Vigésima Quinta Edición - Revista ECYS

Editorial

ESCUELA DE INGENIERÍA EN CIENCIAS Y SISTEMAS

UNIVERSIDAD DE SAN CARLOS DE GUATEMALA

YouTube: https://youtu.be/Uv4RSpL2jvE

1.1 Entrevista

¿QuiénesAdriánCatalán?

Soyunaprendizeternodelavida,siempreenbusca deconocimiento.Dirijoellaboratoriodeinnovación enlaUniversidadGalileodesdehacemásde10años, ytambiénofrezcoconsultoríasenmachinelearning ydesarrollomóvil.Heorganizadomeetupsygracias amicercaníaconGoogle,soypartedelprograma dedeveloperexperts.Ademásdemisespecialidades técnicas,tengocertificacionesenáreasnotécnicas comosommelier,barista,bartender,ycoachdevida, einclusoheexploradolacomediaconstandup.

Estadiversidaddeexperienciasmehaproporcionado unaperspectivaholísticayhumana.Sigotrabajando entecnologíaydisfrutocolaborarconpersonas. Recientemente,meapasionaelmontañismoyelultra maratón,loquereflejamisinteresesvariadosyel deseodecompartirmishabilidadestantotécnicas comopersonales.

¿Cómoseinvolucróenlaindustriatecnológica?

EstudiéIngenieríadeSistemasyheexplorado diversasáreasenlaindustriatecnológica,evitando entornosmuyburocráticoscomolosbancos,queno meinteresan.Hetrabajadoenseguridadinformática, redes,desarrolloweb,móvilymásrecientemente enmachinelearning.Desdemisañosuniversitarios, heestadoinvolucradoencomunidadestecnológicas, comoLUGUSACylaComunidaddeMicrosoft,ymás tardefundéelGDG,loquemehapermitidoconectar conmuchosperfiles.Meapasionacompartirloque aprendoyhesidoconferencistaeneventosnacionales einternacionales.Esperoseguirinvolucradoconla comunidadpormuchosañosmás.

¿Quésonlascomunidadestecnológicasycómo puedenaportaralpaís?

Lascomunidadestecnológicas,omeetups,son espaciosenLatinoaméricaparareunirapersonas coninteresessimilaresentecnologíaycompartir conocimientos,hancrecidoyadquiridosupropia

identidad.Porejemplo,simeinteresaFirebase,busco aotrosqueloutilicenparacolaborar,organizar eventosyproyectos.Estascomunidadessoncruciales paraelcrecimientodelecosistemadeinnovación ytecnologíadeunpaís,ofreciendooportunidades deaprendizajeynetworking,loqueimpacta positivamenteeneldesarrolloeconómicoysocial.En resumen,setratadereunirapersonasconintereses comunesyfomentarlacolaboración.

¿Tecnologíasenlasqueactualmentedesarrolla susproyectos?

TengounabuenarelaciónconGoogle,aunqueno soyempleado,solomecubrenlosgastosdeviaje, loquepermiteacercarmeadiferentescomunidades. PrefierolastecnologíasdeGoogle,especialmente GoogleCloudPlatform(GCP),debidoasuamplia ofertaysueficaciaparaacelerarprototiposy productos.HetrabajadomuchoconFirebaseytengo experienciaenAndroid,aunquetambiénheexplorado iOS.

Recientemente,meheenfocadoenmachine learning,usandoherramientascomoTensorFlowy Vertex.Creoqueescrucialquelainnovacióntécnica nosoloseaefectiva,sinoquetambiénmejorela calidaddevidadelaspersonas.Aunquemeinclino porlastecnologíasdeGoogle,reconozcoelvalorde otrasalternativasyestoyabiertoadiscutirdiferentes implementacionesenmisconsultorías.

¿Aquéserefierecon“DelAlgoritmoalaAcción”?

Losalgoritmossonfundamentalesencualquier productotecnológico,ycomoingenieros,trabajamos constantementeconellos.Escrucialirmásalládela teoríayenfocarseenimplementaresosconceptosde manerapráctica.Elverdaderovalordeunalgoritmo radicaensuaplicaciónyenelimpactopositivoque puedetenerenlavidadelaspersonas,lasempresasy lasociedad.Comenzamosconunaideateóricaque setransformaenacción,dandolugarasoluciones concretasenproductostecnológicosquemejoranla calidaddevida.

¿QuéeslaIAparaelIng.AdriánCatalán?

Meapasionalainteligenciaartificial,laveocomoun conceptoamplioqueabarcaelusodetecnologíapara

realizartareasqueantesseconsiderabanexclusivasde loshumanos,conresultadosigualomejores.Detrás deestohaydiversosalgoritmos,técnicas,hardware ysoftware,siendoelmachinelearningylasredes neuronalesalgunasdelasimplementacionesmás comunes.

Consideroquelainteligenciaartificialesuna herramientaquecomplementaalserhumano,no loreemplaza.Mejoralaproductividadypermite enfocarseenlainnovación,optimizandorecursos comodinero,esfuerzoytiempo.Aldedicarmenos atareasrepetitivas,podemoscentrarnosenlo importante,loque,alfinal,contribuyeaunamejor calidaddevida.

¿CómonaceelconceptodeDeepLearning?

Lainteligenciaartificial(IA)comomencionabaes unconceptoamplio,comparadoaunasombrilla, bajolacualseencuentraelaprendizajeautomático (machinelearning),queutilizadatoshistóricospara hacerprediccionesatravésdemodelos.Dentro demachinelearning,lasredesneuronales,que simulandemanerabásicaelfuncionamientodel cerebrohumano,empleanoperacionesmatemáticas complejasparaminimizarerrores.

Eldeeplearning,unasubcategoríademachine learning,secaracterizaportenermúltiplescapas (capasocultas)queaumentanlaprofundidaddel modelo.Aunqueestastécnicasseexploraronenlos años80,nosepudierondesarrollaradecuadamente hastaalrededorde2010,cuandosemejoraron graciasaladisponibilidaddemásdatosypoder computacional.LosavancesactualesenIAsedestacan enelprocesamientodelenguajenaturalylavisiónpor computadora.

LaIAsepuededividirentresetapas:laespecífica (enlaqueestamosahora),lageneral(alaque aspiramos)ylasuperior(másinteligentequeelser humano).AunqueseconsideraquelaIAactualparece tenercaracterísticasdeinteligenciageneral(como enmodeloscomochatGPTyGemini),larealidades queestamosenlaetapaespecífica.Enresumen,el deeplearningutilizaredesneuronalesparaabordar problemasdemachinelearning,queasuvezsonparte delainteligenciaartificial.

¿Enlasetapasdedesarrollotecnológicodequé herramientasnospodemosapoyar?

Soyunfirmedefensordeutilizarlasherramientas disponiblesenelmomento,basándomeenmis conocimientos,pormuchosañosdiclasesde estructurasdedatos,compiladoresysistemas operativos;conocerlasbasesesclaveparaconstruir

solucionestecnológicas.Noreinventolaruedaencada proyecto;aprovechoplataformascolaborativasyla nube,comoFirebaseyGoogleCloud,paraescalarmis soluciones.

Enelámbitodeinteligenciaartificial,megusta TensorFlow,aunquetambiénexistenopcionescomo PyTorch.AunqueinicialmentenomegustabaPython, aprendíausarloparaIA,dadoqueotroslenguajes comoKotlinoRubytienenlimitacioneseneste campo.Lacomunidadtambiénescrucialalelegir herramientas.

RecomiendounstackqueincluyaTensorFlowy herramientascomoPandasyNumPy,montadosen lainfraestructuradelanubedeGoogle,elusoVertex paratrabajarconAPIscomoGemini.Enresumen,se tratadeconocerlosfundamentos,utilizarloqueestá disponibleyresolverproblemasdemaneraeficiente, buscandounproductofinallistolomásrápidoposible.

Rolesquepuedeninvolucrarsedurantelasetapas dedesarrollocomoMachineLearning

Larespuestasobrerolesenmachinelearninges complicadadebidoalatendenciaylonovedosode laindustria.Aligualqueenlaseguridadinformática, dondelosrolesnosiempresonclaros,enmachine learningamenudoseconfundenlasfuncionesdeun científicodedatosyuningenierodemachinelearning.

Elcientíficodedatosanalizadatosparatomar decisiones,mientrasqueelingenierodemachine learningseenfocaenautomatizarestosprocesos. EnGuatemala,porejemplo,escomúnverequipos decienciadedatoscompuestosporingenieros industrialesydesistemas.

Esesencialquecadapersonaentiendasusintereses ysepacomunicarlosalosempleadores.Asícomoen seguridadinformáticasehaintegradoelconceptode DevSecOps,enmachinelearningsehabladeMLOps, aunquesuimplementaciónvaríaentreempresas.

Lalimpiezadedatosescrucialyamenudo complicada,porloquecontarconuningenierode datosesvital.Enresumen,losrolessedividenasí: elingenierodemachinelearningdesarrollamodelos, elingenierodedatosmanejaylimpialosdatos,yel científicodedatoslosanaliza.Identificarinteresesy buscarunbuenajusteconlaempresaesclaveparael éxitoenestecampo.

¿Dóndeesunbuencomienzoparaaprender? ¿Cómoiniciar,nospuedeplantearescenarios?

Comoingenierodesistemas,creoqueseríaideal tenermásprofesionalesenestecampo,aunque entiendoqueiralauniversidadpuedesercomplicado

ennuestropaís.Launiversidadpúblicapresenta desafíosdehorariosycostosdeoportunidad,ylas privadastienensuspropioscostos.

Mirecomendaciónesoptarporunainstitución educativaqueofrezcaposgradosocursos,oexplorar plataformasenlíneacomoCoursera,edXoUdemy. Notodosaprendemosdelamismamanera,asíque escrucialencontrarelmétodoquemejorseadapte acadauno.Personalmente,megustaaprenderde formapráctica,comoloproponencursosdeAndrew NgyJeremyHoward,queofrecenenfoquestanto teóricoscomoprácticoscon deeplearning.ai y Deep Learningforcoders.

Paraquienesdeseentrabajarenmachinelearning, esimportanteaprenderlosconceptosbásicosy aplicarlosaproyectosrealeslomásprontoposible. Estopermiteunaprendizajemásefectivo,yaquela experienciaprácticaenlaindustriaesfundamental. Recursoscomodeeplearning.ai,TensorFlowyPyTorch sonexcelentespuntosdepartida.Enresumen, enfóquenseentecnologíasalineadasconsusintereses ybusquenaplicarlasenproyectosrealesparaadquirir unaprendizajecontextualrelevante.

¿SeguiráevolucionandolaIAacomoseconoceen laactualidad?

Esimpresionantecómohaavanzadolainteligencia artificialenlosúltimosaños,especialmentecon lainteligenciaartificialgenerativa,quecomencéa explorardurantelapandemia.Ensolocuatroaños, hemospasadodelosprimerosacercamientos,por ejemplo,elusoderedesneuronalescomoDiffusion paragenerarimágenes,aunaadopciónmasivaen diversossectores,incluyendosaludyeducación.

Esteavanceimplicaquequienestrabajamosen estecampodebemosdesarrollarestrategiaspara automatizarypersonalizarprocesos,considerando

suimpactoendiferentesindustrias.Laevoluciónde lainteligenciaartificialdebeirdelamanoconla adaptaciónhumanaaestosrecursos.

Escrucialqueesteprocesoseacontinuo,con aprendizajeyretroalimentación,paraasegurarque tantolatecnologíacomolaspersonasevolucionen yseadaptenalasnecesidadescambiantes.Asíque larespuestaessí,lainteligenciaartificialseguirá evolucionando,peroquieroenfatizarquenosolo loharálaevolucióntécnica,sinoquetambién necesitamosundesarrollohumanoquepermita integrarestastecnologíasdemaneraefectiva.

MensajefinaldelIng.AdriánCatalán

Mienfoquesiempresecentraenlaacción:escrucial aplicarloaprendidoenlapráctica.Actualmente, estoyenundoctoradoeninnovaciónyeducación, yademás,estoyestudiandoparaconvertirmeen coachaultradistanciaynutricional.Loqueaprendo lopongoenprácticaenmímismo,yaquecreo queelconocimientodebetransformarseencambios concretosquemejorenlacalidaddevida,nosolola mía,sinotambiénladelosdemás.

Esesencialcerrarlabrechaentreeltalentocrudoy lashabilidadesnecesariasparatenerunimpactoreal, yaseaennuestrasvidas,empresasocomunidades. Todosdebemosentenderlainteligenciaartificial ysuimpactoennuestrasvidas,aunquenotodos seamosexpertosenredesneuronales.Laclavees aprenderaaplicarestasherramientas,especialmente eninteligenciaartificial,yhacerloatravésdelaacción.

Mimensajefinalesunllamadoalaacción: debemoscomprometernosaaprenderalgonuevo, especialmenteenelámbitodelainteligenciaartificial, yponerloenprácticaloantesposibleparamejorar nuestracalidaddevidayladequienesnosrodean.

Palabrasclave: Inteligenciaartificial,Machine Learning,DeepLearning,Cáncer,Oncología,Redes convolucionales.

2.1 Introducción

LaInteligenciaArtificial(IA)sepuededefinir comolacreacióndealgoritmosquebuscanemular lascapacidadescognitivasdeunhumano.Posee dossubcampos:MachineLearning(ML),elcual buscaadaptarseautomáticamenteasituaciones necesitandopocaintervenciónhumana;yelDeep Learning(DL),subconjuntodeMLqueusaredes neuronalesparaimitarelprocesodeaprendizajedel cerebrohumano.

LastecnologíasdeDeepLearningsonalgoritmos queutilizangrandescantidadesdedatosparapoder modelarabstraccionesdealtonivel,permitiendo alalgoritmoaprenderporsucuentayhacertareas comolaidentificacióndeimágenesolarealización depredicciones.Enbaseaestascapacidades,los algoritmosdedeeplearningsonutilizadosparatres tareasclínicascríticasenlaoncología:detección, caracterizaciónymonitoreodelcáncer.

2.2 Artículo

Unadeteccióntempranadecáncerincrementaen granmedidalatasadesupervivencia,segúnCancer ResearchUK,elcáncerdemamaalserdiagnosticado ensusprimerasetapastieneunatasadesupervivencia casidel100%,encomparaciónal30%siestese diagnosticaensucuartaetapa.Esporestoque unaparteimportantedelaoncologíaconsisteen desarrollartecnologíasymétodosquepermitan reconocerelcáncerdeunamaneraeficazlomás tempranoposible,siendounadeestastecnologías lasinteligenciasartificialesdeaprendizajeprofundo (DeepLearning).

Detección

Laetapadeladetecciónconsisteenlocalizar objetosextrañosenradiografías,paradeterminarsi algunodeestosesuntumorcancerígeno.Enestos casos,estareadelaIAservircomopantallainicial contraerroresdeomisión,localizandoobjetosno vistosporelespecialistaoeliminarfalsospositivos reconocidosincorrectamentecomocáncer.

Actualmente,estadetecciónesrealizadaporredes neuronalesconvolucionales,arquitecturasdedeep learningquerealizantransformacionesnolineales aestructurasdedatos,enestecasopixelesenuna imagen,paraaprenderareconocercaracterísticas relevantesenestosdatos.Porlotanto,siunared neuronalesentrenadautilizandolargascoleccionesde radiografíasdondeunpacientepresentabatumores cancerígenos,laredneuronalseríacapazdeaprender areconocerlospatronesformadospordichostumores yasípoderreconocerlosennuevospacientes.

Figura2.1: Modeloparadeteccióndecáncer.Fuente: https://goo.su/YEcqXqz

Caracterización

Lacaracterizaciónesunadelasetapasmásamplias delaoncología,puesestaconsisteengeneraruna descripciónampliadelostumoresparadetectarqué tantosehaexpandidoelcáncer,silostumoresson benignosomalignosycatalogarelcáncerenetapas. Estaetapatambiénseextiendealaprediccióndela evolucióndelcáncerycómoestepuederesponder adistintostratamientos,esaquídondeentranlos algoritmosdedeeplearning.

