¿Querés predecir el futuro? Usá datos | Nicolás Loeff | TEDxMontevideo
-
0:04 - 0:07Hace unos años,
una persona que estimo mucho -
0:07 - 0:10tenía un problema que le agobiaba
y estaba inconsolable. -
0:11 - 0:14A pesar de mis objeciones,
fue a ver a un brujo -
0:14 - 0:16para que le leyera el futuro.
-
0:17 - 0:18¿Por qué hacemos eso?
-
0:18 - 0:21Porque vivimos en un mundo
incierto y complejo, -
0:22 - 0:24y el futuro nos desvela.
-
0:24 - 0:28Pero si fuera tan fácil predecirlo,
seguro leeríamos titulares como este -
0:28 - 0:30en el diario más seguido.
-
0:33 - 0:37La verdad es que, como dijo
un legendario entrenador deportivo: -
0:37 - 0:39"Hacer predicciones es muy difícil,
-
0:40 - 0:42especialmente sobre el futuro".
-
0:45 - 0:48Yo agregaría que en realidad
hacer predicciones es fácil, -
0:48 - 0:50lo difícil es embocarle.
-
0:53 - 0:56(Aplausos)
-
0:58 - 1:00¿Por qué estoy acá hoy?
-
1:01 - 1:03No sé leer el tarot,
-
1:03 - 1:07no tengo un 0900 al que podés llamar
para saber cuándo vas a encontrar el amor, -
1:07 - 1:10pero me dedico a predecir el futuro.
-
1:10 - 1:12Bueno, no tanto.
-
1:12 - 1:15Desarrollo algoritmos
que hacen predicciones. -
1:17 - 1:20¿Cómo se mete un nerd como yo
a trabajar en un problema así? -
1:21 - 1:25Soy ingeniero y me doctoré en algo
que se llama inteligencia artificial. -
1:27 - 1:31Siempre me fascinó cómo el cerebro
puede resolver fácilmente problemas -
1:31 - 1:33que son imposibles para las computadoras.
-
1:34 - 1:37A las computadoras hay que programarlas,
pero el cerebro aprende. -
1:39 - 1:42Por eso me dediqué a cómo hacer
que las computadoras aprendan solas -
1:43 - 1:45en base a su experiencia y muchos datos.
-
1:47 - 1:50Hoy vivimos en un mundo donde
los trabajos son superespecializados, -
1:50 - 1:54pero la tecnología se puede aplicar casi
a cualquier aspecto de nuestras vidas. -
1:54 - 1:58Tuve la suerte de trabajar
en muchos problemas junto a colegas. -
1:58 - 2:02Por ejemplo, ayudando a médicos
con las arritmias de sus pacientes; -
2:02 - 2:06colaborando con agrónomos para mejorar
el rendimiento de sus cosechas; -
2:06 - 2:10y diseñando algoritmos que hacen
transacciones automáticamente, -
2:10 - 2:11sin supervisión humana,
-
2:11 - 2:14prediciendo movimientos
en mercados financieros -
2:14 - 2:17como Nueva York, Londres o Tokio.
-
2:17 - 2:20Algo que yo aprendí durante
todos estos años -
2:20 - 2:23es que los datos tienen un poder
casi especial para describir el mundo. -
2:24 - 2:27Pero para entender eso,
volvamos al principio. -
2:28 - 2:31¿Por qué es tan difícil
hacer predicciones? -
2:31 - 2:34Algunas predicciones
son más sencillas que otras. -
2:34 - 2:37Durante milenios, los eclipses solares
-
2:37 - 2:40maravillaron y asustaron
a todas las civilizaciones. -
2:41 - 2:44Los brujos y adivinos
intentaban desesperadamente -
2:44 - 2:47interpretar las intenciones de
los dioses cada vez que ocurrían. -
2:49 - 2:52En 1715, Edmund Halley,
-
2:52 - 2:55que tal vez recuerden por el famoso
cometa que lleva su nombre, -
2:55 - 2:58utilizó las ecuaciones de Newton
para predecir, no solo cuándo, -
2:58 - 3:01sino dónde se daría el próximo eclipse.
-
3:01 - 3:05Hoy en día nadie piensa que hay
algo sobrenatural en los eclipses. -
3:05 - 3:08Desgraciadamente, la sociedad
es un sistema tan complejo -
3:08 - 3:12que no puede ser descrito por
sencillas ecuaciones como usa la física. -
3:12 - 3:13"Sencillas".
