Pau Sempere

Information & Communications Technology

Finance & Banking

Big Data Data Science & AI Machine Leaning Microsoft Data Platform Databricks Microsoft Power BI python Artificial Intelligence Inteligencia Artificial Machine Learning and Artificial Intelligence

Elche, Valencia, Spain

Pau Sempere

CTO & Head of Artificial Intelligence @ EyePerformance | MVP AI

CTO & Head of Artificial Intelligence at EyePerformance Technology. Master's degree in Computer Science at Universidad of Alicante (2005-2011). Microsoft AI MVP

Pau Sempere

CTO & Head of Artificial Intelligence @ EyePerformance | MVP AI

CTO & Head of Artificial Intelligence en EyePerformance Technology. Máster en Ingeniería Informática por la Universidad de Alicante (2005-2011). Microsoft AI MVP

Current sessions

Azure AutoML para gobernarlo todo EN

Las técnicas de ML están en constante evolución, y cada vez más orientadas a la productividad. Las tareas repetitivas son el enemigo de la productividad y de la aplicación de la tecnología, y ahí es donde AutoML ha venido a ayudarnos. En esta sesión veremos todos los tipos de problemas de ML que podemos resolver de manera automatizada para centrarnos en lo que de verdad importa: dar valor a nuestros productos con Machine Learning


El Ministerio del Tiempo: Modelando el tiempo en proyectos de Machine Learning EN ES

Los modelos de Machine Learning se utilizan para resolver o mejorar multitud de análisis predictivos en muy diversos ámbitos. Podemos encontrar un gran abanico de problemas y modelos utilizados, pero de los pocos elementos que casi todos comparten es que el tiempo está involucrado. Desde el momento en el que se produce una venta o un abandono de un cliente, la antiguedad de una oportunidad abierta en un CRM o al predecir la evolución de un precio, el tiempo está presente.

Usado a nuestro favor, nos permite generar features de gran poder predictivo y evaluar nuestros modelos de manera realista. Mal utilizado, sin embargo, puede provocar data leakages que ofuscarán nuestra capacidad para entender si el modelo está funcionando y es utilizable en producción. Ya se sabe, un gran poder conlleva una gran responsabilidad.

En esta sesión repasaremos escenarios de Machine Learning donde el tiempo tiene un papel fundamental y describiremos, con ejemplos extraídos de proyectos reales y en producción, técnicas y puntos importantes a tener en cuenta a la hora de trabajar con el tiempo en ML.


Show me the model! Interpreting ML models with Power BI EN

Understanding why ML models predict certain values is a key factor in predictive analytics, both from the develpers' perspective and the stakeholders side. Combining Power BI and interpretation techniques we will empower our users to understand our models' predictions, directly in Azure. Join us in this session to understand how BI can help us understand Machine Learning.


The price is right! - Machine Learning thinking of costs EN ES

From an academic point of view, Machine Learning models generally try to minimize the errors they make in their predictions. As a theoretical approach it is very efficient, but in addition ML models used in the real world must be efficient: we want them to have the greatest possible benefit with the lowest associated cost (considering the many meanings of the term). In this regard we use different techniques: from the adjustment of thresholds to the use of algorithms with uncertainty ranges, through the use of custom error metrics that take into account the cost associated with a model. In this session we will talk about real cases learned: Machine Learning from the real world.


Flying around Azure ML with autopilot EN ES

Effective ML model development continues to become an easier and more democratic activity. From embedded AI in apps to AutoML in Power BI Dataflows, data analysis professionals (and even business users) have multiple options to build their own models without complex developments.
In Azure AutoML we find a fine combination of flexibility for software experts and ease of use for non-tech users. With this service we can create full ML pipelines with a few or even no lines of code, covering diverse ML scenarios: from risk classification to forecasting demand, all following best practices and testing multiple models and data transformations to find good and robust models.

In this session we'll go through different options offered in Azure AutoML, including the Python SDK and the no-code interface.


Recomendando productos con inteligencia...artificial? EN

Acercar el producto perfecto al cliente idóneo es el sueño de toda empresa. Los recomendadores de productos basados en inteligencia artificial convierten este sueño en una realidad.
Desgranaremos el algoritmo de recomendaciones de YouTube y veremos las técnicas más vanguardistas para crear nuestro recomendador de productos con Deep Learning.


