Author: pixelabs@dev

referWEB#3

Pixelabs Year Review

spanish (english version below)   Como cada diciembre, queremos lanzar nuestro último post del año en forma de “year review” o resumen del año, resaltando algunos de los puntos que han marcado este año para nosotros. Queremos felicitar las fiestas a todos nuestros clientes, partners y lectores un feliz año nuevo, esperando que 2023 sea un próspero año.   Hemos crecido junto con los clientes que nos acompañan desde hace años, entre ellos Ecoembes, Henkel, Kubus o Sercomex, con los que además hemos construido una gran relación comercial. Cerramos diciembre, con un año claramente marcado por nuestra estrategia y por nuestro foco para  seguir creciendo como compañía, lo que ha propiciado la incorporación de nuevos clientes a nuestra cartera como Iberdrola, LafargeHolcim o Efficold. Esperamos además, actualizar nuestra web en los próximos meses con nuevos y mejores proyectos, así como casos de éxito. En línea el crecimiento que hemos experimentado durante los últimos meses, hemos...

Continue Reading
Smart farming with agriculture IoT

IoT Edge Computing, una nueva era.

El edge computing hace referencia a la informática que tiene lugar en la ubicación más cercana a los datos de un sistema o a sus usuarios finales, es decir, el lugar de donde proviene la información o hacia dónde se dirige. La arquitectura de edge computing permite agilizar el procesamiento, ya que reduce la latencia y las demoras. Las aplicaciones y los programas que se ejecutan en el extremo de la red pueden trabajar con mayor rapidez y eficacia, lo cual eventualmente mejora la experiencia del usuario y el rendimiento general.   El Edge Computing permite a las empresas usar y distribuir un conjunto común de recursos en una gran cantidad de ubicaciones. De esta forma, brinda servicios más estables, ágiles y de menor costo. Esto resulta fundamental para aquellos casos de uso en los que se necesitan tiempos de respuesta muy rápidos, como, entre otros, la conducción remota o la industria...

Continue Reading
Pixelabs-Tartaglia

TARTAGLIA: un nuevo impulso para la mejora del sector salud.

Presentación de las fases del proyecto con todos los integrantes del consorcio.   Pixelabs forma parte del consorcio público-privado formado por 16 entidades que buscan acelerar y mejorar la investigación clínica y sanitaria en España.   Este consorcio está trabajando en el proyecto Tartaglia enmarcado dentro del programa Misiones de I+D en Inteligencia Artificial de la agenda España Digital 2025 y de la Estrategia Nacional de Inteligencia Artificial y estará financiado por la Unión Europea a través de los fondos Next Generation EU.   Pixelabs lidera el paquete de trabajo sobre investigación en los modelos predictivos para el cribado automático de la retinopatía diabética usando redes neuronales convolucionales. Poder dar a conocer este tipo de investigación clínica, es una manera de contribuir en el avance de la sociedad y para nosotros es muy importante que parte de nuestros esfuerzos tecnológicos como compañía tengan un impacto positivo en las instituciones, sociedad y ciudadanos.   Eneka Carnicer, coordinadora del paquete...

Continue Reading
Pixelabs Biotecnología e IA

Biotecnología e IA: datos para un futuro mejor

La biotecnología es una amplia rama interdisciplinaria de las ciencias biológicas que consiste en toda aplicación tecnológica que utilice sistemas biológicos y organismos vivos o sus derivados para la creación o modificación de productos o procesos para usos específicos. Dichos organismos pueden o no estar modificados genéticamente, por lo que no hay que confundir Biotecnología con Ingeniería Genética. La Organización para la Cooperación y el Desarrollo Económico (OCDE) define la biotecnología como la «aplicación de principios de la matemáticas en la ingeniería para tratamientos de materiales orgánicos e inorgánicos por sistemas biológicos para producir bienes y servicios». Sus bases son la biología, ingeniería, física, química, y biomedicina; y el campo de esta ciencia tiene gran repercusión en la farmacología, la medicina, la bromatología, el tratamiento de residuos sólidos, líquidos y gaseosos, la industria, la ganadería y la agricultura.   Trabajar en el ámbito de la biotecnología implica tener voluminosos conjuntos de datos...

Continue Reading
tartaglia

Pixelabs forma parte del proyecto TARTAGLIA

Estamos más que contentos de anunciar que formamos parte del consorcio liderado por GMV. El consorcio de constitución público y privada, se encargará de la creación de una red federarada basada en inteligencia artificial para acelerar la investigación clínica. El proyecto se enmarca dentro del programa Misiones de I+D en Inteligencia Artifcial y además está financiado por los fondos Next Generation EU. En esta colaboración publico-privada, se espera avanzar en la investigación clínica y tecnológica, y de otras herramientas de vanguardia como el Big Data. Adjuntamos nota de prensa con todo el detalle del programa.   Dentro de este proyecto de gran magnitud, Pixelabs lidera la creación de modelos predictivos para el cribado automático de la retinopatía diabética usando redes neuronales convolucionales. Estos modelos serán usados dentro de la propia red federada y se usarán datos distribuidos.     Imagen de presentación Pixelabs PT8.       El proyecto Tartaglia ha recibido financiación del Ministerio de Asuntos Económicos y Transformación...