Lasredesneuronaleshandemostradoresultados satisfactoriosalmomentodepredecirlaagresividad deuncáncer,asícomopoderproponerquéopciones detratamientoseránlasmásadecuadasparaese cáncer,comodecidirentreuntratamientoagresivo queincluyaradioterapia,cirugíayquimioterapiao esperaralaevolucióndeeste.

Figura2.2: Relaciónentreelcáncerderectoytejidos.Fuente: https://goo.su/lJlB7

Monitoreo

Porúltimo,lafasedelmonitoreoseencargade monitorearloscambiosenlostumoresconelpasodel tiempo,yaseaporsuevoluciónnaturaloenrespuesta altratamiento.

Comopartedeestaetapa,lainteligenciaartificial seutilizaparadetectarmutacionesanormalesenel cáncerquepuedennoserdetectadasconfacilidaden radiografías.Estopermiteunmejorseguimientodela progresióndelcánceryasíayudaralosoncólogosa preverunrelapso,mientrasreducelanecesidaddela realizacióndebiopsiasconstantesenelpaciente.

Resultados

ElServicioNacionaldeSalud(NHS)enelReino Unidoyaestáutilizandounmodelodedeeplearning llamadoMIAentrenadoparadetectarsíntomas tempranosdecáncerdemama.SegúnlaBBC,desde queseempezóautilizaren2023,hasidocapazde detectarsíntomasdecáncerquelosdoctoresfueron incapacesdedetectaren11mujeres.Modeloscomo MIAestánenfasestempranasdedesarrolloyestán bastanterestringidosporregulaciones,comonopoder accederalhistorialmédicodelpaciente,perocon suficientetiempoyapoyodelgobiernopodríanllegar aserherramientasindispensablesparaelanálisis oncológico.

Figura2.3:

2.3

Conclusiones

Eldeeplearningsecomponedealgoritmosque intentanimitarelcomportamientohumano,entre estosalgoritmos,elmásutilizadoactualmenteesel reconocimientodeimágenes.Unadelasáreasen lascualessehavistoelpotencialdelalgoritmode reconocimientodeimágenesesenlaOncologíayson usados,enconcreto,paratrestareasindispensables almomentodetrataraunpacienteconcáncer. Emplearunalgoritmodereconocimientodeimágenes almomentoderealizarundiagnósticosobreuna personapuedereducirelerrorhumano,evitando queexistanfalsosnegativos.Estetipodetecnologías noselimitasolamenteidentificarposiblescánceres, sinotambiénlagravedaddelosmismos(quetan avanzadosseencuentran),realizarpredicciones acercadesuevoluciónyrealizarmonitoreossobrela evoluciónqueestospuedanteneralolargodeltiempo.

2.4 Referencias

• [1]Bhinder,B.,Element,O,Gilvary,C.y Madhukar,N.“ArtificialIntelligenceInCancer ResearchAndPrecisionMedicine”.Cancer Discovery,1deabrilde2021.Accedidoel29de juliode2024. https://doi.org/10.1158/2159‐8290. cd‐21‐0090

• [2]Bi,W.,Birkbak,Ni.J.,Giger,M.L.,Hosny, A.,Schabath,M.B.,etal.“ArtificialIntelligence InCancerImaging:ClinicalChallengesAnd Applications”.CAACancerJournalForClinicians, 5defebrerode2019.Accedidoel29dejuliode 2024. https://doi.org/10.3322/caac.21552

• [3]CancerResearchUK.“WhyIsEarlyCancer DiagnosisImportant?”,30demarzode2023. Accedidoel29dejuliode2024. https://goo.su/ q1mPJas

• [4]Kleinman,Zoe.“NHSAItestspotstiny cancersmissedbydoctors”.BBC,20demarzo de2024.Accedidoel09deseptiembrede2024. https://goo.su/lbPSt

Palabrasclave: Inteligenciaartificial,Asistentes virtuales,ChatGPT,Siri,Apple.

3.1 Introducción

Actualmentenosencontramospresenciandoel augeyestablecimientodelainteligenciaartificial ennuestrasactividadescotidianasdesdedarnos respuestaapreguntasbásicashastaanalizaryresolver problemasmuyespecíficossiempreycuandosele proporcionelainformaciónnecesaria.Uninteresante usodelainteligenciaartificialeslacreaciónde asistentesvirtualescapacesderealizartareascomo leermensajes,tomardictados,realizarllamadasen nuestrosdispositivosdemanerainmediataysencilla paraelusuario.

Podemosdefiniraunasistentecomounindividuo queofreceayuda,acompañamiento,atenciónoalgún serviciohaciaotraspersonas.Ahora,unasistente virtualesunprogramadesoftwarequeseutilizaen tecnologíasdeprocesamientodelenguajenatural (NLP)paraseguirdistintoscomandosdevozytexto yconcretardistintasosolamenteunatareaespecífica.

3.2 Artículo

Enlabúsquedadefacilitarlastareasdiariasde laspersonas,sehancreadodiferentesasistentes virtualescomoSiri,Alexa,CortanayelAsistentede Google,conelpasodeltiempoestosasistenteshan idoevolucionandoparaentenderdemejormanera ellenguajenaturalyrealizarfuncionesconmayor complejidad,respondiendopreguntasyrealizartareas específicas.

Conelavancetecnológico,fuenecesariointegrar inteligenciaartificialenestosasistentesparaaumentar significativamentesucapacidadderespuesta.Un asistenteconIAnosolomejoralarespuestaanteel procesamientodellenguajehumanosinoquetambién mejoralaexperienciadelusuarioalpoderautomatizar tareasrepetitivas,realizartareasrelacionadascon InternetofThingsenelcualseinvolucrandispositivos

conectadosalaredwifiqueelasistentepuede controlarygenerarrutinasdeejecuciónautomática.

Laventajadeunasistentemóvilestáensu portabilidad,llevarunasistenteatodosladosen nuestrobolsillorepresentagrandesventajascomo activarenremototodosnuestrosdispositivosdesde nuestroasistentepersonaldebolsilloypermitiendo organizarnuestrodíadeunamejormanerae inmediatamente.

Unasistentevirtualqueimplementaunmodelo deInteligenciaartificialenunaempresamarcauna grandiferenciaenlaformadeinteractuarconsus clientes,yaquepuedeofrecerunadisponibilidadal clientedetiempocompletosinlaintervencióndel factorhumano,representandounamejorexperiencia paraelusuario,tambiénpuederecopilaryrealizar análisisdedatosdeinteraccionesconlosusuarios, proporcionandoinformaciónvaliosaparalamejorade productososervicios.

Figura3.1: IphoneSiri.Fuente:https://goo.su/3xyqgV

Sinosenfocamosenelfuturodelosasistentes virtualesconbaseenApple,observamosquese haestadotrabajandofuertementeenintegrarla inteligenciaartificialensusproductos.Estoserefleja enlasnuevasmejorasdesusfuncionescomoSiri,enla cámarayenotrasáreas.Estáalapuertasunuevogran paso,enelcualsehaincorporadointeligenciaartificial asusúltimosmodelosdeiPhonellamadoApple Intelligence.Estanuevatecnologíapermitiráuna personalizaciónavanzadayunamejorasignificativa enelasistentevirtualSiri.

ConAppleIntelligence,sepuedengenerardistintos tiposdecontenidocomotextos,traduccionesyhasta imágenes.Adiferenciadeotrosasistentesvirtuales hoyendía,laIAdeAppleestárestringidapararespetar laprivacidaddesususuariosalnocompartirdatos personalesconterceros.Estacaracterísticaesuna medidaalascrecientespreocupacionessobrela privacidadylaseguridaddelosdatosenelmundo digitalactual.EnelfuturolaapuestadeAppleporuna IAmássegurayprivadapodríamarcarunatendencia enlaindustriatecnológica.

AsuveztambiéntenemoslosavancesdeMicrosoft enMicrosoftCopilotnosfacilitaynosbrinda solucionesenactividadescomoporejemploescribir correoselectrónicos,generarideasdepresentaciones, escribircódigoparalosprogramadoresentreotros usos.SeesperaqueMicrosoftincluyamástecnología deIAensussistemasoperativosenunfuturohaciendo mássencillaslastareas.

3.3 Conclusiones

Hoyendía,losasistentesvirtualesimpulsados porinteligenciaartificialrepresentanunarevolución tecnológica.Estosasistentesgeneranrespuestasmás rápidasycomprendenmejorellenguajehumanoy tienenunamejorcomprensióndellenguajehumano. Estosasistentesnosfacilitaneldíaadíaconlas

tareascotidianascomolopuedenserelcontrol dedispositivosdelhogarylagestióndeagendas, tambiéntienenunimpactomuypositivoenlacalidad devidadesususuarios.Conformelatecnología avance,seesperaqueestasherramientasseanaún máseficacesypersonalizables,permitiendoque elusuariotengaunasistentequerespondaasus necesidadesespecíficas.Comosedestacóenel artículolaprivacidadseráunfactorcrucialatomaren cuentacuandosetratadeelegirunasistentevirtualen unmundodondetodoestádigitalizado.

3.4

Referencias

• [1]Cahun,Antonio.“AppleaplicóunTepagocon promociónaOpenAIenlaalianzaporintegrar ChatGPTeniPhone”,XatakaMéxico,13dejunio 2024,accesoel1deagostode2024. https://goo. su/BkdnU

• [2]Icrono.“Cómocrearunasistentevirtualcon inteligenciaartificialparaempresas”,Anaimo,9 dejuliode2024,accesoel31dejuliode2024. https://anaimo.com

• [3]QuispeAlarcón,Gianfranco.“ElChatGPT actualnocorroboralainformación”,Universidad dePiura,12dejunio2023,accesoel1deagosto de2024. https://www.udep.edu.pe

Palabrasclave: Modelospredictivos,Inteligencia Artificial,Algoritmosdeaprendizajeautomático, Redesneuronales,Automatización,Análisisdedatos.

4.1 Introducción

Lainteligenciaartificial(IA)estárevolucionandoel desarrollodesoftwareytransformandonumerosas industrias,desdelasaludhastalasfinanzas.Esta transformaciónesimpulsadaporherramientasy plataformasquefacilitaneldesarrollo,entrenamiento ydesplieguedemodelosdeIA,democratizandoel accesoatecnologíasavanzadas.

Enesteartículo,explicaremoslasherramientas yplataformasclavequeestánimpulsandoesta revolución,destacandosuscaracterísticas,impactoy aplicacionesprácticas.Nuestroobjetivoesproporcio‐narunaguíadetalladaparaquelosdesarrolladores puedanaprovecharestastecnologías,creando solucionesinnovadorasyeficientes.

4.2 Artículo

LasNuevasHerramientasdeIAAntelanecesidadde lasempresasdeautomatizaryagilizarsusprocesos, nuevasherramientashansurgidoconelapoyode lainteligenciaartificial,lascualesestándandoel siguientepasoenlatransformacióndigitalparaestas empresas,desdeelfamosoGPT‐4paralacreación decontenido,queharevolucionadolageneración delmismoyhademostradogranadaptaciónpara lasnecesidadesdediferentesempresas,hasta inteligenciasartificialesparalaanalíticapredictiva ayudandoapredecircomportamientosytendencias futurasconelusodelosdatos.

Asímismo,enelsectorsanitariotenemosaCori,una inteligenciaartificialenfocadaaserunasesordesalud paralaspersonascondiabetes.Esteesunodeesos casosdeusoenloquepodemosverlagrandiversidad deaplicacionesposiblesdelainteligenciaartificiallas cualestambiénpodemosvercomounaoportunidad paracreartecnologíasútileseinnovadoras.

Figura4.1: Elentrenadorpersonalparatudiabetes.Fuente: https://cori.care/es/

PlataformasdeIAysuimpactoeneldesarrollode solucionesempresariales

LasherramientasyplataformasdeIAestánen constanteevolución,incorporandonuevasfuncionali‐dadesymejorasparafacilitareldesarrolloyla implementacióndemodelosdeIA.Conelaugede lainteligenciaartificial,hasidonecesarioencontrar herramientasquepuedansimplificaryacelerareste proceso.

UnadelasmáscomunesesScikit‐learn,una bibliotecadecódigoabiertoconstruidasobreotras libreríasdePythoncomoNumPy,SciPy,ymatplotlib. Scikit‐learnesidealparaanálisisdedatospredictivo, aprendizajesupervisadoynosupervisado,ofreciendo unaampliagamadealgoritmosquepermitena losdesarrolladoresconstruirmodelosdemachine learningdemaneraeficiente.

AdemásdeScikit‐learn,existenotrasplataformas robustasquehantenidounimpactosignificativoenel desarrollodesolucionesempresariales:

• TensorFlow: Esunalibreríadecódigolibre paraMachineLearningdesarrolladaporGoogle, diseñadaparaconstruiryentrenarredes neuronalesartificialesquedetectanpatronesy razonamientossimilaresaloshumanos.

• PyTorch: Esunmarcodeaprendizajeprofundo decódigoabiertodesarrolladoporFacebookAI ResearchconunaAPIdealtonivelbasadaen Python.Conocidoporsuflexibilidadyfacilidad deuso,PyTorchespopularenlaacademiay lainvestigación.Admitediversasestructurasde redesneuronalesypermitelacreaciónyejecución eficientedemodelosdeaprendizajeprofundo.

• MicrosoftAzureAI: LaplataformadeIAde MicrosoftAzureofreceunaampliagamade serviciosyherramientasparaeldesarrollo desolucionesdeinteligenciaartificial,desde serviciosdemachinelearninghastaherramientas deanálisiscognitivo.

Estasplataformasnosolofacilitaneldesarrollo demodelosdeIA,sinoquetambiénpermitenalas empresasimplementarsolucionesdeIAescalablesy eficientes.Alproporcionarherramientasintegradas paraelanálisisdedatos,entrenamientodemodelos, ydespliegueenproducción,estasplataformasestán transformandolamaneraenquelasempresasoperan, permitiéndolesaprovecharelpoderdelainteligencia artificialparainnovarymantenersecompetitivasenun mercadoenconstantecambio.

Tendenciasfuturas

ElfuturodelasherramientasyplataformasdeIA estámarcadoporinnovacionescomoelaprendizaje federado,quepermiteentrenarmodelossincompartir datos,mejorandolaprivacidadyseguridad.La integracióndeIAconelInternetdelasCosas(IoT)ylas mejorasenlainfraestructuradeedgecomputingestán impulsandolacreacióndesistemasmásinteligentes yautónomos,loqueprometerevolucionaraúnmás diversasindustriasyaplicaciones.

4.3 Conclusiones

Lasherramientasyplataformasdeinteligencia artificial,comoScikit‐learn,TensorFlowyPyTorch,

hanrevolucionadodiversossectoresalautomatizar yoptimizarprocesosclave.Paralosdesarrolladores, estasherramientassonfundamentales,yaqueofrecen marcosdetrabajorobustosyflexiblesparaconstruir yentrenarmodelosdeaprendizajeautomáticoy redesneuronales,loquefacilitalaimplementaciónde solucionesdealtacalidad.Estastecnologíaspermiten desarrollarmodelosavanzadosparaanalizardatos, predecirtendenciasypersonalizarservicios.Alfacilitar lacreacióndesolucionesadaptadasalasnecesidades específicasdecadaindustria,lainteligenciaartificial estátransformandolamaneraenquelasempresas operanygeneranvalor,expandiendocontinuamente lasoportunidadesdeinnovación.

