Mirar hacia atrás y luego hacia adelante es un ejercicio tradicional a finales de año. ¿Qué preocupaciones sobre datos son lo suficientemente importantes como para preocuparse en 2024? ¿Por cuál de ellos tenemos posibilidades de hacer algo bueno en 2024? No hace falta decir que el dinero (presupuesto y costos) es un problema. Pero es aún más innecesario decir que resolver desafíos empresariales reales probablemente sea más importante. Recuerde que los costos se acumulan y los beneficios pueden tardar en aparecer. Algunos beneficios incluso llegan a la categoría "Ganar o morir en el intento".

Es cierto que no es fácil:

Entonces, animados, ¿qué podemos aprender del pasado?

Planteo estas cinco preocupaciones como seriamente interesantes en 2024:

• Resultados comerciales
• Sujetos versus procesos
• Modelado: ¿realidad o datos?
• La informática: ¿por qué es algo europeo?
• ¿Mejorar el modelado de datos mediante una cognición mejorada?

Resultados empresariales, ahora o nunca

La informática aplicada a las empresas se remonta a finales de los años sesenta. La entrada de datos se realizaba inicialmente en cinta de papel Flexowriter (en una máquina de escribir eléctrica) y en tarjetas perforadas. Se realizaron algoritmos complejos como algoritmos de clasificación/fusión de varios pasos en cinta magnética que fueron reemplazados por dispositivos de acceso directo (discos) durante los años setenta. 

Los casos de uso empresarial eran bastante sencillos y personas como yo estuvimos bastante ocupadas durante 10 a 15 años implementando aplicaciones de manejo de requisitos de materiales y listas de materiales; en computadoras, que fueron compradas para esos casos de uso. A precios desde medio millón de dólares en adelante. 

La facturación se añadió rápidamente como caso de uso, pero empezó a resultar difícil debido a calidad de los datos problemas (sí, ya en aquel entonces; los clientes son un grupo difícil). 

La integración comenzó a convertirse en un problema, que resultó ser una gran preocupación, porque los primeros sistemas de bases de datos se utilizaban principalmente como soluciones puntuales para las aplicaciones de dominio. Sin embargo, la visión de las bases de datos empresariales llevó al triunfo de SQL sobre la red y las indexadas (bases de datos ISAM/VSAM), debido a la flexibilidad percibida de las bases de datos normalizadas sobre los modelos de datos demasiado físicos en los DBMS más antiguos. 

En los años setenta la llamada “Pirámide DIKW” empezó a aparecer por todas partes:

Las visiones de modelado empresarial también entraron en las capas de código que llevaron a los modelos orientados a objetos (UML, OO), así como a OODBMS, que, sin embargo, no lograron entrar en los caminos principales.

La hipótesis para este tipo de construcción e implementación de sistemas de información se basó en disciplinas como la planificación, la gobernanza, los métodos, la participación de expertos en negocios y algunas tecnologías (modelado relacional, OO, etc.). 

Sin embargo, durante los años 80 y 90, se extendió la comprensión de que estos “silos” eran demasiado difíciles y costosos. Se pusieron sobre la mesa nuevas tecnologías, como minicomputadoras y computadoras personales, así como OLAP y almacenamiento de datos, para brindar cierto alivio a las necesidades comerciales reales. 

Sujetos en lugar de procesos

Ya entrado el nuevo siglo, los sistemas ERP (como Oracle, SAP y otros) y enormes almacenes de datos respaldados por análisis como OLAP, SAS y muchos más manejaban, de hecho, la mayoría de las grandes empresas. A un alto costo, eso sí. Y difícil de cambiar, sí. Sin embargo, en mi opinión, los beneficios de los altos costos eran defendibles. A principios de este siglo se produjeron externalidades, como el crecimiento del pensamiento inversor basado en el mercado (nuevo liberalismo), una nueva situación macropolítica con una Unión Europea fuerte y papeles clave para China. 

La globalización de las actividades empresariales se produjo rápidamente y continúa hoy. Esto hizo que las empresas fueran mucho más complejas, surgiendo de fusiones y adquisiciones, líneas de productos en conflicto, reglas comerciales contradictorias, etc. Hubo/hay una gran presión por parte de los inversores que solicitan ciclos de retorno de la inversión significativamente más cortos. La política, la ideología y las dinámicas tumultuarias influyeron en lo que tradicionalmente se concebía como ciencia (de gestión/informática).

El éxito de las grandes empresas tecnológicas como Yahoo, Google, etc. en el manejo de “grandes datos” creó expectativas ambiciosas de “tecnología al rescate”.

