Cómo ser el Messi de la programación

Compartí esta noticia !

En un mundo tecnológico tan competitivo, donde todos quieren sobresalir y ser los mejores, destacar en el campo de la programación puede ser un desafío. ¿Cómo lograrlo en un mundo tan amplio y globalizado? En Argentina y el mundo, cada vez más personas optan por carreras en el ámbito de la tecnología, como la programación y el diseño web, para formar parte de este cambio. En particular, se ha observado un crecimiento significativo en la elección de carreras cortas y terciarias, que brindan una salida laboral rápida y permiten a los estudiantes ingresar al mercado laboral en menor tiempo. Sin embargo, elegir el camino correcto puede ser complicado, ya que hay diversas opciones y ramas en este campo.

Al explorar las opciones en el campo de la programación, nos encontramos con la programación tradicional, el no-code y el low-code. Mientras que la programación tradicional requiere un largo proceso de aprendizaje y los bootcamps intensivos pueden resultar difíciles de seguir para aquellos con una vida laboral ocupada, el enfoque no-code ofrece una solución rápida pero limitada en cuanto a la flexibilidad y el desarrollo avanzado. Por otro lado, el enfoque low-code se destaca al permitir el desarrollo de un MVP funcional de manera eficiente y económica, ofreciendo un equilibrio entre eficiencia y flexibilidad para aquellos que buscan validar ideas y avanzar en sus proyectos tecnológicos.

Hoy el campo de la programación en Argentina se ve revolucionado con un desarrollo 100% nacional y de formato híbrido entre la programación tradicional y el low-code.  “Aptugo va más allá de las soluciones tradicionales de low-code al combinar la facilidad de uso y la interfaz visual intuitiva con las ventajas y capacidades avanzadas de la programación tradicional”, comenta Gastón Gorosterrazu, creador de Aptugo. “Su enfoque innovador redefine el panorama del desarrollo de aplicaciones al ofrecer una experiencia única y evolutiva. La integración de la programación visual con la generación de código de alta calidad mediante inteligencia artificial es la clave del éxito de Aptugo”, agrega

Aptugo es una herramienta que no solo agiliza el proceso de desarrollo, sino que permite a los programadores trabajar hasta un 30% más rápido que con los métodos convencionales. Su arquitectura basada en “Atomic Programming” facilita la creación rápida y sencilla de aplicaciones completas, superando las limitaciones de tiempo y brindando soluciones ágiles.

Desde 2021, Aptugo ha capacitado a más de 38.000 personas, rompiendo las barreras tradicionales de entrada a este campo. Su enfoque diferencial y efectivo ha empoderado a adolescentes de 13 a 17 años en toda Latinoamérica a través del programa “Programming Garage”, desarrollado en colaboración con Globant. El éxito de Aptugo se refleja en los resultados obtenidos. Los participantes destacan la facilidad de uso de la herramienta y el ahorro de tiempo que les brinda en el desarrollo de aplicaciones, gracias a su motor de generación de código que utiliza inteligencia artificial integrada. Esta iniciativa “Programming Garage” ha superado las expectativas, obteniendo un Net Promoter Score (NPS) de 7.2, muy por encima de la media de cursos similares.

Aptugo trasciende la enseñanza al generar oportunidades laborales y de emprendimiento al democratizar el aprendizaje tecnológico y marcar una diferencia con el resto de propuestas para programar. Su colaboración con destacadas empresas como Globant y prestigiosas instituciones educativas como el ITBA ha ampliado el acceso a la formación, permitiendo que personas de todas las edades y sectores laborales adquieran habilidades tecnológicas. Además, a lo largo de 2 años, ha empoderado a emprendedores para que desarrollen sus propios MVPs e impulsen sus negocios con éxito.

Compartí esta noticia !

El fenómeno no-code que permite que puedas crear una “app” sin tener idea de informática

Compartí esta noticia !

La idea de poder crear apps, sin saber nada de programación es una idea que sin duda va a revolucionar el futuro de la informática, además de una ayuda ante la falta de poder captar talentos tecnológicos.

Las nuevas herramientas “no-code” o “low-code” que nos permiten crear páginas web, o apps, sin tocar código fuente, están basadas en la idea de que cualquier persona sin conocimiento técnico pueda crear su propio “software” al alcance de su necesidad. Ante las circunstancias de un mundo que avanza cada vez más rápido, la imposibilidad de las escuelas tradicionales de adaptarse a ellos y formar personal especializado, además del costo que tiene contratar uno, abre una puerta a nuevos espacios como el español TypeForm, que esta a pasos de ser un nuevo unicornio.