-
3:14 - 3:16Pero hay algo que puede describir
el comportamiento de los humanos -
3:17 - 3:19aun cuando fallan las ecuaciones:
-
3:19 - 3:20Los datos.
-
3:21 - 3:24¿Por qué recién ahora nos damos cuenta
de que los datos son tan poderosos? -
3:25 - 3:27Porque se está dando la tormenta perfecta.
-
3:28 - 3:32Por un lado, un crecimiento exponencial
en la cantidad de datos. -
3:32 - 3:35Imagínense que este gráfico representa
-
3:35 - 3:38la totalidad de los datos generados
por la humanidad -
3:38 - 3:40desde el comienzo de la civilización.
-
3:40 - 3:45IBM estima que esta es la fracción
generada en tan solo los últimos 700 días. -
3:46 - 3:49Y no es la verde, es la azul.
-
3:51 - 3:52Por otro lado, por suerte,
-
3:52 - 3:56nuestra capacidad de procesar estos datos
también crece exponencialmente. -
3:56 - 3:59El teléfono que llevo en mi bolsillo
es más de 50 veces más rápido -
3:59 - 4:03que el modelo original,
lanzado tan solo 7 años antes. -
4:03 - 4:06Para que se hagan una idea
qué tan rápido es esto, -
4:06 - 4:10si los autos hubieran avanzado
así de rápido en los últimos 7 años, -
4:10 - 4:15hoy podrías subirte a un auto nuevo
y dar la vuelta al mundo en unas 5 horas. -
4:15 - 4:17Y eso sin tener que llenar el tanque.
-
4:18 - 4:20Hoy en día todo es un dato.
-
4:20 - 4:22Un tuit es un dato.
-
4:22 - 4:24Un "me gusta" en Facebook es un dato.
-
4:25 - 4:28Tu celular se ubica en el GPS: un dato.
-
4:28 - 4:31Elegir ver una película en Netflix:
otro dato. -
4:32 - 4:34Esta avalancha de información
no quiere decir -
4:34 - 4:36que tengamos más conocimiento.
-
4:36 - 4:38Al igual que el petróleo,
-
4:38 - 4:40los datos que extraemos son crudos,
-
4:41 - 4:43y solo después que los refinamos
mediante algoritmos -
4:44 - 4:46se convierten en algo realmente valioso.
-
4:47 - 4:50Veamos un ejemplo sencillo de esto.
-
4:50 - 4:54Cómo tu teléfono predice
la próxima palabra que vas a escribir. -
4:56 - 5:03Si quiero escribir:
"el futuro es incierto"... -
5:05 - 5:07Debería haber aparecido ahí, perdón.
-
5:08 - 5:11El celular se adelanta a mis palabras.
-
5:14 - 5:17Obviamente, el celular no sabe
que estamos hablando de TED... -
5:17 - 5:19del futuro en TED.
-
5:20 - 5:22Y tampoco lee mi mente.
-
5:23 - 5:25Simplemente, cuando lo diseñaron
usaron muchos datos. -
5:29 - 5:33Cuando uno tiene una cantidad enorme,
millones de documentos en castellano, -
5:35 - 5:37predecir cuál es la próxima palabra
que vas a escribir -
5:38 - 5:40no es tan difícil.
-
5:40 - 5:44Uno puede ver que después de escribir
"el futuro es", -
5:44 - 5:47la gente continúa con palabras
como "incierto" o "nuestro". -
5:47 - 5:51El teléfono simplemente hace eso
para todas las combinaciones de palabras. -
5:52 - 5:57Además, a medida que lo usamos
aprende nuestro estilo de escritura. -
5:58 - 6:02Puedo usar este sencillo principio
para cosas mucho más interesantes. -
6:03 - 6:06Amazon, el gigante de ventas online,
hace algo similar para predecir -
6:06 - 6:10qué productos te van a gustar
y cuáles no. -
6:11 - 6:14Si tenés muchos datos sobre
tus cientos de millones de clientes, -
6:14 - 6:15como tiene Amazon,
-
6:16 - 6:18predecir cuál es el próximo
producto que vas a comprar -
6:19 - 6:22no es tan distinto a predecir
la próxima palabra que vas a escribir. -
6:23 - 6:27Es más, Amazon está tan confiado
en sus predicciones sobre tus gustos, -
6:27 - 6:30que recientemente patentó
un sistema mediante el cual -
6:31 - 6:34antes que hagas una compra
ya envía el producto a tu casa. -
6:35 - 6:35(Risas)
-
6:36 - 6:39Si lo recibís y decís
que no lo querías comprar -
6:39 - 6:41hasta puede que te lo dejen quedar gratis.
