.png" /><figcaption>Lo que aqui vemos es un grafico de fuerzas, todo lo que esta en rojo empuja para que el valor predicho sea grande y lo que esta en azul influye en tener un valor mas chico en la predicción</figcaption></figure><p>En el ámbito específico del deep learning, las herramientas de interpretación también han avanzado significativamente. La librería <a href="https://github.com/jacobgil/pytorch-grad-cam">Grad-CAM</a> o <a href="https://github.com/gkeechin/vizgradcam">VIZGRIDCAM</a>, por ejemplo, nos permite visualizar qué partes de una imagen influyen más en la decisión de una red neuronal convolucional, brindando así pistas visuales sobre su “pensamiento”. Este tipo de herramientas abre una ventana a la comprensión de cómo estas redes procesan y toman decisiones basadas en los datos.Para resumir si tengo la tarea de clasificar a un puma de un gato, la primera deducción puede se el tamaño pero si esta en una foto y no tengo proporcion de los cuerpos es aqui donde estas herramientas se vuelven mas que poderosas por que con un mapa de calor nos indica que zona del cuerpo tenemos que mirar para encontrar estas diferencias.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/719/1*_3tJUNZDnZVeOnBsOyOX0Q.png" /><figcaption>En la fila superior tenemos las imagenes crudas y en la fila de abajo tenemos la misma foto luego de haberla porcesado por esta libreria por favor prestemos atención en el mapa de calor, eso no indica que en zona de la imgene hace focaliza para poder clasificar cada uno de los que se pretende detectar</figcaption></figure><p>Más aún, para quienes prefieren una aproximación más matemática, investigaciones como las presentadas en <a href="https://astroautomata.com/paper/symbolic-neural-nets/">Symbolic Neural Networks</a> ofrecen métodos para traducir las complejas redes neuronales en ecuaciones comprensibles.</p><p><strong>¿Qué sucede con los modelos de Lenguaje de Gran Modelo (LLM) como GPT?</strong> Aquí nos adentramos en territorio aún más complejo y fascinante. La interpretación y comprensión de estos modelos representa un desafío distinto y será el tema central de nuestra próxima nota.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=68530f4d603f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Armar MVP para reconocer Imágenes con Inteligencia Artificial]]></title>
            <link>https://medium.com/@cesarriat/armar-mvp-para-reconocer-im%C3%A1genes-con-inteligencia-artificial-b8ba0b5b27cb?source=rss-3c22f72d22a8------2</link>
            <guid isPermaLink="false">https://medium.com/p/b8ba0b5b27cb</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[mvp]]></category>
            <category><![CDATA[computer-vision]]></category>
            <dc:creator><![CDATA[Cesar Riat]]></dc:creator>
            <pubDate>Mon, 31 Aug 2020 02:38:15 GMT</pubDate>
            <atom:updated>2020-08-31T02:38:15.117Z</atom:updated>
            <content:encoded><![CDATA[<h3>Armar MVP de manera rápida y fácil</h3><p>Si necesitas armar prototipo rápidos,y no deseas aprender a codear, ni saber de estadísticas este artículo es un buen comienzo, incluso si estas en una gran empresa armar rápidamente MVP sirve para interactuar con clientes y aprender, ya que por ejemplo se podrá determinar si el software necesita funcionar sin conexión a internet.</p><h3>Vamos al grano</h3><p>Si recién estas comenzado o si sos experto, tienes que probar modelos para mejorar la base datos, les recomiendo la herramienta de Google, es muy simple arman carpetas lo suben hacen click y listo sin códigos y lo tienen funcionando les dejo un link</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FT2qQGqZxkD0%3Ffeature%3Doembed&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DT2qQGqZxkD0&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FT2qQGqZxkD0%2Fhqdefault.jpg&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/ffdecbea1e5f3fd872c2223fc1f00960/href">https://medium.com/media/ffdecbea1e5f3fd872c2223fc1f00960/href</a></iframe><p>De ahora en mas voy a hablar como armar la base de datos y alguno que otro fundamento</p><h3><strong>Aprende o memoriza?