En este blog post hablaremos sobre la democratización de los datos y en el sector financiero. El formato será un poco diferente al normal, ya que se trata de una entrevista a nuestro CEO Dimitry Kushelevsky dada a PrivacyLabs.ai. Dicha entrevista fue dada en formato Podcast, y aqui podrá encontrarse el audio original: https://www.buzzsprout.com/1769590/8683204-data-democratization-and-ai-in-the-financial-sector-with-dimitry-kushelevsky

Tambien podra encontrar el post de PrivacyLabs.ai aqui:

Hola a todos. Bienvenidos a otro podcast de PrivacyLabs. Mi nombre es Paul Starrett. Soy el fundador de PrivacyLabs.. Recuerden, PrivacyLabs. es una palabra. Y este podcast de hoy va a ser con Dimitry Kushelevsky. Y esto es en una serie de podcasts sobre la preservación de la privacidad, y la democratización de los datos, que es el enfoque de este podcast y la tecnología similar específicamente, en general dentro del área de aprendizaje automático y la inteligencia artificial. Sólo un poco de antecedentes sobre Dimitry y yo, tuvimos el placer de conocer a través de un grupo de inversión hace unos tres meses, ambos somos asesores en diversas capacidades para una empresa llamada Ealax.com empresa que se especializa en datos sintéticos para la delincuencia financiera. 

Pero desde entonces Dimitry y yo hemos tenido muchas conversaciones en torno a este tema. Y pensé que sería maravilloso aprovechar su cerebro para esta área en la democratización ya que su empresa datasource.ai se especializa en eso. Y su experiencia es realmente perfecta para este tema. Así que vamos a hablar con él sobre eso. Y creo que sin más preámbulos, Dimitry, si te presentas a ti mismo y a tu empresa, y luego vamos a sumergirnos.

Estupendo. Bueno, bueno, gracias de nuevo, por involucrarme en su podcast. Es un honor, y estoy muy contento de continuar nuestra conversación, que ha sido muy productiva y muy atractiva hasta ahora. Así que veamos. ¿Por dónde empiezo? Como has mencionado, soy el director general y cofundador de datasource.ai, una empresa que se puso en marcha con el único propósito de democratizar la IA, más concretamente, la ciencia de los datos en forma de aprendizaje automático, y poner sus increíbles capacidades a disposición de todo el mundo. 

En este momento, es realmente lo que describo vagamente como un problema del 1%, el 1% frente al 99%. Parece que muchas personas, muchas organizaciones empresariales, muchos individuos en la tecnología, ya están muy familiarizados con el concepto de la IA y lo que puede traer los beneficios específicos que puede traer, en cuanto a la mejora de sus operaciones en cuanto a traer ingresos adicionales y aumentar sus clientes potenciales para aumentar sus beneficios. 

Sin embargo, son muy pocas las empresas que pueden presumir de haber adoptado un enfoque estratégico serio a la hora de desplegar algoritmos de IA en su infraestructura de software y su pila de software. Y, ya sabes, es, como he dicho, es más bien un problema de 1% ai donde un puñado de las empresas visionarias con típicamente con grandes presupuestos, son típicamente, ya sabes, las corporaciones globales multinacionales, se dan cuenta de que hay mucho que ganar con muy bajo riesgo potencial al mismo tiempo.

Así que parecían perfectamente cómodos gastando algo de dinero en el desarrollo de un equipo de ciencia de datos y haciendo que su ya sabes, debería decir, convirtiéndose en un adoptador temprano de la IA cuando se trata de la implementación real de varios algoritmos de IA, así como las herramientas de ciencia de datos en general en su en su infraestructura operativa. Mientras tanto, el grueso de las organizaciones empresariales sigue estando muy al margen. 

Hasta ahora, si una empresa quería desplegar alguna capacidad seria de IA en su infraestructura de software, eso requería, prácticamente por defecto, que contratará un equipo interno de ciencia de datos y adquiriera un equipo real de ingeniería de infraestructuras que desarrollara una infraestructura física y de software base para ejecutar algoritmos de ciencia de datos e IA. Y eso, por supuesto, cuesta bastante dinero. Y requiere una cantidad considerable de experiencia, que hoy en día sigue siendo muy deficitaria. Todavía es bastante difícil de conseguir. Y las escuelas, por supuesto, las universidades poderosas de todo el mundo están produciendo científicos de datos tan rápido como pueden. Pero todavía hay un déficit bastante significativo para esa área para esa especialización. Así que, ¿dónde deja eso al 99%, como me refiero a ellos, hasta ahora, la mayoría de ellos simplemente no han sido capaces de jugar seriamente con la IA y las capacidades de aprendizaje automático. 