4.4

Referencia

• [1]Alliax.Lainteligenciaartificial(IA)ysurol enlassolucionesempresarialesmodernas.2023. https://www.alliax.com

• [2]Bergmann,Dave.Stryker,Cole.“¿Quées PyTorch?”.IBM.2024. https://www.ibm.com/

• [3]JonLarkinAlonso.“¿QuéesTensorFlowypara quésirve?”.Incentro.2022. https://www.incentro. com/es‐ES/blog/que‐es‐tensorflow

• [4]Ramírez,Lorena.“Herramientasyaplicaciones deInteligenciaArtificialquetuempresanecesita” IEBSSchool(blog).6defebrerode2024. https://www.iebschool.com

• [5]Scikit‐Learn.“UserGuide”scikit‐learn.2024. https://scikit‐learn.org/stable/user_guide.html

Palabrasclave: Fraudes,Inteligenciaartificial, Aprendizajeautomático,Innovación.

5.1 Introducción

EnGuatemalaesmuyescuchadoenredes socialesomediosdecomunicaciónunproblema quehaaumentadoenlosúltimosaños,comolos fraudesyanomalíasdentrodelsectorfinanciero. Esfundamentalabordaresteproblemautilizando tecnologíasdeúltimageneración,comoloesla inteligenciaartificial,paraquetantolaindustria financieracomolapoblaciónengeneralpuedan disminuiresteproblemaelcualhaafectadoatodos.

PyTorchesunabibliotecadeaprendizajeprofundo queproporcionaherramientasavanzadaspara implementaralgunosmodelosdedetecciónde anomalíasyfraudes.Elcualhasidoaprovechado enotrospaísesendistintossectores.Alaplicaresta tecnologíapuedeayudararesolverunproblema enelcampofinanciero,yaquelosdelitosdeesta índolehanaumentadoconsiderablemente,debidoa lacorrupciónqueazotaelpaís.

5.2 Artículo

Análisisenotrospaíses

Esteframeworkhasidoampliamenteutilizadoen variospaísesdebidoasuscapacidadesdeaprendizaje automáticoysunaturalezadecódigoabierto,loque brindaunagranflexibilidadyfacilidaddeuso.Además, cuentaconunfuerteapoyoproporcionadoporla comunidad.

Entrelospaísesquehanimplementadoesta tecnologíaseencuentralosEstadosUnidos,donde losbancosylascompañíasdetarjetasdecrédito siempreestánbuscandométodosmássofisticados paradetectaryprevenirelfraude.Elusodeesta herramientahasidoparticularmentebeneficioso debidoasucapacidadparaprocesargrandes cantidadesdedatosycrearmodeloscomplejosde aprendizajeautomático.

Lasaplicacionesqueseencuentranenelsector financierosonlassiguientes:

• Redesneuronalesrecurrentes(RNN): para analizarseriestemporalesdedatosdetransaccio‐neseidentificarpatronessecuencialesque podríanindicaractividadfraudulenta.

• Redesneuronalesconvolucionales(CNN): para elprocesamientodeimágenes.LasCNNse utilizanahoraparaidentificarpatronesendatos tabularesdetransacciones,mejorandoasíla precisióndeladeteccióndefraude.

Unodelosbancosmásgrandesdelmundo, JPMorganChase,utilizaPyTorchparaanalizargrandes cantidadesdedatosfinancieros.Losmodelosque implementanpuedendetectaralinstantepatrones ycomportamientospocousuales,loquepermite responderlomásrápidoposibleparaprevenirel fraude.Porejemplo,puedenidentificartransacciones quedifierendelospatronesdegastocomunesdeun cliente,loqueindicaunposiblefraude.

SituaciónenGuatemala

Enelpaís,ladeteccióndefraudesfinancieros aúnenfrentamuchosdesafíos.Enlosúltimos años,hahabidounaumentosignificativoenlos delitosfinancieros,convirtiéndoseenunproblema potencialmenteincontrolable.Entreloscasosmás conocidosestánlaevasiónfiscalyellavadodedinero. Enelpaísaúnseutilizanmétodosdedetecciónde fraudestradicionalesensumayoría,comolarevisión manualdeinformación,laverificacióndeidentidady elmonitoreodetransacciones.

Unadelasprincipalesrazonesdelincrementoen loscasosrelacionadosconelfraudeeslacorrupción, queenlosúltimosañossehavueltounapráctica comúnenelpaís.Además,lafaltadeinterésyacción porpartedelasinstitucionesdejusticiahapermitido quemuchosdeestoscasosquedenimpunes.Porotra parte,laeducaciónfinancieraentrelaciudadaníaes limitadaocasiinexistente,loqueaumentaelriesgode servíctimadeestafas,fraudesorobodeidentidad.

¿CómoimplementarloenGuatemala?

EnGuatemalautilizandoPyTorchsepodríanutilizar paradesarrollarmodelosdeaprendizajeautomático queanalicentransaccionesentiemporeal.Estos modelospuedenincluirredesneuronalesrecurrentes (RNN)yredesneuronalesconvolucionales(CNN) paradetectarpatronesanómalosyactividades sospechosas.Estonosoloaumentaríalaseguridaden elsectorfinanciero,sinotambiénlaconfianzadelos clientes,yaqueayudaríaaprevenirfraudesyreducir laspérdidaseconómicastantoparalasinstituciones comoparasususuarios.

Retos

Almomentodequesequieraimplementareste framework,esimportantetomarencuentalosretos quepuedellevarsuimplementaciónloscualessonlo siguientes:

1. Unodeesossectoresdondesepuedeaprovechar mejoresenelsectorjusticia,perodebidoa lacorrupciónpresenteenelpaís,estopuede llegaraserunproblemaparalosinteresesde diferentesinstituciones,yaquepodríaevitarlos excesivoscasosdelavadodedinero.

2. Laresistenciaalcambio,esunfactormuycrítico enelpaís,estodebidoalaculturaquellegaaser muyconservadora,provocandoquenoselogre adaptaralentornoguatemalteco,debidoaque lasociedadestátanacostumbradaamétodos ortodoxosyprefiereevitarcualquiercambioen suentorno.

5.3 Conclusiones

LaimplementacióndePyTorchenelsector financierodeGuatemalaofrecenumerososbeneficios, incluyendolamejoraenladeteccióndefraudesen tiemporealylareduccióndepérdidasfinancieras. Escrucialtomaraccionesencontradeestosdelitos, debidoasuaumentoenlapoblaciónguatemalteca, Conestasmedidassebuscaquenosololosbancos seanbeneficiadosparanocontarconpérdidas,ya quealaumentarlaseguridaddelastransacciones, fortalecerlaconfianzalosclientes,mejorandoasíla fidelidadysatisfaccióngeneral.

5.4 Referencias

• [1]”AnomalyDetectioninFinancialDatawith PyTorch‐FouadRoumiehMedium.”,Roumieh,F., 20deoctubre2023, https://acortar.link/6dklLC

• [2]”DelitosfinancierosenGuatemala:Análisisde lasituaciónactual”,DeclaraguateOmisos,30de enero2024, https://acortar.link/B4zpse

• [3]”JPMorganChaseusingadvancedAItodetect fraud.AmericanBanker”,Crosman,P.22de diciembre2023, https://acortar.link/VGutC0

• [4]”PyTorch.EnterpriseAI.”,Yasar,K.,&Lewis, S.,16denoviembre2022, https://acortar.link/ w0YCrw

• [5]”PyTorch2.4documentation.(s.f.)”,PyTorch documentation,2023, https://acortar.link/PqmwUz

UNIVERSIDAD

ESCUELA DE INGENIERÍA EN CIENCIAS Y SISTEMAS

DE SAN CARLOS DE GUATEMALA

6.1 Entrevista

¿QuéeselRallyInterdepartamentaldeInnovación 4.0(RIIC4.0)?

Esunacompetenciainiciadaen2021queinvita aestudiantesaformargruposyresolverproblemas comunitariosmediantetecnologías4.0,principalmente elInternetdelasCosas(IoT).Inspiradaenlaindustria 4.0deAlemania,buscaaplicarestasinnovacionesen Guatemalaparaabordardiversosdesafíos.

¿CómoseenterarondelRallyInterdepartamental deInnovación4.0(RIIC4.0)?

En2022,Estuardo,juntoconFernandayFrancisco, seenterarondelacompetenciaatravésderedes sociales.Habíanparticipadoanteriormenteenun programadebecasy,motivadosporesaexperiencia, decidierontrabajarjuntosenunasolución.Además, EstuardofuecontactadoporSENACYT,loque tambiéncontribuyóasuconocimientosobrela competencia.

¿EnquéconsisteelRallyInterdepartamentalde Innovación4.0?

ElRallyesunacompetenciainterdepartamentalen laquegruposdejóvenesmultidisciplinariosproponen solucionestecnológicasaproblemasenelpaís.A medidaqueavanzanlasfases,seseleccionanlos gruposconlasmejorespropuestas.Alfinal,seevalúan lapresentacióndeunprototipoysuviabilidad, culminandoconlapremiacióndelosganadores.

¿QuéloshamotivadoaparticiparenelRally InterdepartamentaldeInnovación?4.0?

Fernandadestacaqueunadelasmotivacionespara participarenelRallyeslaoportunidaddecreary aplicarlosconocimientosadquiridosenlauniversidad enproyectossignificativos.Además,valoraqueel Rallytienecomoobjetivobeneficiaralacomunidad, loqueresultagratificantealpodercontribuiral

desarrollosocial.Laposibilidaddequesusideas evolucionendesimplesprototiposaproyectosreales quegenerenbeneficiosparadiversascomunidadeses tambiénunaspectoinspiradorparaelequipo.

¿Quécriteriossetomanencuentaparasu participaciónypremiación?

FranciscoexplicaqueelRallycomienzaconunafase decapacitaciónenlaquelosequiposdebenpresentar avancesydemostrarlaviabilidaddesusproyectos. Aquellosqueidentificanclaramenteelproblemaa resolveravanzanyrecibenunkitparadesarrollar suprototipo.Luego,presentancómofuncionarásu proyecto,ylosprototiposmásfuncionalespasanala final.

Laevaluaciónfinalconsideratantoeltiempoy dedicacióncomoeldesarrolloyviabilidaddelproyecto. Ensuprimeraparticipación,elequipodestacópor realizarunanálisiseconómico,loqueseconvirtióenun criteriodeevaluaciónenlasegundaedición,en2023. Enresumen,losprincipalescriteriosdeevaluación ypremiaciónsonlafuncionalidad,dedicacióny viabilidaddelproyecto.

¿Cómoseconformóelequipo?

Estuardomencionaqueél,FranciscoyFernanda sonexbecariosdeunprogramadelDepartamentode Estadode2022,dondeseconocieronyaprendieron sobreeltrabajointerdisciplinario.Ensuprimera participación,sugrupofueúnicoencontarcon estudiantesdediferentesáreas,comoingeniería ambientalysistemasdeproducciónagrícola.En2023, decidierondiversificarlacargadetrabajoalintegrar aCarlos,estudiantedeingenieríamecatrónica,loque permitiódesarrollarunproyectomáscompleto.Esto lespermitióacadaunoenfocarseensusfortalezas.

¿DequésetrataelproyectoFarmflow?

Farmflownacióconelobjetivodellevartecnología acomunidadespequeñasparaoptimizarciertas variables,yfinalmentedesarrollóunacoplauniversal

paradrones.Estedispositivo,adaptableacualquier dronbásico,reduceloscostosdealquiler,permitiendo larecoleccióndedatosquesealmacenanenuna basededatosparadiversosprocesos.Eldiseñode lacoplafueversátilyaccesible,pensadaparaque tantograndesempresascomocomunidadespequeñas pudieranbeneficiarse.

Duranteeldesarrollo,elequipoenfrentólimitaciones técnicas,perologramosintegrarelsistemaparaque estefuesefuncional.Sedescubrióquelacoplatenía aplicacionesamplias,incluyendolaprevenciónde desastresnaturalesylagestiónderecursoshídricos yagrícolas.

Elproyectoseorientóhaciaunainversiónúnicapor copla,concostosmensualesparaserviciosenlanube. Serealizóunanálisisdecostosparaasegurarqueel proyectofueraautofinanciableysinfinesdelucro, beneficiandoapequeñosagricultoreseinstituciones gubernamentalesauncostobajo.

¿Cómosurgiólaideadelproyecto?

Franciscoexplicaqueelequiposeenfocóen problemáticascomunesqueafectanacomunidades vulnerablesenGuatemala,especialmenteantelos desastresclimáticos,comoinundacionesyderrumbes, quehancausadomuchaspérdidashumanasy económicas.Decidieronconcentrarseenlaregiónde AltaVerapaz,aunquesusoluciónesaplicableatodoel país.Amedidaquedesarrollaronelproyecto,sedieron cuentadesupotencialeconómicoysucapacidadpara contribuiralaprevencióndedesastresnaturalesy pérdidasenlaagricultura,beneficiandoasítantoalas personascomoalaeconomíaagrícola.

¿Quérolesdesempeñaroneneldesarrollodel proyecto?

Losrolesdelequiposedistribuyeronsegúnlas especializacionesdecadamiembro.Estuardolideró eláreadesoftwareyfueelenlacequeorganizóal grupo,ayudandoadefinirlasvariablesdemedicióny costos.Carlosseencargódelhardware,incluyendola impresión3Dylaelectrónica,mientrasqueEstuardo montólaarquitecturadedatosdesdeelRaspberryPi aAzureIoTServicesycreóunaaplicaciónenPower AppsparavisualizarlainformaciónenCosmosDB. FranciscoseocupódelasvariablesdeAtterbergy suaplicaciónenelproyecto,yFernandadesarrollóel modelodenegociosconunenfoquesocial,loquefue claveparalaseleccióndelproyecto.Estuardodestacó laimportanciadeltrabajointerdisciplinario,señalando que,comoestudiantesdesistemas,amenudono conocenlosproblemasenotrasáreasquepodrían ayudararesolver.

¿Quéherramientasaplicaronparallevaracaboel proyecto?

ElequipocomenzóutilizandoOrangePi,pero enfrentódificultadesporlafaltadelsistemaoperativo necesarioparaintegrardatosconAzure.Porello,se cambióaRaspberryPi,empleandolaarquitectura dereferenciadeAzureIoT.Losdatosseenviaron desdeRaspberryPiaAzureIoTHubyseprocesaron medianteAzureStreamAnalytics,permitiendosu visualizaciónenExcelylacreacióndeunprototipo conPowerApps,aunqueseconsiderócostosopara unapequeñaempresa.

Encuantoalhardware,ademásdelOrange Pi,seutilizaronsensoresparamedirhumedady temperaturadelsuelo.Seexplorólaposibilidadde usarunacámaraconinteligenciaartificialparaanalizar riesgosdedesastresnaturales,perolasdificultades conelOrangePicomplicaronestaparte.

Elequipoanalizóvariablescomolahumedad delsueloymodelosclimáticos,utilizandomodelos estadísticosparaprevereventosfuturos.

Enelanálisisfinanciero,seevaluólainversión inicialyseaplicaronindicadorescomoEVAyROIpara determinarelcostomínimoyelperiododeretornode lainversión,loqueayudaríaaestablecerlaviabilidad económicadelproyecto.

¿Quéoportunidadesyfortalezaslevenal proyectoFarmflow?

Elproyectosedestacaporsuoriginalidady accesibilidadencomparacióncondronescomerciales costososquemidenvariablessimilares.Subajo presupuestolohaceviableparapequeñaseconomías, enfocándoseenelvalorsocialenlugardesolo enganancias.Además,puedeacoplarseadiversos drones,loqueamplíasumercadopotencial.

Seidentificanoportunidadesdeinvestigación interdisciplinaria,especialmenteentrelasfacultades deagronomíaeingeniería,basándoseenexperiencias previasconexpertosinternacionaleseninteligencia artificialyanálisisdezonasáridas.

Elproyecto,aúnenfasedeprototipo,tieneungran potencialdemejoramedianteinversiónexterna,lo quepermitiríaelusodesensoresmásavanzados.Sin embargo,laintegracióndesensoresdepHpresentaun desafíodebidoasucomplejidadycosto.