</strong></h3><p>Es una interesante pregunta y sin evadirla ni tampoco entrar en cuestiones muy técnicas veamos el siguiente ejemplo;</p><p>Se realiza un algoritmo de IA para reconocer rostros o mejor aun identificar rostros de famosos por ejemplo la modelo <strong>Jessica Biel</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/567/1*N6c8d39nPWnoR8UnwwJsqQ.jpeg" /><figcaption>la diferencia aparte del color de pelo es que fueron tomadas con 10 años de diferencia</figcaption></figure><p>Los invito a preguntarse como es que un programa puede reconocer rostros que nunca vio, imaginémonos opciones; con anteojos, distinto cortes de cabellos o si hubiera subido de peso, etc.</p><p>Una gran diferencia con la programación sin IA , es lo que se hacia antes era tomar una foto y comparar con un base de datos y si esta se encontraba, era capaz de detectarlo, sin embargo un B<strong>UEN algoritmo de IA </strong>lo que hace es tomar una foto y compararlo con lo que <strong>aprendió</strong> de la base de datos . Esto me da pie para explicar conceptos como overfitting y under fintting. Imaginemos 2 opciones armamos con una base de datos de 5 millones fotos, seria sumamente preciso en reconocer el rostro pero incapaz de adaptarse a cambios inesperados o casos que no estuvieran en la base de datos por ejemplos si nunca subimos fotos con anteojos. Ahora señores y señoras les presento el Underfitting, vamos al otro caso le pongo muy pocas fotos no podre lograr mucha precisión</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/790/1*X6iyDmf1vILeYsOCOLwFaA.png" /></figure><p>Aquí la linea negra representaría nuestro algoritmo; si tiene muchos datos y estos no son representativos seria sumamente preciso pero no se adaptaría a cambios o imprevistos que no hayamos considerado en la base de datos</p><p>En cambio ,underfitting,si se tiene poco datos, poco preciso</p><p><strong>Cuanta fotos necesito??</strong></p><p>Y yo les pregunto a ustedes con cuanta precisión ustedes necesitan ?? Bueno ahí esta la respuestas no es única, ni optima pero les puedo dar unas pistas.</p><p>Si el error permanece constante por mas que se modifica el numero de épocas significa que para esas base de datos( en este caso fotos) el error va ser el mismo para mejorarla performance hay que cambiar al base de datos haciéndola mas representativa, Ahora bien cuando el erro de validación es decir , probas tu modelo con una fotos que no usaste para entrena la IA, cuando estos que dar constante con la precisión que vos buscaste, entonces es jugo aumentar la base de datos , la época a un perfomance</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/790/1*GhnCl_hm0KGK2lFrrJiTuw.png" /></figure><h3><strong>Para reconocer imágenes uso redes convolucionales ñaña ñaña na………..</strong></h3><p>la respuesta es ni , es decir ni un no , ni un si.</p><p>En la mayoría de tutoriales recomiendan que si vamos a usar imágenes, usar redes convolucionales, veamos el siguiente ejemplo queremos reconocer rostros de personas</p><p>fíjense a que nos dice que las fotos son rostros humanos, y aquí podemos veer/entender la mayoría , estas redes buscan detectar piezas en la imagen , en este caso orejas, ojos y si están presentes indica que es un rostro sin embargo no son buenas en cuanta a la proporción y a contar. Pero no os precupeis para resolver este problema se pueden hacer 2 cosas la primera es usar redes netscape y la segunda se lo voy a decir a medias en el otro punto.</p><h3><strong>Parecido pero no</strong></h3><p>imaginémonos que tenemos el desafió de reconocer por IA el Aedes aegypti eso seria muy importante ya que este transmite enfermedades como zika, dengue y chikungunya. Para nuestra suerte es muy fácil de reconocer ya que es un mosquito negro con lineas blancas como el de la foto a continuación</p><p>bueno entonces nos armamos una base de datos con 5 mil fotos y lo probamos, no estaría mal como primer intento pero pero PERO……. fíjense el parecido con otros mosquitos</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/750/1*sAxb7B3564e37ByPkQxeTg.jpeg" /></figure><p>mi recomendación es que etiqueten los parecidos y entrenen a la red neuronal, Es decir que aprenda a reconocer lo que queremos buscar y a los posible similares los identifique y los sepa diferenciar. No es un dato menor etiquetar/ entrenar a los semejantes, armar así una base datos para luego entrenar es muy importante tanto como los positivos, es decir lo que estamos intentando buscar</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/500/1*MX89RU8edUZxj9tYd6II1g.jpeg" /><figcaption>Es un perro o una galleta?