Y básicamente han estado haciendo lo que han estado haciendo durante los últimos 20-30 años. La mayoría de ellos, ya sabes, que, que querían, que querían hacer algún tipo de toma de decisiones implementar algún tipo de toma de decisiones automatizada en su pila de software, por lo general utilizan el software basado en reglas, que es, por supuesto, muy limitado, porque no es, no se basa en la dinámica de la situación inmediata en el escenario inmediato a la mano. 

Así que para usar un ejemplo muy común, si usted tiene una tienda de comercio electrónico que, por supuesto, puede tener algunas reglas básicas, conjuntos de reglas, pero construido en una secuencia de comandos, que sería, que diría que la máquina o el controlador para realizar una determinada tarea, cada vez que un visitante viene a, ya sabes, en busca de una recomendación específica, o en busca de, ya sabes, buscando hacer algo en su tienda o comprar algo en su tienda. Eso es genial. Pero, por supuesto, que si usted tiene un algoritmo basado en reglas, que no se basa, que no está utilizando la IA, en esencia, usted está tratando de servir como este cliente potencial mirando en el espejo retrovisor. 

Y, por supuesto, no hay mucho que puedas hacer, por supuesto, ya sabes, la parte realmente genial del aprendizaje automático y la IA, es que puedes tener una máquina o un algoritmo que monitoree todos los detalles en tiempo real que rodean esta visita en particular, o en mi ejemplo ficticio de una tienda de comercio electrónico. Y basándose en lo que ve, puede tomar una decisión en tiempo real que es mucho más probable que resulte en la compra o en que el cliente esté encantado, porque ha conseguido una gran recomendación, cuando quizás menos lo esperaba. 

De todos modos, el resumen de la historia es que al desplegar la IA utilizando los conjuntos de herramientas que están disponibles con la ciencia de los datos de aprendizaje automático, y otras tecnologías afiliadas en ese espacio. Hoy en día, muy pocas personas sostienen que no hay nada que ganar. Sin embargo, muy al mismo tiempo, muy pocas personas, especialmente las empresas más pequeñas y medianas con presupuestos más ajustados y, y más limitaciones de recursos humanos reales, por lo general están bloqueados, ya sabes, sólo cuesta demasiado.

Y simplemente no tienen ese tipo de recursos y experiencia para, ya sabes, lanzar la ciencia de los datos o la IA o el aprendizaje automático. Así que ahí es donde entramos nosotros, estamos tratando de llevar los puntos de precio asociados con la IA y el aprendizaje automático a un punto en el que un típico, ya sabes, medio de la carretera, el negocio de las PYME, debe ser capaz de pagar. Y al mismo tiempo estamos realizando, hemos implementado una serie de características únicas, como la automatización, que haría muy fácil para ese tipo de usuario ese tipo de cliente para implementar realmente los elementos, los elementos funcionales de la IA y el aprendizaje automático en su infraestructura. 

Sin ese requisito que he mencionado antes, sin exigir que contraten a científicos de datos o que gasten mucho dinero en una infraestructura de ciencia de datos para complementar su infraestructura operativa existente. Así que eso es, en esencia, lo que estamos tratando de hacer y esperamos que, en última instancia, podamos ofrecer una ola de beneficios a un gran número de personas y empresas que, de otro modo, hasta ahora no han podido acceder a ellos.

Genial, no, yo y eso es una gran pista en realidad, creo que declaró el estado existente donde las cosas son el 1%, y luego el bloqueo, si se quiere, del 99% restante. Y creo que sería útil para bajar bajo el capó un poco más en lo que datasource.ai hace. Si los oyentes no están familiarizados, hay una empresa llamada Kaggle, que fue recientemente, supongo que fueron comprados por Google. Y Kaggle, lo que hacen es poner un reto o un problema, y piden a la gente a presentar a kaggle soluciones. Y si son, si su solución es elegida, se les da una recompensa en efectivo. 

A menudo es, ya sabes, 50.000, 100.000, es un poco de dinero. Pero la idea es conseguir que todos estos contribuyentes que están compitiendo por ese premio. Y al hacerlo, están obteniendo esta calidad muy alta, bueno, la competencia ha sacado lo mejor de los que están contribuyendo a lo que llamamos el crowdsourcing. Y lo que estás haciendo datasource.ai es tomar el concepto y hacerlo mucho más disponible, una especie de Henry Ford, si se quiere, estás, estás permitiendo que llegue a las masas. Y por lo que tiene un menor a veces, usted sabe, el premio en efectivo, si se quiere, podría ser 5000, podría ser libre, realmente depende. 

Pero la idea es que esta la PYME, la pequeña y mediana empresa, a continuación, tiene acceso, ponen un montaje de dinero en efectivo, como $ 5,000, sólo estoy eligiendo nombres de que son los números de un sombrero, que luego vienen a usted, y entonces usted consigue esta competencia. Y creo que déjame saber si no lo he expresado correctamente, pero también necesito que indiques que tienes bastantes proyectos, en marcha.

