El Amanecer de la Inteligencia Artificial en el Campo Petrolero

🎧 TEMPORADA 1 | EPISODIO 8: EL AMANECER DE LA INTELIGENCIA ARTIFICIAL EN EL CAMPO PETROLERO [TRANSCRIPCIÓN]

Ken:
Hola, soy Ken Miller.

David:
Y yo soy David Erdos.

Ken:
Y bienvenidos al Erdos Miller New Technology Podcast: donde pasamos nuestro tiempo no productivo hablando de todo lo relacionado con la tecnología de perforación. Este podcast es para cualquiera interesado en aprender sobre la tecnología que nos ayuda a perforar más lejos y alcanzar más recursos cada día.

Nuestro invitado de hoy es Chris Conger de SparkCognition. Chris comenzó su carrera en el área de pruebas y medición en la industria de semiconductores con empresas como Texas Instruments, Teradyne y Tektronix. Empezó en el campo petrolero con Erdos Miller y ahora es un líder en SparkCognition, trabajando en el campo de la inteligencia artificial.

Chris Conger colabora estrechamente con los equipos de ventas, marketing, éxito del cliente e ingeniería de SparkCognition para identificar y desplegar soluciones impulsadas por IA para algunas de las principales organizaciones del país en los sectores aeroespacial, de defensa y manufactura. Bienvenido al programa, Chris, ¿cómo estás hoy?

Chris:
Muy bien, gracias por invitarme.

Ken:
De nada.

David:
Entonces Chris, ¿qué es la inteligencia artificial?

Chris:
Sí, esta es una pregunta para la que todos tienen una definición hoy en día, y puede ser desde unas pocas palabras hasta una charla que nos tome toda la tarde.

Con los titulares recientes... creo que es importante distinguir entre IA estrecha y IA general antes de avanzar. La IA estrecha es la capacidad de una máquina para resolver una tarea muy específica y concreta. Y la IA general es la que está acaparando los titulares últimamente, que podría ser como Terminator, ¿no? Es la capacidad de una máquina para tener consciencia general y tomar sus propias decisiones.

Ken:
Entonces imagino que la mayoría de las soluciones que existen hoy en día con IA están resolviendo problemas dentro de ese rango estrecho, ¿cierto?

Chris:
Exactamente. Sí, todavía estamos bastante lejos de la AGI (Inteligencia Artificial General).

Ken:
Entonces incluso los ejemplos recientes donde las máquinas vencen a los humanos en el juego de Go, ¿eso sigue siendo IA estrecha, o es más bien general?

Chris:
Sí, eso sigue siendo un ejemplo de IA estrecha. Si tomaras ese mismo programa y le pidieras decidir si una persona es amistosa o no, no podría ayudarte en absoluto.

Ken:
¿Hay hoy en día algún ejemplo de inteligencia artificial general?

Chris:
Diría que definitivamente hay intentos, pero nada que haya sido definitivo aún. Sin duda lo escucharás en las noticias cuando ocurra.

Ken:
Entonces, ¿todo esto es lo que los profesores están cocinando en los laboratorios o en universidades de investigación y cosas así?

Chris:
Sí, señor.

Ken:
Hay un término que escucho mucho… Bueno, más bien escucho que se refiere a la IA de dos formas diferentes. Escucho “inteligencia artificial”, IA, que es bastante común, y también escucho “aprendizaje automático” o machine learning. ¿Son cosas diferentes? ¿Son lo mismo? ¿Qué son?

Chris:
Sí, el machine learning es una forma de implementar la inteligencia artificial, pero no toda IA es machine learning. Una manera sencilla de explicarlo es que es la capacidad de una máquina para analizar datos y aprender de ellos o predecir algo a partir de ellos. Una anécdota rápida: en un programa tradicional, tú tienes el programa, le das datos de entrada y obtienes un resultado. En el machine learning, lo que haces es tomar los resultados y los datos, y con eso obtienes el programa.

Ken:
Cierto, y luego ese programa puede, al recibir nuevos datos que no ha visto antes, ofrecer el resultado correcto, ¿verdad?

Chris:
Exactamente.

Ken:
Entonces, un ejemplo simple para cualquiera sería: si tomas el historial de miles de pacientes con cáncer, todos sus síntomas, lo que vivieron y lo que estaba ocurriendo en sus cuerpos, y alimentas eso —junto con la confirmación de si tenían o no cáncer— a un algoritmo de IA entrenado con machine learning, podrías terminar con un algoritmo que luego diagnostique rápidamente si alguien tiene cáncer.

