Día: 28 junio, 2016

El reconocimiento de voz crecer√° para el usuario y la empresa

La necesidad de mantener interacciones naturales entre los dispositivos entre las personas y sus dispositivos crece a medida que confiamos e interactuamos m√°s en ellos. ABI Research predice que los consumidores que utilicen la funcionalidad por voz ascender√° a m√°s de 1 000 millones en 2021.

As√≠ lo sostiene su analista senior, Eric Abbruzzese, que subraya que los smartphones son los primeros dispositivos en los que la gente piensa para utilizar la tecnolog√≠a de voz para mejorar la interactuaci√≥n hombre-dispositivo, pero ‚Äúel crecimiento de las gafas inteligentes y los dispositivos para el hogar tambi√©n impulsar√°n esta tendencia‚ÄĚ, dice.

En las empresas, ABI Research predice que el procesamiento del lenguaje natural resultar√° especialmente beneficioso en pr√°cticas concretas y sectores verticales que requieran una funcionalidad de manos libres, como en la asistencia sanitaria, y los sectores del petr√≥leo y el gas, fabricaci√≥n o construcci√≥n, as√≠ como en especialidades que necesiten alg√ļn diccionario, aplicaci√≥n o herramienta personalizada.

El crecimiento que se reflejar√° en los consumidores las interacciones y el control por voz tiene un encaje natural tanto para las gafas inteligentes como para dispositivos de realidad aumentada o dispositivos para el hogar inteligente, como Amazon Echo o Google Home.

Apple, Google y Microsoft son los actualmente principales actores actuales, y por una buena razón: cada empresa está posicionando su propia plataforma de voz. Amazon quien destaca en el radar de ABI Research, con su entrada en la industria del automóvil a través de su tecnología de voz, y el buen comportamiento de sus dispositivos Echo y Fire, compatibles con voz, el gigante puede experimentar un fuerte crecimiento si sabe capitalizar este momento, concluye el analista.

NetworkWorld

CA Technologies presenta ecosistema integrado de entrega de aplicaciones

La compa√Ī√≠a se√Īala que ya est√° disponible, CA Release Automation Continuous Delivery Edition y nuevas integraciones entre la cartera de soluciones DevOps de CA y soluciones de terceros. Con ello crea “el primer ecosistema de entrega contin√ļa integrado, totalmente automatizado y abierto”.

Automatizar el ciclo de vida de las aplicaciones para mejorar el tiempo de despliegue y la eficiencia de las pruebas. Ese es el objetivo de CA Technologies con el lanzamiento de CA Release Automation Continuous Delivery Edition y nuevas integraciones entre la cartera de soluciones DevOps de CA y soluciones de terceros. Gracias a ello, aseveran desde la compa√Ī√≠a, las organizaciones pueden conectar y automatizar toda la promoci√≥n de la aplicaci√≥n desde la fase de desarrollo a la de pruebas y producci√≥n. ‚ÄúEsto permite acelerar los tiempos de despliegue de las aplicaciones hasta 20 veces y mejorar la eficiencia de las pruebas hasta en un 25%‚ÄĚ, reza un comunicado de √©sta.

Jeff Scheaffer, director general de Continuous Delivery en CA Technologies, se√Īal√≥ que ‚Äúpara prosperar en la econom√≠a de las aplicaciones, la transformaci√≥n digital debe ser impulsada por la entrega continua, es decir, la capacidad de entregar r√°pidamente y de forma fiable aplicaciones que satisfagan las demandas de los clientes externos e internos por igual‚ÄĚ. En este sentido, a√Īade, ‚ÄúCA es el √ļnico proveedor de soluciones DevOps que actualmente conecta el desarrollo, las pruebas, la gesti√≥n y las operaciones de entrega en una cadena de herramientas abierta y transparente que ayuda a las organizaciones a alcanzar nuevos niveles de velocidad y calidad en la entrega de aplicaciones‚ÄĚ.

Nuevas soluciones Agile Management

La compa√Ī√≠a ha realizado este anuncio poco despu√©s del lanzamiento de nuevas capacidades en sus soluciones Agile Management con las que, afirman, ‚Äúlas organizaciones pueden generar valor m√°s r√°pidamente, desde la planificaci√≥n hasta la ejecuci√≥n y el soporte al cliente‚ÄĚ.

Entre las nuevas soluciones presentadas, se destacan las capacidades ampliadas que incluyen integraciones entre CA Project & Portfolio Management  (CA PPM) y CA Agile Central (anteriormente Rally), un nuevo enfoque basado en las personas para PPM y para la gestión de servicios TI con CA PPM y CA Service Management, y nuevas características de CA Agile Central.