Lo tenemos, definitivamente estamos girando algunas cabezas y atrayendo, francamente, un montón de pesos pesados en la comunidad de la ciencia de datos que, como ya hemos demostrado, que están felices de contribuir con sus habilidades y la energía y la creatividad para, ya sabes, para ayudarnos a tener éxito. 

Sí, hemos hecho una serie de proyectos, como usted ha mencionado, que, en esencia, nuestros concursos de ciencia de datos, pero hasta ahora, o la mayoría de ellos, no tenían un premio en efectivo asociado a ellos, sólo queríamos, ya sabes, para probar nuestra, nuestra plataforma para asegurarse de que las características y la automatización y otras capacidades están trabajando como, según lo previsto. Y al mismo tiempo, queríamos poner a prueba la suposición general detrás de nuestro modelo de negocio, que es, ya sabes, hay una muy comprometida muy alta energía, muy vibrante comunidad de apoyo a la ciencia de datos, así como las implementaciones de la IA y el aprendizaje automático en las empresas principales y otras organizaciones. 

Así que, hasta ahora, hemos estado muy, muy satisfechos con lo que observamos, estamos empezando a monetizar nuestra plataforma ahora. Así que es un momento muy emocionante también, porque quiero ofrecer premios en efectivo real, a los ganadores de la de los algoritmos más exitosos que nuestros concursantes han presentado. Y también lo que estamos haciendo, ya sabes, gracias por mencionar Kaggle. 

Mientras que el concepto detrás de la IA crowdsourcing o algoritmos de aprendizaje automático es en realidad bastante similar entre lo que hacemos y lo que hace Kaggle. Pero sin duda hay una serie de capacidades únicas, a partir de la diferencia entre los mercados, los mercados de destino que centran sus ofertas hacía, frente a lo que estamos tratando de hacer. Así que, como he mencionado antes, estamos realmente tratando de llevarlo a un punto de precio muy bajo, así como un requisito muy bajo de, de la experiencia y otros recursos dedicados que un cliente dado tendría que tener a bordo con el fin de utilizar nuestro sistema

Pero con el fin de, ya sabes, desarrollar un algoritmo de aprendizaje de máquina de alta calidad y aplicado en el, en su infraestructura de software. Por lo general, el proyecto Kaggle todavía requeriría científicos de datos a bordo de esos científicos de datos por lo general vienen con el proyecto, ya sabes, el cliente, el cliente se espera que lo traiga en los premios en efectivo con Kaggle son significativamente mayores, yo diría que por lo general en el orden de magnitud mayor en comparación con nuestros valores de los premios en efectivo objetivo. 

Así que al hacerlo, una vez más, estamos tratando de llevar todos estos grandes beneficios de la IA y el aprendizaje automático y la ciencia de los datos en la corriente principal mundial. Obviamente, eso implica que tratamos de convertirlo en un modelo de negocio de alto volumen y baja barrera de entrada, y queremos tener muchos negocios que puedan darse cuenta rápidamente de que puedo hacerlo por muy poco dinero. 

Y sin tener que contratar científicos de datos dedicados a mi equipo, puedo ir y desarrollar uno o más algoritmos de aprendizaje automático que van a ser de alta calidad, van a ser diseñados por humanos, por humanos expertos. Y es muy probable que, basándonos en los indicadores que hemos visto en los despliegues anteriores, mejoren nuestro negocio y aumenten nuestros resultados, que es en definitiva lo que estamos tratando de hacer. Quiero decir, ya sabes, en última instancia, en cuanto a nuestro propósito, que detrás de nuestra empresa, detrás de nuestros dos, pero yo y mi cofundador, Daniel, estamos realmente tratando de, ya sabes, somos apasionados, obviamente, somos apasionados de la IA y la ciencia de los datos y el aprendizaje automático. 

Y estamos realmente centrados en llevar todas esas grandes capacidades, todos esos grandes beneficios, bastante fácilmente alcanzables que los, ya sabes, que los clientes pueden utilizar, hasta la empresa media, la organización media en todo el mundo, sin importar su presupuesto, sin importar su tamaño, sin importar su, lo que su capacidad es, ya sabes, para contratar a bordo de la experiencia y otros recursos. Así que, obviamente, debido a ese profundo deseo que Daniel y yo compartimos, y hemos compartido desde el principio, hemos desarrollado y lanzado una plataforma que ya está altamente automatizada. Aunque, por supuesto, sin duda, a medida que avanzamos a medida que crecemos. Y tenemos recursos de desarrollo adicionales, por supuesto, vamos a seguir, para mejorarla. 