Chris:
Exactamente. De hecho, ya hay algunas compañías que han hecho eso.

Ken:
Sí, y eso sería genial, ¿no? Entonces, una IA es la capacidad de una computadora para hacer algo humano, ¿cierto? Y podemos entrenar o crear esa IA —esa IA específica— con machine learning, ¿verdad? Entonces, podemos enseñarle diciendo: “Mira, aquí están los datos y aquí están los resultados”, y usar eso como refuerzo. ¿Se puede crear una IA sin machine learning o siempre van de la mano?

Chris:
Si miras hacia atrás en la historia de la IA, lo que solíamos llamar IA eran cosas como los sistemas expertos, donde se programaban reglas explícitas dentro del agente de IA. Algo como: si pasa esto, haz esto otro. Y eso en sí mismo era una forma de IA, pero el machine learning, con la explosión de datos en la última década, ha demostrado ser una forma mucho más útil de implementar inteligencia artificial.

David:
He estado escuchando mucho en la prensa en los últimos años sobre la inteligencia artificial y el machine learning y todas las diferentes aplicaciones que la gente está encontrando. Pero, ¿desde cuándo hemos estado tratando de construir máquinas e inteligencias artificiales más inteligentes que nosotros?

Chris:
Buena pregunta, David. Es difícil señalar un solo momento. Es casi como preguntar: ¿desde cuándo los humanos han estado tratando de construir tecnología que haga sus vidas más fáciles?

David:
Cierto.

Chris:
Creo que hay algo en la psicología humana que nos impulsa a querer hacer la vida más fácil, y la IA es una parte de eso. Pero un dato interesante que encontré fue que, en la mitología griega antigua —tan temprano como en el 400 a.C.— había un mito sobre el dios Hefesto, quien creó una gigantesca estatua de bronce, a la que llamó Talos. Esa fue una de las primeras ideas de IA. El trabajo de Talos era defender las islas y destruir a sus enemigos. Básicamente, era un ciborg de IA primitivo.

David:
Vaya, no habría imaginado que la gente pensaba en eso desde tan temprano.

Ken:
Y lo que daría miedo sería si hubieran logrado hacerlo en esa época.

David:
Exacto.

Ken:
Pero creo que la respuesta que escuché a la pregunta de David, Chris, es que llevamos tratando de construir máquinas más inteligentes que nosotros desde que hemos sido flojos, lo cual ha sido… siempre.

Chris:
Sí. Sí, creo que el hecho de que los humanos seamos un poco flojos es lo que impulsa la tecnología.

Ken:
Exactamente. Y por eso Gates decía, ¿verdad? Bill Gates siempre decía que prefería contratar a una persona floja antes que a una trabajadora, porque sabía que la persona floja encontraría una forma de automatizar la tarea y hacerla más rápido.

Chris:
Pero algunos de los avances más recientes comenzaron en los años 50, con personas como Alan Turing y John McCarthy. Desde la aparición de las computadoras, hemos avanzado mucho más en la inteligencia artificial.

Ken:
Ah, hay una película muy buena sobre Alan Turing. ¿Cómo se llamaba? Salió hace algunos años.

Chris:
Creo que fue The Imitation Game, y así es como él llamaba originalmente a la Prueba de Turing.

Ken:
Cierto, he escuchado mucho sobre eso. Solo voy a preguntártelo: ¿Qué es la Prueba de Turing, Chris?

Chris:
La Prueba de Turing fue algo que Alan Turing propuso como una forma de medir el progreso de una IA. Y era una prueba bastante simple. Si un humano puede distinguir que está interactuando con una computadora, la IA falla la prueba. Si no puede distinguirlo, ha sido engañado y no puede notar la diferencia entre una computadora y un humano, entonces la IA pasa la prueba.

Ken:
Entonces, si estás en la internet de principios de los 2000, probablemente Cleverbot no pasaría la Prueba de Turing.

Chris:
Probablemente no.

David:
O Clippy, el asistente de Microsoft Word.

Chris:
Turing predijo que su prueba sería superada para los años 2000, así que se equivocó un poco, pero probablemente no por mucho.