Finalmente,sesubrayalaausenciadeiniciativas similaresenGuatemala,loquerepresentauna oportunidadsignificativaparaentrarenunmercado aúnnoexplorado,adiferenciadepaísesdesarrollados queyacuentanconrecursosenesteámbito.

¿Cómoincentivarlaparticipaciónenestetipode actividades?

EstuardodestacaqueenlaEscueladeCienciasy Sistemasseestáfomentandounnuevoenfoqueenla presentacióndeproyectos,especialmenteenelcurso deArquitecturadeComputadorasyEnsambladores 2,dondelosestudiantesbuscanideasinnovadorasen IoT.Proponequesedebenincentivarestasiniciativas, ofreciendocréditosextracurricularesypromoviendo eltrabajointerdisciplinario,loqueayudaríaalos estudiantesaconectarsuesfuerzoconresultados emotivos.

Fernandaañadequeescrucialcontarconun fondodeapoyoparaestosproyectos,yaque losestudiantesamenudoenfrentanlimitaciones económicasalinvertirenmateriales.Sugiereque proporcionarlosrecursosnecesarios,comosensores yherramientasparaimpresiones3D,podríaeliminar barreraseconómicasymotivaramásestudiantesa desarrollarsusideas.

Mensajefinaldelequipo

Estuardoenfatizalaimportanciadenodesmotivarse antelafaltadeconocimiento,yaquesepuede aprenderenelcamino,comoéllohizoconCloud Servicesaliniciarelproyecto.

Fernandaresaltalanecesidaddetenerconfianzaen unomismoyeneltrabajoenequipo,mencionando quecadamiembroaportadiferentesconocimientos, loquepotenciaelresultadofinal.Destacala importanciadeparticiparenconcursosyeventos, animandoaotrosasuperarelmiedoyacompartir susideas.

Carlossintetizaquelospilaresdeléxitoenun proyectosoneltrabajoenequipo,laconfianza,una buenagestióndeltiempoylacomunicaciónefectiva, subrayandoquelasbarrerassonmentalesyquecon determinaciónsepuedelograrcualquierobjetivo.

Figura6.1: EquipoChaacFuente:https://goo.su/NOWSJ7

Palabrasclave: JavaScript,compiladores,optimiza‐cióndecódigo,motorV8.

7.1 Introducción

Hoyendía,JavaScriptesellenguajequemueve lawebtalycomolaconocemos,perosuhistoriano siemprefuetanbrillante.Haevolucionadodesdesu nacimiento,superandounatrayectoriadesordenada porlafaltadeestandarización.ElmotorV8de GoogleChromehasidoclaveenesteprocesoademás depermitirlaejecucióndeJavaScriptendistintos entornos,másalládelosnavegadores.

JavaScripthatrascendidosuorigencomoun lenguajedescriptingbásico.V8haincorporado mecanismosavanzadosdeoptimización,loque lohaposicionadocomounpilarenelecosistema tecnológicomoderno.Enesteartículo,sedesglosan losprocesosinternosdelmotorV8,mostrandocómo hacequeJavaScriptseataneficienteypotente.

7.2 Artículo

JavaScripthatenidounahistoriacaótica,peroha gozadodeunaacogidacrecienteentrelosdesarrolladores. Desdesuprematuronacimientoen1995,cuandosu desarrolloinicialsecompletóentansolo10días, JavaScriptcareciódeunaespecificaciónformal.Esto provocóquelosnavegadoresdelaépoca,conlaurgente necesidaddeestablecersecomolapuertadeentradaal novedosointernet,interpretaranellenguajededistintas maneras,etapaconocidahoycomola“Guerradelos Navegadores” (Rauschmayerm2012).

Netscape,elnavegadorqueimplementóJavaScript porprimeravez,solicitóen1996alaorganización deestándaresECMAInternationalquecrearauna especificación,ahoraconocidacomoECMA‐262. Sibienfuepublicadodichoestándar,elentorno querodeabaallenguajeseguíasiendoanárquico, principalmentedebidoalareticenciadeMicrosoft deadoptarlaespecificaciónensunavegadorInternet Explorer.

Coneltiempo,lacrecientecapacidadyeficiencia delosnavegadoresmodernos,especialmenteGoogle ChromeconsumotorV8,impulsaronlaadopción generalizadadelestándar.Estandolosnavegadores alineadosenlamismadirección,sepudieron desarrollarcaracterísticasmásrobustas,deshaciendo laideadequeJavaScripteraunlenguajesencillo destinadosoloparaproporcionarinteractividadbásica alaspáginasweb.

V8esunmotordecódigoabiertoparaJavaScript yWebAssemblyquehapermitidoaJavaScript liberarsedesuusoreservadoparaelnavegadory hasidoadoptadoenentornosdeejecucióncomo Node.jsoDeno,dondetambiénseempleapara desarrollaraplicacionesdelladodelservidoreincluso deescritorio.

Lacompilacióneselprocesoenelqueelcódigo fuentesetraduceaunarepresentaciónequivalente, tradicionalmenteincluyevariasetapas:análisisléxico, análisissintáctico,análisissemántico,generación yoptimizacióndecódigointermedioygeneración decódigofinal.JavaScript,aunqueseconsideraun lenguajeinterpretado,tambiéninvolucraunproceso decompilaciónenelmotorV8.

Figura7.1: ArquitecturadelmotorV8.Fuente:Elaboraciónpropia. V8primeroanalizaeltextofuenteconvirtiéndoloen

unárboldesintaxisabstracta(AST),unarepresentación estructuraldelprograma.Elanálisissintáctico comienzaconunescánerqueprocesaunasecuencia decaracteresygeneratokens,bloquesconsignificado semántico.Lostokenssonconsumidosporelparser deV8,queconstruyeelAST.Desdeestaetapainicial seintroducenoptimizaciones,comolaposibilidad deaplazarelparsingdefuncioneshastaquesean necesarias,técnicaconocidacomolazyparsing.

Enlugardeejecutardirectamentelasinstrucciones recorriendoelAST,V8generaunarepresentación intermediallamadabytecode (verFigura8.2).Bytecode esconjuntodeinstruccionesqueseasemejaal códigomáquina,peroestándiseñadasparasermás flexibles.Laabstraccióndelasinstruccionesmáquina enbytecodefacilitalatareadelcompiladoryda cabidaaoptimizaciones.Ignition,elintérpretedeV8, procesaelbytecode,loqueproporcionaportabilidad aJavaScriptentreplataformas,yaqueelbytecode nodependedeunaarquitecturaespecíficaparasu ejecución.

Sibienlaejecucióndelbytecodeesrelativamente eficiente,siguesiendomáslentocomparadocon elrendimientodeunlenguajecompletamente compiladoabajonivel.Paramejorarelrendimiento, seintroduceunpasoadicional,lacompilación Just‐In‐Time(JIT).

ElprocesodecompilaciónJITcomienzacuando,en tiempodeejecución,sedetectanpartesdelbytecode quepuedenbeneficiarsedelaoptimización.Elproceso deoptimizaciónescostosocomputacionalmente, porloV8estimaelposiblebeneficiocomparandoel tiempodeejecucióndelaversiónnooptimizadacon elquesepodríaobteneraloptimizarla.

Figura7.2: BytecodegeneradoporNode.js.Fuente:Elaboración propia.

Elbytecodedelasseccionesidentificadascomo optimizablespasaporunprocesodecompilacióndonde

sepretendeanalizarlasformasdelosobjetos.El compiladorencargadosellamaSparkPlugyesdel tiposingle‐pass,porloqueesextremadamenterápido, sibienlasoptimizacionesqueconsiguesonsimples. (Swirski2021).

LasalidadelacompilacióndeSparkPluges inyectadaenMaglev,uncompiladorqueempleauna representaciónintermediabasadaenlaasignación estáticadeunasolavez(SSA)ygráficosdeflujode control(CFG) (Verwaest,yotros2023).

Finalmente,lasalidadelasanterioresetapasllega aTurboFan,elcompiladoroptimizadorprincipalde V8,queutilizaunarepresentaciónintermediaconocida comoSeaofNodespararealizaroptimizaciones agresivasqueporúltimosonconvertidasacódigo máquina (Titzer2015).

7.3 Conclusiones

JavaScripthaevolucionadodeserunlenguaje diseñadoparaañadirinteractividadbásicaenlaweb aconvertirseenunaherramientapoderosayversátil capazdesoportaraplicacionescomplejas.Elmotor V8fuecrucialenlaunificacióndelestándaryen laincorporacióndemejorassignificativas,comola compilaciónJust‐In‐Time(JIT)ytécnicasavanzadasde optimización,quepermitieronaJavaScriptreducirla brechaderendimientoconloslenguajescompilados, asegurandosurelevanciaenunentornotecnológico dinámico.EsteavancehaconsolidadoaJavaScript comounpilareneldesarrollomoderno,convirtiéndolo enellenguajesobreelcualsehanconstruidoimperios digitalesenteros.

7.4 Referencias

• [1]Aho,AlfredV.,MonicaS.Lam,RaviSethi,y JeffreyD.Ullman.2008.Compiladores:principios, técnicasyherramientas.PearsonEducación.

• [2]Rauschmayerm,Axel.2012.ThePast,Present, andFutureofJavaScript.O’ReillyMedia.

• [3]Swirski,Leszek.2021.v8.dev. https://v8.dev/ blog/sparkplug

• [4]Titzer,BenL.2015.v8.dev. https://v8.dev/ blog/turbofan‐jit

• [5]Verwaest,Toon,LeszekSwirski,VictorGomes, OlivierFlückiger,DariusMercadier,yCamillo Bruni.2023.v8.dev. https://v8.dev/blog/maglev

Palabrasclave: Inteligenciaartificial,Cloud Computing,InternetofThings(IoT),Gestiónde Recursos.

8.1 Introducción

Laeradigitalhaprovocadounatransformación radical,impulsandoelsurgimientodenuevas tecnologíasqueredefinencompletamentelamanera enquelasempresasgestionansusrecursos.Los SistemasdeProcesamientoIntegrado(SPI)han emergidocomounaherramientaesencialpara optimizaroperaciones,mejorarlaeficienciayfacilitar decisionesbasadasendatos.

Entrelastecnologíasemergentes,lainteligencia artificial(IA),elInternetdelascosas(IoT)yla computaciónenlanubeestánrevolucionandola gestiónderecursos,permitiendoalasempresasno soloresponderalasdemandasdelmercadoconmayor agilidad,sinotambiénpreveryadaptarseafuturas tendencias.

8.2 Artículo

Lastecnologíasemergentes,comolainteligencia artificial(IA),elInternetdelascosas(IoT)yla computaciónenlanube,estántransformandola maneraenquelasempresasgestionansusrecursos. Nosoloautomatizanprocesos,sinoquetambién proporcionananálisispredictivosyperspectivas basadasendatosquepermitenunatomade decisionesmásinformada.Enestecontexto,losSPI jueganunrolcrucialalintegrarestastecnologíasen unúnicosistema,facilitandounagestiónderecursos máseficienteyestratégica.

ElaportedelaIAalossistemasdeprocesamiento integrados

Lainteligenciaartificial(IA)sehaconvertidoen unatecnologíaclaveparatransformarlossistemas deprocesamientointegrado(SPI),mejorandosu capacidadparagestionarrecursosyoptimizar operaciones.Unadesusprincipalesventajasesla

automatizacióndeprocesosrepetitivosyrutinarios,lo quereduceelmargendeerrorhumano.Deestemodo, losempleadospuedenconcentrarseenactividades demayorvaloragregado,comolaplanificación estratégicaylatomadedecisiones.

Además,laIAfortalecelosSPImedianteanálisis predictivosavanzados.Aprovechandograndes volúmenesdedatoshistóricosyactuales,los algoritmosdemachinelearningpuedenanticipar tendenciasycomportamientosfuturos,facilitandola optimizacióndelagestióndeinventariosymejorando laeficienciaoperativadelasempresas.

Figura8.1: Automatizacióndeprocesos.Fuente: https://goo.su/UqwUkD

ElaportedelIoTalossistemasdeprocesamiento integrado

ElInternetdelasCosas(IoT)estátransformandola gestiónempresarialalconectardispositivosysensores querecopilanyanalizandatosentiemporeal,loque mejorasignificativamentelatomadedecisionesyla eficienciaoperativa.

GraciasalIoT,lasempresaspuedenmonitorear continuamentesusactivosyoperaciones,detectando problemasantesdequeseconviertanenfallosgraves. Además,elIoThabilitaelmantenimientopredictivo, anticipandocuándounequiponecesitareparaciones, loquereduceeltiempodeinactividadyloscostosde reparación.

Figura8.2: IoT.Fuente:https://goo.su/MEg6ePW

AportedelCloudComputingalossistemasde procesamientointegrado

Lacomputaciónenlanubeharevolucionadola gestióndelossistemasdeprocesamientointegrado (SPI)alofrecerunainfraestructuraflexible,escalable yaccesible.

Unaventajaclaveeslaescalabilidad,yaquelos SPIenlanubepuedenajustardinámicamentesus recursossegúnlasnecesidades,sinrequerirgrandes inversionesenhardware.Estopermitealasempresas adaptarserápidamenteacambiosenlademandao nuevasoportunidades.

Además,lanubefacilitaelaccesoalosSPI desdecualquierlugar,loquemejoralacolaboración entreequiposdistribuidosyaumentalaeficiencia, especialmenteenentornosdetrabajoremoto.

8.3 Conclusiones

Laintegracióndetecnologíasemergentescomola IA,IOTylacomputaciónenlanubeenlosSistemasde ProcesamientoIntegrado(SPI)estárevolucionandola gestiónderecursosempresariales.LaIAautomatiza tareasrepetitivasyproporcionaanálisispredictivos, mejorandolatomadedecisionesyoptimizando operaciones.ElIoTpermiteelmonitoreoentiempo realyelmantenimientopredictivo,reduciendocostos yminimizandoeltiempodeinactividad.Porsuparte, lacomputaciónenlanube,ofreceescalabilidad, flexibilidadyaccesibilidad,permitiendoalasempresas adaptarserápidamentealasdemandasdelmercado yfomentarlacolaboraciónenunentornoglobal. Enconjunto,estastecnologíasnosolofortalecenla eficienciaoperativa,sinoquetambiénposicionana lasempresasparauncrecimientosostenibleenun entornoempresarialcadavezmásdinámico.

8.4 Referencias

• [1]Erl,Thomas,ZaighamMahmood,yRicardo Puttini.CloudComputing:Concepts,Technology &Architecture.UpperSaddleRiver:PrenticeHall, 2020.

• [2]KlausSchwab,“TheFourthIndustrialRevolu‐tion”,WorldEconomicForum,Fechadeconsulta: 30dejulio2024 https://www.weforum.org

• [3]Miller,Michael.TheInternetofThings:How SmartTVs,SmartCars,SmartHomes,andSmart CitiesAreChangingtheWorld.Indianapolis:Que Publishing,2015.

Palabrasclave: Testing,componentes,DevOps, calidad,CI/CD,requerimientos.

9.1 Introducción

LaeraDevOpsesahora,vivimosenmundo tecnológicoqueestácadavezmásnecesitadode softwareparausopersonal,profesionalydeservicios, laaltademandadeproyectosdesoftwarehalogrado quelasprácticasdeDevOpsseannecesariaspara laentregacontínuayeficiente,haciendolafasede pruebasunadelasmásimportantesparaasegurarla calidaddelproductoqueseentrega.

Acontinuaciónharemosunpequeñorecorrido históricodesdeelnacimientodelaspruebasunitarias ydeintegraciónhastasuparticipaciónenelesquema DevOps,pararesaltarsuimportanciaenelciclo dedesarrollodelsoftwareparaentregarproductos quecumplanlosestándaresdecalidadyconlos requerimientosfuncionalessolicitados.

9.2 Artículo

Pruebasunitarias

Laspruebasunitariastomanlaunidaddecódigo funcionalmáspequeñapararealizarpruebas,con elobjetivodevalidarquecadaunacumplaconsu funcionalidadypropósito,detectarerroresenetapas tempranas,documentarfácilmenteelcódigoyayudar amantenerelestándardecalidadesperado,además defacilitarunafuturaintegracióncontínua(CI).

