¿Coincide con tus suposiciones?
Game of Thrones regresó la semana pasada, trayendo consigo emoción y sin duda el nerviosismo de pensar si nuestros personajes favoritos sobrevivirán a ésta temporada.
Probablemente con esto en mente, Milan Janosov, estudiante de doctorado en el Centro para Ciencia de Redes creó un algoritmo con 400 nodos y 3,000 bordes que determinan la probabilidad de muerte de los personajes en las dos temporadas finales de GoT.
Para producir éstas probabilidades, Janosov utilizó "Siete características diferentes basadas en la red que representan diferentes dimensiones de su importancia social" para cada personaje, que derivó del análisis de escenas, que describió como "la unidad elemental de la interacción social".
Después combinó éste análisis con un análisis de los rasgos de los personajes que habían muerto antes para poder así determinar la probabilidad de que los personajes supervivientes lleguen a su final antes de que el show termine en 2018.
El gráfico, que puedes ver completo aquí, predice que Tyene Sand, hija de Oberyn Martell, que llegó a un macabro fin en la temporada 4, es quien tiene las mayores probabilidades de morir, mientras que Theon Greyjoy, quien sufrió terriblemente en las manos de Ramsay Bolton, es quien tiene menos chances de morir con un probabilidad de 0.50.
Este es un ejemplo muy popular de los grandes avances que se están realizando en el modelado predictivo. El equipo, que construyó el modelo, liderado por el Dr. Guy Yachday, usualmente se ocupa para contestar preguntas biológicas complejas utilizando exploración de datos y máquinas que aprenden algoritmos. Game of Thrones resulta muy aplicable a la disciplina porque es ?una fuente casi interminable de datos crudos multidimensional,? explica Yachday a Phys.org.
En la vanguardia de éste campo, estos procesos de modelado están siendo integrados en la inteligencia artificial a gran velocidad para crear predicciones del mundo real. Mientras que esto es principalmente utilizado con fines comerciales para producir sugerencias personalizadas.
También se están utilizando sistemas similares en el sector médico de diagnóstico de enfermedades y se ha llegado a un punto en el que son tan competentes como doctores, al menos en términos de capacidad de diagnóstico.