Y, ya sabes, y para añadir características adicionales y capacidades que son sólo la planificación de hoy. Y el beneficio final es que a medida que obtenemos más y más clientes, utilizando nuestra plataforma para crowdsource de alto valor, alta capacidad, algoritmos de aprendizaje automático de alta calidad, ya que implementan esos algoritmos, que sin duda será obtener resultados muy impresionantes sobre la base de todo lo que hemos visto en todos los estudios que hemos leído hasta ahora, que realmente están preparando para una gran cantidad de éxito adicional, incluso si son una empresa de éxito ya. 

Así que, por supuesto, es por eso que Daniel y yo estamos muy emocionados de estar haciendo lo que estamos haciendo. Y estamos aún más. Así que más. Así que estamos aún más entusiasmados con el futuro que, ya sabes, que esta tecnología tiene que potencialmente podría llevar a los clientes de negocios principales en todo el mundo a medida que crecemos como empresa.

Sí, y eso es, eso es genial. Me lleva a pensar en el crowdsourcing, no sólo la empresa individual obtiene el beneficio de la, de su plataforma y su experiencia entre usted y su cofundador, además de todos los equipos que están compitiendo, para satisfacer algún objetivo que la competencia por así decirlo, se pone a, también hay, esto va a llevar a, creo que la parte aquí donde vamos a entrar en los desafíos que vienen con esto, que lo que puede hacer es que usted puede tener, digamos diferentes empresas que son tal vez en la misma vertical el mismo dominio, compartir su información, para obtener la sinergia a través de sus diferentes puntos de vista, aprender de los esfuerzos de aprendizaje automático. 

El problema es, especialmente en las industrias altamente reguladas, con si obtener los datos es el gran problema. Y la una de las mayores barreras allí, por supuesto, es la regulación de la privacidad y las leyes de protección de datos. Y la idea es que hay técnicas, hay soluciones que le permiten crear esencialmente un conjunto de datos diferentes que se llama hay varias cosas aquí ahora, es un gran, es un tema bastante grande. 

Cubrimos esto, acabo de terminar un podcast con Patricia Thaine, que encontrará en nuestro sitio web que discute las tecnologías de preservación de la privacidad en el gran esquema. Pero por ahora aquí con el aprendizaje automático, vamos a centrarnos en los datos sintéticos. Lo que es, es un método por el cual un algoritmo tomará los datos originales que contienen datos sensibles privados. Y los replica. Pero deja atrás cualquier vestigio de la sensibilidad, o de la privacidad de los datos subyacentes, por lo que los levanta y los saca de esas preocupaciones. 

Así que ahora se puede compartir, no es una panacea, hay una cosa llamada el presupuesto de la privacidad, que dice que cuanto más se elimina la privacidad y la información sensible, menos valiosos son los datos para una máquina o algoritmo de aprendizaje automático. Y no es un proceso sencillo, pero es muy factible. Y así Dimitry, creo que, ya sabes, la empresa Ealax mencionó antes, que hacen esto, y ser capaz de hacerlo para cosas como una banca y los servicios financieros. 

Y sé, Dimitry, que tú personalmente tienes bastante, bastante experiencia en esta área de servicios financieros. ¿Cuál es su perspectiva sobre la promesa de los datos sintéticos y su opinión sobre lo que es y, y, y cómo esperamos ver que se utiliza no sólo para una empresa para hacerlo sólo para los fines internos, pero luego tal vez para compartir con otros?

Sí, absolutamente. Sin duda, la industria financiera vertical es una de las verticales que está realmente bien posicionada para aprovechar la IA y el poder de las capacidades que puede aportar, de nuevo, con la ayuda de una empresa como la nuestra, a un coste muy bajo y con una necesidad de recursos muy baja. Y, de nuevo, parece que, supongo, debido a que la industria financiera está tan cerca de los negocios, y tan, tan cerca de reconocer el aspecto material de lo que este tipo de tecnología puede traer, lo están entendiendo, ya sabes, claramente están, están sintiendo que esto no es sólo una moda, la IA está aquí para quedarse. 

Y, de nuevo, están viendo como las instituciones locales más pequeñas están viendo que las marcas más grandes en su industria están desplegando la IA o yo diría que, ya sabes, los representantes verticales financieros más grandes se encuentran entre los primeros adoptantes que, ya sabes, que han hecho algunos despliegues estratégicos tempranos, y en realidad se han beneficiado de ellos de manera significativa. 

Así que, ya sabes, ¿qué es lo que depara el futuro o qué tipo de capacidades, qué tipo de beneficios depara para las finanzas? Bueno, hay tantas aplicaciones excelentes, que normalmente empiezo a analizar cualquier oportunidad de negocio o incluso un escenario de uso examinando las necesidades del cliente, y en este caso, en el sector financiero, las necesidades del cliente son bastante amplias, ya que la mayoría de las instituciones bancarias y financieras ya tienen una cantidad considerable de datos que han estado recopilando sobre sus clientes como parte de sus operaciones diarias. 