Redacción

Microsoft actualiza el código fuente de ASP.NET y .NET Core

La compa√Ī√≠a lanza la versi√≥n 1.0 de sus c√≥digos fuente, .Net Core y ASP. Mediante la tecnolog√≠a de .Net Core y ASP, Microsoft ha desarrollado la plataforma de software .Net, haciendo posible extenderla a Linux y otras plataformas populares de m√≥viles. La compa√Ī√≠a tambi√©n ha creado un protocolo que permite el uso de las herramientas en varios idiomas.

.Net Core proporciona un set modular del marco de programaci√≥n base y est√° destinado a promover la reutilizaci√≥n del c√≥digo y su intercambio abierto; por otro lado, ASP.Net tiene como fin construir aplicaciones conectadas a la red basadas en cloud, incluyendo apps de la web. Estas tecnolog√≠as han transformado .Net en una plataforma centrada en dise√Īar aplicaciones para Windows, Linux y MacOS, seg√ļn ha explicado Joseph Sirosh, vicepresidente corporativo del Grupo de Datos en Microsoft.

Además, .Net Core 1.0 incluye el primer lanzamiento de su librería .Net para que facilitar la reutilización de códigos en aplicaciones que funcionen en servidores, escritorios o la nube; soportando también una amplia gama de dispositivos que incluyen smartphones con los sistemas operativos iOS, Android y Windows.

En mayo, Microsoft estim√≥ que introducir√≠an .Net Core 1.0 y ASP.Net Core 1.0 en junio, un movimiento con el que la compa√Ī√≠a busca atraer desarrolladores que no trabajen actualmente bajo las plataformas Windows. La tecnolog√≠a .Net Core se apoya en la red de distribuci√≥n Linux de la empresa Red Hat.

Por otro lado, Microsoft tambi√©n est√° trabajando en la interoperabilidad entre lenguajes y herramientas. El equipo Eclipse Che, as√≠ como Red Hat, est√°n adoptando el protocolo de lenguaje para servidores Visual Studio Code, un protocolo abierto que ‚Äúpermite enriquecer con diferentes ediciones el c√≥digo VS‚ÄĚ, ha a√Īadido Sirosh.

Recientemente, la empresa ha mostrado el servidor de base de datos SQL funcionando sobre plataforma Red Hat Linux, como ya anunció el pasado mes de marzo. Además, Microsoft también ha hecho accesible en GitHub su modelo del gestor de recursos Azure, por lo que ya es posible desplegar el PaaS de Red Hat, OpenShift, en Azure.

Por √ļltimo, la compa√Ī√≠a tambi√©n puede celebrar que Samsung va a unirse al comit√© directivo t√©cnico de la Fundaci√≥n.Net, encargado de dirigir el proceso t√©cnico que ata√Īe al n√ļcleo de los componentes de .Net. Algunos otros participantes que ya se unieron en su momento son JetBrains, Red Hat y Unity.

 

El ‚ÄėBrexit‚Äô pasa factura al gasto tecnol√≥gico mundial

El Brexit que se acaba de imponer en el Reino Unido va a lastrar a√ļn m√°s al mercado tecnol√≥gico global. Pero si alguien va a salir perjudicado de esta decisi√≥n es el propio mercado brit√°nico, seg√ļn ha concluido Gartner, que confirma los peores pron√≥sticos.

La consultora preve√≠a un aumento del 1,7% en el gasto en TI de Reino Unido para este a√Īo, hasta alcanzar los 179.600 millones de d√≥lares. Sin embargo, el pron√≥stico ha bajado r√°pidamente, desde el jueves pasado, d√≠a en que se conoci√≥ el resultado final de la consulta para salir de la Uni√≥n Europea.

Ahora, la estimaci√≥n es que el resultado anual sea negativo, en una horquilla entre el -2 y el -5%, y con visos de que se mantenga tambi√©n el pr√≥ximo a√Īo. La raz√≥n principal se resume en una sola palabra, ‚Äúincertidumbre‚ÄĚ, seg√ļn el analista de Gartner, John Lovelock.

‚ÄúVa a ser un problema persistente en los pr√≥ximos seis meses‚ÄĚ, insisti√≥ Lovelock, que menciona la dimisi√≥n del primer ministro David Cameron, anunciada para el pr√≥ximo mes de octubre, y los al menos dos a√Īos de negociaciones que llevar√° la negociaci√≥n con la UE sobre los t√©rminos de la salida.

El gasto mundial de IT tampoco se va a librar del impacto y ya se rebaja la tasa de crecimiento prevista para el a√Īo, desde el 1,5% al 1,2%. No en vano Reino Unido supone el 26% del gasto global en tecnolog√≠a de Europa Occidental, superando a Alemania (18%), a pesar de ser √©sta la mayor econom√≠a de la Uni√≥n. Lovelock atribuye la paradoja al uso intensivo de los servicios tecnol√≥gicos empresariales en el Reino Unido.