</figcaption></figure><h3>El futuro</h3><p>desconozco que es lo que anden haciendo o investigando en las universidades, startups/empresas, aunque conozco a varios referentes pero no me cuentan todo, asi aquí no les podría ayudar mucho en ese punto.</p><p>Lo que si les puedo comentar lo que estamos investigando en GlucoPic, es en tres lineas 1º poder usar aprendimiento reforzado para ayudar al armado de etiquetas en proyectos que ya se encuentran funcionando para incorporar a nuestra base de datos, 2º otro en lo que estamos trabajando es que pueda saber cual es el modelo optimo y por ultimo encuentre las características mas relevantes al y alguna que inclusive no ha etiquetado</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b8ba0b5b27cb" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Data Science: No todo es código]]></title>
            <link>https://medium.com/@cesarriat/data-science-no-todo-es-c%C3%B3digo-33ed15db6085?source=rss-3c22f72d22a8------2</link>
            <guid isPermaLink="false">https://medium.com/p/33ed15db6085</guid>
            <category><![CDATA[inteligencia-artificial]]></category>
            <category><![CDATA[estadística]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[database]]></category>
            <dc:creator><![CDATA[Cesar Riat]]></dc:creator>
            <pubDate>Thu, 09 Apr 2020 14:33:20 GMT</pubDate>
            <atom:updated>2022-02-12T16:53:16.511Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*oToUv50rqRQ36cqUGr492A.jpeg" /></figure><p>Este artículo es una breve introducción a conceptos de estadísticas para Inteligencia Artificial.</p><p>Actualmente existen muchas tecnologías en la cual no se necesita escribir código, inclusive teniendo pocos conceptos de inteligencia artificial se puede tener un prototipo funcional tal es el caso como Watson de IBM o el de Google que les dejo el <a href="https://teachablemachine.withgoogle.com/">link</a> www.<a href="https://teachablemachine.withgoogle.com/">teachablemachine.withgoogle.com</a> .</p><p>Sin embargo, no está todo resuelto, ya que justamente una parte es armar una base de datos para entrenar esos modelos y aquí el concepto de correlación espuria se hace crucial, para entenderlo mejor a continuación hay un breve ejemplo.</p><p>Veamos la siguiente foto donde Juan Pablo Rojas, presenta en una conferencia el siguiente gráfico, el cual posee 2 líneas; la roja (gasto en ciencia, espacio y tecnología en E.E.U.U) y la negra(suicidios).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*O4ar4r5tMlHZj6-ZBGwjNg.jpeg" /><figcaption>Platzi Conf 2019</figcaption></figure><p>Podemos ver a simple vista que las dos lineas son muy parecidas, pero la pregunta aquí es; Si aumenta la inversión en gasto de ciencia y tecnología entonces, aumentaría los suicidios? Claramente no, es evidente que no existe una relación aunque, matemáticamente las curvas tengan casi el mismo comportamiento.</p><p>Antes de terminar este tema y pasar a otro, cito este <a href="https://twitter.com/skopmichal/status/1244989299935850502">tweet</a> de @<a href="https://twitter.com/skopmichal">skopmichal</a>, un matemático donde plantea pensar sobre estas correlaciones del Covid-19.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*SOI9NkyYR7Z3XcDpkhgvfw.jpeg" /></figure><p>Gráfico <strong>1</strong> Población con poca densidad <strong>vs </strong>una que tiene mucha. Gráfico <strong>2</strong> Personas de etnia: blanca, latina y negra <strong>vs</strong> asiática. Gráfico<strong> 3</strong> Personas que comen: papa, maíz y trigo <strong>vs</strong> lo que comen arroz. Gráfico<strong> 4</strong> gente que no usa mascaras <strong>vs</strong> gente que si lo usa.