martes, 19 de septiembre de 2017

IA sigue el avance

          

La Inteligencia Artificial de Google ya no  nos necesita para crear su propio cifrado
El Deep Learning representa un acercamiento íntimo al modo de funcionamiento del sistema nervioso humano, y lo aplica a los sistemas de Inteligencia Artificial para que sean capaces de aprender a hacer cosas por sí mismos. Esta se está convirtiendo en una tecnología clave para procesar las ingentes cantidades de datos servidas por el Big Data, pero su evolución está empezando a alcanzar cuotas sorprendente, e incluso un poco inquietantes.
Un equipo de Google Brain, el proyecto de deep learning de la empresa del buscador, ha sido capaz de enseñarle a sus máquinas a crear su propio cifrado sin necesidad de intervención humana. Vamos, que están aprendiendo a guardar secretos bajo un cifrado que no necesariamente tenemos por qué entender... o saber descifrar.
El avance ha sido publicado en un artículo científico por los investigadores Martín Abadi y David Andersen. En él han explicado qué método han seguido para que sus redes neuronales hayan sido capaces de encontrar la manera de utilizar técnicas simples de cifrado sin que se les hayan enseñado algoritmos criptográficos específicos.

¿Cómo lo han conseguido?

Para conseguir que las inteligencias artificiales hayan sido capaces de lograr esto, el equipo de Google Brain ha realizado varias veces un experimento utilizando tres redes neuronales. Las han llamado Alice, Bob y Eve, y a cada una de ellas se le ha asignado un rol específico para simular una conversación a través de la red.
Alice era la encargada de enviarle mensajes a Bob, mientras que Eve intentaba espiarles y averiguar qué se decían entre ellos. Estos mensajes partían de un texto plano, y la misión de Alice era la de cifrarlos para que agentes externos como Eve no fueran capaces de saber lo que decían aun teniendo acceso a ellos.
Todo esto lo tenía que hacer de manera que Bob pudiera reconstruir el mensaje que le llegaba. Para que pudieran hacerlo, a Alice y Bob se les asignó una serie de números predefinidos para que los utilizasen a la hora de cifrar y descifrar sus mensajes. Eve no tenía estos números, por lo que los dos primeros tenían que aprender a combinarlos con el mensaje original para que no pudiera entenderlo.
GraficoEvolución de los errores de reconstrucción de Bob y Eve durante el entrenamiento
En los primeros intentos en los que se realizó la prueba, el cifrado de los mensajes de Alice era bastante pobre, y Eve no tenía problemas en resolverlo. Pero después de varios intentos, Alice desarrolló su propia técnica autónoma para cifrar los datos, y Bob consiguió desarrollar otra para descifrar lo que le decía.
A partir de las 15.000 repeticiones de esta experiencia, Alice fue capaz de enviarle a Bob mensajes que pudiera reconstruir sin que Eve adivinase más de 8 de los 16 bits que contenían. Esa tasa de éxito, teniendo en cuenta que cada bit era un 1 o un 0, es similar a la que se puede obtener por pura casualidad.

No sabemos cómo han desarrollado ese método

Machine Learning
La magia (o lo inquietante) de este avance en las redes neuronales es que los investigadores no saben exactamente cómo funciona el método de cifrado de Alice. Además, aunque con Bob han podido ver cómo pueden solucionarlo, no lo han podido hacer de manera que sea fácil de entender cómo lo consigue.
Y esto es una mala noticia, porque quiere decir que no siempre seríamos capaces de entender cómo funcionan los cifrados creados por estas máquinas, lo que es un peligro a la hora de garantizar la seguridad de los mensajes. Esto, de momento, hace que esta técnica de creación de cifrados tenga muy pocas aplicaciones prácticas de cara al futuro.
Aún así, los científicos de Google se muestran entusiasmados con los resultados, y ya hablan en su artículo de intentar diferentes configuraciones de red y distintos procedimientos de entrenamiento para entender mejor el proceso.
Los más catastrofistas podrían decir que es peligroso enseñarle a las máquinas a guardar secretos. Personalidades como Bill Gates, Mark Zuckerberg, Stephen Hawking o Elon Musk llevan tiempo posicionándose a favor y en contra de desarrollar inteligencias artificiales debatiendo sobre los posibles peligros que pueda suponer. Pero tranquilos, porque Google por si acaso está creando un mecanismo que nos asegure que podremos desactivarlas en el caso de que algo salga mal.