En consecuencia, la gente buscaba soluciones en la tecnología: piense en NoSQL, la programación funcional y la "pila de datos moderna". El almacenamiento era ahora fácil y barato, mientras que la “computación” era tan engorrosa como antes. La IA se volvió más poderosa (aunque todavía muy costosa en costos de computación y consecuencias ambientales).

En 2024, habrá (seguirá habiendo) una enorme atención en el flujo de datos hacia el entorno donde se utilizarán. (Con y sin IA, etc.) Bajo un paraguas como “la pila de datos moderna” y utilizando una nueva jerga tecnológica como “ingeniería de datos”, “tejido de datos”, “malla de datos”, etc., los datos se están moviendo y transformados en estructuras principalmente físicas, adecuadas para el procesamiento algorítmico y estadístico (también conocido como IA). 

La energía es intensa, y las herramientas se adquieren y aplican en cantidades, lo que comienza a coincidir con una lista de compras de los recién casados ​​para lo que necesitan en su cocina. (Lo siento, no pude evitarlo). Eche un vistazo a esto (procedente de un sitio muy informativo llamado Our West Nest):

Y lo anterior es sólo la categoría de gadgets y herramientas que se recomienda tener. Consulte su sitio para conocer el resto de las cosas que necesita. Ahora ya sabes lo que se necesita para ser un “ingeniero en alimentos”. En cuanto a las herramientas de ingeniería de datos, simplemente consulte esta abrumadora página web!

Desafortunadamente, como cualquier buen cocinero le dirá felizmente, el truco del oficio está en conocer sus materiales (la comida) y cómo combinar y combinar los sabores de buenos productos, que sabe dónde encontrar y cómo tratar. Traducido a nuestro ámbito, eso significa que puede aplicar muchísimas herramientas de ingeniería, pero el trabajo sólo se realizará si conoce los temas de los dominios comerciales, conoce las preocupaciones comerciales y resuelve los problemas junto con los empresarios en forma federada. escenarios.

De lo contrario, probablemente no será un proveedor de soluciones rentable. Se trata de una cuestión empresarial, no de ciencia espacial (ni informática).

Y saber de qué se trata el negocio es nuestro siguiente tema.

Modelado de la realidad: conocimiento, no datos

La realidad puede ser brutal: una de mis historias de terror (reales) favoritas trata sobre una empresa multinacional B2C que quería implementar un nuevo esquema de informes de ventas. Lo creamos recopilando datos de varios sistemas ERP que se ejecutan en diferentes países, ¡solo para descubrir que a la base de datos consolidada le faltaba información de jerarquía de categorías de productos en más del 50% de las líneas del informe de ventas! Esto retrasó el proyecto varios meses, donde controladores jóvenes y duros se turnaron para visitar las diferentes empresas filiales... Si hubieran sabido eso de antemano, el proyecto probablemente habría sido diferente.

La IA generativa (GenAI) parece aparecer hoy en todas las portadas. Y en la página 2 mucha gente argumenta que para detener las tendencias de GenAI a alucinar (inventar cosas), tendrás que ayudarlo junto con un gráfico de conocimiento. Es una muy buena idea porque los gráficos se acercan a la semántica empresarial.

Mike Dillinger tiene un toma muy directa sobre la necesidad de gráficos de conocimiento para que la IA funcione algo mejor: 

“Para los científicos informáticos y de datos, una forma de motivar el uso de gráficos de conocimiento es posicionarlos como una forma de superar las muchas deficiencias de representar datos y conocimientos en bases de datos relacionales y manipularlos con modelos lineales de aprendizaje automático.

Una suposición simplificadora grande, mala y dramática de las bases de datos es que las columnas se tratan como independientes u ortogonales. Las técnicas de aprendizaje automático, como los clasificadores, parten de la misma suposición: hay ponderaciones para cada característica/variable, pero no hay términos para representar la covarianza o interdependencia entre dos o más características. También se supone que las clases objetivo de los clasificadores son disjuntas o no correlacionadas, razón por la cual los clasificadores funcionan mal al decidir entre clases jerárquicamente relacionadas: no son disjuntas, sino que una subsume a la otra. Hacer creer que las variables no están relacionadas cuando en realidad sí lo están simplemente infla la varianza del error a niveles intolerables”.

Además, de una de las diapositivas de Dillinger: “¿Por qué utilizar gráficos de conocimiento? Porque las matemáticas carecen literal, intencionada y absolutamente de sentido. Y la lógica también lo es”.