Los fontaneros del Machine Learning EN

Las librerías de Machine Learning facilitan la vida enormemente a la hora de entrenar modelos que nos ayuden en nuestros procesos de negocio. Sin embargo, la gran parte del tiempo empleado en los proyectos de ML lo pasamos limpiando, modelando y procesando dato antes de siquiera entrenar ningún modelo. En esta sesión veremos algunas técnicas de modelado de datos y de construcción de pipelines en Python que pueden ayudarnos a robustecer y mejorar los resultados de nuestros modelos de ML.


Power BI y los influencers: la extraña pareja EN

Con conjuntos de datos cada vez más complejos, el análisis manual para detectar relaciones y causas se vuelve casi inmanejable. Modelos complejísimos, métricas indescifrables y complicadísimas de depurar... Por suerte, con el auge del data science cada vez tenemos técnicas y herramientas más completas y fáciles de usar para desenmarañar conjuntos de datos complejos y entender el impacto y las relaciones entre variables. En esta sesión analizaremos las opciones que tenemos en Power BI para alcanzar estos objetivos más allá de métricas ad-hoc, desde el análisis automático con Quick Insights hasta la creación de modelos de Machine Learning en tiempo real.


Discovering Azure ML EN

Azure ML Workspaces and its resources have expanded enormously the opportunities that ML practitioners and Data Scientist have to obtain data, train models, publish them and so much more. Join me in this session to discover the basics of Azure ML and how to use its resources to expand your ML toolbox.


Dos mundos, un contenedor EN

Lidiar con los entornos de desarrollo y producción en proyectos de ML (y los que no son de ML) se puede convertir en una auténtica pesadilla si no se tienen las herramientas y las técnicas adecuadas. Desde la gestión de dependencias hasta la flexibilización y automatización del proceso de despliegue, pasando por la reutilización de librerías personalizadas son solo algunos de las problemáticas más comunes a las que nos enfrentamos. Acompáñanos en esta sesión y descubre por qué Docker es la plataforma idónea para unir entornos y desplegar nuestros proyectos de ML en Azure.


Show me the model! Interpretando modelos ML con Power BI EN

Entender las razones por las que los modelos de ML toman las decisiones ya es un factor clave en los proyectos de analitica predictiva. Combinando Power BI y técnicas de interpretabilidad de ML crearemos paneles que ayuden a nuestros usuarios a entender el modelo desde su comportamiento global al máximo detalle posible desde cualquier sitio del mundo gracias a la nube. Acompáñanos en ésta sesión y descubre el poder del BI en Azure como aliado del Machine Learning.


Churn Norris - ML para mantener a tus clientes EN

Tus clientes son tus amigos, y a los amigos hay que tenerlos siempre cerca. Para evitar que se vayan de tu lado y seguir construyendo una preciosa amistad, ven a esta sesión en la que revisaremos el concepto de "churn" o abandono de clientes, qué lo define y cómo podemos atacar el problema usando técnicas de Machine Learning con Python y scikit-learn.


Mejorando el rendimiento de un servidor con Inteligencia Artificial EN

La Inteligencia Artificial está ya es parte fundamental de muchos procesos, desde mantenimiento de máquinas hasta análisis financieros. La optimización de servidores para solventar problemas de rendimiento y aumentar la productividad de las aplicaciones. En SolidQ aprovechamos la IA en varios aspectos, en esta sesión veremos un caso real sobre cómo aplicamos procesos de IA para analizar, diagnosticar y corregir problemas en servidores de clientes de la manera más automatizada y eficiente posible.


El Ministerio del Tiempo: Modelando el tiempo en proyectos de Machine Learning EN ES

Los modelos de Machine Learning se utilizan para resolver o mejorar multitud de análisis predictivos en muy diversos ámbitos. Podemos encontrar un gran abanico de problemas y modelos utilizados, pero de los pocos elementos que casi todos comparten es que el tiempo está involucrado. Desde el momento en el que se produce una venta o un abandono de un cliente, la antiguedad de una oportunidad abierta en un CRM o al predecir la evolución de un precio, el tiempo está presente.