A las pocas horas de comenzar la segunda partida, el surcoreano Lee Sedol, héroe nacional y campeón mundial del juego Go, se levantó de la silla desesperado. El programa informático al que se enfrentaba, AlphaGo, una inteligencia artificial creada por Google, había hecho un movimiento incomprensible. A primera vista no tenía sentido, Sedol no se lo esperaba. Pero fue un golpe magistral. Desencajado, necesitó 15 minutos para improvisar una respuesta. No sirvió de nada. Cuatro horas más tarde perdió la partida. La máquina volvería a ganarle en otras dos ocasiones. Fue histórico e inquietante a la vez, nunca antes un programa había ganado al campeón mundial de Go, y nunca lo había hecho mostrando una chispa de algo que define a los humanos: la creatividad.
"Yo lo llamaría... creatividad computacional", dice con media sonrisa Thore Graepel mientras recuerda lo ocurrido el pasado marzo con el famoso movimiento 37 (puedes ver aquí en vídeo cómo los comentaristas se quedaron sin palabras tras la jugada). Graepel, investigador científico de DeepMind, empresa británica adquirida por Google en el 2014 por 500 millones de dólares, es uno de los creadores de AlphaGo y experto mundial en 'machine learning', un campo de la inteligencia artificial. Si esta última crea programas inteligentes, el 'machine learning' va un paso más allá: desarrolla ordenadores capaces de aprender por sí mismos. Es decir, programas que imitan el funcionamiento del cerebro humano. "Estamos muy cerca de conseguirlo", asegura.