Generar impacto empresarial es donde comienza y donde termina.

La IA debe producir propuestas confiables. Por qué no pedir certificación?

Más informática, menos tecnología

Lo siguiente no es un gran problema, pero la terminología imprecisa parece haber infectado a nuestro “gremio”. 

Comencé en la Universidad de Copenhague en 1969. Mi profesor fue Peter Naur, mejor conocido por cosas como:

• Coautor con Edsger Dijkstra et al. sobre el lenguaje de programación Algol-60
• La "N" en BNF, la forma Backus-Naur utilizada en muchas definiciones de lenguaje
• No quería que lo llamaran "informático", prefería "Datalogy" en lugar de "Computer Science"; la razón es que los dos dominios (computadoras y conocimiento humano) son muy diferentes y su interés estaba en los datos, que es creado y descrito por nosotros como humanos
• En su libro “Computación: una actividad humana” (1992), una colección de sus contribuciones a la informática, rechazó la escuela de programación que ve la programación como una rama de las matemáticas.
• Premio Computer Pioneer de la IEEE Computer Society (1986)
• Ganador del premio Turing 2005, el título de su conferencia de premios fue “Computación versus pensamiento humano"

 (Ver más antecedentes esta página.)

En realidad, tenemos tres términos en competencia:

• Ciencias de la Computación
• Biomédica
• Ciencias de la Información

Por “ciencia de la información” clásicamente se entiende el tipo de manejo de la información que realizan los bibliotecarios y archiveros. Hoy todo es digital...

En gran parte de Europa y otros países se utiliza la “informática” en lugar de la informática. En EE. UU. y otros, la informática se utiliza con frecuencia para tratar información en la atención sanitaria.

Y luego está la "informática". Académicamente, hoy en día, es muy matemático y abstracto, basado en la lógica y las funciones. Sin embargo, con frecuencia se describe como un conjunto de habilidades que se utilizan en el manejo de datos. Pero la semántica directa, “cómo construir computadoras”, ya no está dentro de su alcance; Yo esperaría que los ingenieros y físicos se encargaran de eso. 

Si construyo carreteras, puedo utilizar habilidades especiales relevantes para las carreteras. ¿Pero eso me convierte en un “científico de carreteras”? No tan.

En Communications of the ACM (Association for Computing Machinery, es necesario iniciar sesión), Peter Denning, ex presidente de la ACM, argumenta a favor y en contra de la “ciencia” informática en un artículo titulado “¿Es la informática una ciencia? La informática cumple todos los criterios para ser una ciencia, pero tiene un problema de credibilidad autoinfligido”, 2005, como concluye:

“Validar afirmaciones en materia de informática

Ahí nos tienes. Hemos permitido que la exageración de los departamentos de publicidad se infiltre en nuestros laboratorios. En una muestra de 400 artículos de informática publicados antes de 1995, Walter Tichy encontró que aproximadamente el 50% de los que proponían modelos o hipótesis no los probaron [12]. En otros campos de la ciencia, la proporción de artículos con hipótesis no comprobadas fue de alrededor del 10%. Tichy concluyó que nuestra incapacidad para realizar más pruebas permitió que muchas ideas erróneas se pusieran a prueba en la práctica y redujo la credibilidad de nuestro campo como ciencia. …

La percepción de nuestro campo parece ser una cuestión generacional. Los miembros mayores tienden a identificarse con una de las tres raíces del campo: ciencias, ingeniería o matemáticas. El paradigma científico es en gran medida invisible dentro de los otros dos grupos. 

La generación más joven, mucho menos impresionada que la anterior ante las nuevas tecnologías informáticas, está más abierta al pensamiento crítico. La informática siempre ha sido parte de su mundo; no cuestionan su validez. En sus investigaciones, siguen cada vez más el paradigma científico”.

La referencia a Tichy es: Tichy, W. ¿Deberían los informáticos experimentar más? Computadora IEEE 1998.

Uno se pregunta: ¿Seguimos permitiendo que “la exageración de los departamentos de publicidad se infiltre en nuestros laboratorios”?

Creo que "informática" es el término más general y preciso para lo que hacemos. La informática es una actividad humana y la informática describe las actividades humanas de manejo de información para y por humanos.

Sí, ahora me siento mejor, ¡gracias!

Mirando hacia el futuro: mejorando la cognición  

¿Modelado de datos en el futuro?