Ken:
Es realmente difícil saber qué tan lejos estás a veces, ¿verdad?

Chris:
Así es, señor.

Ken:
Entonces, ¿cuáles son algunos de los grandes logros que hoy en día podemos señalar como impulsados por la inteligencia artificial o resultado de la investigación en IA?

Chris:
Bueno, mencionaste uno que realmente me llamó la atención en los últimos años. Y es la capacidad de Google para jugar Go. Hubo dos versiones desarrolladas por el grupo DeepMind.

Una se llamó AlphaGo. Lo que hizo AlphaGo fue tomar un enorme corpus de partidas jugadas por humanos y aprender de los mejores, los grandes maestros. Aprendió qué movimientos eran buenos. Y con eso fue capaz de vencer al campeón mundial de Go tras haber entrenado con decenas de miles de partidas de grandes maestros.

Ken:
¿Eso fue machine learning?

Chris:
Sí, eso fue machine learning.

Ken:
Entonces tomaron todos los datos de un montón de partidas jugadas por maestros de Go, y observaron quién ganaba. Dijeron: “Ok, el ganador tiene la estrategia correcta, así que vamos a dar peso a esa estrategia y usarla cuando sea apropiado.” Y, tras observar decenas de miles de partidas, la IA aprendió a vencer a un humano.

Chris:
Exactamente. Fue un problema de aprendizaje supervisado. Y luego, más recientemente, AlphaGo Zero, que es como la siguiente versión de ese mismo programa, usó una técnica llamada aprendizaje por refuerzo. En lugar de tomar un gran conjunto de partidas humanas, solo se le dieron las reglas del juego de Go, y jugó contra sí mismo. Hacía pequeños cambios en su estilo de juego —bastante aleatoriamente— y aprendía con el tiempo qué movimientos eran buenos y cuáles no.

Y aunque no parezca un buen enfoque, una computadora puede jugar contra sí misma mucho más rápido que los humanos, por supuesto. El resultado final fue que AlphaGo Zero venció a AlphaGo 100 partidas a 0.

Ken:
¿Así que los humanos no tendrían ninguna oportunidad contra AlphaGo Zero?

Chris:
Probablemente no.

Ken:
Recuerdo haber leído un poco sobre esto, y se comentó que fue un logro mucho mayor que cuando una computadora venció a un humano en ajedrez, porque el ajedrez es un juego muy simple —relativamente, claro, aunque obviamente es complejo para muchos de nosotros—, pero a medida que avanza una partida de ajedrez, hay menos opciones disponibles desde el inicio. Si al final de una partida solo tienes el rey o un par de peones, realmente no puedes hacer mucho. En cambio, Go es un juego que se vuelve más y más complejo a medida que avanza.

Chris:
Exactamente. Sí, no sé si llamaría al ajedrez simple como dijiste, pero…

Ken:
Por eso me retracté de inmediato.

Chris:
La computadora Deep Blue esencialmente ganó el ajedrez con fuerza bruta. Podía calcular cada movimiento posible. En Go hay más combinaciones posibles, según lo que he oído, que átomos en el universo. Así que es esencialmente imposible calcular cada resultado posible. Y por eso el machine learning realmente destacó al lograr ganar en ese juego.

Ken:
Bueno, eso es enorme. Dave, creo que estamos a la mitad del episodio. ¿Tú preparaste la trivia hoy?

David:
Sí. Así que la primera pregunta es para ti, Ken. Y la pregunta es: ¿cuándo se ideó por primera vez la fractura de un pozo?
A: 1865; B: 1949; C: 1962; o D: 1977.

Ken:
Bueno. Hemos estado fracturando pozos verticales por diferentes razones de producción mucho antes de los años 60 y 70. Así que voy a decir A y adivinar que es realmente antigua. Sea cual sea ese número de 1800, porque a veces no hay nada nuevo bajo el sol. Y creo que como industria ya conocíamos la fractura desde hace mucho tiempo. Simplemente no fue hasta hace muy poco que dijimos: “Oye, perfora laterales largos en el esquisto, frácturalos y bombea millones de libras de arena, y obtendrás más petróleo.” Así que diré A.