-
6:41 - 6:44Ya sé lo que están pensando,
-
6:44 - 6:46Amazon no va a lanzar
este servicio por acá. -
6:47 - 6:48(Risas)
-
6:49 - 6:50De repente te das cuenta
-
6:50 - 6:52que hay muchos problemas
que se parecen a esto. -
6:54 - 6:56Puede que no haya
una fórmula para el amor, -
6:56 - 6:58pero sí hay datos.
-
6:58 - 7:00Las empresas de citas online
-
7:00 - 7:03están usando algoritmos
para mejorar sus predicciones -
7:03 - 7:05sobre dónde encontrar el amor.
-
7:06 - 7:08Explorando los datos
de millones de usuarios, -
7:09 - 7:12uno de estos sitios se encontró con
relaciones verdaderamente sorprendentes. -
7:12 - 7:14Por ejemplo, les tiro un dato.
-
7:16 - 7:18Si sos hombre heterosexual,
-
7:18 - 7:21y estás buscando tener relaciones
en tu primera cita, -
7:22 - 7:25¿saben cuál es la mejor pregunta
que le pueden hacer a ella? -
7:27 - 7:30Es: "¿Te gusta la cerveza?"
-
7:30 - 7:33Si la respuesta es "Sí",
hay un 60 % más de chance -
7:33 - 7:36que ella no tenga problemas en
tener relaciones en la primera cita. -
7:36 - 7:38(Risas)
-
7:38 - 7:42Si sos mujer y te interesa tener
relaciones sexuales en tu primera cita -
7:42 - 7:45podés hacer la misma pregunta
porque funciona. -
7:45 - 7:47Pero en realidad
no importa lo que preguntes, -
7:47 - 7:50la mayoría de los hombre van a querer
tener relaciones en la primera cita. -
7:50 - 7:58(Aplausos)
-
7:58 - 8:01Esta no es la única relación interesante.
-
8:01 - 8:03Otra que llama la atención es:
-
8:03 - 8:05¿Cuál es la edad más atractiva
para una persona? -
8:06 - 8:09Si sos una mujer de unos 20 años,
-
8:09 - 8:15en promedio, los hombres más atractivos
para vos tienen unos 22 años. -
8:16 - 8:17Para una mujer de 30,
-
8:17 - 8:20en promedio, los hombres más atractivos
tienen su misma edad. -
8:21 - 8:22Para una mujer de 50,
-
8:23 - 8:25los hombres más atractivos
tienen, en promedio, 46. -
8:26 - 8:29Para los hombres las cosas
empiezan bastante parecido. -
8:30 - 8:31Para un hombre de 20 años,
-
8:31 - 8:35en promedio, las mujeres más atractivas
tienen 20 años. -
8:35 - 8:40Para un hombre de 30, las mujeres
más atractivas tienen 20 años. -
8:40 - 8:44Para un hombre de 40,
las más atractivas tienen 20 años. -
8:44 - 8:50(Aplausos)
-
8:50 - 8:52Y para los de 50,
-
8:52 - 8:55en promedio, las más atractivas tienen 22.
-
8:55 - 8:56(Risas)
-
8:57 - 8:59Pero más allá de estas
estadísticas curiosas, -
8:59 - 9:03los algoritmos están aprendiendo
algo importante en nuestros datos. -
9:03 - 9:07Un estudio publicado recientemente
mostró que en EE.UU. -
9:07 - 9:11un tercio de los matrimonios recientes
empezaron en línea. -
9:11 - 9:15Y tanto la tasa de divorcios
como la insatisfacción en la pareja -
9:15 - 9:17son menores en las parejas
que se conocieron en línea -
9:18 - 9:20que en las que se conocieron
de otras formas. -
9:22 - 9:24Encontrar tu otra mitad no es sencillo,
-
9:25 - 9:27ni resulta siempre ser
la persona que esperabas. -
9:27 - 9:29Qué mejor ejemplo de esto
-
9:29 - 9:33que el asmático y la fumadora que
se conocieron a través de match.com. -
9:34 - 9:38Parecían no tener nada en común y,
sin embargo, están a punto de casarse. -
9:39 - 9:41¿Quién hubiera predicho
que era una buena pareja? -
9:42 - 9:43Un algoritmo.