Como recordarán algunos de mis lectores, soy un modelador de datos (gráficos) de memoria, con muchos años de modelado a mis espaldas. También soy un firme defensor de la aplicación de la informática a las preocupaciones empresariales, haciendo de la resolución de problemas empresariales la tarea clave que hacemos. Hemos sufrido las discusiones sobre costo/beneficio de los últimos 15 a 25 años.

La gente también tiende a creer que el modelado de datos está al final del camino, no digamos más. ¿Qué se podría hacer para hacerlo más productivo y producir mayor calidad? Fue desarrollado en la década de 1970, eso sí. ¿Cuánto más ha sobrevivido de los años 70? (Bueno, es solo una broma: el modelado relacional sobrevivió...)

Como ocurre con cualquier teoría, habrá que cuestionar los supuestos. El modelado de datos, tal como lo conocemos ahora, está muy orientado a la ingeniería con diagramas complejos, que no están demasiado cerca de los mejores deseos de sus consumidores. En muchos sentidos, siguen siendo “modelos” basados ​​en paradigmas axiomáticos, como la normalización de bases de datos, etc., destinados a la construcción de construcciones físicas como las bases de datos. La excepción está en el lado informático de la casa, donde los modelos semánticos (gráficos) tienen bastante éxito debido a su expresividad, precisión y relativa facilidad de uso (léase: “gráficos de conocimiento”).

Existe una investigación sólida y con visión de futuro

Entonces, ¿es este el final del viaje? ¿JSON se hará cargo de toda la gama de modelos de datos?

Yo creo que no. El modelado de datos, con semántica, es un área de investigación abierta. El modelado de datos tradicional basado en la informática se basaba en axiomas y paradigmas bastante estrechos, supuestamente reforzados por la lógica y las abstracciones.

Pero la semántica y la cognición abren la puerta a un universo de discurso muy amplio. De hecho, lo que el modelado de datos intentó hacer a lo largo de los años fue adentrarse en los ámbitos de la ciencia cognitiva (psicología, clínica y filosófica). 

Los modelos de datos son interpretaciones del mundo percibido por nuestros sentidos y forman el conocimiento de todo lo que vemos y experimentamos. ¡Este es el camino abierto a seguir!

¿Y qué estamos mirando entonces? Por diversión, llamémoslo "Sistema de posicionamiento cognitivo" (CPS). Echar un vistazo:

Los usuarios experimentados de CPS que viajan notarán que la foto es de París, Francia. Algunos incluso sabrán que el río es conocido con el nombre de Sena.

Supervivencia por cognición visual

Las capacidades cognitivas básicas de la mayoría de los animales, incluido yo, apuntan a comprender, ante todo, situaciones como esta:

¡Ups, un león! (masculino), sin realmente tratar de esconderse en el grass - ¡tienes razón! Pero no es un contexto rico para tomar decisiones. Sigue tus instintos (correr de regreso al auto es una buena idea).

Y aquí hay otro contexto:

¡Ups, otro león! Esta vez es una mujer y probablemente tenga el estómago lleno.. Un poco más de contexto para trabajar. La bestia (¿ñu?) ya casi ha sido devorada. Inferencia:  Ella no tiene hambre en este momento. Tome una fotografía y retroceda, de manera agradable y tranquila; parece lo suficientemente seguro para un fotógrafo de talla mundial como usted...

Existe una rica cartera de investigaciones académicas sobre estos temas. Evolucionamos para abordar la comprensión del contexto en el momento, ahora y aquí, tal como se nos presenta mediante un flujo continuo de sentidos (percepción) que llegan a nuestras unidades de procesamiento cognitivo en el cerebro. Va desde la psicología básica, la neuropsicología, la neurociencia cognitiva, la inteligencia, la conciencia y la filosofía.

He seguido a varios investigadores y escritores durante los últimos 10 años, y aquí veremos una pequeña cabalgata de observaciones interesantes.

Mapas

Claramente, los mapas son parte de esta búsqueda para facilitar la atención y la comprensión. Aquí está (el centro de) el mapa del metro de Londres:

Ahora bien, en primer lugar, los mapas tienen una serie de qualia, como se ilustra arriba:

• Las ubicaciones están mapeadas
• Las relaciones o caminos, por así decirlo, están mapeados.
• ¡Los mapas son gráficos, los gráficos son mapas!
• Los mapas tienen sentido intuitivo

Observe también que en el mapa se indican las ubicaciones y los marcadores. Sin embargo, si ha olvidado qué hay cerca de la estación de metro de Sloane Square, siempre puede salir a la luz del día y ver si su CPS reconoce el entorno (= contexto) por usted. Algo como “Oh, sí, allí, en la pequeña tienda de la casa amarilla, es donde compramos el pañuelo rojo para Ellen en nuestra luna de miel”.