Esto abre las puertas a las empresas que no pueden contar con un equipo de informática, ya que en general se desarrollan en plataformas donde hay que arrastrar y soltar elementos, para conseguir resultados profesionales. Lo que estimula a las empresas a buscar estas herramientas, que, a la vez, permiten adaptarse a los requerimientos de cada sector o actividad.

Durante la pandemia, muchos negocios tuvieron que hacer un salto al campo de lo digital, algunos solo difundían en redes sociales, pero si querían armar un Marketplace, había que contratar a alguien y eso encarecía los costos, en un panorama que no era alentador. “Hoy las Pymes no necesitan informáticos para todo, pueden programar por sí solas y más rápido, algo que antes era impensado ya que solo era posible contratando programadores” señala Alessandra Gorla, profesora e investigadora en la Universidad de Madrid.

Obviamente estos sistemas tienen limitaciones “puede que quieras algo muy específico y la plataforma que uses no te lo permita”, señala la experta. Es lo que ocurre cuando hay una dependencia de un tercero “Por un lado, el desarrollo queda en la responsabilidad de las plataformas que tiene que chequear la calidad del código o su seguridad. Eso es lo bueno, lo malo es que cuando hay un problema de seguridad, todas las apps que se desarrollaron van a tenerlo”.

Según la consultora Gartner, estas plataformas van a seguir creciendo, en el 2020 el 25% de las aplicaciones desarrolladas fueron “no-code” o “low-code”, que estiman que se triplique para el 2025. El New York Times, señalaba en un informe reciente que así como los íconos sustituyeron los comandos de programación en los ordenadores, las plataformas “no-code” van a sustituir los lenguajes de programación por interfaces web sencillas y familiares.

Solo van a sobrevivir las más potentes:

Actualmente una de las plataformas con un éxito histórico es WordPress, que desde el 2004 ofrece plantillas para crear un sitio web intuitivo, además de ofrecer ciertas personalizaciones a los que quieran algo más avanzado. Y allí radica la diferencia de los “no-code” y los “low-code”, el nivel de conocimientos, porque el primero deja el código intacto, mientras que el segundo permite hacer algunas modificaciones en él. Una herencia de este modelo es la británica Builer.ai o la estadounidense Bubble, que ya han levantado más de 100 millones de dólares.

Estas permiten crear aplicaciones para móviles de iOS y Android sin escribir una línea de código, solo arrastrando y soltando. Las grandes tecnológicas no son ajenas a este proceso, por lo que lanzaron herramientas similares, como Thunkable, incubada por Google y por el Instituto Tecnológico de Massachusetts (MIT) o Amazon Honeycode.

“Ahora está habiendo una tendencia creciente”, señala Gorla, que además sugiere que cada vez van a ser más las soluciones en el mercado “algunas van a ser de gran impacto, pero solo van a quedar las más potentes”.

Pero por otro lado la especialista sostiene que toda esta revolución no va a perjudicar la demanda de los perfiles de programación, porque “por la propia evolución tecnológica (…) siempre son necesarios los expertos que desarrolles soluciones y entiendan bien lo que está pasando, por si hay que cambiar o incorporar funciones”. Lo que sí, cambiara las tareas que tienen que realizar. “Antes tenías que saber desarrollar un software seguro y de calidad, pero ahora cada vez se escribe menos código”. Entonces, ¿A qué se dedicarán?: “A analizar los procesos internos de la plataforma y comprobar cómo genera código automáticamente”, responde.

Compartí esta noticia !

Polo Tic inscribe al curso de Programación web PHP

Compartí esta noticia !

El Polo Tic Misiones inscribe al último curso del año que comenzará el martes 6 de octubre.

Para poder acceder solo deben poseer conocimientos previos de programación básica. El curso busca que los alumnos aprendan y comprendan el lenguaje Hypertext Preprocessor (PHP) y HTML. PHP es un lenguaje de código abierto muy popular especialmente adecuado para el desarrollo web y que puede ser incrustado en HTML.

Como el curso es gratuito el Polo Tic invita a todos los interesados a sumar al programa Cuarentena Solidaria Posadas, plataforma creada para ayudar a los que más necesitan. Comprando el pack solidario pueden ayudar a merenderos y comedores de Misiones.

Más info https://cuarentenasolidariaposadas.com.ar/polo-tic/

Informes e inscripción
En la web Polo Tic

Compartí esta noticia !