Pruebasdeintegración

Laspruebasdeintegracióngarantizanquecadauno delasunidadesdecódigodelsoftwarefuncionenen conjunto,queinteractúenysecomuniquencomoes esperado.Conlaspruebasdeintegraciónesposible validarelcorrectoflujodedatosyelcumplimento derequerimientosfuncionales.Laspruebasde integraciónestánasociadasalaentregacontínua(CD).

CI/CD

CI/CDserefiereaintegracióncontinua(CI)yentrega continua(CD),optimizalaintegracióndeltrabajo demúltiplesdesarrolladoresenunsoloproducto demaneraeficienteyprecisa.Enelcontextode DevOps,CI/CDaceleralosprocesosdecodificación, pruebaseimplementaciónalproporcionarunrepositorio centralizadoparaeltrabajoyherramientasde automatización (IBMn.d.)

DevOps

DevOpscombinaeldesarrollo(Dev)ylasoperaciones (Ops)paraaumentarlaeficiencia,lavelocidadyla seguridaddeldesarrollo,integraciónyentregade software.LasprácticasdeDevOpspermitenalos equiposdedesarrollodesoftwareyoperaciones acelerarlaentregaatravésdelaautomatización,la colaboración,laretroalimentaciónrápidaylamejora iterativa.Laspruebasunitariasydeintegración sonunaparteimportantedelcicloDevOpsde maneraque,elcódigoseaconsideradolistopara desplegarsedespuésdesuperarlaspruebasunitarias, yautomáticamentedesplegadodespuésdepasar correctamentelaspruebasdeintegración.

Figura9.1: EsquemadeDevOps.Fuente: https://acortar.link/6nG2Fj

EvolucióndelaspruebasenlaeraDevOps

LaeraDevOpsnoshatraídouncambiode paradigmasobrelamaneraenlaquesedesarrolla ysedespliegaelsoftwaredondeunodelospilares fundamentaleseslaautomatización,utilizandoestos enfoquespodremosacelerarelciclodedesarrollo yasegurarlaentregaconfiabledesoftwaredealta

calidad,siempreycuandoelproyectoestébien definido.Estohaimpactadoalosambientesde pruebas,dándolesdentrodelciclodevidadelsoftware unrolmásimportante,unrolquepodríamosllamarel amigoodiosoquesueleseñalarnuestroserrores,pero sinélnosabemoscuálesaspectospodemosmejorar.

Figura9.2: Esquemacomparativo,TradicionalvsÁgil.Fuente: https://acortar.link/87ogc8

AntesdeDevOps,laspruebasserealizabanal finaldelciclo;ahora,conDevOps,seintegrandesde elinicio,mejorandolaeficienciaycalidad,yasí evitamosproblemasconnuestroproductmanager. EntrealgunosFrameworksdepruebasdeestetipo podemosencontrarejemploscomoJunitoJest,estos nosproporcionanunentornoparaescribiryejecutar pruebasunitariasdeunamaneraestructurada,en nuestraopinión,Jestesunframeworkbastante amigable.

Conlasmetodologíasdedesarrollotradicionales elprocesosolíasermáslinealyennuestraopinión muylento,estoeraunadesventajadebidoaqueel softwarepodríatenerfallascomplejasdesolucionar ynosexponíamosatenerquesolucionarlasenuna etapamuyavanzadadelproyecto;utilizandoDevOps laspruebasdeintegraciónseejecutanposteriora laspruebasunitariasenfasestempranas,lascuales sonencargadasdeverificarqueelsistemaysus componentescumplanconsusfuncionalidades.

9.3 Conclusiones

Laspruebasunitariasydeintegraciónenlaera DevOpshantransformandoelciclodeldesarrollode softwarealolargodeltiempo,proporcionándonos unmarcoágilyeficientequeaseguralacalidadyla funcionalidaddenuestroproductofinal.Seguiruna culturaDevOpsresaltalaimportanciadeintegrar laspruebasparaqueasí,podamosutilizarlasen fasestempranasdeldesarrollo.Duranteeldesarrollo antesdelaeraDevOps,laspruebasseejecutaban demaneraaisladaytardía,loqueafectabaal proyectodetectandoerroresenfasesavanzadasdel desarrollo,restandoalacalidaddelosentregables yrepresandounobstáculoalcumplimientodelos requerimientosfuncionalesynofuncionales.Porlo tanto,esrecomendableadoptarunaculturaDevOps queejecutepruebasdesdelasprimerasfasesde desarrolloparagarantizarunaentregacontinuayun productodealtacalidad.

9.4 Referencias

• [1]MTPInternacional.“PruebasdeSoftwareen laeraDevOps,IntegraciónContinuayEntrega Confiable.”Últimamodificaciónjulio7,2023. https://mtpinternational.mx

• [2]¿Quésonlaspruebasdesoftware?(2024, mayo14).Ibm.com. https://www.ibm.com

• [3]“¿Quésonlaspruebasunitarias?”.AWS. Recuperadoel3deagostode2024,de https://aws. amazon.com

• [4]TRBLServices.“IntroducciónaDevOps.Qué esycómoimplementarlo.”Marzo24,2021. https://trbl‐services.eu

• [5]WhatisDevOps?(2022,febrero10).Gitlab.com; GitLab. https://about.gitlab.com/topics/devops/

UNIVERSIDAD

ESCUELA DE INGENIERÍA EN CIENCIAS Y SISTEMAS

DE SAN CARLOS DE GUATEMALA

YouTube: https://youtu.be/hsWrSGepTdA

10.1 Entrevista

¿QuiéneselIng.VíctorOrozcoycuálessu experienciarelevanteenelámbitodelatecnología?

Medefinocomounobrerodelcódigocon 15añosdeexperienciacomodesarrolladorde software.Actualmente,enNabenik,trabajocomo profesoruniversitarioyconsultorparasectores comobanca,telecomunicacionesygobierno.Me enfocoenarquitecturadesoftware,buenasprácticas dedesarrolloycapacitacióndeequipos.Además, participoenlosprogramasJavaChampionsyOracle, quefomentancomunidadesdedesarrolladoresy buenasprácticasanivelglobal.

¿QuéesNabenikyquépapeldesempeñaenel sectortecnológico?

Fundamoslaempresacomounaconsultoríade software.Despuésdequeestuveenelextranjero de2012a2014,regreséaGuatemalayjunto amisocio,LuisPedroEstrada,expandimosel negocioparaincluirtercerizaciónderecursos, capacitacionesyrepresentacióndeproductos, siemprealineadosconlademandadelmercado. Nabenik,quesignifica “conocimiento” y “viento” enmam,seenfocaprincipalmenteenelmercado centroamericano,aunquetambiénhemostrabajado enMéxico,Latinoamérica,EstadosUnidosyEspaña. Nosdefinimoscomounaconsultoríadesoftwareque acompañatodoelprocesodetransformacióndigital.

¿Cuálfuesuprincipalmotivaciónparacrear Nabenik?¿Quédesafíossignificativosenfrentóy cómolossuperó?

MimotivaciónparaemprenderenGuatemalafue accidental,surgióaldesarrollarunaaplicaciónmóvil enuncontextodondehabíapocodesarrolloen eseámbito.Estollevóalanecesidaddeformalizar laempresaporrazonesfiscalesydefacturación, permitiéndonoscrecerydelegarfunciones.Sin embargo,enfrentamosdificultades,comolafaltade accesoacapitalderiesgo,loquenosobligóaoptarpor

unperiododebootstrapparareinvertirlasganancias. Aprendíqueunnegociosoloesviablesisatisface necesidadesrealesygeneraingresos,locualfueun reto,especialmentepormiperfiltécnico,loqueme llevóaaprendersobrelamarcha.

¿Quésonlasaplicacionesreactivasycuálesson suscaracterísticasdistintivas?

Lasaplicacionesreactivassurgendelademanda actualdeusuariosqueesperanexperienciasfluidas yeficientes.Adiferenciadeprincipiosdelos 2000,hoylasaplicacionesestándiseñadaspara unpúblicoamplio,enfrentandoretostécnicospara manejarmilesdeusuarios.ElReactiveManifesto establececuatrocaracterísticasesenciales:deben serresponsivas,elásticas(capacesdeescalarconla demanda),resilientes(recuperarseautomáticamente defallos)ytenerunenfoquedemensajería,dondelas aplicacionesfuncionancomounconjuntodepequeños serviciosenlugardeunmonolito.Enresumen,las aplicacionesreactivassonunaformadeconstruir sistemasdistribuidosqueoptimizanrecursosycostos parasoportarunaltonúmerodeusuarios.

¿Cómosediferenciaelmodelodeprogramación reactivadelmodelodeprogramacióndeenfoque imperativo?

Esimportantedistinguirentreunaaplicación reactivayunlenguajedeprogramaciónconpatrones reactivos;laprimerasecentraenlaarquitectura, mientrasqueelsegundoabordacómosegenera elcódigo.Tradicionalmente,lenguajescomoJavay .NETutilizabanunmodelodeprogramaciónblocking, dondepocoshilosatendíanmúltiplesclientes,lo quepodíacausarcuellosdebotella.Lasolución, popularizadaporNode.js,fueadoptarparadigmasde programaciónreactivos,dondeunsolohilogestiona eventosenunbucle,permitiendoprocesarmúltiples solicitudessinbloquearelsistema.Aunqueesto resuelvemuchosproblemasdeconcurrencia,su complejidadrequiereprogramadorescapacitados,a diferenciadelaprogramaciónimperativa.

¿Quéestrategiasrecomiendaparagestionarla complejidaddelcódigoenaplicacionesreactivas?

Recomiendodosestrategiasparamanejarla programaciónreactiva:primero,aprovecharlas característicasdelenguajescomoKotlinyJavaScript, queofrecenestructurasparagestionarcallbacks eficientemente,comolascorrutinasenKotliny async/awaitenJavaScript.Lasegundaestrategiaes utilizarpatronesdetipoRX,comunesenAngular yRXJava,quepermitenejecutartareasencolay encadenarfuncionesdemanerareactiva.Encuanto atendencias,creoqueloshilostradicionalesquedarán endesuso,siendoreemplazadosporvirtualthreads ennuevasversionesdelamáquinavirtualdeJava, loquepermitiráunaejecuciónmáseficientedel códigoimperativo.Lastresformasprincipalesde implementarprogramaciónreactivason:aprovechar lasfacilidadesdeloslenguajes,usarbibliotecas reactivascomoRXyadoptarvirtualthreads.

¿Cómoinfluyelaprogramaciónreactivaenla depuraciónyelmanejodeerroresdentrodeuna aplicación?

Elmayorretodelaprogramaciónreactivaesla depuración,especialmentealtrabajarconcallbacks, yaqueelflujodeejecuciónesasíncronoysalta deunafunciónaotra,dificultandolaidentificación deerrores.EnJavaScript,aunquelasfuncionesson ciudadanosdeprimernivel,escomplicadorastrear fallos.EnJavaoC#,dondeseutilizanexpresiones lambda,losstacktracessevuelvenmásdetallados, haciendoaúnmásdifícillocalizarelproblema.Aunque herramientascomoasync/awaitocorrutinaspueden ayudar,depurarcódigoreactivosiguesiendomás complejoqueenlaprogramaciónimperativa,debido alafaltadeunasecuenciaclaradeejecución.

¿Cuálessonlasmejoresprácticasparagestionar estadosyeventosenaplicacionesreactivas?

Enaplicacionespequeñas,lagestiónsuelehacersea travésdebibliotecas,peroenaplicacionesdistribuidas grandesseintroduceunbusdecomunicacióny patronesmáscomplejos.Dospatronescomunes soneleventsourcing,dondeseregistraneventos enunbus(comoKafka)paraqueseanconsumidos porotroscomponentes,yCQRS,queseparalas operacionesdelecturayescritura.EnCQRS,los comandosalteranelestadosinrequerirunarespuesta inmediata,mientrasquelasconsultasnotificanal usuariosobrelafinalizacióndeesoscomandos.Para implementarprogramaciónreactivaagranescala,es crucialdominarlacomunicacióndeeventos,utilizando herramientascomoKafka,Camel,oserviciosenla nubecomoSQSoSNS.Esfundamentalentender

queseestáprogramandoactores(microservicios)que respondenaeventosenlugardeseguirunenfoque imperativotradicional.

¿Quéconsideracionesdebentenerseencuenta aldefinirrequisitosyentregablesenproyectos queutilizanprogramaciónreactivayenfoques similares?

Esfundamentalevaluarsirealmentesenecesita programaciónreactiva.Aunquesepuedeimplementar unsistemareactivoconprogramaciónimperativa,no siempreesnecesario.Ensistemasconpocosusuarios (100a500),seguirconunenfoqueblockingtradicional esmásprácticoyhafuncionadoduranteaños.Incluso empresascomoNetflix,queutilizanJavaySpring, prefierenelcódigoimperativoporsusimplicidaden ladepuraciónylaobservabilidad,apesardetener arquitecturasdistribuidas.

Encontextosdondesejustifica,comolaingesta dedatos,frameworksreactivoscomoVert.xoSpring Reactorpuedenserútiles.Sinembargo,ensistemas simples,laprogramaciónreactivapuedecomplicar másqueayudar.Unbuenarquitectodebeevaluarsi laprogramaciónreactivarealmenteaportavalory, siesasí,determinarquépartesdelsistemadeben serreactivasycuálespuedenseguirsiendosíncronas, creandounaarquitecturaequilibrada.

¿Québibliotecasoframeworkssonpopulares paraeldesarrollodeaplicacionesreactivasycómo simplificanelproceso,dadosupotencialpara aumentarlacomplejidad?

Enlaactualidad,enelcontextodelaJVM,las corrutinassonmuypopularesenKotlin,mientrasque paraJava,SpringWebFlux,basadoenSpringReactor, eselframeworkmásutilizado.Vert.xtambiénes relevante,especialmenteporsurespaldodeRedHaty susmúltiplesabstracciones,aunqueprogramarabajo nivelconVert.xpuedeparecersealusodecallbacks.Es importanteconsiderarquelasbasesdedatosdeben contarcondriversreactivoscompatibles.

LaJVMofreceAPIscomoCompletableFuturespara laprogramaciónreactivasinnecesidaddeframeworks específicos.SielbackendesJavayelfrontendes TypeScript,serecomiendaexplorarRXparamantener unparadigmadeprogramacióncoherenteentre ambos.Además,dominarasync/awaitenTypeScripty JavaScriptesfundamental,yaqueesunaherramienta claveparalamayoríadelosprogramadoresantesde abordarpatronesmáscomplejosquejustificaríanel usodeRX.

¿Cómoseintegralaprogramaciónconcurrentey distribuidaeneldiseñodeaplicacionesreactivas?

Laprogramaciónconcurrenteylaprogramación reactivasonconceptoscomplementarios.Laconcu‐rrenciaserefierealaejecucióndehilosysu coordinación,amenudoenseñadaatravésde semáforosymodelosdeconcurrencia.Encontraste, laprogramaciónreactivaabstraeestosconceptos, permitiendoquelosprogramadoressecentrenen elenvíodeeventosaunbucledeprocesamientosin preocuparseporloshilossubyacentes.

Node.js,porejemplo,utilizauneventloopypuede manejarmúltipleshilosparadiversastareas.La programaciónreactivasebasaenestaconcurrencia parafuncionareficazmente.Aunquelaprogramación distribuidaylareactivasuelenestarrelacionadas,no soncondicionesmutuamenteexclusivas;sepuede crearunaaplicaciónmonolíticaconAPIsreactivas ounaaplicacióndistribuidaconcódigoimperativo. Laeleccióndeusarunouotrodependerádelas necesidadesespecíficasdelproyecto.