Usado a nuestro favor, nos permite generar features de gran poder predictivo y evaluar nuestros modelos de manera realista. Mal utilizado, sin embargo, puede provocar data leakages que ofuscarán nuestra capacidad para entender si el modelo está funcionando y es utilizable en producción. Ya se sabe, un gran poder conlleva una gran responsabilidad.

En esta sesión repasaremos escenarios de Machine Learning donde el tiempo tiene un papel fundamental y describiremos, con ejemplos extraídos de proyectos reales y en producción, técnicas y puntos importantes a tener en cuenta a la hora de trabajar con el tiempo en ML.


El Precio Justo - Machine Learning pensando en costes EN ES

Desde un punto de vista académico los modelos de Machine Learning intentan, por lo general, minimizar los errores que cometen en sus predicciones. Como aproximación teórica es muy eficaz, pero además los modelos de ML que se usan en el mundo real deben de ser eficientes: queremos que tengan el mayor beneficio posible con el menor coste asociado. Para ello podemos usar diferentes técnicas: desde el ajuste de thresholds al uso de algoritmos con rangos de incertudimbre, pasando por el uso de métricas de error personalizadas que tengan en cuenta el coste asociado a un modelo. En esta sesión hablaremos de casos reales aprendidos: Machine Learning del mundo real.


Back to the future: Time series for everyone without leaving Power BI EN ES

Power BI has been revolutionizing data analysis for years, even including predictive capabilities out of the box both in its Desktop version and in the cloud. Time series analysis is one of these capabilities and is present in almost every business: from sales analysis to demand forecasting, every business has quantities of X and time. In this session we will explore what options do we have to analyze our time series and what to do when Power BI falls short (if that is even possible!)


Regreso al futuro: Series temporales para todo el mundo sin salir de Power BI EN ES

Power BI lleva revolucionando el análisis de datos desde hace años, incluso con capacidades de análisis predictivo en sus versiones de escritorio y en la nube. Las series temporales se incluyen en esas capacidades, y están presentes en casi cualquier negocio: desde proyección de ventas hasta análisis de la demanda, todos los negocios tienen "cantidades de X relacionadas con el tiempo". En esta sesión exploraremos qué opciones tenemos para analizar nuestras series temporales y qué hacer cuando Power BÏ se queda corto (si es que eso es posible!)


Volando por Azure ML en piloto automático EN ES

El desarrollo de modelos efectivos de Machine Learning sigue democratizándose. Desde AI embebida en aplicaciones hasta en los Power BI Dataflows, pasando por el AI Builder, los profesionales del análisis de datos (e incluso los usuarios de negocio) tienen cada vez más opciones para construir sus modelos y tener funcionalidades predictivas sin necesidad de doctorados en Estadística o complejísimos sistemas de software. La confluencia perfecta entre flexibilidad para desarrolladores y capacidades automáticas de ML viene de la mano de Azure AutoML, que permite entrenar cientos de modelos en cuestión de minutos con muy pocas líneas de código en un amplio rango de problemas de negocio: clasificación de riesgos, forecasting de inventarios, predicción de beneficios...

En ésta sesión haremos un recorrido por las diferentes opciones que nos ofrece Azure y su SDK de Python para la creación y publicación de modelos de ML de manera automatizada.


Past and future events

Global Azure 2022 - Spain

5 May 2022 - 7 May 2022

Power Platform Alicante: Power BI Day!

30 Apr 2022

Global AI Bootcamp 2022

25 Mar 2022 - 26 Mar 2022
Madrid, Spain

Global AI Bootcamp [London]

25 Mar 2022

Global Power Platform Bootcamp 2022 Lisboa

18 Feb 2022 - 19 Feb 2022

Virtual NetCoreConf 2021 - 2

8 Oct 2021 - 10 Oct 2021

Cloud Lunch and Learn Marathon 2021

13 May 2021 - 14 May 2021

Global Azure 2021 - Spain

15 Apr 2021 - 17 Apr 2021

Global Power Platform Bootcamp Alicante 2021

19 Feb 2021 - 20 Feb 2021

Global AI Bootcamp 2020

16 Jan 2021

Virtual Azure Community Day

3 Dec 2020

Virtual NetCoreConf 2020

4 Apr 2020

Global AI Bootcamp 2019

13 Dec 2019
Madrid, Spain