</p><p>El gráfico 3 indicaría que las personas que comen papa, maíz y trigo, la tendencia es mayor de contagio. Este ejemplo no es menor, por que propone tener criterios imparciales y científicos en determinar las características con las que vamos a entrenar nuestro modelo, si realmente tiene correlación o no. En la actualidad si no se hace correctamente da como resultado un sistema con sesgos y/o prejuicios.</p><p>Sabiendo esto tenderíamos a pensar, en buscar armar una base de datos con las mínimas características pero que estas influyen en el resultado. Es un buen momento para introducir el concepto de PCA, dejo la siguiente imagen que explica mejor el concepto.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/768/1*WhGvbf0O0XBImxqy9VHJCw.jpeg" /></figure><p>Por último, les planteo la siguiente situación queremos usar inteligencia artificial para predecir en qué condiciones se obtiene el mejor rinde de zanahorias, definiendo el rinde como kg de zanahoria divido 1 hectárea. Analicemos estas características la cantidad de agua y fertilizantes. Entonces nos embarcamos a realizar los siguientes experimentos empezamos aumentando la dosis de fertilizantes, pero se mantiene la misma cantidad de agua, luego realizamos dar distintas proporciones de agua dejando fija una concentración de fertilizante, con estos datos lo volcamos a un sistema de inteligencia artificial y sin embargo resulta que no coinciden con lo que predijo la inteligencia artificial versus la realidad. Los datos recolectados dan mucho mayores que los pronostico el algoritmo computacional.</p><p>Analicemos el resultado anterior, hay 2 conceptos claves. El primero es que si bien las características elegidas son correctas cuando estas se combinan, se potencian, por eso los modelos que estudiamos tienen que ser lo más parecido al contexto donde se ejecutan. La segunda; es claro que los experimentos fueron insuficientes también hay que considerar: la cantidad de luz, PH, etc. ¿Entonces cómo se manejan todas estas juntas? ¿Como se hace cuando estas se manejan juntas y tenemos resultados diferentes si la estudiamos por separado?</p><p>Este artículo plantea más dudas que respuestas, el fin nunca fue explicar conceptos que pueden llevar meses entender sino comentar que problemas podes tener y por qué es importante saber matemática/estadísticas en el armado de una base de datos y para finalizar el mismo les dejo una lista de vídeo donde es introductorio para luego saber que temas tienen que aprender.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2Fvideoseries%3Flist%3DPLSGUr4amiM6PJUjb7vX8uuPruLnSSRKg9&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fplaylist%3Flist%3DPLSGUr4amiM6PJUjb7vX8uuPruLnSSRKg9&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FFhiMp-wjSeY%2Fhqdefault.jpg%3Fsqp%3D-oaymwEWCKgBEF5IWvKriqkDCQgBFQAAiEIYAQ%3D%3D%26rs%3DAOn4CLBRelXv2iNANVHSZ-2FNPoQJBzAZw&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="853" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/e8f740d5f41f17714c826239337749d9/href">https://medium.com/media/e8f740d5f41f17714c826239337749d9/href</a></iframe><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=33ed15db6085" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Análisis de Expresiones Faciales con Inteligencia Artificial]]></title>
            <link>https://medium.com/@cesarriat/an%C3%A1lisis-de-expresiones-faciales-con-inteligencia-artificial-de16ec7dbcd1?source=rss-3c22f72d22a8------2</link>
            <guid isPermaLink="false">https://medium.com/p/de16ec7dbcd1</guid>
            <category><![CDATA[debatear2019]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[argentina-debate]]></category>
            <category><![CDATA[debate-presidencial]]></category>
            <dc:creator><![CDATA[Cesar Riat]]></dc:creator>
            <pubDate>Mon, 21 Oct 2019 16:37:21 GMT</pubDate>
            <atom:updated>2020-09-20T19:40:59.935Z</atom:updated>