Y, por supuesto, porque están obligados a hacerlo por la ley. Así que, por un lado, ya tienen un gran ingrediente importante que muchos representantes de otras verticales pueden o no tener siempre. Por lo tanto, tienen los datos, también tienen medios muy específicos, ya que quieren seguir siendo competitivos, quieren, quieren ser capaces de ofrecer nuevos servicios, quieren orientar su, su comercialización y otros materiales centrados en el cliente mejor.

Y en última instancia, por supuesto, quieren ahorrar en sus operaciones también. Otra gran oportunidad para la industria financiera en general, por supuesto, es algo que hemos discutido antes. Es, es el fraude y, ya sabes, la prevención de la actividad criminal. Así que la IA, por supuesto, estoy muy emocionado, ya sabes, agitando la bandera, agitando, ya sabes, persona en el ecosistema de la IA. Así que sí, admito que podría ser un poco parcial aquí. Pero la IA, yo realmente, afirmaría firmemente que la IA proporciona una tremenda oportunidad, tal vez mucho más poderosa que cualquier otra fuente de herramientas disponibles en la actualidad, para hacer frente a todos estos escenarios de casos de uso, y son realmente parte emocionante para mí aquí es que estaríamos, mediante el desarrollo de algoritmos de IA y otras soluciones basadas en la IA, podríamos impactar directamente y muy positivamente ya sabes, esos clientes y satisfacer sus necesidades. 

Ya sabes. Así que esa es la parte realmente emocionante, en última instancia, todo tiene que, ya sabes, empezar y terminar con el cliente. Así que cada vez que tenemos, tenemos un cliente que ya ha demostrado un conjunto de necesidades que pueden afectar directamente a su, su negocio de una manera muy positiva. Por supuesto, cualquier persona de negocios estará muy emocionada de ofrecer su plataforma o su solución para ayudar a sus usuarios a conseguir exactamente ese efecto. 

Así que, sí, hay un, hay mucho, mucho que hacer un montón de oportunidades. Pero por supuesto, siempre, como siempre, hay un desafío. Y el desafío es bastante significativo en los espacios financieros, que tiene que ver con la regulación. Y tiene que ver con las severas regulaciones de protección de la privacidad que prácticamente todas las instituciones financieras tienen que cumplir en todo el mundo. Así es. Así que ese es un gran desafío que sin, con eso, a menos que encontremos una manera de resolverlo como una industria, creo que, ya sabes, Ai, y el aprendizaje de la máquina y la ciencia de datos será extremadamente limitado en términos de la profundidad y la amplitud de los beneficios que podemos ofrecer. Así que tener empresas como Ealax alrededor de la producción de proxies muy cerca de los datos originales reales del cliente, sin embargo, sin revelar cualquiera de la información privada o personal o confidencial asociada con el banco, o sus clientes, o sin con los clientes de riesgo institucional, podría muy bien ser la diferencia entre todas esas instituciones, ser capaz de tomar ventaja de estos grandes, pero sus beneficios comerciales y no ser capaz de hacerlo. Así que es realmente un gran desarrollo.

Sí, estoy de acuerdo. Y creo que quería deslizar un discurso de ascensor que tengo para encapsular lo que has dicho sobre, ya sabes, cómo los datos se están volviendo mucho más molestos incluso para las empresas medianas y pequeñas. Porque, como sabemos, la cantidad de datos que las empresas generan está creciendo exponencialmente cada año. Y la única manera de manejarlos es con el aprendizaje automático. Eso es todo lo que te queda. Así que se convierte en la nueva normalidad se convierte en la mejor práctica. Creo que algunas cosas únicas que podemos compartir con nuestros oyentes, es que los datos sintéticos no sólo para nosotros para dejar de lado la información sensible o privada, de nuevo, sin embargo, quiero hacer hincapié en que no es una panacea. Hay algunas, algunas perillas para girar. Y hubo una cierta pérdida de conocimiento, pero a menudo no hay almuerzo gratis, ¿verdad? Exactamente, exactamente. 

Así que los presupuestos de privacidad, tienes que pagar en alguna parte. Pero creo que en general es una ganancia neta. Pero hay un lado positivo, ya que con los datos sintéticos, puedes obtener más información de los datos subyacentes que van más allá de lo que esperarías construir en un modelo de aprendizaje automático a partir de esos datos. Porque los datos sintéticos pueden generar nuevos tipos de transacciones y nuevos tipos de escenarios que un algoritmo de aprendizaje automático puede utilizar. 