El crecimiento del gasto en tecnolog√≠a en Europa Occidental para este a√Īo estaba fijado en el 0,2% hasta los 688,7 millones de d√≥lares, incluido el Reino Unido. Veremos qu√© impacto tiene el Brexit sobre este mercado pero todo apunta a que lastrar√° las cifras europeas a valores negativos.

‚Äď IDG.es

13 entornos para dominar el aprendizaje autom√°tico

Durante el a√Īo pasado, el aprendizaje autom√°tico (machine learning) se ha ido generalizado de una forma sin precedentes. La tendencia no est√° alimentada s√≥lo por los entornos de nube baratos y los cada vez m√°s potentes hardwares GPU. Tambi√©n cuenta la explosi√≥n de los entornos ahora disponibles para el aprendizaje autom√°tico. Todos son de c√≥digo abierto, pero a√ļn m√°s importante es la forma en que est√°n siendo dise√Īados para abstraer las partes m√°s dif√≠ciles del machine learning ¬†y poner sus t√©cnicas a disposici√≥n de una amplia clase de desarrolladores.

Aqu√≠ hay una docena de marcos de aprendizaje autom√°tico, ya sean de nueva aparici√≥n o reci√©n revisados en el √ļltimo a√Īo. Todos llamaron la atenci√≥n por ser productos con una gran presencia en TI, por intentar llevar una nueva simplicidad a su dominio del problema, o por ¬†dirigirse un reto espec√≠fico asociado con el aprendizaje autom√°tico.

Apache Spark MLlib

Apache Spark puede ser m√°s conocido por ser parte de la familia de Hadoop, pero este marco de procesamiento de datos en memoria naci√≥ fuera de Hadoop y se est√° haciendo un nombre por s√≠ mismo fuera del ecosistema Hadoop tambi√©n. Spark se ha convertido en una herramienta go-to para el machine learning, gracias a su creciente biblioteca de algoritmos que se pueden aplicar a los datos en memoria a alta velocidad. Spark no se para, ya que los algoritmos disponibles est√°n siendo constantemente ampliados y revisados. La versi√≥n1.5¬† del a√Īo pasado a√Īadi√≥ muchos algoritmos nuevos, mejorando los ya existentes, y reforz√≥ a√ļn m√°s el soporte MLlib en Python, una plataforma importante para las matem√°ticas y las estad√≠sticas de los usuarios. La reci√©n estrenada ¬†versi√≥n 1.6 hace posible, entre otras cosas, suspender y reanudar trabajos de Spark ML a trav√©s de conducciones persistentes.

 

Apache Singa

Los entornos de aprendizaje profundo potencian funciones de servicio duras de aprendizaja autom√°tico, tales como el procesamiento del lenguaje natural y reconocimiento de im√°genes. Singa, recientemente aceptada en la Incubadora de Apache, es un marco de c√≥digo abierto destinado a hacer m√°s f√°cil entrenar modelos de aprendizaje profundo de grandes vol√ļmenes de datos. Singa proporciona un modelo de programaci√≥n sencillo para entrenar las redes de aprendizaje profundo a trav√©s de un grupo de m√°quinas, y es compatible con los puestos trabajos de entrenamiento m√°s comunes: redes neuronales convolucionales, m√°quinas de Boltzmann restringidas, o redes neuronales recurrentes. Los modelos pueden ser entrenados de forma sincr√≥nica (uno tras otro) o as√≠ncrona (uno al lado del otro), dependiendo de lo que funcione mejor para el problema dado. Singa tambi√©n simplifica la configuraci√≥n del cl√ļster con Apache Zookeeper.

 

Caffe

El entorno de aprendizaje profundo ¬†Caffe “est√° hecho con la expresi√≥n, la velocidad y la modularidad en mente‚ÄĚ. ¬†Originalmente desarrollado en 2013 para proyectos de visi√≥n artificial, Caffe ¬†seha ampliado desde entonces para incluir otras aplicaciones, tales como el habla y multimedia. La velocidad es una prioridad, por lo que Caffe ha sido escrito completamente en C ++, con soporte para la aceleraci√≥n CUDA, aunque se puede cambiar entre la CPU y la GPU de procesamiento, seg√ļn sea necesario. La distribuci√≥n incluye un conjunto de modelos de referencia gratis y de c√≥digo abierto para los trabajos de clasificaci√≥n comunes, con otros modelos creados y donados por la comunidad de usuarios Caffe.