Enfrentando el sesgo de género en la tecnología de reconocimiento facial

Compartí esta noticia !

Por Trevor Collins, Security Analyst de WatchGuard Technologies – El software de reconocimiento facial ha estado en problemas en los últimos meses. Investigadores, expertos de la industria, empresas y legisladores han planteado preocupaciones que van desde posibles repercusiones en la privacidad hasta su papel en la discriminación y más. De hecho, la Universidad de Michigan publicó recientemente un estudio que relacionó el uso del reconocimiento facial en el campus con estos problemas.

En la década de 1960, Woodrow W. Bledsoe creó un programa secreto que identificaba manualmente puntos en la cara de una persona y comparaba las distancias entre estas coordenadas con otras imágenes.

La tecnología de reconocimiento facial ha avanzado mucho desde entonces. El campo ha evolucionado rápidamente y el software ahora puede procesar automáticamente cantidades asombrosas de datos faciales en tiempo real, mejorando drásticamente los resultados (y la confiabilidad) de la coincidencia en una variedad de casos de uso.

A pesar de todos los avances que hemos visto, muchas organizaciones todavía confían en el mismo algoritmo utilizado por la base de datos de Bledsoe, conocido como “k vecinos más cercanos” o k-NN. Dado que cada rostro tiene múltiples coordenadas, una comparación de estas distancias en millones de imágenes faciales requiere un procesamiento de datos significativo. El algoritmo k-NN simplifica este proceso y facilita la coincidencia de estos puntos al reducir considerablemente el conjunto de datos. Pero eso es solo una parte de la ecuación. El reconocimiento facial también implica encontrar la ubicación de una característica en una cara antes de evaluarla. Esto requiere un algoritmo diferente, como HOG (histogram of oriented gradients). Este tema se tratará más adelante.

El problema

Los algoritmos que se utilizan hoy en día para el reconocimiento facial dependen en gran medida de los modelos de aprendizaje automático (ML), que requieren una formación significativa. Desafortunadamente, el proceso de capacitación puede resultar en sesgos en estas tecnologías. Si la capacitación no contiene una muestra representativa de la población, ML no identificará correctamente la población perdida.

Si bien esto puede no ser un problema significativo al hacer coincidir rostros para plataformas de redes sociales, puede ser mucho más dañino cuando las agencias gubernamentales y las fuerzas del orden utilizan el software de reconocimiento facial de Amazon, Google, Clearview AI y otros.

Estudios anteriores sobre este tema encontraron que el software de reconocimiento facial sufre de prejuicios raciales, pero en general, la investigación sobre el prejuicio ha sido escasa. Las consecuencias de tales sesgos pueden ser nefastas tanto para las personas como para las empresas. Para complicar aún más las cosas, está el hecho de que incluso pequeños cambios en la cara, el cabello o el maquillaje pueden afectar la capacidad de una modelo para hacer coincidir las caras con precisión. Si no se tiene en cuenta, esto puede crear distintos desafíos al intentar aprovechar la tecnología de reconocimiento facial para identificar a las mujeres, que generalmente tienden a usar productos de belleza y cuidado personal más que los hombres.

Comprender el sexismo en el software de reconocimiento facial

¿Qué tan graves son las identificaciones erróneas basadas en el género? El equipo de WatchGuard llevó a cabo una investigación adicional sobre el reconocimiento facial, analizando únicamente los sesgos de género para averiguarlo. Los resultados fueron reveladores. Las soluciones que evaluaron fueron identificar erróneamente a las mujeres un 18% más a menudo que a los hombres.

Pueden imaginar las terribles consecuencias que podría generar este tipo de sesgos. Por ejemplo, un teléfono inteligente que dependa del reconocimiento facial podría bloquear el acceso, un oficial de policía que utilice software de reconocimiento facial podría identificar erróneamente a un transeúnte inocente como un delincuente o una agencia gubernamental podría llamar a la persona equivocada para interrogarla basándose en una coincidencia falsa. La lista continúa. La realidad es que el culpable de estos problemas es el sesgo dentro del entrenamiento del modelo que crea sesgos en los resultados.

Exploremos cómo descubrimos estos resultados.