¿Cuálessonlasprincipalesdificultadesen elmantenimientodeaplicacionesreactivasen comparaciónconaplicacionestradicionales?

Elseguimientodelcódigoenaplicacioneslegacy, quesuelentenermuchosañosdeéxito,plantea desafíossignificativos,especialmenteensumanteni‐miento.Amenudo,losdesarrolladoresseenfocan enlanzaraplicacionesrápidamentesinconsiderarsu sostenibilidadalargoplazo.Paramitigarproblemas futuros,serecomiendausarlenguajesdeprograma‐cióntipados,comoTypeScript,quefacilitanlalectura ycomprensióndelcódigo.Amedidaquelosproyectos envejecen,lafaltadetipadoenlenguajescomo JavaScriptpuededificultarlacomprensióndelcódigo original,quepuedeestarllenodediversasestructuras. Laclaveesoptarporlenguajesquepromuevanun tipadoexplícitoparamejorarlamantenibilidadyevitar queelcódigoseconviertaen“códigoespagueti”.

¿Sepuedesimplificarelmantenimientode aplicacionesreactivascomplejassincomprometer lafuncionalidadoelrendimiento?

Lacomplejidadenelcódigoamenudosurgedel usodecallbacks.Serecomiendamigraraasync/await siseutilizancallbacksexplícitos,yadoptarsistemas detiposcuandoseaposible.Siunlenguajeofrece opcionescomocorrutinas(porejemplo,enGo), espreferibleutilizarlas.Loslenguajesevolucionan constantemente;porejemplo,losvirtualthreads enJavasonunacaracterísticareciente.Mantenerse actualizadoconlasmejorasdellenguajeescrucialpara facilitarelmantenimientodeaplicacionesygestionar ladeudatécnica.Esimportantedestinartiempoen losproyectosparaabordarestadeudayevitarsu acumulación.

Mensajefinalparaquienesesténinteresadosen eldesarrollodeaplicacionesreactivasytecnológicas avanzadas

Entre2000y2010,trasla burbujapunto‐com,Javay .NETdominaroncomoplataformasgenerales,aunque PHPyotrasherramientasdesoftwarelibretambién ganaronpopularidad.Sinembargo,conelavancede latecnologíayelusodesmartphones,esteenfoqueha cambiado,yyanoexistenplataformasúnicas.

Losdesarrolladoresmodernosdebenirmás alládesimplementeaprenderaprogramar.Es fundamentaldominarpatronesdediseño,patronesde programaciónyherramientasparagestionarsistemas distribuidosyarquitecturas,comolaprogramación serverless,microserviciosenKuberneteseinfraestruc‐turacomocódigo.

Elpanoramaactualesmuchomáscomplejo quehaceunadécada.Porello,serecomienda especializarseenunatecnología,perotambién adquirirconocimientossobrearquitecturaymantener‐seactualizadoconlastendenciasysolucionesenla ingenieríadesoftware.

Palabrasclave: Proyectos,Gestión,Software, Recursos,Productividad,Adaptación.

11.1 Introducción

Laevolucióndelagestióndeproyectosdesoftware harecorridounlargoviajequehasidocapazde reflejarcomohaprogresadolatecnologíaycómo cubrelasnecesidadescambiantesdelserhumano. Destacalacrisisdelsoftwarecomoesedisparador paralacreacióneimplementacióndeherramientas especializadasparaofrecersolucionesadaptadas–sirviendocomofacilitadoresparaunagestiónefectiva eneldesarrollodelsoftware.

Hoyendíaconloscambiosconstantesenlos avancesdelatecnologíadigital,lagestiónde proyectosdesoftwarenosequedaatrásyaque muchosdelosprocesosqueeranmanualespasarona serautomatizados,optimizadosygestionandemejor maneracontandocondistintasopciones,siemprey cuandoseadaptenalasnecesidadesdelnegocio, equipodetrabajoyproyectoqueseestérealizando.

11.2 Artículo

Laevolucióndelagestióndeproyectosde software–desdesusinicioshastahoy

Lahumanidad,desdetiemposinmemorables,ha realizadodiferentestiposdeproyectos.Nosele atribuyelagestióndeproyectosanadie,perocabe destacarque,enlosdiferentesentornoscomola industria,lacienciaoelarte,sehautilizadoesta gestión,porloquelastécnicasdesarrolladashan idoevolucionadojuntoconestas.Enelámbitodel software,sedansusprimerospasosdesdefinales delosaños60seiniciodelos70sconelaugedelas computadorasylametodologíaAdHoc–improvisada ademásdequenoseguíaunplanespecífico.Dado comoresultadolaprimeracrisisdelsoftware.

Conlacomplejidadcrecientedelossistemas informáticos,seevidenciólanecesidaddela implementacióndeunaformalidad–naciendoasí

lagestióndeproyectosdesoftware:herramientasy prácticasparamanejarconenfoquesmásefectivos ademásdeeficientes,lasnuevasexigenciasqueel softwareproduce.

Herramientasdestacadasparaimpulsary respaldarlagestióndeproyectosdesoftwareen laactualidad

Figura11.1: Herramientasdegestióndeproyectosdesoftware.

Destacanactualmenteaquellasherramientas quefacilitanlaadministracióndelosprocesosde software.Dependerádelobjetivofinaldecada empresaoindividuosueleccióndeherramienta,pero actualmente,sepuedenmencionarherramientas comoprincipalescompetidoresJira,AsanaoTrello. Siendoelprimero,unasoluciónparaeldesarrollode softwareytrabajoenequipo.Elsegundo,ofreciendo serunasolucióncompletaintegrandoeldesarrollo desoftwareygestióndetrabajo,útilparaaquellas empresasdinámicas.Elúltimo,siendoútilparala gestióndeproyectospequeños.

Hoyendíaesmuysignificativousarherramientas degestióndeproyectos,perosetienenquetomar encuentaciertosfactorescomolasnecesidadeso losdesafíosdelproyectoevaluandocuálsoftware escubreesanecesidad,tambiénpuedeenlistarlas distintasaplicacionesquepuedendarunimpactoal proyecto.Siyasecuentaconunalistadeposibles aplicaciones,esnecesarioprobarlasconelequipode trabajopararecibirunaretroalimentacióndeeste parautilizarlaretroalimentaciónparapoderadaptar elsoftwarealproyecto.Finalmente,esimportante realizarunanálisisdecostosparajustificarlaelección siempreconsiderandolosrecursosdisponibles.

Alcontarconherramientasdesoftwarequese adaptenatunegocio,asícomoatuproyecto,llegaa tenerunimpactosignificativocomoelaumentodela productividad,laoptimizaciónderecursos,lamejora detantolacomunicacióncomolacolaboración,una mejorgestiónderiesgos,mayorlatransparencia yresponsabilidad.Porúltimo,tambiénfacilitala generacióndereportesentomardecisiones.Muchos deestoscambiossedebenaquelosprocesos manualesqueeranapapelylápizsepasarona tecnologíasparaunamejorgestióndeproyectos.

11.3 Conclusiones

Laevolucióndelagestióndeproyectosde softwareesunagranevidenciadelprogresoqueha tenidolatecnologíaalserutilizadaparautilizarse comoherramientaqueseadaptaysatisfacealas necesidadescambiantesdelahumanidad.Desde acontecimientoscomolacrisisdelsoftware,hastala automatizacióndeprocesosmanuales,lagestiónde proyectoshaevolucionadoconsiderablemente.Hoy endía,herramientascomoJira,AsanaoTrello,por mencionaralgunas,hantransformadolamaneraenla quepersonasyempresasgestionanelsoftware,que puedenotarseenlamayoreficienciayoptimización derecursosquepermitenunamejorcolaboración ytomadedecisiones.Esesencialqueempresase individuosseleccionenaquellasherramientasque mejorseadaptanasuproyecto–parteclaveparael éxitoenlagestióneneldesarrollodesoftware.

11.4

Referencias

• [1]Casallas,Rubby.“¿AúnenCrisis?Algunos MitosydesafíosdelaIngenieríadeSoftware”. EnRevistaSistemasNo.102–ACIS.Octubre‐Diciembre2007.Accesoel26dejuliodel2024. https://acis.org.co

• [2]Cawley,Conor.“6WaysTechnologyHas ChangedProjectManagement”.Tech.co.10de Mayode2023.Accesoel3demayode2024. https://tech.co

• [3]Raeburn,Alicia.“Los12mejoressoftwarede gestióndeproyectosen2024”.Asana.16de febrerode2024.Accesoel26dejuliodel2024. https://asana.com

• [4]VirtualSpace.“7ImportantCriteriafor ProjectManagementTools”.18deNoviembre de2022.Accesoel3deagostode2024. https://virtualspace.ai

• [5]VirtualSpace.“TheImportanceofProject ManagementToolsforYourBusiness”.13de Juniode2023.Accesoel3deagostode2024. https://virtualspace.ai

• [6]Wallace,William.(2014).“Gestiónde Proyectos”.EdinburghBusinessSchool(EBS)–Heriot‐WattUniversity.Accesoel26dejuliodel 2024. https://ebs.online.hw.ac.uk

Palabrasclave: SoftwaredeRequerimientos, IngenieríadeRequerimientos,InteligenciaArtificial, Ambigüedad,Maximizar,Calidad.

12.1 Introducción

Conformelosañospasan,laglobalizacióny tecnologíasmejoran.Elusoindispensabledesistemas yeldesarrollodeproyectosdealtacalidadse vuelvenmásexigentesycomplejos.Laingenieríade requerimientosjuegaunpapelfundamental,siendo labasedecualquierproyectoysumalaplanificación ydesarrollopuededeterminarsiunproyectovaa fracasar.

Lainteligenciaartificialymásespecíficamente elprocesamientodellenguajenatural,llegaaser unaherramientapoderosaquepuedeserdegran ayudaparaelanálisisdetodaslasfasesdela ingenieríaderequerimiento,implementandomejoras específicasparamaximizarlacalidaddelatomade requerimientosyporconsiguientemejoresbasespara laconstruccióndecualquierproyecto.

12.2 Artículo

Ingenieríaderequerimientos

¿Algunaveztehaspreguntadocómounproyecto puedetriunfarofracasar?Estoobviamenteviene ligadoavariosfactores,comoelutilizarunatecnología inadecuada,pruebasinsuficientes,problemascon lagestiónderecursos,entreotros.Pero,loque vaadecidirsiunproyectovaatriunfarofracasar seráelcómoseconstruyensusbases,porlocualla ingenieríaderequisitosesconsideradacomolafase másimportanteenlosproyectosdesoftware.

Laingenieríaderequerimientossedescribecomo ladisciplinaqueabarcalosprocesosparaespecificar losrequisitos,analizarlosyperfeccionarlosparael comienzodesudesarrollo.Estapresentadiferentes fasesquecomienzanconladeelicitación,queesla maneradeextraerinformaciónimportantedealguien atravésdeunaconversacióneducadaocotidiana.

Siendoestalaquedeclaralosrequerimientospara especificaciónypropósitodelsoftware,siguiendocon lafasedeanálisis,dondealosrequerimientossedeben analizarparaquecumplanconunabuenaconsistencia yexactitud,luegosiguelafasededocumentación, enlacualsenegocianyverificanlosrequerimientos conlosstakeholders,personasinteresadas,ypor últimolafasedegestión,dondesehacenloscambios respectivosalosrequerimientos.

Desafíosenlabúsquedadelosrequerimientos Alolargodeltiempo,lasfasesdelaingenieríade requerimientospasaronaserlinealesaseriterativas, estoacausadecambiosenelentornodelclienteode erroresenelanálisisdetodoelproceso.Laingeniería desoftwarenoesinvulnerableaactividadespoco eficientesencadaunadelasfasesquelaconforman, ocasionandoproblemasqueafectendirectamenteal desarrollodelsoftware.

Deestolleganasurgirrequisitosambiguos, estossiendodefinidosdeformavagaporerrores decomunicaciónporambaspartesdelproyecto, quealalargavanaafectarconeldesarrollode este.Tambiénhayotrosfactoresaconsiderarcomo labajaparticipacióndetodosloscomprometidos enlaelaboracióndelosrequisitos,dandolugar arequisitosconflictivosquenocuentanconla precisiónnecesaria.Todoestoafectadirectamente latrazabilidad,siendoesteelprocesoquedefinecada unodelosrequerimientosdesdesuconcepciónhasta suimplementaciónenelcódigofuente.

Inteligenciaartificial

Hoyendíalainteligenciaartificialjuegaunpapel muyimportanteentodoelmundo,llegandoa transformaralgunosaspectoscotidianoshoyendía, perogenerandoungranimpactoenelmundodela tecnología.

Estádefiniéndosecomolasmáquinastienen lacapacidaddeaprenderatravésdediferentes experiencias,conelfindeacercarsealomáscercano delcomportamientohumano.Actualmente,la inteligenciaartificialseencargadelaautomatización deprocesos,losalgoritmosdebúsqueda,elprocesa‐mientodelenguajenatural,laautomatización

deprocesos,elreconocimientodepatrones,la conducciónautomatizada,entreotros.

Launiónhacelafuerza

Alolargodelosañoshansurgidoinvestigacionesde comolacapacidaddelainteligenciaartificialpodría repercutirenlaingenieríaderequerimientos,con elfindemejorarlacalidaddelsoftwareentregado, eltiempodedesarrolloyobviamentebrindando ungranapoyoalosprofesionales.Estoutilizando técnicasparaoptimizarcadaunadelasfasesdel ciclodeldesarrollodelsoftware,comolamejorade lacoordinaciónentreambaspartes,incluyendola mejoradecomunicaciónparaevitarconflictosafuturo; todoestopriorizandolatrazabilidaddelosrequisitos, teniendocomoresultadoelmáximorendimiento.A continuación,sepresentaunatablaconlosaportes delaIAacadaunadelasfasesdelaingenieríade requerimientos:

Cuadro12.1: Fasesdelaingenieríaderequerimientosytécnicas deIA.Fuente:https://goo.su/v2R7h

Medianteelaprendizajedeloscomponentes semánticosdehistoriasdeusuarios,laIAsería capazdeproporcionarproyeccionesdelesfuerzo necesarioparacompletarcadauno,estofacilitando laplanificacióndetodounproyectodesoftware, repercutiendoenunamejorproducción.Tambiénestá laideadequesepuedeaplicardiferentesparadigmas paralareduccióndeerroresyconellolaoptimización deprocesos,problemasquepersistenhoyendía.

ElestigmadelusodeIA

Apesardelasgrandesventajascomoherramienta queapoyoqueofrecelaIAenlaingenieríade requerimientos,muchosprofesionalesaúnson escépticosenelusodeesta,pordiferentesmotivos como,porejemplo,laveracidaddelosdatos,temas másintrínsecoscomoelegoquepuedellegarasentir unapersonacuandounaherramientadeIAllegaa realizarsu “trabajo” demejormanera.Todosestos aspectospuedenprovocarquelaadopcióndeestas herramientasparaempresas,consultorasoingenieros llegueaserunpocomáscomplicada.

12.3

Conclusiones

Laingenieríaderequerimientosessindudalaparte másfundamentalylacolumnavertebraldetodo proyecto,deestadependesiunproyectofracasará ono,valelainvertirrecursosentodaslasfasese iteracionesparalograrqueloscimientosseanseguros paraelcompletodesarrollodelaobra.

ConelaugedelaIA,laingenieríaderequerimientos experimentaráelpuntomásaltodecalidadal momentodeldesarrollodeproyectos,yaquelas iteracionescontinuasyelconstanteasesoramiento deestaherramientadaráhincapiéalareducciónde tiempos,minimizacióndeerroresyambigüedades, claridadentodaslasetapasycomoresultadomejores sistemas.