 

Microsoft Azure ML Studio

Dada la gran cantidad de datos y la potencia de c√°lculo necesaria para llevar a cabo el aprendizaje autom√°tico, la nube es un ambiente ideal para aplicaciones ML. Microsoft ha equipado Azure con su propio servicio de pago por uso de machine learning, Azure ML Studio, con versiones mensuales, por hora, y versiones sin nivel. (El proyecto HowOldRobot de la compa√Ī√≠a fue creado con este sistema). Azure ML Studio permite a los usuarios crear y entrenar modelos, para¬† a continuaci√≥n, ¬†convertirlos en API que puedan ser consumidos por otros servicios. Los usuarios pueden obtener hasta 10 GB de almacenamiento por cuenta de modelos de datos, aunque tambi√©n se puede conectar su propio almacenamiento de Azure al servicio para los modelos m√°s grandes. Una amplia gama de algoritmos est√°n disponibles, cortes√≠a de Microsoft y terceros. Ni siquiera necesita una cuenta para probar el servicio; puede iniciar sesi√≥n en forma an√≥nima y utilizar Azure ML Studio un m√°ximo de ocho horas.

 

Amazon Machine Learning

El planteamiento general de Amazon para servicios en la nube ha seguido un patr√≥n. Proporcionar los conceptos b√°sicos, atraer una audiencia de base que la cuide, dejar que construyan en la parte m√°s alta y, a continuaci√≥n, averiguar lo que realmente necesitan y ofrecerlo. Lo mismo podr√≠a decirse de su primera incursi√≥n en el aprendizaje autom√°tico ¬†que ofrece como un servicio, Amazon Machine Learning. Se conecta a los datos almacenados en Amazon S3, Redshift, o RDS, y se puede ejecutar la clasificaci√≥n binaria, la categorizaci√≥n multiclase, o la regresi√≥n de dichos datos para crear un modelo. Sin embargo, el servicio est√° altamente centrado en Amazon. Adem√°s de ser dependiente de los datos almacenados en Amazon, los modelos resultantes no pueden ser importados o exportados, y los conjuntos de datos para los modelos de formaci√≥n no pueden ser mayores que 100 GB. A√ļn as√≠, es un comienzo, y muestra c√≥mo el aprendizaje autom√°tico se est√° haciendo pr√°ctico en lugar de ser un lujo.

 

Microsoft Distributed Machine Learning Toolkit

Cuantos ¬†m√°s ordenadores tengas ¬†que lanzar en cualquier problema de aprendizaje autom√°tico, mejor – pero poniendo juntos m√°quinas y desarrollar aplicaciones ML¬† que se ejecuten bien a trav√©s de todos ellos puede ser complicado. El marco de Microsoft, DMTK, (Distributed Machine Learning Toolkit) aborda el tema de la distribuci√≥n de diversos tipos de puestos de trabajo de aprendizaje autom√°tico a trav√©s de un grupo de sistemas. DMTK est√° catalogado como un entorno en lugar de soluci√≥n fuera de la caja en toda regla, por lo que el n√ļmero de algoritmos reales que incluye en √©l es peque√Īo. Pero el dise√Īo de DMTK permite la expansi√≥n futura, y a los usuarios sacar el m√°ximo provecho de las agrupaciones de recursos limitados. Por ejemplo, cada nodo del cl√ļster tiene una cach√© local, lo que reduce la cantidad de tr√°fico con el nodo servidor central que proporciona par√°metros para el trabajo en cuesti√≥n.

 

Google TensorFlow

Al igual que DMTK de Microsoft, Google TensorFlow es un marco de aprendizaje autom√°tico dise√Īado para escalar a trav√©s de m√ļltiples nodos. Al igual que con Kubernetes de Google, que fue construido para resolver los problemas internamente en Google, y Google finalmente lo ha elegido para lanzarlo como un producto de c√≥digo abierto. TensorFlow implementa lo que se llaman diagramas de flujo de datos, donde los lotes de datos ( “tensores”) pueden ser procesados por una serie de algoritmos que se describen mediante un gr√°fico. Los movimientos de los datos a trav√©s del sistema se denominan “flujos” – de ah√≠ el nombre. Los gr√°ficos pueden ser ensamblados con C ++ o Python y pueden ser procesados ‚Äč‚Äčen las CPU o GPU. El plan a largo plazo de Google es que TensorFlow sea desarrollado por contribuciones de terceras partes.

 

Microsoft Computational Network Toolkit

Siguiendo los talones al lanzamiento de DMTK, Microsoft dio a conocer otro conjunto de herramientas de aprendizaje autom√°tico, el Computational Network Toolkit, o CNTK para abreviar. CNTK es similar a Google TensorFlow, ya que permite a los usuarios crear redes neuronales por medio de un graf√≠co dirigido. Microsoft tambi√©n considera que es comparable a proyectos como Caffe, Theano, y Torch. Su principal ventaja sobre esos marcos es la velocidad, espec√≠ficamente la capacidad de explotar las dos CPU m√ļltiples y varias GPU en paralelo. Microsoft alega que utilizar CNTK en conjunci√≥n con los cl√ļsters de la GPU en Azure acelera la formaci√≥n de reconocimiento de voz de Cortana. Originalmente desarrollado como parte de la investigaci√≥n de Microsoft en el reconocimiento de voz, CNTK fue ofrecido originalmente como un proyecto de c√≥digo abierto en abril de 2015, pero desde entonces ha sido re-lanzado en GitHub bajo una licencia mucho m√°s liberal, al estilo del MIT.