Pensar en alegorías de mapas al crear modelos de datos es simple y poderoso. Por eso abandoné los diagramas ER y los diagramas de clases UML hace años.

Sobre marcadores de posición/marcas de ubicación/nombres de lugares

Encontrar el camino es algo más que mapas e intuiciones cognitivas. En su excelente libro, “Wayfinding”, Picador MacMillan 2020, Michael Bond (periodista científico, anterior editor senior de New Scientist), tiene algunas observaciones y revelaciones sorprendentes.

Cita a la antropóloga Ariane Burke cuando dice que hay evidencia arqueológica de que los primeros humanos modernos tenían extensas redes sociales. "Esas redes remotas eran esenciales para nuestra cultura", explicó en una llamada telefónica. “Recuerde que durante el Paleolítico, había comparativamente poca gente alrededor. … Mantener una red social espacialmente extensa era una forma de garantizar la supervivencia continua. Necesitarías un mapa cognitivo muy dinámico, que tendrías que actualizar constantemente con información sobre tus contactos y lo que te dicen sobre el paisaje”.

Bond también menciona el uso de topónimos topográficos. Por ejemplo, si se dirige al noroeste desde la granja de sus padres en Escocia, se encontrará con la “confluencia de los arroyos brillantes y brillantes” y seguirá el antiguo sendero ganadero “la roca de los pájaros”. Una milla más o menos más adelante se encuentra con la "gran colina negra" y se cruza el "arroyo rojo". Directamente adelante está el “montículo de la batalla”. Después de una subida te encontrarás en la “colina de las moras” (todavía crecen allí). 

Los historiadores creen que los topónimos topográficos dieron a los primeros colonos un sistema de referencia geográfica, un precursor de la latitud y la longitud. Un nombre descriptivo genera una imagen mental: reconocerás esa “eminencia cubierta de hierba sobre una loma” (Funtulich, en gaélico) cuando la veas. Una secuencia de topónimos constituye un conjunto de indicaciones: así equipado, podrá emprender su viaje.

Más al norte, hasta el pueblo iniut del norte de Canadá, Alaska y Groenlandia. Cuando el explorador George Francis Lyon pasó por la aldea de Igloolik en el Ártico canadiense en 1822, en busca del Paso del Noroeste, observó que “cada arroyo, lago, bahía, punta o isla tiene un nombre, e incluso ciertos montones de piedras."

Para un forastero, el Ártico puede parecer aburrido y monótono. … en el talón sur de la isla de Baffin se encuentra Nuluujaak, o “dos islas que parecen nalgas”. Es difícil pasarla por alto. Más arriba en la costa, sabrás exactamente dónde estás cuando veas Qumanguaq, “la colina que se encoge de hombros (sin cuello)”.

Este enfoque para nombrar lugares es muy diferente al adoptado por los primeros exploradores europeos de América, quienes tendían a celebrar a amigos, patrocinadores o personas notables de su tierra natal en lugar de la topografía o cultura local.

Cómo navegamos

Antes de dejar a Michael Bond, aquí hay algunos comentarios en los que vale la pena pensar: 

“Los humanos hemos sido bendecidos con un navegador interno que es inmensamente más sofisticado y capaz que cualquier sistema artificial. ¿Cómo lo usamos?

Los psicólogos han descubierto que, al encontrar su camino a través de un terreno desconocido, las personas siguen una de dos estrategias: o relacionan todo con su propia posición en el espacio, el enfoque "egocéntrico", o se basan en las características del paisaje y en cómo se relacionan. entre sí para decirles dónde están, el enfoque 'espacial'”.

Otro conjunto de observaciones que encuentro interesante es cómo nos movemos realmente en los paisajes y seguimos rutas. Parece que los límites son tan importantes como las ubicaciones. Y sospecho que eso se puede generalizar a “paisajes” construidos, donde los límites podrían facilitar la navegación considerablemente (e intuitivamente).

Recomiendo encarecidamente "Wayfinding" de Michael Bond.

Movimiento, espacial

El próximo libro que mencionaré es "Mente en movimiento: cómo la acción da forma al pensamiento” por Barbara Tversky (profesora emérita de psicología en Stanford) de 2019. 

En muchos sentidos, se enmarca en los mismos hallazgos que informó Michael Bond. 

