- \n
- \nDesaf\u00edo<\/div>\nAn\u00e1lisis de g\u00e9nero y desarrollo de herramientas de identificaci\u00f3n<\/div>\n<\/li>\n
- \n
Soluci\u00f3n<\/div>\nAplicaci\u00f3n Dockerizada para el an\u00e1lisis y la identificaci\u00f3n del sexo de los abonados<\/div>\n<\/li>\n- \n
Tecnolog\u00edas y herramientas<\/div>\nDocker, Node.js, React, Python, Celery, Redis, Flask, PySpark, Pandas, Scikit-learn, LightGBM, XGBoost, HyperOpt, SHAP<\/div>\n<\/li>\n<\/ul>\n<\/div>\nCliente<\/h2>\n
El cliente es GSMA<\/a>es una organizaci\u00f3n mundial que unifica el ecosistema m\u00f3vil para descubrir, desarrollar y ofrecer innovaci\u00f3n fundamental para entornos empresariales positivos y el cambio social. Representan a operadores m\u00f3viles y organizaciones de todo el ecosistema m\u00f3vil y sectores adyacentes.<\/p>\n
El cliente se puso en contacto con ESSID Solutions para que ayudara a Inclusive Tech Lab a mejorar su sistema actual de detecci\u00f3n de g\u00e9nero. La IA de los usuarios de tel\u00e9fonos m\u00f3viles<\/a>.<\/p>\n
Reto: an\u00e1lisis de g\u00e9nero y desarrollo de herramientas de identificaci\u00f3n<\/h2>\n
Las mujeres son una poderosa fuente de crecimiento, son cruciales para el desarrollo de un pa\u00eds. Las desigualdades entre hombres y mujeres pueden reducir el progreso nacional en salud, educaci\u00f3n y nivel de vida. En la actualidad, las mujeres siguen enfrent\u00e1ndose a obst\u00e1culos sist\u00e9micos y, lo que es m\u00e1s importante, a menudo no medidos, para ponerse al d\u00eda y cerrar la brecha de g\u00e9nero.<\/p>\n
En lo que respecta a la conectividad y la industria m\u00f3vil, en los pa\u00edses de renta baja y media, 390 millones de mujeres no est\u00e1n conectadas y 184 millones menos que los hombres poseen un tel\u00e9fono m\u00f3vil. Sin embargo, las mujeres no son s\u00f3lo un \"segmento\", sino la mitad de la clientela potencial. Esto supone un reto y una excelente oportunidad para los operadores de telecomunicaciones de todo el mundo. Cerrar la brecha de g\u00e9nero<\/a> puede beneficiar a las mujeres, a la sociedad y a la industria del m\u00f3vil en general.<\/p>\n
Cerrar la brecha de g\u00e9nero, GSMA<\/a> necesario para cerrar el brecha de g\u00e9nero en los datos<\/i>. En la actualidad, los operadores de telefon\u00eda m\u00f3vil de los pa\u00edses de renta baja y media necesitan m\u00e1s datos sobre los datos personales para poder entender mejor los cuellos de botella en la penetraci\u00f3n de la telefon\u00eda m\u00f3vil entre las mujeres y dise\u00f1ar productos dirigidos a ellas.<\/p>\n
Abordar la brecha de datos de g\u00e9nero y gestionar el an\u00e1lisis de datos de telefon\u00eda m\u00f3vil, Mujeres conectadas de la GSMA<\/a>en colaboraci\u00f3n con ESSID Solutions, se enfrent\u00f3 al reto de desarrollar un conjunto de herramientas de an\u00e1lisis e identificaci\u00f3n de g\u00e9nero.<\/p>\n
Soluci\u00f3n: aplicaci\u00f3n dockerizada para el an\u00e1lisis y la identificaci\u00f3n del sexo de los abonados<\/h2>\n
El objetivo principal del desarrollo del conjunto de herramientas era proporcionar a los operadores de redes m\u00f3viles (ORM) una herramienta que pudieran instalar y ejecutar f\u00e1cilmente in situ para predecir etiquetas de g\u00e9nero de alta calidad para su base de abonados y obtener informaci\u00f3n del panel de an\u00e1lisis.<\/p>\n