 

Veles (Samsung)

Veles es una plataforma distribuida para aplicaciones de aprendizaje profundo, y al igual que TensorFlow y DMTK, est√° escrito en C ++, aunque utiliza tambi√©n Python para llevar a cabo la automatizaci√≥n y la coordinaci√≥n entre los nodos. Los conjuntos de datos pueden ser analizados y autom√°ticamente normalizaron antes de alimentar el cl√ļster, y una API REST permite al ¬†modelo entrenado ser utilizado en la producci√≥n inmediatamente (asumiendo que su hardware sea lo suficientemente bueno). El uso de Veles de Python va m√°s all√° del simple empleo que se har√≠a de un c√≥digo de adhesi√≥n. IPython (ahora Jupyter), la herramienta de visualizaci√≥n de datos y an√°lisis, puede visualizar y publicar los resultados de un cl√ļster de Veles. Samsung espera lanzar el proyecto como de c√≥digo abierto lo que impulsar√° algunos desarrollso, tales como los puertos a Windows y Mac OS X.

 

Brainstorm

Desarrollado a lo largo de 2015 por los estudiantes de doctorado Klaus Greff y Rupesh Srivastava en IDSIA (Instituto Dalle Molle de Inteligencia Artificial) en Lugano, Suiza, el objetivo del proyecto Brainstorm es ‚Äúhacer las redes neuronales profundas r√°pidas, flexibles y divertidas‚ÄĚ. El soporte ya est√° incluido para una variedad de modelos de redes neuronales recurrentes, tales como LSTM. Brainstorm utiliza Python para proporcionar dos “handers”, o ¬†APIs de gesti√≥n de datos – una para el c√°lculo de la CPU por la biblioteca Numpy, y otra que aprovecha la GPU a trav√©s de CUDA. La mayor parte del trabajo se realiza a trav√©s de secuencias de comandos de Python, as√≠ que no esperes una rica interfaz gr√°fica de usuario front-end, a excepci√≥n de la que traiga usted mismo. Pero el plan a largo plazo es crear algo que emplee ‚Äúlecciones aprendidas de proyectos de c√≥digo abierto anteriores‚ÄĚ, y utilice ‚Äúnuevos elementos de dise√Īo compatible con m√ļltiples plataformas y computaci√≥n back ends‚ÄĚ.

 

mlpack 2

Nuestra evaluaci√≥n previa de los recursos de aprendizaje autom√°tico dio con mlpack, un C ++ – basado en una biblioteca de aprendizaje autom√°tico que se puso en marcha en 2011 y dise√Īado para “escalabilidad, velocidad y facilidad de uso”, seg√ļn los creadores de la biblioteca. La implementaci√≥n de mlpack se puede hacer a trav√©s de una memoria cach√© de comandos en l√≠nea ejecutables , para operaciones de caja negra, o con un API de C ++ para un trabajo m√°s sofisticado.

 

Marvin

Otra producci√≥n relativamente reciente, el marco de la red neural Marvin es un producto del Grupo Vision Princeton. Naci√≥ “para ser hackeado”, como sus creadores explican en la documentaci√≥n para el proyecto, y se basa s√≥lo en unos pocos archivos escritos en C ++ y en el marco de la GPU CUDA. A pesar de que el c√≥digo en s√≠ mismo sigue siendo deliberadamente m√≠nimo, el proyecto viene con una serie de modelos preentrenados que pueden ser reutilizados con la debida citaci√≥n y contribuyeron a las solicitudes de extracci√≥n como propio c√≥digo del proyecto.

Neon

Nervana, una empresa que est√° construyendo su propia plataforma de hardware y software de aprendizaje profundo, ha ofrecido un marco para el aprendizaje profundo llamado Neon como un proyecto de c√≥digo abierto. Utiliza m√≥dulos enchufables para permitir que ¬†el trabajo pesado se haga en la CPU, la ¬†GPU, o en el propio hardware personalizado de Nervana. Neon est√° escrito principalmente en Python, con unas pocas piezas en C ++ para la velocidad. Esto hace que est√© inmediatamente disponible para otros que trabajan en la ciencia de datos en Python o para la mayor√≠a¬† de los otros marcos que tenga enlaces Python. La versi√≥n 2.0 tiene un mont√≥n de refactorizaciones y nuevas caracter√≠sticas, incluyendo muchos nuevos tipos de algoritmos, y los cambios en los ya existentes para acelerarlos o rebajarlos. Por ejemplo, abandona la biblioteca Boost generadora de n√ļmeros aleatorios para funciones aleatorias nativas de C ++ 11.