De la potencia a la inteligencia

Hasta ahora la inteligencia artificial era una cuestión de simple potencia de cálculo. La famosa derrota de Gary Kasparov ante el Deep Blue de IBM en 1997 fue histórica, pero en realidad la tecnología detrás era bastante limitada. El ajedrez es pura lógica, puro cálculo matemático. Basta emplear un ordenador como Deep Blue, capaz de analizar más de 200 millones de movimientos por segundo, y programarlo para que se convierta en un fenómeno imbatible del ajedrez. Pero solo sabrá hacer eso, nada más. Perdería a la primera jugando con un niño de cuatro años a resolver un problema de lógica elemental.
El campeón mundial de Go, Lee Sedol, durante una de sus partidas contra AlphaGo.
"Un niño sabe, por ejemplo, que los coches no vuelan. Nadie se lo ha dicho ni se lo ha enseñado. Lo ha aprendido de forma indirecta en el día a día, viéndolo en la calle, estando en contacto con el entorno a través de sus sentidos. Eso lo que llamamos "percepción" y es lo que estamos desarrollando ahora en 'software' mediante la creación de redes neuronales artificiales y el 'deep learning'", explica a Teknautas Emmanuel Mogenet, responsable de un nuevo centro de investigación que Google acaba de inaugurar en Zúrich destinado solo a esta rama de la ingeniería.
El buscador no es el único que apuesta por esta tecnología. Cientos de empresas, desde Facebook, IBM, Apple o Microsoft, hasta 'startup's pasando por centros académicos como el MIT, llevan años trabajando en crear diferentes niveles de inteligencia artificial, pero Google cuenta con una ventaja sobre todos los demás: tiene infinitas cantidades de datos (miles de millones de búsquedas, emails, datos geográficos de mapas, fotos...) y una infraestructura tecnológica capaz de procesar esa información al instante. Y es gracias a ese mayor poder de computación que se están comenzando a crear redes neuronales artificiales complejas como AlphaGo, capaz de derrotar a los humanos en lo que sabemos hacer mejor.
"En el cerebro humano hay miles de millones de neuronas individuales. Por sí solas no son muy listas, es el conjunto de neuronas trabajando entre sí lo que las hace tan poderosas. Las redes neuronales artificiales tratan de imitar esa estructura", explica Greg Corrado, neurocientífico e investigador de Google que lidera desde Mountain View, California, buena parte del trabajo del buscador en este área.
¿Cómo funciona una red neuronal artificial? Al igual que cada parte del cerebro humano se encarga de diferentes tareas (procesado del habla, colores, olores, formas...), una red neuronal artificial se compone de diferentes capas de cálculo. Por un lado entra la información, el 'input', por ejemplo, la foto de un gato. ¿Puede un ordenador por sí solo saber si se trata de la foto de un gato, un lince, un perro u otro animal? Mediante funciones matemáticas predefinidas, el sistema comienza a analizar la imagen en diferentes capas: formas, colores, trazos, comparativa con otras fotos de animales... Así hasta 20 o 30 capas diferentes de análisis hasta llegar a una conclusión. Sí, es la foto de un gato.
Una manera de entender cómo funcionan estas redes neuronales artificiales es con el experimento que puso en marcha Google con Deep Dream. Consistía en introducir una foto aleatoria en el sistema y pedirle identificar qué contiene, sin darle ninguna instrucción adicional. Cada píxel de la foto es analizado y reintroducido de nuevo en la red neuronal en un bucle infinito, por lo que al final se obtienen imágenes "artísticas" que más bien parecen salidas de un experimento con LSD. Es, en esencia, la representación del "pensamiento" de una red neuronal computacional. Puedes ver una recopilación en el vídeo debajo. 
En el caso de AlphaGo la complejidad sube unos cuantos peldaños, ya que se crearon varias redes neuronales trabajando en paralelo. Primero, los ingenieros de DeepMind enviaron al sistema más de 30 millones de movimientos realizados por los mayores expertos del juego Go. Luego, con una segunda red neuronal conocida como 'aprendizaje de refuerzo', hicieron que el sistema jugara contra sí mismo miles de veces. A cada partida, el 'software' iba aprendiendo, se hacía más y más inteligente en tiempo real. Los creadores del programa hicieron que el sistema además analizara los resultados de las partidas contra sí mismo para predecir futuros resultados y planificar nuevas estrategias. Es decir, inventaron un sistema capaz de analizar el presente e intuir el futuro, un programa que toma decisiones de forma muy parecida a como lo hacemos los humanos.
"La victoria de AlphaGo es solo el comienzo, pero creemos que ha sido un punto de inflexión. El juego Go se basa en la intuición, no es puro cálculo como el ajedrez. A la vez es complejísimo, hay más posibilidades de posiciones que átomos existen en el Universo. Esa combinación de intuición humana y capacidad de cálculo es algo que hasta ahora no se había logrado descifrar de forma artificial. Los expertos creían que una máquina no podría batir a un campeón mundial de Go hasta dentro de 10 años, pero ha ocurrido ahora", explica Graepel.
Otra imagen vista tal y como la interpreta la red neuronal artificial de Google Deep Dream.
Google sabe que tiene algo potencialmente revolucionario entre manos y ha pisado el acelerador. Su nuevo centro en Zúrich, donde ya emplea a 1.800 ingenieros (el mayor número de cualquier sede fuera de EEUU), dedicará cientos de investigadores a inteligencia artificial y 'deep learning' con un doble objetivo. Primero, aplicar estos sistemas a sus propios productos (búscador, Google Photos, voice search, Gmail...). Es algo que de hecho ya hace: los emails automáticos del "smart reply" de Gmail se componen utilizando esta tecnología, que también interviene cuando realizamos búsquedas por voz o buceamos en Google Photos. 
Pero el verdadero interés a largo plazo está en su segundo objetivo: ser los primeros en crear 'software' tan inteligente o más que el cerebro humano para, en teoría, ayudar en tareas complejas: investigación médica, genética, sistemas financieros, astronomía.."Imagina tener en un hospital una máquina a la que le envías una imagen en alta definición de lo que podría ser un tumor cancerígeno. El sistema no solo la compararía en segundos con una base de millones de fotos, diagnosticaría además de una forma similar a como lo hace un oncólogo, añadiendo un componente de "intuición" basado en la experiencia profesional", explica Tom Ruerig, ingeniero de Google. "Pero no estaría pensado para sustituir a los médicos, sino justo para ayudarles en su diagnóstico", añade para tranquilizar. El problema es que no lo consigue.