David:
Correcto. La idea de la fractura hidráulica moderna, como mencionaste, comenzó con pozos verticales y se remonta a 1865, cuando un veterano de la Unión de la Guerra Civil, el Teniente Coronel Edward Al Roberts, recibió la primera de muchas patentes para lo que llamó un torpedo explosivo. Era como un cilindro de metal que bajaban al pozo lleno de explosivos, y luego dejaban caer un peso sobre él para activar la carga. Y eso aumentaba la producción en los pozos verticales de la época hasta en un 10,000%. Así que fue muy exitoso.

Ken:
¿10,000%?

David:
Sí.

Chris:
No suena muy diferente de un cañón de perforación con cargas huecas.

David:
Sí, era una tecnología mucho más antigua de lo que pensaba. Bien, la siguiente pregunta es para Chris:
¿Qué explosivo contenía este "torpedo explosivo", como él lo llamaba?
A: Pólvora negra; B: Pólvora común; C: TNT; o D: Nitroglicerina.

Chris:
Sé que la pólvora negra y la pólvora común han existido desde siempre, pero probablemente no tienen la fuerza explosiva suficiente a menos que se compriman bien. El TNT y la nitroglicerina se usaban en minería, pero el TNT es un poco más seguro, así que esperaría que usaran eso. Voy a decir C: TNT.

David:
Bueno, hubiera sido bueno, porque en realidad usaban nitroglicerina, y debido a su volatilidad —a veces explotaba solo por un golpe— muchas personas murieron en el proceso de fracturar esos pozos, porque la nitroglicerina es una sustancia muy peligrosa.

Ken:
¿Así que hoy en día no fracturamos con nitroglicerina?

David:
No.

Ken:
Lo que sí me pone nervioso es trabajar con las baterías de sistemas MWD (medición mientras se perfora), porque creo que en un par de episodios anteriores, nuestro experto en baterías Daniel Murphy mencionó que una batería para fondo de pozo tiene básicamente el potencial explosivo equivalente al del TNT. Así que cada vez que cargo una de esas por el taller, solo pienso que estoy cargando un gran cartucho de dinamita. Por suerte, se necesita mucho más para activarlas que con el TNT.

Entonces, Chris, ¿hay algún ejemplo actual que conozcas en el campo petrolero donde se esté utilizando IA con éxito?

Chris:
Sí, este es un tema enorme ahora, no solo en la industria de perforación, sino en toda la industria. Y en el mundo de la perforación hay dos corrientes: una que dice que los datos están desordenados, que debemos esperar a que estén mejor; y otra que dice: “Tenemos algunos datos, avancemos y veamos qué podemos obtener.”

Ken:
Siempre voy a estar de acuerdo con ese segundo grupo.

Chris:
Sí, claro.

Ken:
Siempre van a estar desordenados.

Chris:
En ese segundo grupo, en el espacio de perforación, hemos visto predicciones de disfunciones de perforación; detección temprana de influjos; optimización de velocidad de penetración (ROP); predicción de vida útil restante del BHA (ensamble de fondo); e incluso comprensión de cómo se relacionan los diferentes parámetros. Así que, en algunos casos, la IA se está volviendo menos una “caja negra”. Algo que es muy importante para nosotros es la IA explicable. Que no solo puedas ver que se hace una predicción, sino también entender qué está causando que el sistema se comporte de esa manera. Y eso permite mejorar con el tiempo.

Ken:
También ayuda a la aceptación de la tecnología. Lo cual, como sabemos, en esta industria a veces puede ser difícil, ¿no?

Chris:
Exactamente. Sí, también trabajamos en el espacio de defensa. Así que nuestros clientes definitivamente se preocupan por eso, por la parte de la responsabilidad.

David:
¿Puedes hablarnos sobre algunos casos de éxito de IA en SparkCognition?

Chris:
Sí, mencioné algunos en el área de perforación. En la parte de producción, hemos visto una gran aceptación por parte de los operadores. Creo que parte de eso viene de la mentalidad en los niveles ejecutivos. Una vez que un pozo está produciendo, es básicamente una anualidad, es literalmente dinero saliendo del suelo. Así que en cuanto a predicción, prever fallas o vida útil restante de bombas ESP, compresores de gas lift, bombas de varilla, o incluso predecir la producción futura de un pozo con una imagen compuesta del mismo, han sido algunos de los primeros logros. También la optimización de predicciones para reparaciones de pozos es un tema muy grande en este espacio.