Una desventaja de muchos a√Īos es la falta de enlaces para cualquier idioma que no sea C ++, es decir, los usuarios de todo, desde R a Python no pueden hacer uso de mlpack a menos que alguien lance sus propios envoltorios de dichos idiomas. El trabajo se ha hecho para a√Īadir soporte de MATLAB, pero los proyectos de este tipo tienden a disfrutar de una mayor absorci√≥n cuando son directamente √ļtiles en los principales entornos en los que se lleva a cabo el trabajo de aprendizaje autom√°tico.

 

Serdar Yegulalp

Google podr√≠a estar desarrollando su propio ‘smartphone’

Seg√ļn informaci√≥n publicada por `TheTelegraph¬ī, Google tiene pensado¬†construir su propio tel√©fono inteligente desde cero, tal y como ha hecho con el Chromebook y la tableta Pixel.

Este nuevo desarrollo permitir√≠a a Google competir directamente con Apple en el mercado de los smartphones, dominado a√ļn por el iPhone en la mayor parte de Occidente. Seg√ļn¬†TheThelegraph,¬†una fuente oficial de Google ha afirmado que el tel√©fono probablemente llegar√°¬†al mercado a final de a√Īo.

Recientemente se ha extendido el rumor de que la compa√Ī√≠a est√° buscando socios para construir sus propios chips, lo que podr√≠a aligerar de forma considerable el proceso de reconstrucci√≥n de los otros elementos necesarios para el nuevo smartphone.¬†Parece ser que Google tambi√©n ha contratado al expresidente de Motorola, Rick Osterloh, para dirigir una nueva divisi√≥n de hardware; con este fichaje, la compa√Ī√≠a contar√° con un gran experto en supervisiones de procesos.

Es muy probable que HTC desarrolle dos tel√©fonos Nexus este a√Īo, as√≠ que anunciar otro dispositivo m√≥vil tan pronto podr√≠a generar cansancio a los usuarios. Por ello, este trabajo entre bastidores podr√≠a ser parte de una iniciativa a m√°s largo plazo que se¬†materializar√≠a el pr√≥ximo a√Īo, posiblemente junto al Proyecto ARA de Google de tel√©fonos modulares. Se trata de un rumor que agrada escuchar, incluso sabiendo que no ser√° posible obtener un hardware nuevo a corto plazo.

Aunque Android domine a nivel mundial el mercado de los smartphones, la diferencia de ingresos con la App Store han sido siempre desafíos para Google. Una forma de solucionarlo es entrando en el negocio de hardware y de esta forma controlar todo: hardware, software y actualizaciones.

 

Irene Mu√Īoz

7 h√°bitos de los desarrolladores altamente eficaces

Larry Wall, el autor original del lenguaje de programación Perl, dijo una vez que los grandes programadores tienen tres virtudes: la pereza, la impaciencia y la arrogancia.

Pereza, ya que los impulsa a escribir programas de ahorro de mano de obra y documentación, por lo que no tendrán que responder preguntas sobre ellos. Impaciencia, ya que les motiva a escribir programas que se anticipan a sus necesidades. Y soberbia, ya que les hace querer escribir código apretado que otras personas no criticarán.

Pero los grandes programadores no siempre son los más productivos, y el desarrollador que obtiene trabajo bien hecho a diario, es mucho más eficaz que el que de vez en cuando llega a alturas vertiginosas de codificación. Y para la mayoría de los empleadores lo que cuenta es el área bajo la curva, no el punto más alto que alcanza.

Así que, para maximizar su empleabilidad, no necesariamente tiene que ser un gran desarrollador, pero sí es necesario ser efectivo. Aquí hay siete hábitos que pueden hacer que un desarrollador sea más eficaz.

 

1. Haga por lo menos cuatro horas de codificación cada día
A primera vista esto parece poco ambicioso ‚Äźla mayor√≠a de los codificadores est√°n en sus escritorios durante al menos ocho horas, y muchos por mucho m√°s de 10. Pero Peter Nixey, fundador y CEO del emprendimiento de correo electr√≥nico Copyin, reconoce que muy poco de ese tiempo es dedicado a la labor real de desarrollo.

‚ÄúHe trabajado en proyectos donde los desarrolladores han malgastado su tiempo en reuniones, tenis de mesa, el almuerzo y as√≠ sucesivamente‚ÄĚ, anota.¬†‚ÄúAs√≠ que cuatro horas de trabajo puro ‚Äźsin interrupciones para conseguir tazas de caf√©‚Äź son sorprendentemente dif√≠ciles de alcanzar en un entorno de oficina‚ÄĚ.

Una clave para conseguir esas cuatro horas es evitar las interrupciones. Eso es porque una vez que est√° ‚Äúen la zona‚ÄĚ y su cerebro est√° haciendo malabarismos con las variables, una sola interrupci√≥n puede provocar la p√©rdida de hasta una hora a medida que trata de juntar las cosas de nuevo y volver a donde estaba, a√Īade Nixey.