            <content:encoded><![CDATA[<h3>Análisis de Expresiones Faciales con Inteligencia Artificial del #DebateAr2019</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/690/1*3sg32xYPkmh7n1kmlBVk3A.jpeg" /></figure><p>El Reconocimiento de emociones es una rama de inteligencia artificial, que busca reconocer las expresiones faciales con el fin de encontrar las emociones. Nació como necesidad para entender mejor a los clientes sin embargo las aplicaciones son muy variadas yendo desde los discurso de políticos, análisis en cámara gesell, ayudar a diseñar nuevos producto, etc. Entregando un análisis imparcial, rápido, económico y repetible.</p><p>Antes de pasar a los resultados es necesario entender un poco más, el software que se usó se llama All Process de la Startup <a href="https://camwheat.tech/">Camwheat</a>, ( especializada en reconocer imágenes con Inteligencia artificial, es donde yo soy uno de los que arma los algoritmos), lo que podemos detallar para este caso particular es que se basó en un código libre hecho en una universidad de Holanda, esto se debe a que el armado de la base de datos puede crear sesgos, unas de las técnicas para mejorar la calidad se llama transfer learning lo que haría es perfeccionar la comprensión de la inteligencia artificial, entrenando a la misma con datos de los políticos argentinos, sin embargo hay un fuerte patrón la mayoría son hombres mayores 50 años por lo tanto sería muy preciso para ese sector y no tanto para los jóvenes, no pudiendo medir de manera tan precisa a del Caño, por eso se usó una base datos imparcial, ahora si a los resultados.</p><h3><strong>La duda de Lavagna</strong></h3><p>En el eje de la Seguridad el ex-ministro Lavagna y actual candidato de Consenso Federal , estuvo unos segundos meditando en su tiempo en cual anunciaba su postura en el eje seguridad, la inteligencia Artificial pudo determinar que en ese momento se encontraba irritado ( anger).</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2F02P78F9WVv8%3Ffeature%3Doembed&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3D02P78F9WVv8&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2F02P78F9WVv8%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/acd21622ea93812ce40768d88f08797b/href">https://medium.com/media/acd21622ea93812ce40768d88f08797b/href</a></iframe><h3><strong>Macri y la confusión María O’Donnell</strong></h3><p>Un hecho llamativo durante el debate es en el cual la periodista María O’Donnell supone que el presidente Mauricio Macri terminó su tiempo y este le manifiesta lo contrario, tras este percance este estudio tecnológico determinó que siguió con estado de ánimo neutral( linea amarilla).</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2F3bPjMZkbb7M%3Ffeature%3Doembed&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3D3bPjMZkbb7M&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2F3bPjMZkbb7M%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/5c50dfce0d77518ff504e037d5f807bb/href">https://medium.com/media/5c50dfce0d77518ff504e037d5f807bb/href</a></iframe><h3><strong>Alberto Fernández responde</strong></h3><p>Frente a los dichos de Espert, Alberto le contesta y es aquí donde se muestra más temperamental, pudimos determinar se comportó sorprendido( línea roja) contestando frente a los dichos de Espert.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FF75qeRE7AoI%3Ffeature%3Doembed&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DF75qeRE7AoI&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FF75qeRE7AoI%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/bc52912c91425a54e2dd3d07dbd521e6/href">https://medium.com/media/bc52912c91425a54e2dd3d07dbd521e6/href</a></iframe><h3><strong>Gómez Centurión y el tiempo</strong></h3><p>Al igual que el en primer debate Gómez Centurión no pudo expresar sus ideas dentro del tiempo aquí presentamos un compilado, se pudo encontrar que durante la etapa final de su tiempo designado se encontraba tranquilo la línea celeste lo marca.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FCWpwzAKSob0%3Ffeature%3Doembed&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DCWpwzAKSob0&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FCWpwzAKSob0%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/0b1c7eb297e3f83738cfbb9a87b71c6b/href">https://medium.com/media/0b1c7eb297e3f83738cfbb9a87b71c6b/href</a></iframe><h3>Del Caño efusivo</h3><p>En el bloque Seguridad Del Caño, candidato del Frente de Izquierda se mostró muy expresivo , el software determinó ciertos picos ( en los gráficos) como lo pueden ver en detalle en el siguiente video .