{"id":93,"date":"2024-11-21T01:44:15","date_gmt":"2024-11-21T01:44:15","guid":{"rendered":"https:\/\/live.21lab.co\/hanotek\/?post_type=nproject&p=93"},"modified":"2024-11-21T01:44:15","modified_gmt":"2024-11-21T01:44:15","slug":"business-intelligence-for-konstruct","status":"publish","type":"nproject","link":"https:\/\/datax.global\/es\/nproject\/business-intelligence-for-konstruct\/","title":{"rendered":"Inteligencia empresarial para Construcci\u00f3n"},"content":{"rendered":"

Soluci\u00f3n de detecci\u00f3n de g\u00e9nero mediante IA para ayudar a cerrar la brecha de g\u00e9nero en el acceso y uso de tel\u00e9fonos m\u00f3viles.<\/h2>\n\n\n\n
\n\n\n\n
\n
\n

Fuente<\/p>\n<\/div>\n\n\n\n

\n

https:\/\/indatalabs.com\/resources\/ai-gender-detection<\/a><\/p>\n<\/div>\n<\/div>\n\n\n\n

\n
\n

Desaf\u00edo<\/p>\n<\/div>\n\n\n\n

\n

Desarrollo de un conjunto de herramientas para el an\u00e1lisis y la identificaci\u00f3n de cuestiones de g\u00e9nero<\/p>\n<\/div>\n<\/div>\n\n\n\n

\n
\n

Soluciones<\/p>\n<\/div>\n\n\n\n

\n

Aplicaci\u00f3n Dockerizada para el an\u00e1lisis y la identificaci\u00f3n del g\u00e9nero de los suscriptores.<\/p>\n<\/div>\n<\/div>\n\n\n\n

\n
\n

Tecnolog\u00edas y herramientas<\/p>\n<\/div>\n\n\n\n

\n

Docker, Node.js, React, Python, Celery, Redis, Flask, PySpark, Pandas, Scikit-learn, LightGBM, XGBoost, HyperOpt, SHAP<\/p>\n<\/div>\n<\/div>\n\n\n\n

\n\n\n\n

Cliente<\/h2>\n\n\n\n

El cliente es GSMA, una organizaci\u00f3n global que unifica el ecosistema m\u00f3vil para descubrir, desarrollar y ofrecer innovaciones fundamentales para entornos empresariales positivos y el cambio social. Representan a operadores m\u00f3viles y organizaciones de todo el ecosistema m\u00f3vil y sectores afines.<\/p>\n\n\n\n

El cliente se puso en contacto con InData Labs para que prestara apoyo al Inclusive Tech Lab en la mejora de su sistema actual, que realiza la detecci\u00f3n del g\u00e9nero mediante IA de los usuarios de tel\u00e9fonos m\u00f3viles.<\/p>\n\n\n\n

Desaf\u00edo: desarrollo de un conjunto de herramientas para el an\u00e1lisis y la identificaci\u00f3n de cuestiones de g\u00e9nero.<\/h2>\n\n\n\n

Las mujeres son una poderosa fuente de crecimiento y son fundamentales para el desarrollo de un pa\u00eds. Las desigualdades entre hombres y mujeres pueden reducir el progreso nacional en materia de salud, educaci\u00f3n y nivel de vida. Hoy en d\u00eda, las mujeres siguen enfrent\u00e1ndose a barreras sist\u00e9micas y, lo que es m\u00e1s importante, a menudo no cuantificables, para alcanzar y cerrar la brecha de g\u00e9nero.<\/p>\n\n\n\n

En lo que respecta a la conectividad y la industria m\u00f3vil, en los pa\u00edses de ingresos bajos y medios, 390 millones de mujeres no est\u00e1n conectadas y 184 millones menos de mujeres que de hombres poseen un tel\u00e9fono m\u00f3vil. Sin embargo, las mujeres no son solo un \u00absegmento\u00bb, sino la mitad de la base de clientes potenciales. Esto supone un reto y una excelente oportunidad para los operadores de telecomunicaciones de todo el mundo. Cerrar la brecha de g\u00e9nero puede beneficiar a las mujeres, a la sociedad y a la industria m\u00f3vil en general.<\/p>\n\n\n\n

To close the gender gap, GSMA needed to close the gender data gap<\/em>Hoy en d\u00eda, los operadores de telefon\u00eda m\u00f3vil de los pa\u00edses de ingresos bajos y medios necesitan m\u00e1s datos KYC para poder comprender mejor los obst\u00e1culos que dificultan la penetraci\u00f3n de la telefon\u00eda m\u00f3vil entre las mujeres y dise\u00f1ar productos dirigidos a ellas.<\/p>\n\n\n\n

Para abordar la brecha de datos de g\u00e9nero y gestionar el an\u00e1lisis de datos de tel\u00e9fonos m\u00f3viles, GSMA Connected Women, en colaboraci\u00f3n con InData Labs, se enfrent\u00f3 al reto de desarrollar un conjunto de herramientas de an\u00e1lisis e identificaci\u00f3n de g\u00e9nero.<\/p>\n\n\n\n

Soluci\u00f3n: aplicaci\u00f3n dockerizada para el an\u00e1lisis y la identificaci\u00f3n del g\u00e9nero de los suscriptores.<\/h2>\n\n\n\n

El objetivo principal del desarrollo del kit de herramientas era proporcionar a los operadores de redes m\u00f3viles (MNO) una herramienta que pudieran instalar y ejecutar f\u00e1cilmente en sus instalaciones para predecir etiquetas de g\u00e9nero de alta calidad para su base de suscriptores y obtener informaci\u00f3n valiosa a partir del panel de an\u00e1lisis.<\/p>\n\n\n\n