-
9:45 - 9:47(Risas)
-
9:48 - 9:50Como probablemente muchos de Uds.,
-
9:50 - 9:51no escucho la radio.
-
9:51 - 9:52¿Por qué?
-
9:52 - 9:56Porque no hay ninguna estación de radio
que pase solo música que me gusta a mí. -
9:56 - 9:59Lo que escucho son
sistemas online como Spotify, -
10:00 - 10:04que utilizan algoritmos para predecir
si una canción me va a gustar o no. -
10:05 - 10:07De esta forma arman
una estación personalizada, -
10:08 - 10:11que solo pasa música que me gusta a mí.
-
10:12 - 10:14Puede que cada uno de nosotros sea único,
-
10:14 - 10:16pero hay miles de millones
de personas en este mundo -
10:16 - 10:19y muchos tienen gustos
parecidos a los nuestros. -
10:20 - 10:22Con suficientes datos puedo aprender
-
10:23 - 10:26si una canción te va a gustar o no
antes que la escuches. -
10:29 - 10:33¿Saben qué es como una estación de radio
que pasa música que no te gusta? -
10:33 - 10:35La educación.
-
10:36 - 10:39Los planes de estudio, al igual
que las estaciones de radio, -
10:40 - 10:43asumen que todos tenemos
los mismos intereses y habilidades. -
10:43 - 10:46Hay una escuela en Nueva York
que está usando algoritmos -
10:46 - 10:50para predecir si una lección va a ser
fácil o difícil para un estudiante. -
10:51 - 10:53De esta forma, le arma
una estación personalizada, -
10:54 - 10:57un currículum adaptado
a las necesidades de cada niño. -
10:58 - 11:01Esto resultó, por ejemplo,
en aumentos de hasta el 50 % -
11:02 - 11:06en los resultados de matemáticas
comparados con los promedios nacionales. -
11:07 - 11:10En Uruguay le estamos dando una laptop
a cada niño con el plan Ceibal. -
11:12 - 11:15¿Qué vamos a hacer con todos
estos datos que estamos generando? -
11:17 - 11:20De repente, te das cuenta
de que en un futuro cercano -
11:20 - 11:23esto se va a extender a casi
cualquier aspecto de nuestras vidas, -
11:24 - 11:26llevando inteligencia y personalización
-
11:26 - 11:28a un nivel que es
muy difícil imaginar ahora. -
11:31 - 11:34Nuestros asistentes electrónicos
van a conocernos íntimamente. -
11:34 - 11:37Van a saber nuestros gustos
y dónde estamos, -
11:37 - 11:41y van a poder hacernos recomendaciones
de qué libros leer o qué lugares visitar. -
11:41 - 11:46Van a adelantarse a nuestras necesidades
y van a aumentar nuestra productividad -
11:46 - 11:49a tal punto que nos vamos a preguntar
cómo hacíamos para vivir sin ellos. -
11:49 - 11:51De la misma forma que hoy nos preguntamos
-
11:51 - 11:54cómo podíamos vivir
sin nuestros celulares. -
11:54 - 11:58Claro que para hacer todo esto
los algoritmos necesitan muchos datos. -
11:59 - 12:02Por eso todas las grandes empresas
como Google o Facebook -
12:02 - 12:05recaban todos los datos
que pueden sobre Uds. -
12:06 - 12:09Facebook, por ejemplo, te conoce tan bien
-
12:09 - 12:13que un estudio publicado recientemente
en la Academia de Ciencias de EE.UU. -
12:13 - 12:16mostró que después de apretar
en 10 "me gusta", -
12:16 - 12:20un algoritmo puede predecir
aspectos de tu personalidad -
12:20 - 12:22mejor que un colega de trabajo.
-
12:24 - 12:27Después de unos 70,
mejor que tus amigos. -
12:28 - 12:32Después de 150, mejor que tu madre.
-
12:33 - 12:38Después de unos 300,
mejor incluso que tu pareja. -
12:39 - 12:42Para que se hagan una idea
qué tan bien te conoce Facebook, -
12:42 - 12:43les tiro una última estadística.
-
12:44 - 12:47Cada uno de Uds. tiene
unos 230 "me gusta" en Facebook. -
12:48 - 12:50Y este número solo va en aumento.
-
12:53 - 12:57Pero estos algoritmos no solo pueden
predecir aspectos de tu personalidad. -
12:57 - 13:01Además de la educación, otro problema
que nos preocupa a los uruguayos -
13:01 - 13:02es la seguridad.