También tiene la capacidad de algunas otras cuestiones en torno a la regulación tiene que ver con la explicabilidad del aprendizaje automático, ¿cómo está funcionando? ¿Sabemos qué está haciendo el modelo de aprendizaje automático? Puedes añadir a estos datos sintéticos, métricas y otra información que te ayude a establecer, ya sabes, cómo la explicabilidad, que es una pieza muy grande de la privacidad, las regulaciones y demás. GDPR tiene requisitos específicos en torno a eso, al igual que la mayoría de las leyes, y sólo para una imagen de mi propia, ya sabes, soplar mi propio cuerno aquí y pagar algunas cuentas, eso es lo que PrivacyLabs, hace que ayudamos a entrar y asegurarse de que tengo un fondo en el aprendizaje automático abd ley. 

Y por lo que soy capaz de ayudar a unir las cosas, obtener la máquina de obtener la explicabilidad en allí, y para asegurarse de que los profesionales del cumplimiento de entender la tecnología, y lo que está sucediendo y asegurarse de que todo tipo de viene juntos, rentable y de manera compatible.

Así que ese es nuestro papel en esto. Y yo, por supuesto, esperamos trabajar con usted y, Ealax y otras empresas a tipo de llevar esto al mercado. Creo que es, creo que desde el punto de vista de la manera que realmente el objetivo aquí es que la democratización de los datos y creo que tal vez podemos terminar en este tema. 

Que hemos cubierto básicamente la idea de que la institución individual, ya sea pequeña o mediana, realmente, creo que es donde la, la, la cuestión de la necesidad es, es más molesto. Los datos son cada vez más grandes y más rápidos, más complejos. Y entonces el aprendizaje automático es realmente la mejor manera de ahorrar dinero y reducir el riesgo y así sucesivamente. 

Pero esto también la capacidad de construir para hacer un mundo mejor y Dimitry esta es una gran pieza de Absolutamente, está en su corazón es que, de nuevo, podríamos tener, digamos los servicios financieros, las instituciones comparten todos sus datos juntos para construir una especie de, por ejemplo, un modelo de aprendizaje automático de fraude, que es una especie de superconjunto de toda la inteligencia ha llegado de todas las cosas. De nuevo, creo que cuando entramos en cosas como los datos sintéticos y otras cosas, esto se vuelve mucho más realista. Y, en ese sentido, tenemos esta especie de crowdsourcing por derecho propio.

Y se consigue utilizar la sabiduría de la multitud para resolver algunos de los mayores retos que estaban afectando a toda la industria en todo el mundo. Así que sí, este es uno de los muchos y excelentes puntos de valor que hay detrás de toda la tecnología.

Sí, sí. En el ámbito de la ciencia de los datos, para aquellos que son un poco más expertos, se trata de una cosa llamada aprendizaje de transferencia en la que se toman, esencialmente, el caso típico de las redes neuronales de aprendizaje profundo, y se pueden tomar los modelos anteriores que se han construido, y luego aprovechar ese fondo. Los transformadores son un ejemplo típico. Pero, de nuevo, eso es sólo una especie de aparte, mencionado, para aquellos de nosotros que son un poco más en la ciencia de datos. 

Creo que el propósito de la idea aquí era la democratización del intercambio de datos, es ser capaz de aprovechar la democratización para el crowdsourcing de información en torno a un problema específico para una empresa, de modo que puedan entrar en el mercado y seguir siendo competitivos por ser capaz de aprovechar y tener acceso al aprendizaje automático, sino también en la capacidad de tener información de dominio para el bien común. Así que creo que hemos hecho un gran trabajo, francamente, creo que en este lo que es aproximadamente media hora.

hay mucho terreno que cubrir. Para algunos, como tú, estoy seguro de que lo sabes, hay una gran tentación de meterse en la maleza, porque hay tantos grandes casos de uso y tantas grandes aplicaciones, y en última instancia, tantos beneficios increíbles, los negocios y los beneficios personales que podemos ofrecer a literalmente miles de millones de personas por ahí con este tipo de tecnología. Eso, por supuesto, es muy, muy emocionante. 

Y, ya sabes, francamente, eso es, creo, una gran parte de nuestro futuro. Sabes, si acabo de leer un estudio de PwC recientemente, donde afirman que para el año 2030, exploran que esperamos que la IA va a añadir un poco más de 15 billones de dólares, que 15 billones. Sí, uno 515 billones de dólares a la economía global. 