"Someterse al diablo"

Máquinas ('hardware' y' software') capaces de analizar una situación, tomar decisiones por sí mismas y mejorar cada vez que lo hacen hasta superar en inteligencia al ser humano. Es el escenario del que estamos cada vez más cerca. "Hemos creado un 'software' inteligente que funciona, pero no sabemos por qué funciona tan bien", reconoce Emmanuel Mogenet. Imposible estar tranquilos. ¿Cómo evitar que la inteligencia artificial no se vaya un día de las manos? ¿Cómo asegurar que las máquinas no tomarán decisiones erróneas o, peor aún, contra nosotros, sus propios creadores?
"Con la inteligenica artificial nos estamos sometiendo al diablo", avisó Elon Musk, fundador de Tesla y SpaceX, en una conferencia hace ya dos años. Él y cientos de científicos e investigadores, entre ellos Stephen Hawking, Bill Gates, Jaan Tallinn o Nick Bostrom, están alertando sobre la creación de inteligencia artificial compleja. ¿Qué ocurrirá, por ejemplo, si empresas de armamento, como el gigante Lockheed Martin, comienzan a desarrollar armas con esta tecnología (si es que no lo están haciendo ya)?
Elon Musk, fundador de Tesla y SpaceX y una de las principales voces críticas contra la inteligencia artificial. (Reuters)
Greg Corrado, de Google, se encoge de hombros antes de responder. Su gesto parece implicar que algo así es inevitable, incontrolable, aunque sus palabras se desmarcan de escenarios apocalípticos. "Sabemos que hay un debate ético sobre el desarrollo de la inteligencia artificial y nuestra respuesta al mismo es ser transparentes, abrir el código de la tecnología y hacer 'software' libre para que todo el sector pueda contribuir", explica.
Parte de ese esfuerzo resultó en la firma el año pasado de una carta por parte de 1.000 investigadores, emprendedores, millonarios y científicos (con Musk entre ellos, y también el fundador de DeepMind, Demis Hassabis), para evitar que la inteligencia artificial caiga en manos de la industria armamentística. A juzgar por el pesimismo de algunos de sus firmantes, como Stephen Hawking, vamos por mal camino. En sus propias palabras: "El éxito en crear inteligencia artificial será el mayor evento en la historia de la humanidad. Desafortunadamente, puede que sea también el último".
MANUEL ÁNGEL MÉNDEZ. ZÚRICH
https://deepmind.com/

sábado, 21 de mayo de 2016

Avance científico en el tiempo

[cienciagy9.gif]

Dunning-Kruger Effect

There can be quite a bit of confusion when you think about what the word “expertise” means. We all like to believe we have areas of expertise. However, sometimes, this leads to an over-estimation of our capacities. We fail to see our limits and how they might affect our results. A similar fairly painful outcome might happen when we only see the world from our professional lenses. Deformation Professionelle and the Dunning-Kruger Effect are cognitive biases related to expertise assessment that we have to be aware of and take action to prevent them from interfering with our work.
Let’s see how to do it!
Expertise is a matter of professional and personal pride. We need to demonstrate expertise to differentiate ourselves from other people who offer similar services and work that we do. It’s expertise that brings higher salaries than those who lack such expertise.
Sadly, there are times when expertise can obfuscate the way we see the world too. When that happens we can fail to think creatively or logically and we lower our levels of performance. Worse, this can impact on the user experience, the product and our clients too.

What is Deformation Professionelle?

Deformation professionelle (other than being a French term) is a cognitive bias. It stops us from seeing the world the way that most people see it. What it is, is a tendency to view the world through the eyes of our own profession. We stop seeing things as they are and see them only as a designer would view them.
This isn’t always a bad thing but it can be very limiting too. It’s a warning sign that we’ve become over-specialized in our approach. Not everything in life needs “design theory” applying to it and in fact, there are times when “design theory” is plain wrong in light of the facts.
There are situations when it’s better to take an intuitive or common approach to an idea or a problem or to tackle that problem from the perspective of an alternative profession.
When expertise runs wild; it can severely limit the way we solve problems and handle new ideas.

Author/Copyright holder: Kevin Marks. Copyright terms and licence: CC BY 2.0

What’s the Dunning-Kruger Effect?

The Dunning-Kruger effect appears at the other end of the expertise scale. It’s when we suffer from an illusion of expertise when in reality we’re not really all that skilled at something. In its worst form, it’s a belief that we’re good at everything because we’re good at something.
When people suffer from this bias – they have a tendency to massively over-estimate what their competence is in things that they’re not very good at.

Author/Copyright holder: The YPS Group. Copyright terms and licence: All rights reserved Img source

The bias can also manifest when highly-skilled individuals (or experts as we call them) believe that because they have expertise and thus a task is easy to them; everyone has that expertise and thus the same task should be easier for others than it actually is.

How Do We Tackle These Biases?