 

2. Encaje con la cultura del equipo de desarrollo
Ser un jugador del equipo y llevarse bien con sus compa√Īeros de trabajo es una parte importante de ser un desarrollador eficaz. Es mucho m√°s importante que tener habilidades de codificaci√≥n de √©lite y a√Īos de experiencia, de acuerdo con Damien Filiatrault, CEO de la red de desarrolladores ScalablePath.

Se√Īalando lo desagradable que puede ser trabajar con un nerd convencido de que es m√°s listo que los dem√°s, Filiatrault se√Īala que no importa c√≥mo pueden ser las personas con talento, una pregunta clave es, ‚Äú¬ŅEs divertido trabajar con ellos?‚ÄĚ Si la respuesta es no, ‚Äúpuede afectar la moral de todo el equipo‚ÄĚ, a√Īade.

Pero no son solo los arrogantes cuyas personalidades causan problemas. Tambi√©n pueden surgir problemas si los desarrolladores son demasiado agradables, o por alguna raz√≥n no se sienten c√≥modos en el ambiente del equipo. Por ejemplo, Filiatrault se√Īala que ‚Äúlos desarrolladores de algunas partes del mundo podr√≠an tratar de evitar conflictos, o pueden estar menos dispuestos a admitir que no pueden hacer algo, y eso puede ser un problema‚ÄĚ.

 

3. Codifique en su tiempo libre
Si el √ļnico trabajo de desarrollo que hace es el trabajo por el que le pagan, puede ser dif√≠cil que aprenda nuevas habilidades y obtener experiencia en nuevos campos. Por eso, Dave Child, fundador del desarrollador web Added Bytes, comenta que es importante hacer algo de c√≥digo como recreaci√≥n.

‚ÄúLos mejores desarrolladores que conozco tienen proyectos secundarios en los que est√°n trabajando‚ÄĚ, a√Īade.

Ninguno de esos desarrolladores utiliza las habilidades que necesitan en sus puestos de trabajo remunerados para sus proyectos paralelos, agrega Child. En su lugar utilizan empresas extracurriculares como vehículos para la expansión de sus habilidades, y para mantenerse al día con los nuevos avances tecnológicos en las áreas de su interés.

 

4. Aprenda a escribir código poco riguroso
Muy pocos proyectos requieren desarrolladores brillantes para crear obras geniales de codificación: Lo que se necesita por lo general es una plataforma general donde se puedan construir características específicas en la parte superior.

Nixey se√Īala que la mejor manera de lograr esto es escribir r√°pidamente algo que funciona y tomarlo desde all√≠.

‚ÄúNo importa si el c√≥digo es sucio, repetitivo o si tiene un mal nombre‚ÄĚ, indica. ‚ÄúEl c√≥digo es una manifestaci√≥n de una soluci√≥n, y puede refactorizarlo y hacerlo bien. Si intenta hacerlo perfecto de inmediato, puede dejarse llevar y lograr muy poco‚ÄĚ.

 

5. No se quede en el mismo trabajo durante demasiado tiempo
Una manera segura de perder su eje de codificaci√≥n es conseguir un trabajo dentro de un equipo de desarrollo y quedarse en la rutina, se√Īala Ni√Īo. Eso es porque una vez que domina el trabajo que requiere, llega a un callej√≥n sin salida y ya no avanzan sus habilidades por convertirse en un mejor programador.

‚ÄúEs necesario ponerse a prueba constantemente‚ÄĚ, a√Īade. ‚ÄúSi ha trabajado en alg√ļn lugar por un par de a√Īos, entonces es probable que haya aprendido varias cosas por el hecho de permanecer all√≠. As√≠ que no se quede ah√≠ ‚Äź siga adelante y encuentre un nuevo reto‚ÄĚ.

 

6. Nunca deje de aprender
La tecnolog√≠a de software cambia r√°pida y constantemente, y eso significa que muchas de las habilidades de codificaci√≥n vitales de hoy ser√°n obsoletas ma√Īana. As√≠ que, si usted est√° planeando una carrera a largo plazo en el desarrollo de software, es importante estar al tanto de las nuevas tendencias y lenguajes que van surgiendo.

‚ÄúEl hecho simple es que no puede trabajar el resto de su carrera con el cuerpo actual del conocimiento que tiene ‚Äźtiene que estar preparado para volver a aprender constantemente porque lo que se sabe hoy en d√≠a no se sostendr√°‚ÄĚ, anota Todd Anglin, evangelista jefe en la compa√Ī√≠a de desarrollo Progress Software.

A√Īade que es importante concentrarse en lo que le interesa en lugar de tratar de ser un maestro de todos los oficios. ‚ÄúTiene que tener una pasi√≥n y hambre para continuar, y saber en d√≥nde quiere profundizar. No trate de aprender todo, porque eso es imposible ‚Äźmantenga la concentraci√≥n y siga aprendiendo‚ÄĚ.

