Tony Hey

<article-ideainbrief class="article-ideainbrief">
 <h4 class="ideainbrief-title">La idea en resumen</h4>
 <div class="ideainbrief-contents">
 Gracias a nuestra capacidad de recopilar y analizar enormes cantidades de datos, los científicos tienen ahora el potencial de resolver algunos de los mayores problemas del mundo. Pero hasta hace muy poco, no sabíamos cómo combinar los conjuntos de datos correctos y ver los patrones cruciales.
 El punto de inflexión: Al utilizar la potencia de cálculo del siglo XXI, la experiencia humana y un enfoque sistemático para almacenar y extraer información, los científicos están empezando a lograr verdaderos avances. También están abriendo el proceso a otros expertos, e incluso al público, al hacer que sus datos sean transparentes y estén disponibles.
 Una esperanza para el futuro: Hoy en día, los investigadores de Microsoft y otras organizaciones utilizan estos métodos para abordar problemas de la astronomía, la oceanografía, la atención médica, la gestión del agua y el cambio climático. Estas herramientas también tienen el potencial de aportar mejoras profundas a las empresas.
 </div>
</article-ideainbrief>Es probable que un visitante que pasee hoy por los pasillos del campus de Microsoft Research en Redmond (Washington) escuche discusiones no solo sobre la informática, sino también sobre una sorprendente variedad de otros temas, desde la dirección en que gira una galaxia, hasta una nueva vacuna contra el SIDA y las estrategias para gestionar el precioso suministro de agua dulce del planeta.

wg0BppL1nshci6qidCOlWTKrkhjq2It3bHYJnSTDN8BaMt6Z5HQsWo473czV9gfqdoieYC9X9peIilauNQ71K8s+AxoGMcuIs6Czj2uV2wYEflKQ7vSowrZIu3Dr7GQKP7SJjML/lh+9RdvgxYdU0w==

Reprint: R1011B
For decades, computer scientists have tried to teach computers to think like human experts. Until recently, most of those efforts have failed to come close to generating the creative insights and solutions that seem to come naturally to the best researchers, doctors, and engineers. But now, Tony Hey, a VP of Microsoft Research, says we&#8217;re witnessing the dawn of a new generation of powerful computer tools that can &#8220;mash up&#8221; vast quantities of data from many sources, analyze them, and help produce revolutionary scientific discoveries.
Hey and his colleagues call this new method of scientific exploration &#8220;machine learning.&#8221; At Microsoft, a team has already used it to innovate a method of predicting with impressive accuracy whether a patient with congestive heart failure who is released from the hospital will be readmitted within 30 days. It was developed by directing a computer program to pore through hundreds of thousands of data points on 300,000 patients and &#8220;learn&#8221; the profiles of patients most likely to be rehospitalized. The economic impact of this prediction tool could be huge: If a hospital understands the likelihood that a patient will &#8220;bounce back,&#8221; it can design programs to keep him stable and save thousands of dollars in health care costs. 
Similar efforts to uncover important correlations that could lead to scientific breakthroughs are under way in oceanography, conservation, and AIDS research. And in business, deep data exploration has the potential to unearth critical insights about customers, supply chains, advertising effectiveness, and more.

The Big Idea: The Next Scientific Revolution

Reimpresión: R1011B Durante décadas, los científicos de la computación han intentado enseñar a los ordenadores a pensar como expertos humanos. Hasta hace poco, la mayoría de esos esfuerzos no habían estado ni cerca de generar las ideas y soluciones creativas que parecen surgir de forma natural para los mejores investigadores, médicos e ingenieros. Pero ahora, Tony Hey, vicepresidente de Microsoft Research, dice que estamos presenciando el amanecer de una nueva generación de potentes herramientas informáticas que pueden «combinar» enormes cantidades de datos de muchas fuentes, analizarlos y ayudar a producir descubrimientos científicos revolucionarios. Hey y sus colegas llaman a este nuevo método de exploración científica «aprendizaje automático». En Microsoft, un equipo ya lo ha utilizado para innovar un método que permite predecir con una precisión impresionante si un paciente con insuficiencia cardíaca congestiva que sea dado de alta del hospital volverá a ser ingresado en un plazo de 30 días. Se desarrolló ordenando un programa de ordenador para analizar detenidamente cientos de miles de puntos de datos de 300 000 pacientes y «aprender» los perfiles de los pacientes con más probabilidades de ser rehospitalizados. El impacto económico de esta herramienta de predicción podría ser enorme: si un hospital entiende la probabilidad de que un paciente se «recupere», puede diseñar programas para mantenerlo estable y ahorrar miles de dólares en gastos de atención médica. Se están llevando a cabo esfuerzos similares para descubrir correlaciones importantes que podrían conducir a avances científicos en la oceanografía, la conservación y la investigación sobre el SIDA. Y en los negocios, la exploración profunda de datos tiene el potencial de descubrir información fundamental sobre los clientes, las cadenas de suministro, la eficacia de la publicidad y mucho más.

La gran idea: la pr&oacute;xima revoluci&oacute;n cient&iacute;fica

Reprint: R1011B For decades, computer scientists have tried to teach computers to think like human experts. Until recently, most of those efforts have failed to come close to generating the creative insights and solutions that seem to come naturally to the best researchers, doctors, and engineers. But now, Tony Hey, a VP of Microsoft Research, says we’re witnessing the dawn of a new generation of powerful computer tools that can “mash up” vast quantities of data from many sources, analyze them, and help produce revolutionary scientific discoveries. Hey and his colleagues call this new method of scientific exploration “machine learning.” At Microsoft, a team has already used it to innovate a method of predicting with impressive accuracy whether a patient with congestive heart failure who is released from the hospital will be readmitted within 30 days. It was developed by directing a computer program to pore through hundreds of thousands of data points on 300,000 patients and “learn” the profiles of patients most likely to be rehospitalized. The economic impact of this prediction tool could be huge: If a hospital understands the likelihood that a patient will “bounce back,” it can design programs to keep him stable and save thousands of dollars in health care costs. Similar efforts to uncover important correlations that could lead to scientific breakthroughs are under way in oceanography, conservation, and AIDS research. And in business, deep data exploration has the potential to unearth critical insights about customers, supply chains, advertising effectiveness, and more.

La gran idea: la próxima revolución científica

Resumen.

Partner Center