</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FN83byLMvuOs&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DN83byLMvuOs&amp;image=http%3A%2F%2Fi.ytimg.com%2Fvi%2FN83byLMvuOs%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/92e453541419c5164771df664ef3b6ef/href">https://medium.com/media/92e453541419c5164771df664ef3b6ef/href</a></iframe><h3><strong>Espert contra Macri y Fernández</strong></h3><p>En la última participación que tuvo el candidato cuestionó a Macri y Alberto Fernández, el candidato liberal se lo pudo ver con una emoción de repulsión(disgust; línea gris)y con ira ( anger; línea azul).</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FW1tZVt8V4Rk%3Ffeature%3Doembed&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DW1tZVt8V4Rk&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FW1tZVt8V4Rk%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/e9918a9afb91762db187fa5a7926b7a8/href">https://medium.com/media/e9918a9afb91762db187fa5a7926b7a8/href</a></iframe><p>Si quieren saber mas de las cosas que hacemos búscame como <a href="https://medium.com/u/3c22f72d22a8">Cesar Riat</a> en las redes</p><p>Esperamos sus comentarios y si están de acuerdo o no.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=de16ec7dbcd1" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Por que fracasan la startups en Argentina?]]></title>
            <link>https://medium.com/@cesarriat/por-que-fracasan-la-startups-en-argentina-915082847ed1?source=rss-3c22f72d22a8------2</link>
            <guid isPermaLink="false">https://medium.com/p/915082847ed1</guid>
            <category><![CDATA[innovación]]></category>
            <category><![CDATA[argentina]]></category>
            <category><![CDATA[emprendimiento]]></category>
            <category><![CDATA[innovation]]></category>
            <category><![CDATA[startup]]></category>
            <dc:creator><![CDATA[Cesar Riat]]></dc:creator>
            <pubDate>Thu, 24 Jan 2019 16:01:09 GMT</pubDate>
            <atom:updated>2019-01-24T16:01:09.791Z</atom:updated>
            <content:encoded><![CDATA[<p>Hay muchas conjeturas y como dice <strong>Aristóteles: “nunca se alcanza la verdad total, ni nunca se está totalmente alejado de ella”.</strong>En este articulo pretende ser un compendio de algunas investigaciones, mas alguna opinión de un referente del ecosistema emprendedor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/690/1*MfaqPFlruMQDcaoWr_FFZQ.jpeg" /></figure><p>Uno de los mejores estudios fue hecho por Bill Gross, donde evaluó a 200 startups midiendo 5 parámetros para saber cual es que lleva al éxito o fracaso de las misma, resumiendo, en orden creciente; financiamiento, modelo de negocio, “La idea” , equipo y ejecución y por ultimo y mas importante momento oportuno. Un ejemplo en argentina seria comparar, el caso DeRemate; existía antes que Mercado Libre sin embargo, este ultimo se lo termino comprando, motivos son varios, cuando arranco DeRemate en argentina todavía no había muchas personas con conexión a Internet, sumado que paso un efecto económico, las burbujas de las <strong>punto com</strong>, aunque llego después pero entrando al mercado en el tiempo adecuado Mercado Libre pudo salir airoso. Les dejo un vídeo para mas info de la investigación.