Fuera del mundo de la perforación, hay un par de casos de uso muy interesantes. Menciono uno brevemente. En turbinas de gas de combustión en el sector de servicios públicos. Estas son piezas de equipo que cuestan cientos de miles de dólares. Y lo que descubrimos es que si eres muy bueno detectando anomalías, como nosotros lo somos, incluso en una pieza de equipo completamente nueva —como una turbina de combustión con número de serie del 1 al 5— si puedes detectar que algo está fuera de lo normal, marcarlo y luego explicar por qué es una anomalía —esa IA explicable de la que hablábamos— los técnicos pueden anticiparse a una falla antes de que ocurra y también asegurarse de que no vuelva a suceder.

En un caso, logramos detectar una falla en una turbina de gas de combustión que habría causado una falla catastrófica en un equipo de $600,000 con aproximadamente 30 días de anticipación.

David:
Wow.

Chris:
Y no fue una falla explícita la que se encontró, simplemente dijo: “Esta es una anomalía de alto valor, deberías investigarla. Así es como se ven los flujos de los sensores.”

David:
Eso es increíble.

Ken:
Así que parece que en el futuro podemos esperar tener equipos que fallen mucho menos seguido, porque vamos a empezar a equipar todas nuestras plataformas, herramientas de perforación y todo lo demás en la industria con estos acompañantes de IA que serán capaces de detectar disfunciones o anomalías con mucha anticipación. Así que creo que podemos esperar que los equipos duren mucho más tiempo y digan: “Oye, voy a fallar. Me estás dañando.” Detente o haz algo diferente para que esta pieza dure más, o podamos perforar por más tiempo, permanecer más tiempo en el pozo.

Chris:
Absolutamente. Y a medida que la detección de anomalías mejora cada vez más, podemos comenzar a cerrar esa brecha entre los dos grupos: los que dicen que los datos no son buenos y los que dicen que sí lo son. Porque literalmente puedes iniciar un programa de aprendizaje no supervisado sin ejemplos previos de fallas. Así que puedes empezar a obtener beneficios solo con cambiar la forma en que recoges los datos hoy y aplicarlo a cosas como detección temprana de influjo (kick) o vida útil restante del BHA.

David:
Me gustó lo que dijiste sobre IA explicable. Habiendo jugado un poco con aprendizaje automático, a veces no tienes idea de por qué el algoritmo considera que algo es una anomalía. Así que tener esa explicación de por qué detectó un comportamiento anómalo es sumamente beneficioso para los operadores.

Chris:
De acuerdo. Darwin, de hecho, te puede entregar un mapa de la red neuronal que genera, y si intentas estudiarlo te vas a dar dolor de cabeza solo con eso.

David:
Exacto.

Ken:
Quiero cerrar con esta pregunta. ¿Qué podemos esperar en los próximos 5 años, como algo tipo ciencia ficción, en petróleo y gas relacionado con IA? Ya hablamos de herramientas que van a durar mucho más, y yo sé que estoy esperando sistemas de Medición Mientras Perforas (MWD) que te digan cuánta vida útil les queda. Pero, ¿qué crees tú, Chris, que está por venir, como tecnología futurista para petróleo y gas?

Chris:
Bueno, mencioné algo en lo que hemos estado trabajando: Darwin. Es una IA que crea otras IA. Creo que eso va a permitir que surjan otras tecnologías tipo ciencia ficción. Esto reduce la barrera de entrada para generar un modelo de aprendizaje automático al automatizar la mente de un científico de datos.

Puedes usar eso para hacer cosas como colocar IA sobre IA. Y creo que eso va a ser una de las cosas futuristas más emocionantes que van a surgir a corto plazo. Un ejemplo es…

Ken:
Y…

Chris:
Adelante.

Ken:
Solo iba a decir que eso va a ser absolutamente necesario, porque nosotros hemos trabajado bastante con sistemas de Medición Mientras Perforas, y mucho de ese trabajo ha sido agregar más sensores, más datos, más memoria, ¿cierto? Y en esta industria no es como si tuviéramos un exceso de personas para trabajar en todo esto. Así que construíamos estas herramientas inteligentes, las desplegábamos, cientos de ellas o más, y comenzaban a generar montones de datos, y pensábamos: “Oh no, ahora tengo todos estos datos. Tendré que contratar 10 científicos de datos para analizarlos.” Apenas tenía tiempo para diseñar la herramienta y mantenerla funcionando, mucho menos para revisar esta montaña de datos y darle sentido. No vamos a tener tiempo de mirar los datos, averiguar qué está mal y luego entrenar una IA para que lo haga automáticamente. Vamos a necesitar algo que pueda revisar eso, encontrar qué está mal por nosotros y guiarnos por el camino.