12.4 Referencias

• [1]Sanguino‐Reyes,MagrethRossio,yByron Cuesta‐Quintero.2022.«LaInteligenciaArtificial En“LaingenieríaDeRequerimientos:Un EstudioDeMapeosistemático”.MundoFESC12 (23):209‐24. https://goo.su/v2R7h

• [2]ArenasSeleey,Daniel,CristianEduardoPrieto Triana,yDianaCarolinaChacónLópez.2022. “IngenieríaDeRequerimientosEInteligencia Artificial:UnarevisiónDeLaLiteratura”.Revista ColombianadeTecnologiasdeAvanzada(RCTA) 1(39):100‐106. https://goo.su/vXJvz9

Palabrasclave: Mantenimientocorrectivo,Manteni‐mientopreventivo,Mantenimientoadaptativo, Inteligenciaartificial,MachineLearning,Deep Learning.

13.1 Introducción

Lacalidadylafiabilidaddelsoftwaresonfundamen‐talesparaelfuncionamientodenuestrasociedad moderna.Paragarantizarqueelsoftwaresigasiendo relevanteyútil,esnecesariounmantenimiento continuo.Esteprocesovamásalládelasimple correccióndeerroreseimplicaadaptarlasaplicaciones anuevastecnologías,mejorarsurendimientoy asegurarsucompatibilidadcondiversossistemas.

Elaprendizajemedianterefuerzoestáempoderando alsoftwareparatomardecisionesdemanera autónoma,optimizandosufuncionamientoymejoran‐dosucapacidadpararesponderalasdemandasde losusuarios.Alaprenderdesusinteraccionescon elentorno,lossistemasbasadosenaprendizajepor refuerzopuedenidentificarpatrones,predecirfallosy tomarmedidascorrectivasdeformaproactiva.

13.2 Artículo

Eneldinámicomundodelatecnología,el mantenimientodesoftwareemergecomounpilar fundamentalparaasegurarlaestabilidadyeficacia delassolucionesdigitales.Esteproceso,amenudo subestimado,nosolocorrigeerroresymejorala funcionalidaddelsoftware,sinoquetambiénjuega unpapelcrucialenlaadaptaciónalosconstantes cambiosdelentornotecnológico.Elmantenimiento desoftwareabarcaunconjuntodeactividades diseñadasparapreservaryoptimizarunsistematras sudespliegueinicial.Setratademodificarunsistema desoftwaredespuésdesuentregaparacorregirfallos, mejorarelrendimientooadaptarelsoftwareaun entornocambiante.

¿Porquéesvitalelmantenimientodesoftware? Larespuestaessimple,peropoderosa.Unsoftware bienmantenidoaseguralacontinuidaddelservicioy minimizalasinterrupciones,unfactorcrucialenun entornodondeladisponibilidadcontinuaesesencial.

Además,laseguridadesunapreocupación constante;elmantenimientoregularpermiteaplicar parchesyactualizacionesparaprotegercontra vulnerabilidadesemergentes.ElDr.IanSommerville, autordestacadoeningenieríadesoftware,enfatiza que “unprogramausadoenunentornorealdebe cambiar;deotromodo,endichoentornosevolvería progresivamenteinútil”.Estepuntodevistasubraya laimportanciadeunagestiónproactivadelmanteni‐miento.

Figura13.1: PortadadellibroSoftwareEngineeringdelDr.Ian Sommerville.

Lainteligenciaartificialhaemergidocomo unaherramientaclaveenlaautomatizaciónde tareascomplejasyquedemandanmuchotiempo, beneficiandosignificativamentediversasactividades deingenieríadesoftware.

“Lainteligenciaartificialsepuededefinircomola habilidaddeunsistemaparainterpretardatos,aprender deellosyutilizareseconocimientoparaalcanzar objetivosespecíficosatravésdelaadaptaciónflexible.” Estadefiniciónponedemanifiestolacapacidadde laIAparatransformarelmantenimientodesoftware mediantelaautomatizaciónylamejoracontinua.

Elaprendizajeporrefuerzoesunatécnicaque permitealossistemasaprenderatomardecisiones óptimasatravésdelainteracciónconsuentorno ylaretroalimentaciónenformaderecompensasy penalizaciones.Enelcontextodelmanenimiento desoftware,estatécnicasepuedeutilizarpara optimizarprocesoscomolaidentificacióndeerrores, laasignaciónderecursosylaadaptaciónacambiosen losrequisitosdelsistema.

Figura13.2: Diagramadelaprendizajeporrefuerzo.Fuente: ReinforcementLearning:AnIntroduction.

Laaplicacióndelaprendizajeporrefuerzoenel mantenimientodesoftwarehamostradoresultados prometedores.Laimplementacióndemodelos deaprendizajeporrefuerzohapermitidoreducir significativamenteeltiemponecesarioparaidentificar ycorregirerroresensistemascomplejos.Engeneral, lastécnicasbasadasenaprendizajeporrefuerzohan reducidolostiemposdeinactividad,mejorandola disponibilidadylaconfiabilidaddelsoftware.

13.3 Conclusiones

Elmantenimientodesoftwareescrucialno soloparacorregirerrores,sinoparagarantizarla estabilidad,seguridadyadaptacióndelasaplicaciones aunentornotecnológicoenconstanteevolución.Un softwarebienmantenidominimizalasinterrupciones ylasvulnerabilidades,asegurandosurelevanciay funcionalidadalargoplazo.

Laintegracióndelainteligenciaartificial,especial‐menteatravésdelaprendizajeporrefuerzo,ha revolucionadoelmantenimientodesoftware.Al automatizartareascomplejasypermitirquelos sistemasaprendanyseadaptendeformaautónoma, sehalogradooptimizarprocesos,reducirtiempos deinactividadymejorarlaeficienciaoperativadel software.

13.4 Referencias

• [1]AmazonWebServices,Inc.¿Quéesel aprendizajeporrefuerzo?.Últimamodificación en2024. https://aws.amazon.com

• [2]Rantanen,Oula.ArtificialIntelligencein SoftwareMaintenance.Master’sthesis,LUT University,2021. https://lutpub.lut.fi

• [3]Spyro‐Soft.WhatIsSoftwareMaintenance andWhyItIsEssential.Consultadoel18deagosto de2024. https://spyro‐soft.com

• [4]Sutton,RichardS.,yAndrewG.Barto. ReinforcementLearning:AnIntroduction.2ª ed.Cambridge,MA:MITPress,2018.

UNIVERSIDAD

ESCUELA DE INGENIERÍA EN CIENCIAS Y SISTEMAS

DE SAN CARLOS DE GUATEMALA

YouTube: https://youtu.be/GwVJMtHVYOE

14.1 Entrevista

¿QuiénesRicardoGirón?¿Cuálessutrayectoria profesional?

RicardoGirónesunsancarlistaapasionadopor ladocencia,conmásde25añosdeexperiencia entecnología.Actualmenteenseñaenescuelasde posgrado,incluyendolaUniversidaddeSanCarlosde Guatemalayescuelasdenegocios.Esingenieroen sistemasycuentacondosmaestrías:unaenproyectos yotraenfinanzas.Tambiénhainiciadoestudiosde doctoradoeninnovacióntecnológicaeducativaytiene certificacióndeProjectManagerporelPMI.Ensu tiempolibre,disfrutadelfútbol,tocalaguitarrayjuega billar.

¿Cómohasidosuparticipaciónenlaindustria tecnológica?¿Quéexperienciahaacumuladoenel áreadeBigData?

RicardoGiróntienemásde25añosdeexperiencia entecnología,comenzandosucarreracomoprogra‐madorafinalesdelos90,trabajandoconlenguajes comoC++,VisualBasicyFoxBase.Alolargode sutrayectoria,haevolucionadodesdeanalistade sistemashastadirigiráreasdedesarrollodesoftware, colaborandoconplataformasimportantescomo MicrosoftyOracle.DestacasutrabajoenFormulario Estándar,unadelasprincipalesfábricasdeformularios enCentroamérica,dondeampliósuconocimiento ensoftwareyadministracióndeinfraestructura tecnológica.

Enlosúltimos10a15años,hatrabajadoen empresasdeconsultoría,incluyendomásdeuna décadaenSAP,dondehagestionadoequipos deproyectos.Estaexperiencialehapermitido entenderdiversossectoreseindustrias,desdefábricas hastabancosyretail,enriqueciendosutrayectoria profesional.

¿Cómohaevolucionadoelanálisisdelosdatos hastallegaralagranoladetransformación einnovacióndigitalyBigData,alacualnos enfrentamoshoydía?

LarelaciónentreBigDatayelanálisisdedatos hacambiadodrásticamente,pasandodecentrarse enpequeñosvolúmenesdedatosestructurados amanejargrandescantidadesdeinformaciónde diversasfuentesyformatos.Antes,lasherramientas deanálisiseranlimitadasencapacidaddealmacena‐mientoyprocesamiento.Hoy,graciasatecnologías comoHadoopySpark,esposibleprocesarenormes volúmenesdedatosdemaneraágilyescalable.

¿Cuálessonlasprincipalestécnicasymétodos quesepuedenutilizarparaelprocesamientoy análisisdeestosgrandesvolúmenesdedatos? ¿Quéherramientasnospuedenapoyarenel procesamientodedatos?

Entrelastécnicascomunesparaprocesargrandes volúmenesdedatossedestacanlosDataWarehouses, queconsolidanlainformacióndediferentesáreasde unaorganización,comoventasyfinanzas.Amedida quelasempresascrecen,aumentalanecesidadde resumiryhomologardatos,utilizandoherramientas ETL(Extract,Transform,Load)paracargarlosenestos almacenes.

Además,herramientascomoRyPythonpermiten alosusuariosfinalesrealizaranálisisestadísticos yprocesargrandescantidadesdeinformación, superandolaslimitacionesdeExcel.Plataformas comoMicrosoftPowerBI,Tableau,QlikViewy MicroStrategysonaccesiblesparaempresasdetodos lostamaños,desdeemprendedoreshastagrandes corporaciones.

¿DequémaneralastécnicasdeanálisisdeBig Datainfluyenenlatomadedecisionesestratégicas empresariales?¿Quétiposdedecisionessevenmás beneficiadas?

LastécnicasdeanálisisdeBigDataimpactan profundamenteenlatomadedecisionesestratégicas deempresasyorganizacionesaltransformarsu enfoquepararesolverproblemasyidentificar oportunidades.

Enprimerlugar,elanálisispredictivomejorala precisiónyreducelaincertidumbre,permitiendo pronosticarvariablesclavecomoventasycostos.

Además,BigDatamejoralaexperienciadelcliente alfortalecerlasegmentaciónycaptarmejorsu atención.Tambiénoptimizalosprocesosoperativos, ayudandoalasempresasautilizarsusrecursosde maneramáseficiente.Otrobeneficioesladetección deriesgosyfraudes,especialmenteensectorescomo elfinanciero,dondeelmonitoreodetransaccioneses crucial.

Finalmente,BigDataimpulsalainnovacióny eldesarrollodenuevosproductosalpermitira lasempresasanticiparsealasexpectativasdesus clientes.UnejemplodeestoescómoAppleutilizael conocimientogeneradoapartirdesususuariospara mejorarylanzarnuevosproductos.

¿Cómoinfluyenlas“V”delBigData(Velocidad, Variedad,Volumen,Valor,Variabilidad)enla capacidaddelasempresasdelaIndustria4.0para aprovecharlosdatosgenerados?

Paraqueunconjuntodedatosseaconsiderado BigData,debecumplirconlas “V” delBigData.La primeraes velocidad,queindicaquelosdatosse generanrápidamente.Lasegundaes variedad,que abarcatantodatosestructurados(números,textos) comonoestructurados(fotos,redessociales,videos, audios).Laterceraes volumen,queserefierealagran capacidaddealmacenamientodedatos,quepuede llegaramagnitudescomolosyotabytesygenerar millonesderegistrosporminuto.

Lacuarta “V” es valor,loqueimplicaquelosdatos debenserrelevantesyútilesparalaempresa.Por último,BigDataes variable,yaquelaproducciónde datospuedefluctuarsegúneltiempoycontexto,lo queafectasugestiónyanálisis.

¿Cómosecomparalageneracióndedatosconla actividadqueocurreenInternetenunsolominuto?

En2023,segeneraron241.2millonesdecorreos electrónicosenviadosy41.6millonesdemensajesde WhatsAppporminuto.Además,hay6.3millonesde búsquedasenGooglecadaminutoy452,000horas devideovisualizadasenNetflixenelmismoperíodo. EstascifrasreflejanloqueconstituyeBigData,que cumpleconlas “V” delBigData.

EnGuatemalayCentroamérica,ejemplosdeBig Dataencontramosalasempresasdetelecomunicacio‐nes,quepuedenregistrarmillonesdellamadasy mensajesdiariamente,asícomoalosbancosque gestionanmúltiplestransaccionescontarjetasde

créditoensusagenciasypuntosdeventa.Todoesto representaunclarousodeBigDataenlaregión.

Figura14.1: .Fuente:

¿Cómoafectanlosrolesdearquitectodedatosy científicodedatoslacapacidaddeunaorganización paraprogresarenlasetapasdelanálisisdedatos? ¿Quéhabilidadessonesencialesparaoptimizarla tomadedecisionesencadatipodeanálisis?

Coneldesarrollodelanálisisdedatos,han surgidonuevosrolescomoelanalistadedatos,el arquitectodedatosyelcientíficodedatos.Elanalista dedatosseespecializaenidentificarpatronesy procesarinformaciónenunáreaespecíficadela empresa.Elarquitectodedatosdiseñalaestructura deunDataWarehouse,mapeandolasfuentesde informaciónnecesarias.Porsuparte,elcientíficode datosseenfocaendesarrollarmodelospredictivos ysimulacionescongrandesvolúmenesdedatos, mejorandolatomadedecisionesatravésdeanálisis descriptivos,predictivosyperceptivos.

Lasempresasadoptanestasprácticasprogresiva‐mente,siguiendounmodelodemadurez.Por ejemplo,unacafeteríapuedecomenzarregistrando operacionesenExcely,coneltiempo,evolucionar haciaelusodemodelospredictivosqueoptimizan pronósticosyreducenriesgos.

¿Cómoimpactanlastécnicasavanzadasde procesamientoyanálisisdegrandesvolúmenes dedatoseneldiseñoylaarquitecturadeun sistemadeinteligenciadenegocios?¿Cuálesson loscomponentesclaveparagarantizareficienciay escalabilidadenunentornodeBigData?

Lastécnicasdeanálisisdegrandesvolúmenesde datosrequierenunaarquitecturadeinteligenciade negociosqueintegreBigData.Estemodeloincluye cuatrocomponentesclave:

1.Fuentesdeinformación: cualquiersistemaobase dedatos.

2.Procesodetransformación(ETL): queextrae, transformaycargalainformación.

3.Almacenamiento: abarcandoDataWarehouses, DataLakesyDataMarts.

4.Capadepresentación: dondeseutilizan herramientasdeanálisiscomoPowerBIyTableau.

Estaarquitecturapermitealosusuariosacceder adatosconfiablesyentiemporealparalatoma dedecisiones.Paraelegirlasmejoressoluciones tecnológicas,sepuedenusarherramientascomoel cuadrantedeGartner,queclasificaproveedoresen diversasáreas.

ElBigDatamejoralatomadedecisionesy laexperienciadelcliente,comoseobservaen plataformasdecomercioelectrónicoquepersonalizan ofertas.Tambiénoptimizalascadenasdesuministro alreducircostosytiempos.Sinembargo,la implementaciónymantenimientodeestasplatafor‐maspresentandesafíostantoenelsectorprivado comoenelpúblico.

¿Dequémaneralasherramientasyplataformas recomendadasporGartnerGroupinfluyenenla implementaciónygestióndearquitecturasdeData WarehouseyDataLake?¿Cuálessonlasprincipales consideracionesparaintegrarestastecnologíasen unentornodeanálisisdedatos?

Gartneresunafirmainternacionalqueanualmente calificayclasificaalosmejoresproveedoresde tecnologíaendiversasáreas,comosistemascontables financieros,DataWarehousesysolucionesde inteligenciadenegocios.Utilizauncuadranteque ayudaalasempresasaidentificarquéherramientas deanálisisdedatossonmásadecuadasparasus necesidades.