El equipo de InData Labs, con el apoyo del GSMA Inclusive Tech Lab, redise\u00f1\u00f3 y mejor\u00f3 el conjunto de herramientas existente, creando un entorno anal\u00edtico m\u00e1s completo para satisfacer las necesidades de los operadores m\u00f3viles. En estrecha colaboraci\u00f3n con nuestro cliente, hemos desarrollado la versi\u00f3n 3.0 del producto.<\/p>\n\n\n\n

Los componentes de la soluci\u00f3n se implementan y operan dentro de contenedores Docker. La arquitectura est\u00e1 estructurada de manera que los operadores de redes m\u00f3viles pueden ejecutar el sistema en sus instalaciones o en la nube. El uso de la herramienta implica tres pasos principales:<\/p>\n\n\n\n

    \n
  • Preparaci\u00f3n de datos sin procesar:<\/strong> El usuario comienza especificando la ubicaci\u00f3n de varios archivos de datos sin procesar, como datos de encuestas que contienen etiquetas de g\u00e9nero de referencia, registros detallados de llamadas, historial de transacciones de dinero m\u00f3vil, etc. Este paso implica preparar y organizar los datos necesarios para su posterior an\u00e1lisis.<\/li>\n\n\n\n
  • Modelado:<\/strong> En este paso, el usuario realiza experimentos para identificar el modelo de clasificaci\u00f3n \u00f3ptimo para predecir el g\u00e9nero de los suscriptores. Al aprovechar los conjuntos de datos especificados, el usuario puede entrenar y evaluar varios modelos para determinar cu\u00e1l ofrece el mejor rendimiento.<\/li>\n\n\n\n
  • Generaci\u00f3n de predicciones e informes anal\u00edticos:<\/strong> Una vez identificado el modelo de clasificaci\u00f3n preferido, el usuario procede a generar predicciones de g\u00e9nero basadas en el modelo entrenado. Estas predicciones se utilizan luego para generar un informe anal\u00edtico completo. El informe tiene como objetivo ofrecer informaci\u00f3n valiosa para la toma de decisiones y la planificaci\u00f3n estrat\u00e9gica dentro de la MNO.<\/li>\n<\/ul>\n\n\n\n

    A continuaci\u00f3n se presenta todo el flujo:<\/p>\n\n\n

    \n
    \"ai<\/figure>\n<\/div>\n\n\n

    El objetivo principal del equipo de InData Labs era crear una soluci\u00f3n f\u00e1cil de usar, adaptable y flexible. Permite a los usuarios explorar sin esfuerzo diversos algoritmos de aprendizaje autom\u00e1tico y experimentar con diferentes modelos para identificar el m\u00e1s eficaz.<\/p>\n\n\n\n

    La soluci\u00f3n ofrece un proceso optimizado que se puede configurar y ejecutar sin necesidad de amplios conocimientos t\u00e9cnicos.<\/p>\n\n\n\n

    Abordar el reto de gestionar enormes vol\u00famenes de datos y mantener al mismo tiempo un flujo de trabajo resistente era una prioridad clave.<\/p>\n\n\n\n

    Resultado: reducir la brecha de g\u00e9nero y proporcionar un ecosistema m\u00e1s inclusivo.<\/h2>\n\n\n\n

    El resultado de nuestro trabajo es un avanzado conjunto de herramientas de an\u00e1lisis e identificaci\u00f3n de g\u00e9nero. La ventaja de esta soluci\u00f3n es que permite a los operadores de redes m\u00f3viles identificar el g\u00e9nero de sus abonados bas\u00e1ndose en el historial de uso del tel\u00e9fono y proporciona informaci\u00f3n sobre la brecha de g\u00e9nero. Gracias a esta soluci\u00f3n, pueden explorar los datos m\u00e1s recientes sobre la brecha de g\u00e9nero en la telefon\u00eda m\u00f3vil y comprender qu\u00e9 se necesita para poder cerrarla.<\/p>\n\n\n\n

    We are grateful to the GSMA team for inviting our company to collaborate on such a complex and challenging project. We\u2019ve completed the deliverables on time and\u00a0met the Client\u2019s expectations.<\/p>","protected":false},"excerpt":{"rendered":"

    Soluci\u00f3n de inteligencia empresarial para el an\u00e1lisis unificado de datos de construcci\u00f3n.<\/p>","protected":false},"featured_media":94,"template":"","nproject-category":[21],"nproject-tag":[19,20],"class_list":["post-93","nproject","type-nproject","status-publish","has-post-thumbnail","hentry","nproject-category-construction","nproject-tag-bi-implementation","nproject-tag-big-data"],"acf":[],"_links":{"self":[{"href":"https:\/\/datax.global\/es\/wp-json\/wp\/v2\/nproject\/93","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/datax.global\/es\/wp-json\/wp\/v2\/nproject"}],"about":[{"href":"https:\/\/datax.global\/es\/wp-json\/wp\/v2\/types\/nproject"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datax.global\/es\/wp-json\/wp\/v2\/media\/94"}],"wp:attachment":[{"href":"https:\/\/datax.global\/es\/wp-json\/wp\/v2\/media?parent=93"}],"wp:term":[{"taxonomy":"nproject-category","embeddable":true,"href":"https:\/\/datax.global\/es\/wp-json\/wp\/v2\/nproject-category?post=93"},{"taxonomy":"nproject-tag","embeddable":true,"href":"https:\/\/datax.global\/es\/wp-json\/wp\/v2\/nproject-tag?post=93"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}