El equipo realizó dos pruebas independientes: la primera con Amazon Rekognition y la segunda con Dlib. Desafortunadamente, con Amazon Rekognition no lograron analizar cómo funciona su algoritmo y modelado de AA debido a problemas de transparencia (aunque asumieron que es similar a Dlib). Dlib es una historia diferente y utiliza recursos locales para identificar las caras que se le proporcionan. Viene previamente entrenado para identificar la ubicación de una cara y con el buscador de ubicación de caras HOG, un algoritmo más lento basado en CPU, y CNN, un algoritmo más rápido que utiliza procesadores especializados que se encuentran en las tarjetas gráficas.

Ambos servicios proporcionan resultados de partidos con información adicional. Además de la coincidencia encontrada, se otorga una puntuación de similitud que muestra qué tan cerca debe coincidir una cara con la cara conocida. Si la cara en el archivo no existe, una puntuación de similitud establecida en baja puede coincidir incorrectamente con una cara. Sin embargo, una cara puede tener una puntuación de similitud baja y aun así coincidir cuando la imagen no muestra la cara con claridad.

Para el conjunto de datos, se utilizó una base de datos de caras llamada Caras etiquetadas en la naturaleza, y sólo investigamos las caras que coincidían con otra cara en la base de datos. Esto nos permitió probar caras coincidentes y puntuaciones de similitud al mismo tiempo.

Amazon Rekognition identificó correctamente todas las imágenes que proporcionamos. Sin embargo, cuando miramos más de cerca los datos proporcionados, nuestro equipo vio una distribución más amplia de las similitudes en los rostros femeninos que en los masculinos. Vimos más rostros femeninos con más similitudes que los hombres y más rostros femeninos con menos similitudes que los hombres (esto en realidad coincide con un estudio reciente realizado aproximadamente al mismo tiempo).

¿Qué significa esto? Básicamente, significa que una cara femenina que no se encuentra en la base de datos tiene más probabilidades de proporcionar una coincidencia falsa. Además, debido a la menor similitud en los rostros femeninos, nuestro equipo confiaba en que veríamos más errores en la identificación de rostros femeninos sobre los masculinos si se les dieran suficientes imágenes con rostros.

Amazon Rekognition dio resultados precisos pero carecía de consistencia y precisión entre rostros masculinos y femeninos. Los rostros masculinos en promedio fueron 99.06% similares, pero los rostros femeninos en promedio fueron 98.43% similares. Puede que esto no parezca una gran variación, pero la brecha se amplió cuando observamos los valores atípicos: una desviación estándar de 1,64 para los hombres frente a 2,83 para las mujeres. Más rostros femeninos están más lejos del promedio que rostros masculinos, lo que significa que la coincidencia falsa femenina es mucho más probable que la diferencia del 0,6% según nuestros datos.

Dlib no funcionó tan bien. En promedio, Dlib identificó erróneamente los rostros de mujeres más que los de hombres, lo que llevó a una tasa promedio de 5% más de mujeres identificadas erróneamente. Al comparar rostros usando el HOG más lento, las diferencias crecieron al 18%. Es interesante que nuestro equipo descubrió que, en promedio, los rostros femeninos tienen puntajes de similitud más altos que los hombres cuando usan Dlib, pero al igual que Amazon Rekognition, también tienen un espectro más amplio de puntajes de similitud que conducen a resultados bajos en precisión.

Abordar el sesgo de reconocimiento facial

Desafortunadamente, los proveedores de software de reconocimiento facial luchan por ser transparentes cuando se trata de la eficacia de sus soluciones. Por ejemplo, nuestro equipo no encontró ningún lugar en la documentación de Amazon en el que los usuarios pudieran revisar los resultados del procesamiento antes de que el software hiciera una coincidencia positiva o negativa.

Desafortunadamente, esta suposición de precisión (y la falta de contexto por parte de los proveedores) probablemente conducirá a más y más casos de arrestos injustificados, como este. Es muy poco probable que los modelos de reconocimiento facial alcancen el 100% de precisión en el corto plazo, pero los participantes de la industria deben concentrarse en mejorar su efectividad, no obstante. Sabiendo que estos programas contienen prejuicios en la actualidad, las fuerzas del orden y otras organizaciones deberían usarlos como una de las muchas herramientas, no como un recurso definitivo.

Pero hay esperanza. Si la industria puede reconocer y abordar honestamente los sesgos en el software de reconocimiento facial, se puede llegar a trabajar juntos para mejorar el entrenamiento y los resultados del modelo, lo que puede ayudar a reducir las identificaciones erróneas no solo basadas en el género, sino también en la raza y otras variables.

Compartí esta noticia !

Categorías

Solverwp- WordPress Theme and Plugin