Chris:
Exactamente. Y cuando hablaba de capas… te doy un ejemplo rápido fuera de la industria, y luego lo traemos de vuelta. En traducción de idiomas, si piensas en lo que ya puede hacer Google Translate, ahí hay múltiples capas de redes neuronales. La primera determina qué idioma estás hablando, y luego el segundo modelo de aprendizaje automático traduce ese idioma. Este habla alemán, ahora traduzcamos de alemán a inglés. Son dos modelos distintos, uno encima del otro.

De forma similar, si tomas un pozo de gas en producción, puedes usar IA para predecir la vida útil restante de tus compresores y bombas, y luego aplicar otra capa para proyectar la producción futura de ese pozo o la recuperación final. Así que estas capas de redes neuronales pueden sonar a ciencia ficción hoy, pero ya están ganando tracción, y van a permitir aplicaciones muy interesantes con IA.

Aquí tienes la traducción al español del cierre del episodio:

Ken:
No, estoy totalmente de acuerdo. Sabes, algo que estoy esperando con ansias es que creo que tenemos una montaña de datos en superficie que simplemente no estamos aprovechando. Y tenemos estas plataformas equipadas con cientos de sensores, y siempre estamos tratando de construir estas herramientas de registro súper invasivas u otras para hacer mediciones en fondo, cuando creo que mucho de eso ya podría estar presente en los datos de superficie.

De hecho, vimos una presentación muy interesante ayer de una empresa que, solo usando parámetros de superficie y un registro de gamma, puede usar una red neuronal para extrapolar de esos datos un registro de resistividad, porosidad y otros registros típicos de LWD sin necesidad de meter una herramienta en el pozo. Y afirmaban tener un 95% de precisión. Eso solo significa que hay una enorme montaña de datos en estas plataformas esperando ayudarnos, guiarnos en la dirección correcta, y ayudarnos a perforar mejor. Simplemente no podemos aprovecharla hoy como humanos. Vamos a tener que empezar a construir cada vez más soluciones de IA, o entrenar soluciones de IA para realmente comenzar a aprovechar eso.

Chris:
Sí, y eso plantea dos puntos muy buenos. El aprendizaje automático y la IA pueden lograr un par de cosas. Una de ellas la llamo “detección indirecta”. Así que si una medición es difícil, poco práctica o simplemente imposible de hacer, puedes usar IA para observar los datos de sensores periféricos e inferir una medición.

Un ejemplo es que los motores de lodo no están muy bien instrumentados, ¿verdad? Pero podrías usar sensores en otras partes del BHA para inferir lo que está ocurriendo en el motor de lodo.

Ken:
Hmm, eso sería increíble.

Chris:
El segundo concepto es “física implícita”. Si miras un modelo físico tradicional, tienes que partir de un modelo ideal y luego introducir todos los factores de corrección para llegar a un modelo que suene razonable y se ajuste al mundo real.

El aprendizaje automático evita este problema porque construye su programa, su función, directamente a partir de los datos. Ese término, física implícita, realmente resonó en mí cuando lo escuché por primera vez. Te da una idea de lo que el aprendizaje automático puede lograr cuando se le da acceso a datos. No creo que reemplace por completo a los modelos físicos, pero sin duda es un gran complemento en muchos casos.

Ken:
Bueno, también es muy necesario porque simplemente no tenemos la capacidad computacional —probablemente en todo el mundo— para intentar simular lo que está ocurriendo en fondo con el nivel de detalle que nos gustaría. Y la tecnología de física implícita realmente nos permite hacerlo desde una perspectiva computacional de forma económica, sencilla y con grandes beneficios.

Chris:
Exactamente.

Ken:
Bueno, creo que este es un buen momento para cerrar. Chris, gracias por acompañarnos hoy.

Chris:
Gracias a ustedes.

Ken:
Soy Ken Miller.

David:
Y yo soy David Erdos.

Ken:
Y este ha sido otro episodio del Erdos Miller New Technology Podcast. Por favor, envíen sus preguntas sobre tecnología a podcast@ErdosMiller.com y puede que las incluyamos en el programa.