If you find yourself prefacing your thoughts with; “Well design theory says…” or “It’s well known in design that…” you might want to take a step back and ask; “How would someone with no expertise see this?”


Author/Copyright holder: KoeppiK. Copyright terms and licence: CC BY-SA 3.0

You may then find yourself falling into the same trap as you progress through the process. Keep taking a step back and make sure you’re examining the problem through fresh eyes.
It can be harder to spot the Dunning-Kruger effect at play. You need to be able to ask yourself; “What do I really know about this situation?” and see if you’re over-estimating your ability to cope with a challenge and whether it needs a little more thought.
If you find that people around you are under-performing in your eyes; you might also want to ask “am I being fair?” Does the person actually have the expertise or should you be giving them more time to develop it?
As with all cognitive biases – tackling them by yourself can be incredibly challenging. That’s because we’re programmed (naturally) to not recognize our biases. You might want to consider enlisting the aid of a coach if you really want to rid yourself of these biases and become more effective.

The Take Away

Expertise can be extremely useful in our work; however, we shouldn’t become over-reliant on expertise – there are advantages to seeing the world with a fresh “non-design” pair of eyes at times. It can help us be more creative and get different perspectives on our work.
It’s also important not to become over-reliant on our image of ourselves as an expert. We cannot be expert at everything and we cannot expect others to always share our expertise either. Knowing when to differentiate these circumstances can make us better at what we do and make it easier for others to work with us.

miércoles, 27 de abril de 2016

El principio de Pareto y los 7 habitos de las personas altamente efectivas

Un problema común entre muchas personas con responsabilidades es la sensación de falta de tiempo y acumulación de tareas. Esto conlleva en muchos casos alestrés, que puede afectar a nuestra propia salud. Hay que organizarse.
También tenemos que tener en cuenta que durante nuestra jornada de trabajo pasamos por momentos con distintos niveles de productividad y estrés. Es imposible mantener el nivel más alto de productividad durante muchas horas seguidas. Hay que respetar nuestros propios ciclos y aprovecharlos al máximo. Se podría decir que se cumple el principio de Pareto, en el que el 20% de tus esfuerzos son necesarios para realizar el 80% del trabajo. Aunque es evidente que es distinto para cada persona.
Tanto para finalizar las tareas, como para aumentar nuestra seguridad, existen herramientas muy útiles como la Matriz de Eisenhower. Recibe el nombre de Matiz de Eisenhower debido a que la usaba el presidente número 34 de los Estados Unidos, Dwight David “Ike” Eisenhower.
A continuación adjuntamos un ejemplo de matriz. Se trata de priorizar las tareas que tenemos que realizar según su importancia y su urgencia y ponerlas en el recuadro correspondiente.
Actualmente podéis encontrar múltiples aplicaciones tanto para navegadores web, móviles o ordenadores que te permiten gestionar tus tareas y crear listas o matrices como esta.

Los 7 Hábitos de las Personas Altamente Efectivas del Dr. Stephen Covey – Resumen
En el Principio Somos Individuos Dependientes
Todo parte del hecho que somos seres dependientes. Somos como niños. Crecemos con la mentalidad de que las cosas se nos deben dar, nuestros fracasos son culpa de otros y la vida es injusta. (Puedes revisar el artículo de las “5 Magníficas lecciones de Rocky Balboa” donde expreso en más detalle esta idea de la dependencia).
Si llegamos tarde, es culpa del tráfico. Si nos despiden, es culpa del jefe. Si tratamos mal a nuestra pareja, es porque él o ella nos sacó de nuestras casillas. La dependencia es un estado donde consideramos que somos víctimas de lo que nos sucede.
De la dependencia es donde parte todo. El gráfico de abajo muestra el concepto de los 7 hábitos y cómo necesitamos evolucionar desde la “dependencia” hacia la “independencia” (desarrollando los primeros 3 hábitos: Ser proactivo, Empezar con un fin en mente y Lo Primero es lo Primero).