Continue Reading
Digital transformation corporate wallpaper

Text Mining: Introducción al análisis de textos con IA

¿Qué es la minería de textos? La minería de textos (también conocida como análisis de textos), es el proceso de transformación de textos no estructurados en datos estructurados para facilitar su análisis. La minería de textos utiliza el procesamiento del lenguaje natural (PNL ó NLP), lo que permite a las máquinas “entender” el lenguaje humano y procesarlo automáticamente. Para las empresas, la gran cantidad de datos que se generan cada día representa tanto una oportunidad como un reto. Por un lado, los datos ayudan a las empresas a obtener una visión inteligente de las opiniones de la gente sobre un producto o servicio. Piensa en todas las ideas potenciales que podría obtener al analizar los correos electrónicos, las reseñas de productos, las publicaciones en las redes sociales, los comentarios de los clientes, los tickets de asistencia, etc. Por otro lado, está el dilema de cómo procesar todos estos datos. Y ahí es...

Continue Reading
happy-new-year Pixelabs

Pixelabs Year Review

english (spanish version below)     This year we return to our tradition of closing the year, sharing a brief review of our milestones. We would like to wish all our customers and partners a Happy New Year, hoping that 2022 will be the year of a recovery that is slowly awakening throughout the economic and business environment.   This year, we've worked alongside our clients to consolidate our portfolio and solutions. We would like to thank all of them for their confidence in us. Our solutions make operational processes at all levels easy, fast and robust, helping our customers to focus on their core business. By using AI, all our clients can make better decisions while reducing costs. Next year will be marked by our innovation strategy. We are accelerating innovation as part of the core of Pixelabs. We're an innovative company and since the beginning of this year, we have focused on everything that matters,...

Continue Reading
Machine Learning Pixelabs

Machine Learning (III) – Aprendizaje por Refuerzo

Machine Learning (III) Hoy finalizamos la serie de Machine Learning con este artículo sobre aprendizaje por Refuerzo. El aprendizaje por refuerzo es el área de la inteligencia artificial que está centrada en descubrir qué acciones se debe tomar para maximizar la señal de recompensa, en otras palabras se centra en cómo mapear situaciones a acciones que se centren en encontrar dicha recompensa. Al agente no se le dice que acciones tomar, si no al contrario él debe experimentar para encontrar qué acciones lo llevan a una mayor recompensa, los casos más desafiantes son los que no llevan a una recompensa inmediata si no en la siguientes situaciones. Diferencia con aprendizaje supervisado El aprendizaje supervisado está basado en un set de ejemplos que han sido etiquetados previamente, en otras palabras te muestra exactamente qué acción debes tomar para cada circunstancia, la que mayormente consiste en identificar o categorizar la situación; por lo cual el objetivo...

Continue Reading
Pixelabs Machine Learning 2

Machine Learning (II) – Aprendizaje No Supervisado

Machine Learning (II)   Hoy vamos a continuar con los algoritmos más usados en Machine Learning, concretamente los algoritmos de Aprendizaje no Supervisado. Recordando un poco el anterior artículo, los algoritmos de Aprendizaje no Supervisados infieren patrones de un conjunto de datos sin referencia a resultados conocidos o etiquetados. A diferencia del Aprendizaje Supervisado, los métodos de Aprendizaje no Supervisado no se pueden aplicar directamente a un problema de regresión o clasificación porque no tiene idea de cuáles pueden ser los valores de los datos de salida, lo que hace imposible que entrene el algoritmo de la forma en que lo haría normalmente. En cambio, el aprendizaje sin supervisión puede utilizarse para descubrir la estructura subyacente de los datos.   Aprendizaje No Supervisado Los algoritmos de Aprendizaje no Supervisados te permiten realizar tareas con datos no etiquetados a diferencia del Aprendizaje Supervisado. Sin embargo, el aprendizaje sin supervisión puede ser más impredecible en comparación con otros...

Continue Reading
Machine Learning Pixelabs 1

Machine Learning (I) – Aprendizaje Supervisado

Machine Learning (I) Machine Learning es una disciplina científica del ámbito de la Inteligencia Artificial que crea sistemas que aprenden automáticamente. Aprender en este contexto quiere decir identificar patrones complejos en millones de datos. La máquina que realmente aprende es un algoritmo que revisa los datos y es capaz de predecir comportamientos futuros. Automáticamente, también en este contexto, implica que estos sistemas se mejoran de forma autónoma con el tiempo, sin intervención humana. Veamos cuales son estos algoritmos.   Los algoritmos de aprendizaje automático se pueden dividir en tres grandes categorías: aprendizaje supervisado, aprendizaje no supervisado y aprendizaje por refuerzo. El aprendizaje supervisado es útil en los casos en que una propiedad (etiqueta) está disponible para un determinado conjunto de datos (conjunto de formación), pero debe predecirse para otras instancias. El aprendizaje no supervisado es útil en los casos en que el desafío consiste en descubrir relaciones implícitas en un conjunto de datos...

Continue Reading