Filiatrault est√° de acuerdo. ‚ÄúTal vez la mitad de todos los trabajos de desarrollo que hace implicar√° cosas que no ha hecho antes. As√≠ que la habilidad m√°s importante que puede tener es saber c√≥mo aprender y buscar informaci√≥n‚ÄĚ, indica. ‚ÄúSi tiene esa habilidad puede ense√Īarse a s√≠ mismo lo que le sea necesario‚ÄĚ.

 

7. Codifique lo que le importa
Gregor Riegler, autor del blog ‚ÄėSea un mejor desarrollador‚Äė, se√Īala que es vital involucrarse en proyectos que le apasionen para garantizar que pone todo en sus esfuerzos de codificaci√≥n.

‚ÄúLo importante para la motivaci√≥n es que se preocupe por lo que hace el c√≥digo‚ÄĚ, indica Riegler. ‚ÄúTal vez pueda hacer el trabajo de una aplicaci√≥n de una determinada manera, o tal vez haga un trabajo de m√°quina como usted quiere que lo haga‚ÄĚ.

En cualquier caso, a√Īade, ‚Äúnecesita disfrutar lo que est√° haciendo y tratar de conseguir los mejores resultados posibles. Si encuentra alegr√≠a en ello, entonces, desarrollar√° buen c√≥digo‚ÄĚ.

 

Paul Rubens, CIO.com 

El CEO de Google, víctima de hackeo

El CEO de Google, SundarPichai, se ha convertido en el más reciente ejecutivo tech en ser el blanco de los hackers en redes sociales; el responsable de este ciberataque advirtió de que continuarán los hackeos de este tipo.

Cabe recordar que el domingo, un grupo de hackers llamados OurMine logr√≥ tener el control por unos momentos de Pichai en Quora, una red de preguntas y respuestas. ‚ÄúEstamos comprobando nuestra seguridad‚ÄĚ, escribi√≥ el hacker, lo que ocasion√≥ la publicaci√≥n autom√°tica del mismo mensaje en la cuenta de Twitter, al estar ligadas. La publicaci√≥n ya¬†fue¬†borrada.

OurMine también es el mismo grupo que logró vulnerar las redes sociales del CEO de Facebook, Mark Zuckerberg, a inicios de este mes. También han revindicado otros ataques, como por ejemplo al CEO de Spotify y a un ejecutivo importante en Amazon.

Los hackers fueron inocuos hasta ahora, sin mayor repercusión o datos sensibles robados de las cuentas. Sin embargo, Silicon Valley sigue preocupado sobre quién podría ser la siguiente víctima.

En el caso de Zuckerberg, los hackers revindicaron que hab√≠an conseguido entrar en su cuenta al descubrir que su contrase√Īa de LinkedIn era ‚Äúdadada‚ÄĚ; en el caso de Pichai, OurMine simplemente ha dicho que ‚Äúsu seguridad es muy d√©bil‚ÄĚ. El grupo¬†public√≥¬†informaci√≥n sobre el ciberataque en su web.

OurMine declaró por medio de un email que continuaría hackeando las cuentas de ejecutivos del mundo de la tecnología y celebridades. La semana pasada, el grupo declaró que también había tomado el control de la cuenta de Twitter de la estrella ChanningTatum y Daniel Ek, el CEO de Spotify, publicando así capturas de pantalla.

El lunes el grupo atac√≥ la cuenta de Twitter del CTO de Amazon, Werner Vogels; seg√ļn explic√≥ el CTO en un tuit m√°s tarde, ha sido su cuenta de Bitly la que¬†fue¬†comprometida.

Hasta ahora, perece que los hackers están más centrados en conseguir publicidad que otro fin más criminal; OurMine declaró que los usuarios pueden mejorar su seguridad utilizando los servicios que ofrece su grupo.

Por 100 d√≥lares, OurMine asegura que pueden mejorar la seguridad de las cuentas en redes sociales, mientras que por 1,000 d√≥lares revisar√°n una web en busca de sus vulnerabilidades. ‚ÄúSolo estamos intentando advertir a todo el mundo de que no hay nadie a salvo‚ÄĚ,¬†declar√≥¬†el grupo en un email. Algunas de las cuentas que han podido hacker ten√≠an una contrase√Īa d√©bil, mientras que otras ten√≠an otras vulnerabilidades. Hasta ahora la empresa estima haber ganado 18,400 d√≥lares vendiendo sus servicios.

El costo de una amenaza interna no intencional

Cuando pensamos en una amenaza interna, lo que generalmente nos viene a la mente es un empleado malicioso motivado por dinero, sin embargo, también existen las acciones no intencionales. Una amenaza interna no intencional, ya sean por negligencia o simple descuido, con frecuencia pueden provocar una falla de seguridad que impacta en productividad, tiempo y dinero.

 

Más información aquí.