Los 7 Hábitos de las Personas Altamente Efectivas
Los 7 Hábitos de las Personas Altamente Efectivas
Al llegar al estado de la independencia logramos lo que el Dr. Covey denomina la “Victoria Privada”. Experimentamos la “Victoria Privada” cuando aprendemos el autogobierno y la autodisciplina.
Hábito #1: Sea Proactivo:
Las personas reactivas atribuyen su conducta a tres factores fundamentales: Genético (características que heredamos), psicológico (educación, crianza) o ambiental (lo que nos rodea). Este tipo de personas son las que viven en base a la “Ley de Acción y Reacción” de Newton: Recibo un estímulo y reacciono dando una respuesta.
Modelo Reactivo
Modelo Reactivo
El lenguaje de las personas reactivas es: No puedo, yo soy así, me vuelve loco, no lo permitirán, me sacó de mis casillas, etc.
Las personas proactivas comprenden que entre el estímulo y la respuesta existe un espacio donde encuentra libertad para elegir la acción de acuerdo a sus valores.
Modelo Proactivo
Modelo Proactivo
Las personas proactivas asumen responsabilidad. Son personas de acción. Su lenguaje es: examinemos nuestras alternativas, busquemos un enfoque distinto, controlo mis sentimientos, elegiré la respuesta adecuada.
Una de las mejores expresiones de un ser proactivo fue la que mostró el Dr. Viktor Frankl. Entre los años 1942 y 1945 vivió un infierno siendo sometido a varios campos de concentración nazis, incluidos Auschwitz y Dachau. Sobre sus experiencias escribió:
“Los que vivimos en campos de concentración podemos recordar a los hombres que caminaban por las cabañas dando aliento a los demás, regalando su último pedazo de pan. Pueden haber sido pocos en número, pero ofrecen prueba suficiente de que se puede quitar todo a un hombre, excepto una cosa: la última de las libertades humanas – el poder elegir su propia actitud dado a cualquier tipo de circunstancia, el poder elegir su propio camino.”
Esto es ser proactivo: El poder elegir su propia actitud y respuesta ante cualquier circunstancia.
Habito #2: Empiece con un Fin en Mente:
Tal como dice Mary Shelley: “Nada contribuye tanto a tranquilizar la mente como un propósito estable – un punto donde el alma puede fijar su visión
El segundo hábito parte del hecho que necesitas programar tu futuro. Necesitas ver claramente hoy cómo quieres que te recuerden cuando fallezcas. ¿Quieres que te recuerden como un buen padre o madre, un empresario honesto, una persona comprometida que cumple su palabra?
Para ello necesitas construir una Misión Personal:
La misión personal es un documento escrito donde expresas tu misión en esta vida. La misión personal normalmente no se crea sino se descubre basado en tu pasión, tus talentos y el profundo deseo de dejar una huella positiva en este mundo para ayudar a otros.
Luego que defines tu misión personal necesitas establecer los roles que son importantes para lograr tu misión (padre, madre, empresario, empleado, amigo, etc.) y colocar metas y actividades diarias que te lleven a cumplir tu misión en el largo plazo. El siguiente diagrama muestra el concepto de comenzar con el fin en mente y luego desarrollar tus actividades diarias intencionalmente para cumplir el propósito de tu vida:
Hábito #2: Empiece con un fin en mente
Para una mayor información sobre cómo manejar tu tiempo puedes revisar el artículo “5 Principios del Manejo del Tiempo para Sentirse Pleno”.
Hábito #3: Pon Primero lo Primero:
El tercer hábito trata sobre la capacidad de priorizar las actividades en tu vida para enfocarte en lo realmente importante. Básicamente existen:
– Actividades Importantes: Son aquellas contribuyen con tu misión, valores y metas de alta prioridad.
– Actividades Urgentes: Necesitan atención inmediata.
Si hacemos una matriz que muestre las actividades de nuestro día divididas entre “Actividades importantes y no importantes” y “Urgentes y no urgentes” tenemos:
Hábito #3: Pon Primero lo Primero
Hábito #3: Pon Primero lo Primero
Lo que debemos buscar lograr es invertir la mayor parte de nuestro tiempo en el cuadrante II (Actividades Importantes y No Urgentes).
En las propias palabras de Stephen Covey: “La persona efectiva tiene crisis y emergencias en el Cuadrante I que requieren atención inmediata, pero el número es comparativamente pequeño… se mantienen en equilibrio enfocándose en lo importante, mas no en lo urgente” (Cuadrante II)
En conclusión, si logramos:
1- Ser Proactivos: No somos víctimas de la vida. Elegimos la actitud y la respuesta ante las circunstancias.
2- Empezamos con el Fin en Mente: Estamos claros con nuestra misión en la vida y enfocamos nuestras actividades diarias en pro de llevar a cabo nuestro propósito.
3- Ponemos Primero lo Primero: Priorizamos las actividades de nuestra vida. Proactivamente planificamos nuestra semana con el objetivo de minimizar crisis y emergencias e invertir nuestro mayor tiempo en las actividades importantes.
Llegaremos a experimentar la “Victoria Privada” a la que se refiere Covey. Nos convertiremos en individuos Independientes y con los fundamentos correctos para cimentar nuestra “Victoria Pública”.
Habito #4: Piensa en Ganar/Ganar:
En cualquier transacción en la vida, debemos pensar en ganar/ganar. Debemos buscar intencionalmente que ambas partes ganen. Bien sea las relaciones de pareja, negocios u otras relaciones, siempre salimos mejor si ambos ganamos. Cualquier otro tipo de transacción que no sea ganar/ganar es destructiva debido a que produce un perdedor. En consecuencia, produce enemigos, malos sentimientos, fracaso y hostilidad. Personas efectivas se convierten en los mejores multiplicando sus aliados, no sus enemigos.
Hábito #5: Busca Primero Comprender y después ser comprendido:
Si deseas desarrollar relaciones Ganar/Ganar recuerda que debes comprender muy bien qué es lo que la otra persona quiere y qué significa ganar para ellos. No asumas que sabes. Escucha. No te opongas a lo que escuchas, simplemente ponte en los zapatos del otro. Partiendo del principio que toda persona tiene una buena intención, comprender el punto de vista del otro te ayudará enormemente a lograr también tus objetivos. Esto se llama aplicar una comunicación empática.
Hábito #6: Sinergice:
Estoy seguro que has escuchado que el poder de un todo es mayor que el de las partes. Esto es lo que el Dr. Covey llama sinergia. Para lograr este estado es de suma importancia que exista una excelente comunicación en el equipo (Véase “Los 5 Aspectos de un Equipo Disfuncional” para mayor información). Los dos pilares de la sinergia son la comunicación y la cooperación. Para resumir: Escucha, reflexiona, responde y coopera.
Lograr desarrollar estos tres hábitos en tu vida te llevarán a la “Victoria Pública.” Cosechamos la Victoria Pública cuando construimos relaciones profundas, duraderas y efectivas. Esto nos lleva a la interdependencia.
Hábito #7: Afilar la Sierra:
Este hábito lo estás desarrollando ahora mismo mientras lees este artículo. Las personas altamente efectivas toman el tiempo para afilar sus herramientas, lo que se traduce en cultivar su:
  • Cuerpo: Ejercitarse para desarrollar fortaleza, flexibilidad y resistencia física
  • Alma: Oración y meditación. También leer una buena literatura, arte o música.
  • Mente: Leer, educarse, investigar, aprender algo nuevo.
  • Corazón: Trabajar en desarrollar una conexión emocional con otras personas.
Comunícate, escucha y no demandes innecesariamente. En todo lo que hagas trata de dejar a los demás mejor que antes de que te encontraran y colócalos primero. Haciendo esto, te transformarás en una persona altamente efectiva.