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FFKVEVe2TefM%3Ffeature%3Doembed&amp;url=http%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DFKVEVe2TefM&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FFKVEVe2TefM%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/4ba72650bd86a40df76d074448bb9432/href">https://medium.com/media/4ba72650bd86a40df76d074448bb9432/href</a></iframe><p><strong>Según expertos</strong></p><p><strong>Fredy Vega</strong>, ceo de platzi, da su opinión de por que es difícil que los emprendimientos no crezcan ni rápido, ni sean tan grandes, entre ellos se destacan el costumbres propias de latinoamericano, el talento y compromiso, la baja financiación ( aunque es cierto que ha aumentado en los últimos años), y la burocracia no solo del sector publico sino el de los privados como ejemplo los bancos. Haciendo foco en Argentina, se acostumbra que los emprendedores se dediquen part-time, es decir después del trabajo y no a tiempo completo es como si hubiera un choque cultural cuando se visita otros lugares, recuerdo un gran consejo de un inversionista del silicon valley “si querés que un inversor ponga dinero en tu proyecto, el primero que se la tiene jugar toda es el equipo emprendedor ”, es como si lo vieran como hobby y no una startup cuando no se dedican full time. En cuanto a la burocracia gubernamental, se dio un giro con la posibilidad de creación de la SAS, pero existe una serie de complicaciones, por ejemplo es la falta de asesoramiento concatenado a que le dan mala publicidad por parte de profesionales que creen que se ven afectados ya que temen que una seria disminución de sus servicios otro tema y no menor es que si bien es fácil abrir una SAS, todas las dudas surgen que pasa si sale todo mal y hay que cerrar la misma, no hay ventas o el equipo emprendedor se pelea es igual de complejo que una SA o Srl. No voy a terminar el párrafo sin comentar lo que sucede con la inversión en Argentina, en el 2017 se anuncio el fondo FONDCE para co-invertir con el Estado en emprendimientos de base tecnológica y científica , con un sistema imitando al de Israel, esta fue una buena iniciativa pero se necesitan mas. Les dejo el video que no tiene desperdicio de Fredy Vega</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FbVdCAtoeSms%3Ffeature%3Doembed&amp;url=http%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DbVdCAtoeSms&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FbVdCAtoeSms%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/75b39434b13b4d0cb95051f58e2313bd/href">https://medium.com/media/75b39434b13b4d0cb95051f58e2313bd/href</a></iframe><p><strong>En esta parte resumo esta nota que apareció en Infobae y el link del mismo de por que fracasan las startups.</strong></p><p><strong><em>1- Producto insuficientemente validado.</em></strong></p><p><strong><em>2- Falta de foco.</em></strong></p><p><strong><em>3- Hacerse trampas al solitario:</em></strong> “En la guerra, la primera víctima es la verdad” recuerda indica el profesor Pedro Nueno en su libro “Reflotando la empresa”. El primer síntoma de la crisis empresarial es el autoengaño y que las métricas suelen estar “cocinadas” para favorecer las interpretaciones del emprendedor. Esta es la principal razón por la que muchas empresas moribundas van saltando de ronda en ronda hasta la ronda final que nunca llega.</p><p><strong><em>4- Exceso de inversión.</em></strong></p><p><a href="https://www.infobae.com/tendencias/innovacion/2018/06/24/startups-solo-el-10-sobrevive-los-dos-primeros-anos/">Startups: sólo el 10% sobrevive los dos primeros años</a></p><p><strong>Un informe mas</strong></p><p>Comparto este nota solo para contradecir un poco los valores al que presento Bill Gross, si bien se evalúan mas parámetros, el tiempo de entrada de mercado( timining ) sigue siendo decisivo, pero aporta otra mirada.</p><p><a href="https://www.bbva.com/es/por-que-fracasan-las-startups/">Por qué fracasan las &#39;startups&#39;</a></p><p><strong>Para finalizar</strong></p><p>En mi experiencia he visto que le han pasado una infinidad de calamidades a los emprendimientos, sin embargo lo que veo decisivo es el compromiso del equipo emprendedor, por lo general siempre se tiene unas diapositivas y en el mejor de los casos un prototipo con algunas lineas de códigos y el valor solo es de la ilusión de los mismos, he visto malas ideas,que no entraron a tiempo correcto, ect, pero si estaban convencido en lo que hacían sacaron a flote la startup. <strong>El valor, la proyección y el impacto solo habitan en el espíritu de los que fundaron la startup</strong>.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=915082847ed1" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>