El equipo de ESSID Solutions, en colaboraci\u00f3n con el GSMA Inclusive Tech Lab, ha refactorizado y mejorado el conjunto de herramientas existente, aportando un entorno anal\u00edtico m\u00e1s completo para satisfacer las necesidades del operador de telefon\u00eda m\u00f3vil. En estrecha colaboraci\u00f3n con nuestro cliente, hemos creado la versi\u00f3n 3.0 del producto.<\/p>\n
Los componentes de la soluci\u00f3n se despliegan y operan dentro de contenedores Docker. La arquitectura est\u00e1 estructurada de forma que el operador de red m\u00f3vil pueda ejecutar el sistema en sus instalaciones o en la nube. El uso de la herramienta implica tres pasos principales:<\/p>\n
- \n
- Preparaci\u00f3n de datos brutos:<\/i><\/b> El usuario comienza por especificar la ubicaci\u00f3n de varios archivos de datos sin procesar, como los datos de la encuesta que contienen etiquetas de g\u00e9nero de la verdad sobre el terreno, registros detallados de llamadas, historial de transacciones de dinero m\u00f3vil, etc. Este paso consiste en preparar y organizar los datos necesarios para el an\u00e1lisis posterior.<\/li>\n
- Modelado:<\/i><\/b> En este paso, el usuario ejecuta experimentos para identificar el \u00f3ptimo modelo de clasificaci\u00f3n para predecir<\/a> el sexo de los abonados. Aprovechando los conjuntos de datos especificados, el usuario puede entrenar y evaluar varios modelos para determinar el que ofrece el mejor rendimiento.<\/li>\n
- Generaci\u00f3n de predicciones e informes anal\u00edticos:<\/i><\/b> Una vez identificado el modelo de clasificaci\u00f3n preferido, el usuario procede a generar predicciones de g\u00e9nero basadas en el modelo entrenado. A continuaci\u00f3n, estas predicciones se utilizan para generar un informe anal\u00edtico exhaustivo. El informe pretende ofrecer informaci\u00f3n valiosa para la toma de decisiones y la planificaci\u00f3n estrat\u00e9gica dentro del ORM.<\/li>\n<\/ul>\n
A continuaci\u00f3n se presenta el flujo completo:<\/p>\n
![\"detecci\u00f3n](\"https:\/\/essidsolutions.com\/wp-content\/uploads\/2023\/06\/ai-gender-detection-picture.webp\")
<\/p>\nEl objetivo principal del equipo de ESSID Solutions 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 distintos modelos para identificar el m\u00e1s eficaz.<\/p>\n
La soluci\u00f3n ofrece una canalizaci\u00f3n racionalizada que puede configurarse y ejecutarse sin necesidad de amplios conocimientos t\u00e9cnicos.<\/p>\n
Abordar el reto de gestionar enormes vol\u00famenes de datos manteniendo al mismo tiempo un flujo de trabajo resistente era una prioridad clave.<\/p>\n
Resultado: cerrar la brecha de g\u00e9nero y proporcionar un ecosistema m\u00e1s inclusivo.<\/h2>\n
El resultado de nuestro trabajo es un avanzado conjunto de herramientas de an\u00e1lisis e identificaci\u00f3n de g\u00e9nero. Lo mejor de la soluci\u00f3n es que permite a los operadores de redes m\u00f3viles identificar el sexo de sus abonados bas\u00e1ndose en el historial de uso del tel\u00e9fono y proporciona informaci\u00f3n sobre la brecha de g\u00e9nero. Con la 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
Agradecemos al equipo de la GSMA que invitara a nuestra empresa a colaborar en un proyecto tan complejo y dif\u00edcil. Hemos completado los entregables a tiempo y cumpli\u00f3 las expectativas del cliente<\/a>.<\/p>","protected":false},"excerpt":{"rendered":"
- Modelado:<\/i><\/b> En este paso, el usuario ejecuta experimentos para identificar el \u00f3ptimo modelo de clasificaci\u00f3n para predecir<\/a> el sexo de los abonados. Aprovechando los conjuntos de datos especificados, el usuario puede entrenar y evaluar varios modelos para determinar el que ofrece el mejor rendimiento.<\/li>\n
- \n