De CDO a CEO, sólo una letra y grandes cambios

Tras reflexionarlo bien y con la intención de seguir evolucionando en mi profesión para afrontar grandes retos, el mes pasado decidí abandonar mi cargo en el Grupo Logitravel y otear el horizonte en busca de nuevos rumbos.

Haciendo alusión a la famosa frase de “hay que salir de tu zona de confort” diré que siempre he sido de los que busca esa zona, ese punto en el que tengo que esforzarme para ser mejor y no puedo permitirme relajarme en mi día a día.

En los últimos años dedicados a proyectos de I+D en el Grupo Logitravel he centrado mi atención en entender bien los problemas de negocio, buscarle soluciones técnicas óptimas e implementar las soluciones en entornos de producción, haciendo crecer así la calidad de producto, el retorno de inversión o la capacidad de abordar retos más grandes a la empresa.

Estos proyectos han ido alcanzando metas principalmente por las personas que han participando a lo largo de cada uno de ellos, de modo que por el camino he ido creciendo en grandes amigos y excelentes profesionales a mi alrededor.

Mi último año ha sido quizá el menos intenso, donde el día a día de negocio se centraba menos en I+D y ponía el foco en otras cosas (también importantes, por supuesto). Eso me ha permitido plantearme si yo podía ser más rentable, si podía aportar más a negocio para su crecimiento. La conclusión ha sido que sí, que puedo aportar mucho más valor a una empresa con mis conocimientos y experiencia en distintas áreas técnicas. Y dado que en ese momento la empresa tenía el foco puesto en otros objetivos, decidí abandonar mi “zona de confort” y mi cargo de Chief Data Officer.

Cuando le comuniqué a los miembros de mi equipo mi decisión de dejar la empresa, para mi sorpresa, me respondieron con un “nos vamos contigo” tajante y rotundo. Y a pesar de explicarles una y otra vez que no tenía nada pensado, que era arriesgado salir a buscar nuevos proyectos, me dejaron clara su posición y depositaron en mi toda su confianza.

Así que, tras un mes de mucho ajetreo, reuniones, acuerdos, firmas y contratos, tenemos una startup montada y muchos retos realmente motivadores en el calendario.

Un equipo profesional de lujo como fundadores y talento a raudales como empleados dispuestos a dar una vuelta de tuerca más a proyectos de BigData, Machine Learning, Visualización de datos e implementaciones de IA en tiempo real.

Por lo tanto, paso de ser CDO en Grupo Logitravel a ser CEO de Damavis, como expertos en soluciones BigData.

Sé que irá muy bien, no puede ser de otra forma con éste equipazo como socios. ¿No te parece?

Encontrando caminos óptimos con grafos en Python

Imagina un sistema que te encuentre el trayecto de vuelo más barato posible a un destino para tus vacaciones. O uno que encuentre la combinación de vuelos más rápida para llegar a tu destino.

En el siguiente vídeo explico con un ejemplo cómo utilizar Grafos en Python para encontrar los caminos más cortos utilizando en el ejemplo algoritmos como A star o Dijkstra.

Como siempre, el código que he creado durante el vídeo lo comparto en mi cuenta de GitHub, en el proyecto Caminos cortos en Grafos con Python. :)

Siempre insisto en que estos vídeos son simples demostraciones rápidas y superficiales de cosas que se pueden llegar a hacer en el mundillo de la programación. Como te puedes imaginar, se puede profundizar, detallar y crear auténticos proyectos de lo más interesantes con un poco de dedicación.

Espero que sea útil y esté suficientemente bien explicado como para que te pique el gusanillo y empieces a hacer tus propias pruebas.

¿Te ha parecido interesante?

Detección de Anomalías con Python Pandas

Detectar anomalías puede ser algo muy útil para ayudar en muchas tareas cotidianas cuando manejamos mucha información.

Por ejemplo, empresas que tienen muchas métricas monitorizadas pueden llegar a tener cientos de gráficas que les indican cual es la situación de su negocio, pero necesitan a gente que interprete esas gráficas y les diga si todo está bien, si el estado actual es normal o por el contrario, está pasando algo “fuera de lo normal”, por lo tanto, detectar una anomalía.

Crear un sistema automático que detecte dichas anomalías puede ayudar mucho a cualquier negocio, facilitando a los humanos a que utilicen su tiempo en áreas mucho más valiosas que simplemente interpretar unos datos, unas gráficas o ciertos KPI’s.

En el siguiente vídeo muestro cómo podemos crear en pocos minutos nuestro propio sistema de detección de anomalías simple, suficiente para detectar la mayoría de casos anómalos en base a casi cualquier tipo de conjunto de datos.

Se puede ver en el Notebook que he llamado Detección de anomalías con Pandas subido en el repositorio de GitHub.

¿Verdad que tras ver el vídeo ahora ves mucho más sencillo implementar un sistema de detección de anomalías? Seguro que se te ocurren muchos sitios donde implementarlo para mejorar tu trabajo o empresa, ¿verdad?

Entrenando una red neuronal para el tiro con arco

En ocasiones se me ocurren ejemplos divertidos para mostrar cómo podemos utilizar el Machine Learning para ciertas finalidades.

En este caso se me ha ocurrido que le podemos enseñar a nuestra red neuronal a disparar con arco y dar con bastante precisión a un blanco a muchos metros de distancia. (puede ser realmente útil para cuando llegue el apocalipsis zombie :P )

Para ello, he creado un par de vídeos donde explico paso a paso cómo crear los datos necesarios, entrenar la red neuronal, comprobar su efectividad y mostrar de una forma visual los datos para su análisis.

Primera parte:

Segunda parte:

Y como de costumbre, he publicado el código en mi cuenta de GitHub:
Entrenando una red neuronal con lanzamiento parabólico

Enseñando matemáticas a una red neuronal

He vuelto a dedicarle un rato de mis noches de insomnio a preparar un vídeo donde muestro cómo se puede entrenar una red neuronal (MLP) para enseñarle matemáticas simples en Python. En el vídeo puedes ver como la red neuronal aprende a sumar, restar, multiplicar y dividir en pocos minutos.

Es una pequeña demostración, el resultado no es ni preciso ni usable en ningún caso práctico (al menos a mi no se me ocurre ninguno), es sólo una forma de compartir la experiencia para que podáis ver lo sencillo que es empezar a hacer vuestros pinitos con el Machine Learning.

Puedes ver el resultado del código creado en mi cuenta de GitHub, en el repositorio que he llamado Neural Network aprendiendo Matemáticas.

¿Que te ha parecido? ¿Se te ocurre alguna idea interesante para el próximo vídeo? ;)