Es increíble, absolutamente increíble, francamente, incluso hoy en día, más cerca de casa, por así decirlo, o más cerca de nuestro marco de tiempo, en este momento, el aprendizaje de la máquina, pero su industria se mide en algún lugar alrededor de nueve o entre nueve y 10 mil millones de dólares. Obviamente COVID tipo de juego con esos números, como con cualquier otro número, pero creo que es todavía más o menos donde estamos hoy. Pero la noticia realmente emocionante, y creo que el estudio de este estudio, erróneamente salió de McKinsey, son en realidad la previsión de un 39% año tras año, la tasa de crecimiento compuesto para el próximo futuro previsible, creo que el año 26 o 27, que están esperando este número para ir creciendo hasta alrededor de 120 127 mil millones. Así que, quiero decir, estos son números astronómicos. Usted sabe, y usted mencionó antes que, sí, hay ciertamente múltiples aplicaciones que son múltiples participantes en el espacio de abastecimiento de la IA y el aprendizaje automático. Y estoy, estoy seguro de que habrá más, no creo que sea un gran alcance para pronosticar que va a ser mejor y mejor y más grande y más. Ya sabes, que densamente poblada en lo que respecta a la industria de la IA. 

Pero mi forma de verlo es que hay un gran potencial, es realmente un ideal, ya sabes, un caso de libro de texto de la abundancia de la mentalidad, es algo que vamos a, podemos, podemos construir nuevas soluciones dentro de desarrollar una enorme cantidad de valor añadido a, ya sabes, a literalmente millones, si no miles de millones de clientes. 

Así que hay mucho, hay mucho bien que hacer, ya sabes, eso es una parte muy, muy emocionante. Para todos los que ya están en este espacio o están considerando, ya sabes, entrar en él, incluyendo a las personas que potencialmente van a ser nuestros futuros clientes, les damos la bienvenida a venir y vernos. Y, ya sabes, ofrecemos una consulta gratuita para cualquiera que esté interesado en explorar lo que, ya sabes, lo que ofrecemos, y cómo puede ser capaz de beneficiar a su negocio, sus operaciones o, ya sabes, superar cualquier otro desafío que puedan estar enfrentando ...

Sí, sí. Y quería colar aquí un comentario más sobre un y luego voy a pedirte que te retires para tu, tus pensamientos finales sobre lo que crees que no hemos cubierto o algo que crees que necesita ser enfatizado. Pero creo que una de las otras cosas que seguimos hablando de los datos sintéticos. Y sólo quiero repetir la razón por la que decimos eso es porque Gartner ha predicho que el 60% del aprendizaje automático se basará en datos sintéticos para 2024. 

Eso está a la vuelta de la esquina. Así que creo que nos da una idea de que hay un área, y voy a hacer esto breve porque es un área técnica, que el ciclo de vida de desarrollo de software se ha movido realmente a lo que llaman un marco ágil, que requiere una respuesta muy rápida. Y esa es la nueva normalidad para el desarrollo de cualquier cosa, cualquier tipo de software o cualquier solución que esté siendo utilizada por la empresa. 

Y el problema es, es que para obtener los datos, se necesita mucho tiempo, los contratos y las leyes y otras cosas requieren meses. Y no tienes ese tiempo cuando tienes un proceso ágil en el desarrollo de software que requiere un tipo de cambio diario. Así que estos datos sintéticos te permiten generar esos datos mucho más rápidamente y llegar a la tierra de pago. Sólo quería hacer eso. Ese es un nuevo tema candente con el que hemos tropezado aquí desde otras discusiones. Así que aparte de eso, voy a terminar aquí. Cualquier cosa, Dimitry, que creas que deberíamos, ya sabes, tenemos unos minutos aquí. ¿Algo que creas que deberíamos saber, que no hayamos discutido o algo que quieras enfatizar?

Sí, bueno, uno de los retos más interesantes a los que nos enfrentamos ahora mismo es que, obviamente, no queremos hervir el océano, si, si sabes a lo que me refiero, hay tantos escenarios de casos de uso geniales, hay tantas aplicaciones geniales para la IA para el aprendizaje automático para, ya sabes, literalmente ejecutar la competencia de ciencia de datos, que tenemos que ser muy juiciosos en cuanto a los que perseguimos, fue una gran tentación entre los dos fundadores para tratar de ir después de cada oportunidad interesante, cada desafío que tiene una necesidad real de negocio y datos reales detrás de él, que el cliente ya puede tener un cliente potencial. 

Pero nos encontramos deliberadamente, ya sabes, manteniéndonos disciplinados de una manera que queremos, ya sabes, estamos tratando de validar nuestros principales supuestos que, obviamente, ya sabes, nos proporcionan el, nuestro ir al mercado y nuestro negocio, la evolución proyector para, ya sabes, para el futuro previsible. Así que, con eso en mente, así que sí, es un gran problema para tener. Y con eso en mente, yo, de nuevo, quiero dar la bienvenida a cualquier, cualquier persona que esté interesada en jugar en este espacio, e incluso sólo comprobarnos y ver y discutir con uno de nuestros expertos, o uno de nosotros directamente, lo que podemos, lo que podemos hacer y cómo, en términos específicos, la IA y el aprendizaje automático puede, puede ayudarles a superar sus desafíos y hacer crecer su negocio y reforzar su línea de fondo o cuidar mejor de sus clientes.