-
13:03 - 13:05En "Minority Report",
-
13:05 - 13:07la policía del futuro
elimina los asesinatos -
13:07 - 13:10arrestando a los criminales
antes de que cometan sus actos. -
13:11 - 13:13Seguro que Philip Dick,
-
13:13 - 13:16el autor de la novela
en que se inspiró la película, -
13:16 - 13:19nunca se imaginó que habría
un poquitito de ciencia en esa ficción. -
13:20 - 13:25Es que como decía Mark Twain:
"El pasado no se repite, pero rima". -
13:26 - 13:28Los criminales siguen patrones,
-
13:28 - 13:31y los algoritmos pueden analizar
esos patrones en los datos -
13:31 - 13:34y estimar dónde es probable
que ocurra un nuevo delito. -
13:35 - 13:39Armada con esta información,
la policía puede enviar patrulleros -
13:39 - 13:42a que recorran las zonas donde es posible
que estén trabajando los criminales. -
13:42 - 13:45Claro que estas predicciones
no son tan buenas -
13:45 - 13:47como las de los psíquicos
de "Minority Report". -
13:47 - 13:49Pero estos algoritmos sí existen.
-
13:50 - 13:53Resultados preliminares en
varias ciudades de EE.UU. y Europa -
13:53 - 13:55muestran resultados realmente alentadores.
-
13:56 - 13:57Aunque todavía es muy temprano
-
13:57 - 14:00para saber cuánto pueden reducir
los números de crímenes. -
14:02 - 14:05Parece que no hay rincón
de la experiencia humana -
14:05 - 14:08que se escape al poder predictivo
de los algoritmos. -
14:08 - 14:10Un grupo de investigadores de Microsoft
-
14:10 - 14:12los usó para predecir correctamente
-
14:13 - 14:1620 de las 24 categorías
de los Óscar este año. -
14:16 - 14:19Y esto incluyó todas
las categorías principales -
14:19 - 14:22como mejor película, mejor director,
actores principales y secundarios. -
14:22 - 14:26En las 4 categorías
que tuvieron equivocación -
14:26 - 14:27ganó su segunda opción.
-
14:28 - 14:29Y esto no fue casualidad.
-
14:29 - 14:30El año anterior,
-
14:30 - 14:34predijeron correctamente
21 de las 24 categorías. -
14:34 - 14:36El anterior a ese, 19.
-
14:37 - 14:41Y no solo pueden predecir el resultado
de las competencias artísticas. -
14:41 - 14:42El mismo grupo de Microsoft
-
14:43 - 14:45usó los algoritmos
para predecir correctamente -
14:45 - 14:48el resultado de todos los partidos
de la fase eliminatoria -
14:48 - 14:49del mundial Brasil 2014.
-
14:49 - 14:52Y eso que no usaron ni pulpos
ni otros animales psíquicos. -
14:52 - 14:54(Risas)
-
14:56 - 14:59¿Quiere decir todo esto que
el futuro dejó de ser incierto? -
14:59 - 15:00Para nada.
-
15:01 - 15:04Es aún demasiado fácil equivocarse
cuando uno hace predicciones. -
15:04 - 15:09Pero cuanto más y mejores datos tenga,
menores son las incertidumbres. -
15:09 - 15:12Hay unos pocos problemas
que entendemos bastante bien. -
15:13 - 15:15Hay otros, como los mercados financieros,
-
15:15 - 15:18en los que somos simplemente
un poco mejor que el azar. -
15:19 - 15:23Y desgraciadamente, hay muchos otros,
como terremotos o epidemias, -
15:23 - 15:25en los que hemos avanzado muy poco aún.
-
15:26 - 15:29Pero estamos viviendo
una época maravillosa. -
15:29 - 15:32La inteligencia artificial finalmente
está empezando a cumplir su promesa. -
15:33 - 15:34Hoy en día,
-
15:34 - 15:36podés llamar por Skype
a alguien en China -
15:36 - 15:39y hablar, vos en castellano,
y ella en mandarín, -
15:39 - 15:42y Skype te traduce automáticamente.
-
15:42 - 15:45Puedes subirte a un auto de Google
y decirle a dónde querés ir -
15:45 - 15:47y el auto te lleva solo.
-
15:47 - 15:49Esto es ciencia, no ficción.
-
15:50 - 15:52Pero hace 10 años parecía imposible.