martes, 26 de abril de 2016

IA vs Progreso Humano



Evolucion IA

----------------------------------------------------------------------------------------------------------




Esfuerzo Humano

------------------------------------------------------------------------------------------------------------

Misiones fuera de la tierra



50 años de exploracion espacial





para verlo mas grande seguir el link Imagen ampliada

Cronologia del tiempo graficamente



By Tim Urban 


Humans are good at a lot of things, but putting time in perspective is not one of them.  It’s not our fault—the spans of time in human history, and even more so in natural history, are so vast compared to the span of our life and recent history that it’s almost impossible to get a handle on it.  If the Earth formed at midnight and the present moment is the next midnight, 24 hours later, modern humans have been around since 11:59:59pm—1 second.  And if human history itself spans 24 hours from one midnight to the next, 14 minutes represents the time since Christ.
To try to grasp some perspective, I mapped out the history of time as a series of growing timelines—each timeline contains all the previous timelines (colors will help you see which timelines are which).  All timeline lengths are exactly accurate to the amount of time they’re expressing.
A note on dates:  When it comes to the far-back past, most of the dates we know are the subject of ongoing debate.  For these timelines, it’s cumbersome to put a ~ sign before every ancient date or an asterisk explaining that the date is still being debated, so I just used the most widely accepted dates and left it at that.
For teachers and parents and people who hate cursing: here’s a clean, Rated G version.

Time