Las personas, como la mayoría de las criaturas, se trasladan de un lugar a otro. Al moverse, dejan huellas, en el suelo, en el cerebro, caminos y lugares. El hipocampo registra los movimientos como rutas, cadenas de lugares y caminos. Esto es, de hecho, Premio Nobel de Fisiología o Medicina 2014, que fue concedida la mitad a John O'Keefe, la otra mitad conjuntamente a May-Britt Moser y Edvard I. Moser "por sus descubrimientos de células que constituyen un sistema de posicionamiento en el cerebro". Las células se llaman células de cuadrícula y se utilizan como marcadores que trabajan con los hipocampos para crear construcciones espaciales en el cerebro.

Barbara Tversky tiene una perspectiva más amplia: quiere demostrar que el movimiento registrado espacialmente en la mente es la plataforma para el pensamiento. No sólo gráficos, sino también palabras, gestos y gráficos. También promueven la inferencia y el descubrimiento, permiten la creación, revisión e inferencia por parte de la comunidad. La categorización es una simplificación mental de la imagen completa percibida. Sin duda prof. Tversky ha investigado muchos aspectos de estas cosas en su laboratorio de psicología en Stanford y en la Universidad de Columbia.

El espacio tiene significado, la proximidad significa cercanía en cualquier dimensión. Vertical: arriba, todo bien, horizontal: neutral. El espacio es especial, supramodal y esencial para la supervivencia, base para otros conocimientos. Apoyado en gestos.

En otras palabras, la comunicación de la mente es fácilmente reconocible y debe ser obvio para el consumidor cómo (la comunicación) puede ayudar con las tareas que son importantes en el contexto. ¡Parece una buena recomendación sobre cómo mejorar los modelos de datos en el futuro!

“Mente en movimiento: cómo la acción da forma al pensamiento” es un trabajo fundamental en el espacio de las ciencias cognitivas. Hay un excelente vídeo de YouTube (El pensamiento espacial es la base del pensamiento) con ella a partir de 2022, esta página.

Cognición en el cerebro (izquierda y derecha)

Uno de los libros más importantes y cuidadosamente investigados sobre cuestiones cognitivas es "The Matter with Things: Our Brains, Our Delusions, and the Unmaking of the World" del psiquiatra, investigador de neurociencias, filósofo y estudioso de la literatura Dr. Ian McGilchrist, Perspectiva, 2021.

En sus propias palabras:

“Bueno, no hay partes. Las piezas son un artefacto de una determinada manera de atender al mundo. Sólo hay totalidades. Y las cosas que consideramos partes son totalidades en otro nivel, y las cosas que consideramos totalidades pueden verse como partes de un todo aún mayor. 

Pero este asunto de dividir las cosas en partes es un artefacto de la atención fragmentada del hemisferio izquierdo. Entonces, debido a que está tratando de enfocarse en este pequeño detalle, se está enfocando en un pequeño fragmento, tal vez tres del arco de atención de 360 ​​grados, y eso conduce a una visión del mundo diferente a la del hemisferio derecho”.

El pedante hemisferio izquierdo y el intuitivo hemisferio derecho

La división del trabajo entre nuestros dos hemisferios cerebrales se puede resumir en algunos ejemplos:

Las razones de la dicotomía son evolutivas. La explicación simplificada corresponde aproximadamente a las dos fotografías de leones de arriba. Una es "Oh, ya sé lo que es eso" y la otra es "¡Ayuda, será mejor que corra!". Ambas reacciones son bastante útiles.

Aquí hay una muy interesante conferencia de youtube: El Dr. Iain McGilchrist habló en el espacio de innovación IdeaSquare del CERN para discutir la naturaleza de la realidad desde la perspectiva del cerebro humano y la filosofía. El evento se organizó junto con un curso piloto que dotó a los estudiantes de habilidades de pensamiento sistémico a gran escala y cómo inducir el cambio social. También mantiene un sitio web. esta página.

Su último libro, “El asunto de las cosas”, consta de dos volúmenes, 1,300 páginas en total. ¡Debería mantenerte ocupado por un tiempo!

Espero haberlo convencido de que tenemos varias oportunidades para comprender mejor de qué se tratan los modelos de datos. Mantén tus ojos habiertos! ¡Comunícate usando la intuición! ¡Que 2024 sea el año en el que la evolución innovadora haga que todo ese asunto de los datos sea más fácil!

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
• PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
• PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
• PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
• Fuente: https://www.dataversity.net/handling-data-concerns-in-2024-and-onwards/