Así que una vez más, por supuesto, nos encantaría, me encantaría dar la bienvenida a otras personas que están tan entusiasmados con la IA como nosotros, o tal vez sólo están intrigados. Y ellos, ya sabes, si nada más, quieren ver, hey, vamos a hablar y vamos a ver lo que esta tecnología y la tecnología puede potencialmente tener en el almacén para ellos y sus negocios. Así que de nuevo, doy la bienvenida a la gente a escuchar esto o intrigado acerca de los beneficios potenciales que pueden obtener con AI Ciencia de Datos y el aprendizaje de la máquina, les doy la bienvenida a venir a visitarnos. 

Si usted sabe hoy si están interesados, ellos, si están intrigados por lo que usted y yo acabamos de discutir, están intrigados por el contenido que hemos publicado en nuestra página web. A mí, por supuesto, me encantaría charlar con ellos, y pueden hacer clic en la consulta gratuita por y programar unos minutos para charlar con nosotros, creo que, ya sabes, cada conversación es, es muy interesante para nosotros. 

Porque, de nuevo, nos ayuda a triangular las oportunidades más prometedoras para que podamos ofrecer el máximo valor. Así que no terminamos hirviendo el océano, pero al final terminamos, ya sabes, cumpliendo con los requisitos de nuestra misión y ayudando a las empresas a lograr sus objetivos de éxito. Y, con suerte, mejor que cualquier otra alternativa que haya en el mercado, lo que creo firmemente que podemos hacer. Así que gracias por la oportunidad.

Sí, no, es un placer. Y sólo para que la gente sepa, supongo que el sitio web es su datasource.ai. Y es todo una palabra, sin guiones, sin puntos ni nada data source.ai. ¿Y creo que es dimitry@datasource.ai?

Sí, dimitry@datasource.ai. Ya sabes, si y eso es, créeme, solo tener mi nombre de pila es una bendición, como sabes, porque en esta dirección de correo electrónico, porque tengo un largo, ya sabes, apellido ucraniano que eso confundiría a cualquiera. Así que, sí, pero yo, por supuesto, daría la bienvenida a usted sabe, cualquier, cualquier persona que quiera llegar y, y conectar conmigo directamente.

Genial o pueden ir a tu página web, como has indicado. Muy bien. Bueno, escucha, sólo voy a terminar aquí con algunas reflexiones sobre el papel de PrivacyLabs en esto es que el proceso de traer la inteligencia artificial o el aprendizaje automático en su infraestructura de la empresa de una forma u otra, es un tipo horizontal de tema activo. 

Y ahí es donde podemos ayudar a mirar los requisitos de seguridad, el cumplimiento, tengo un abogado que es una especie de especialista en la ley de cumplimiento, soy mucho más técnico, pero puedo ayudar a discutir los temas con la gente de cumplimiento y ayudar a tipo de cosas de alcance y una cosa que hacemos en los laboratorios de privacidad es que estamos trabajamos con empresas asociadas como One Trust y BigID, y TrustArc, y en uno de los otros, uno de mis favoritos es Centrl.

 Podemos utilizar esas herramientas para ayudar a reunir a los gatos para unir todo. Nos especializamos en el aprendizaje de la máquina y la automatización y una auditoría para que podamos asegurarnos de que todo va de la manera que se espera, ya sea por medio de un regulador o para asegurarse de que está, está cubierto legalmente en algún nivel. Eso es lo que hacemos. Y de nuevo, Dimitriy muchas gracias. Y creo que vamos a cerrar aquí, y estoy seguro de que

Quería darte un rápido empujón, Paul, sí, porque aprecio profundamente lo que haces. En cuanto a la apertura de las ganancias para un número potencialmente muy grande de, de los propietarios de negocios y ejecutivos de negocios, que, debido a usted y su trabajo, será capaz de tomar ventaja de lo que ofrecemos. Así que realmente aprecio haberte conocido y haber tenido un montón de conversaciones realmente productivas que ya hemos tenido. Y espero continuar en la misma línea.

Gracias. Son palabras muy amables, y no estoy en desacuerdo con usted si lo digo yo. Creo que nos hemos posicionado muy bien y normalmente con mi orientación directa, personalmente. Sí, somos una especie de conserje, por así decirlo, para ayudar a la gente a entrar y cubrir todas las bases horizontal y periféricamente. Así que genial. Dicho esto, vamos a cerrar aquí. Y Dimitry, tendremos otro podcast pronto. Probablemente una de las actualizaciones o algún otro vertical o algo así. Pero gracias de nuevo. Y gracias a los oyentes. Espero que hayan aprendido mucho y que estén atentos a nuestros futuros podcasts. Gracias. Gracias a todos.