-
15:52 - 15:54Este campo avanza tan rápido
-
15:54 - 15:58que hasta los que nos dedicamos a esto
nos sorprendemos todo el tiempo. -
16:00 - 16:02Predecir el futuro es importante
-
16:02 - 16:07no por satisfacer esa necesidad tan humana
de saber qué es lo que va a pasar, -
16:07 - 16:10sino por el poder
casi mágico de cambiarlo. -
16:11 - 16:13Soy solo un nerd con una computadora,
-
16:13 - 16:15pero ese es nuestro superpoder.
-
16:16 - 16:19No somos Batman,
pero podemos eliminar delitos. -
16:20 - 16:21No somos el Doctor House,
-
16:21 - 16:25pero podemos prevenir enfermedades
antes que se desarrollen. -
16:25 - 16:28A pesar de los problemas
que pueda traer esta tecnología, -
16:28 - 16:32como la falta de privacidad,
o el posible desempleo, -
16:33 - 16:35el potencial que tiene
para mejorar nuestras vidas -
16:35 - 16:37está limitado solo
por nuestra imaginación. -
16:39 - 16:41Ayudar a prevenir suicidios,
-
16:41 - 16:42a mejorar el tráfico,
-
16:42 - 16:44a parar epidemias,
-
16:44 - 16:46a mejorar el rendimiento
de nuestras cosechas, -
16:46 - 16:49es solo la punta del iceberg
de lo que es posible hacer. -
16:51 - 16:54Nos guste o no, esta tecnología
llegó para quedarse. -
16:54 - 16:58Pero que el impacto sea positivo,
depende solo de cómo elijamos usarla. -
16:58 - 16:59Muchas gracias.
-
16:59 - 17:06(Aplausos)
- Title:
- ¿Querés predecir el futuro? Usá datos | Nicolás Loeff | TEDxMontevideo
- Description:
-
Esta charla es de un evento TEDx, organizado de manera independiente a las conferencias TED. Más información en: http://ted.com/tedx
Admitámoslo: nos encantan las predicciones. Pero nuestro apetito por conocer el futuro solo es comparable con nuestros colosales fracasos para predecirlo. Recientemente, nuevos algoritmos que procesan grandes cantidades de datos revolucionaron nuestra habilidad de modelar el mundo. Estos pasaron de curiosidades científicas a herramientas imprescindibles que cambiaron industrias enteras en poco tiempo. Así, los algoritmos predicen qué vamos a comprar antes que lo hagamos, dónde ocurrirá un crimen antes que suceda, y hasta aspectos de nuestra personalidad mejor que nuestras parejas. Estos algoritmos tendrán un enorme impacto en nuestras vidas en un futuro cercano.
Nicolás le enseña a computadoras a predecir el futuro usando algoritmos y grandes cantidades de datos. Nicolás tiene un PhD en Ingeniería, es investigador, exdocente universitario y emprendedor. Luego de varios años en Estados Unidos volvió a Uruguay hace un año; actualmente diseña algoritmos predictivos aplicados a diversos problemas para mercados financieros en Nueva York y Tokio.
- Video Language:
- Spanish
- Team:
- closed TED
- Project:
- TEDxTalks
- Duration:
- 17:16
Sebastian Betti approved Spanish subtitles for ¿Querés predecir el futuro? Usá datos | Nicolás Loeff | TEDxMontevideo | ||
Sebastian Betti edited Spanish subtitles for ¿Querés predecir el futuro? Usá datos | Nicolás Loeff | TEDxMontevideo | ||
Sebastian Betti accepted Spanish subtitles for ¿Querés predecir el futuro? Usá datos | Nicolás Loeff | TEDxMontevideo | ||
Sebastian Betti edited Spanish subtitles for ¿Querés predecir el futuro? Usá datos | Nicolás Loeff | TEDxMontevideo | ||
Adrián Saborido Piris edited Spanish subtitles for ¿Querés predecir el futuro? Usá datos | Nicolás Loeff | TEDxMontevideo | ||
Adrián Saborido Piris edited Spanish subtitles for ¿Querés predecir el futuro? Usá datos | Nicolás Loeff | TEDxMontevideo | ||
Adrián Saborido Piris edited Spanish subtitles for ¿Querés predecir el futuro? Usá datos | Nicolás Loeff | TEDxMontevideo | ||
Adrián Saborido Piris edited Spanish subtitles for ¿Querés predecir el futuro? Usá datos | Nicolás Loeff | TEDxMontevideo |