Dadoelgrannúmerodeopcionesdisponibles, Gartnerseconvierteenunreferenteútilpara evaluarsolucionesytomardecisionesinformadas.

Suevaluaciónpermitealasempresasimplementar arquitecturasdeDataWarehouse,DataLakey solucionesenlanube,asegurándolesqueestán eligiendoopcionesestables,probadasyconunfuturo innovador.

¿CómohatransformadoelusodeBigData lasestrategiasyoperacionesensectoresclave comomarketing,servicioalcliente,comercioyel sectorpúblico?¿Cuálessonlosbeneficiosydesafíos específicosencadaunodeestosámbitos?

Lamejoraenlatomadedecisionesylaexperiencia delclientesereflejaencómolasplataformasde comercioelectrónico,comoAmazon,personalizan ofertasyrecomendaciones,aumentandolasatisfacción ylealtaddelcliente.EstasempresasutilizanBig Dataeinteligenciaartificialparaentenderel comportamientoylasnecesidadesdesusclientes,lo queresultaenunamejoratención.

Aniveloperativo,BigDataoptimizalascadenas desuministro,mejorandorutasdedistribución, reduciendotiemposdeesperaycostos,yaumentando latrazabilidaddeproductos.Encuantoalainnovación, ayudaaidentificarnecesidadesnosatisfechas, permitiendolacreacióndesolucionesmásefectivas.

Sinembargo,tantoelsectorprivadocomoel públicoenfrentandesafíos.Enelsectorprivado, lasempresasdebenevaluarymantenersoluciones adecuadasycontarconpersonalcapacitado.Enel sectorpúblico,comoenproyectosdelaMunicipalidad deGuatemalayelMinisteriodeFinanzas,sebusca procesarinformaciónparamejorarservicios,aunquela seleccióneimplementacióndeplataformasdeanálisis dedatossiguesiendounreto.

¿Quéretostraealosestudiantesyprofesionales estarevolucióntecnológica4.0,respectoalanálisis dedatosyBigData?¿Cómovisualizaelfuturodel análisisdedatosacortoylargoplazo?

Larecomendaciónparaprofesionalesyestudiantes esmantenerseactualizadosenunmundoen constantecambio,combinandoteoríaconprácticaen elanálisisdedatos.Laprácticaesfundamental,yaque instalaryprobarherramientasdeanálisispuedeser muybeneficioso.Estedesafíoesrelevanteparatodos, dadoquelaRevoluciónIndustrial4.0yelanálisis dedatosseaplicanendiversasáreasdenegocioy enmuchosaspectosdelavida.Escrucialquecada interesadobusquesupropioenfoqueysesumerjaen estostemasparaaprovecharlasoportunidadesque ofrecen.

¿Quémensajelesdaríaaquienesdesean adentrarseenelmundodelBigDatayelanálisis dedatos?

LafamosafrasedeFrancisBacon, “Elconocimiento espoder”,haevolucionadoa “Quientienelainformación, tieneelpoder”.Estoreflejalarealidadactual,donde lacapacidaddeobtener,procesaryanalizardatos impactadirectamenteenlatomadedecisionesy elfuturoprofesional.Lasdecisionesbasadasen

informaciónconducenamejoresresultadosymayor especialización.

Enelfuturo,surgiránoportunidadesenáreas dondelainteligenciaartificialaúnnopuedeintervenir, aunquesuvelocidadparaprocesardatossupera alahumana.Porlotanto,escrucialcombinarla inteligenciaartificialconelanálisishumanoparatomar decisionesinformadasquebeneficienalasempresas ylosnegocios.Esaeslaclaveparaunfuturoexitoso.

Palabrasclave: Aduanas,BigData,Modernización, Transformacióndigital,Innovacióntecnológica.

15.1 Introducción

Latransformacióndigitalesuntemaelcualaño conañosehavistomásnecesario,especialmente entiemposrecientesdondevariasactividadesse vieronlimitadas,fueenestemomentoqueestose convirtióenunretoeimplicólatomadenuevas medidas,graciasaelloseimpulsarondistintos proyectosdedigitalizaciónencombinaciónde múltiplestecnologías.

Entrelasáreasquepusieronmanosalaobray tomaronaccionestenemoslasaduanaslascualeshoy endíahandemostradomúltiplesbeneficios,desde elmássimplequeeselahorrodelpapelnecesario paralarealizacióndelasdistintasgestiones,hasta otrosmásavanzadosycomplejoscomoproyectosde automatizaciónymodernización.

15.2 Artículo

Lasaduanassonpartefundamentaldelas operacionesdeunanaciónyaqueestassonesenciales alcumplirconactividadescomoasegurarlaseguridad delpaís,aportaralaeconomía,regularelcomercio internacional,gestionarelprocesodelibreplática, elcualserefierealprocedimientodeautorización necesariosegúninstitucionesgubernamentalespara queunanave,buqueuotromediodetransportepueda realizarlasaccionesdeembarqueydesembarque correspondientes,entreotrascaracterísticasadiciona‐lesqueenconjuntoayudanamejorarelbienestar generaldelanación.

Debidoasugranimportanciaparaelpaísyalpapel querepresentaenlasdistintasindustriasquehacen usodeestas,sehanbuscadosolucionesparapoder acelerarlosprocesos,manteniendoyenloposible mejorandolosresultados,siendoenestepuntodonde entranenjuegoaspectoscomoladigitalización, BigData,automatizaciónydemástecnologías. Encaminandonosunpocomásaproyectosconun

objetivoclaroyespecíficoencontramosmúltiples proyectosdemodernización,deusodetecnologíasde datos,ydeavancedelainfraestructuratecnológica, comolosonlosdescritosacontinuación:

MIAD(ModelodeInformaciónAduaneraDigitali‐zada)

Esteproyecto,iniciadoen2019,buscamodernizar ydigitalizarlagestiónaduaneraparamejorarla eficienciayreducirelfraudemedianteanálisis predictivoquedetectapatronesinusualesenlas transaccionesaduaneras,identificandofraudesy evasiónfiscal.Unpilarclavedelproyectoeseliminar elusodepapelmediantefirmaselectrónicaspara gestionardemaneraseguraycontroladaloscambios deestadoenlosflujosdelproceso.

VUMAR(VentanillaÚnicaMarítima)

Proyectoconformadoporlas5AG(Ministeriode laDefensaNacional;SAT;MinisteriodeAgricultura, GanaderíayAlimentación;MinisteriodeSalud PúblicayAsistenciaSocial;InstitutoGuatemalteco deMigración),tieneporobjetivoprincipalcentralizar ysimplificarlosprocesosaduanerosmarítimostales comolosonlaLibrePláticamedianteunaplataforma digitalintegrada,quepermitelagestióneficiente yseguradelasoperacionesdecomerciomarítimo. Elsistemabuscamodernizarydigitalizarlagestión aduaneramarítimaparamejorarlaeficienciayreducir riesgossiguiendoelejemplodeMIAD.

Entreotrosproyectosytecnologíaspodemos mencionarlossiguientes:

Cuadro15.1: Proyectosytecnologíasusadosenlatransformación digitaldeaduanas.Fuente:Elaboraciónpropiacondatos obtenidosdeportalSAT.

Comoreflejodelasmejorasyavancesenlas implementacionestecnológicasenlasaduanasse puedevisualizarunincrementosignificativoenloque eslacargatributariaquesemidecomoelporcentaje delProductoInternoBruto(PIB)querepresenta larecaudacióndeimpuestosdelgobiernocentral, posiblementedebidoalareactivacióneconómicay alasmedidasdemejoraenlarecaudacióntributaria.

Figura15.1: Comportamientodelarecaudaciónanualcomo porcentajedelPIB.Fuente:PortalSAT‐https://goo.su/K8Xve

15.3 Conclusiones

Enlabúsquedadealcanzarelobjetivode transformacióndigitaldelasaduanassehalogrado laimplementacióndediversosproyectosenconjunto conlaintegracióndenuevastecnologías,lascuales hanbrindadounagrancantidaddemejorasy beneficios,tantoaniveldeaduanas,mejorandolas condicionesycalidaddeservicio,ayudandoenlas tareasadministrativas,reduciendolacargadelos empleadosdeigualmaneraqueeltiempoempleado paracadacaso,asícomoaunaescalayalcancemayor representandounimpactoaniveldenación,comolo esparaelsectoreconómicopermitiendoporejemplo mejorarlaprecisiónyeficienciaenlarecaudación detributosporpartedelaSuperintendenciade AdministraciónTributaria(SAT)loquerepresentaun impactopositivoenlamejoradelbienestargeneralde lanación.

15.4

Referencias

• [1]GlobalAllianceforTradeFacilitation.“Guate‐malalaunchestransformativeMaritimeSingle Window(VUMAR).”3demayode2024.Accedido el2deagostode2024. https://www.tradefacilita‐tion.org

• [2]SEAL:ServiciosEspecializadosdeAduanay Logística,S.A.“Digitalizacióndelasaduanas enLatinoamérica.”21dediciembrede2021. https://www.seal.com.gt

• [3]SuperintendenciadeAdministraciónTributaria (SAT).“EstadísticasTributarias.”Accedidoel2de agostode2024. https://portal.sat.gob.gt

Palabrasclave: BigData,Latinoamérica,Análisis dedatos,Internetdelascosas,Inteligenciaartificial.

16.1 Introducción

Elanálisisdedatoshaevolucionadodemanera exponencial,ysuimpactoescadavezmáspalpableen diversossectorescomolaindustria,laagroindustria,la economíaeinclusolamedicina.Todosestoscampos, entreotros,tienenlacapacidaddeextraerinformación valiosadegrandesvolúmenesdedatosyestán revolucionandolaformaenqueoperanlasindustrias.

EnLatinoamérica,estatendenciaseestáconsoli‐dandocomounmotorcrucialparalainnovacióny elcrecimientoeconómico.Sinembargo,laregión enfrentadesafíosyoportunidadesúnicasquedeben serabordadosparaevitarqueelprogresosevea obstaculizado.

16.2 Artículo

Enlosúltimosaños,Latinoaméricahavistoun aumentoenlageneracióndedatos,impulsadoporla digitalizacióndeprocesosensectoresclavecomola salud,especialmentetraslapandemiadelCOVID‐19, quegeneróungranvolumendedatos,eltransportey laeducación.

SegúnuninformedeIDC,seesperaqueel mercadodeTIenLatinoaméricacrezcaun11.1% en2024,alcanzando81.2milmillonesdedólares. Estecrecimientoreflejalacrecienteinversión eninfraestructuratecnológicaylaadopciónde solucionesanalíticasavanzadasporpartedelas empresasdelaregión.

Amedidaqueelanálisisdedatosevoluciona,Brasil yMéxicosedestacancomolosprincipaleslíderes enlaadopcióndeBigData,impulsandoalgunasde lastendenciasmásemergentesenlaregión,como lainteligenciaartificial,laanalíticapredictivayla integracióndelInternetdelasCosas(IoT).

EnBrasil,NeuralMindutilizatécnicasavanzadas deIAparadetectarfraudesenelsistemaeléctrico.

Estainiciativacomenzóen2019yutilizaIoTpara monitorearelconsumodeenergíaentiemporealy detectardiscrepanciasquepodríaindicarfraudes.Es unodelospocosproyectosanivelmundialqueintegra datosdeconsumoygeneracióndeenergía.

Porotraparte,Méxicohaavanzadosignificativa‐menteenlaadopcióndelIoTparaoptimizarla eficienciadelaproducciónyelmantenimiento predictivo.En2023,duranteeleventoAutomotive LogisticsandSupplyChainMexico,Volkswagen detallócómoestánaprovechandoherramientas digitalesparagestionargrandesvolúmenesdedatos desucadenadesuministro,reduciendoriesgosy mejorandolarentabilidad.

Mientrastanto,enArgentinalasinstituciones financierashancomenzadoautilizarmodelos predictivosparaenfrentardesafíoseconómicos significativos,comolainflaciónylavolatilidaddel mercadocambiario.Unejemplorecienteeseluso demodelosRandomForestparapredecirlainflación mensual,loscualesanalizandatoshistóricospara detectarpatronesycuyaprecisiónescomparablea métodoseconométricostradicionales.

Desafíosyoportunidadesenlaregión

Apesardelasnumerosasoportunidadesque presentalaadopcióndeBigDataenLatinoamérica,la regiónseenfrentaaunaseriededesafíossignificativos quepodríanralentizarsuprogreso.Estosdesafíos incluyenlimitacionesenlainfraestructuratecnológica, unaescasezdetalentoespecializadoenanálisisde datos,ylanecesidaddemarcosregulatoriosrobustos quegaranticenlaprivacidadyseguridaddelosdatos.

Infraestructuratecnológica

Aunquesehanrealizadoavances,lainfraestructura tecnológicaenmuchospaísesdelaregiónsigue siendoinsuficiente.LaconectividadaInternetyla capacidaddealmacenamientodedatossonáreasque requierenmejorassustanciales.Lasáreasruralesensu mayoríasiguenrezagadasenconectividadyaccesoa servicios.Lafaltadeadopcióndelared5Gconllevaa unadisparidadsignificativaenvelocidadycalidadde acceso.

Figura16.1: Adopcióndered5GenLatinoamérica.Fuente: https://goo.su/xz6dBP

Elarteescadavezmásaccesibleparamás personas

Escasezdetalentoespecializado.Existeunabrecha enladisponibilidaddeprofesionalescapacitados enanálisisdedatos.Lasuniversidadesycentrosde formaciónestáncomenzandoadesarrollarprogramas específicosparacerrarestabrecha,peroaúnqueda caminoporrecorrer.

Regulaciónyprivacidaddedatos

Laregulaciónentornoalaprivacidaddelosdatos esotrodesafíocrítico.PaísescomoMéxicoyColombia hancomenzadoaimplementarleyesdeprotección dedatos,perolaconsistenciayaplicacióndeestas regulacionesvaríaampliamenteenlaregión.

16.3 Conclusiones

ElanálisisdedatosenLatinoaméricaestáen unaetapacrucialdedesarrollo,marcadaporun dinamismoqueprometetransformardiversos sectoreseconómicosysociales.Aunquelaregión enfrentadesafíossignificativosentérminosde

infraestructura,comolafaltadeconectividadenáreas rurales,yregulación,especialmenteenlaprotección dedatos,lasoportunidadesparainnovarycrecerson inmensas.Elaumentoenlaadopcióndetecnologías avanzadas,comolainteligenciaartificial(IA)yel InternetdelasCosas(IoT),estánabriendonuevas víasparaelanálisisdegrandesvolúmenesdedatos entiemporeal.Esesencialquelospaísesdela regiónadoptenunavisiónproactivaycolaborativa, invirtiendoeneldesarrollodeinfraestructuras robustasyenlacapacitacióndeltalentolocal,para superarlasbarrerasexistentesyaprovecharalmáximo elpotencialdelBigData.

16.4

Referencias

• [1]Dhamnekar,Sushant,AndreaKetzer,y ChandanaKeswarkar.“RecapofAWSre:Invent 2023fortheAutomotiveIndustry.”AWSBlog. https://aws.amazon.com

• [2]Forte,FedericoD.“PronósticodeInflaciónde CortoPlazoenArgentinaconModelosRandom Forest.”BBVAResearch. https://www.bbvarese‐arch.com

• [3]InternationalDataCorporation(IDC).“A partirde2024,empresasdeTIdeLatinoamérica tendránuncrecimientomásestablequelasde EEUU,segúnIDC.”IDC. https://www.idc.com

• [4]Murcia,Paula.“ProteccióndeDatos:Estees elPanoramaSobreRegulaciónenLatinoamérica” ValoraAnalitik. https://www.valoraanalitik.com

• [5]NeuralMind.“Projetoaplicatécnicasavançadas deInteligênciaArtificialparadetectarfraudesno setorelétrico.”NeuralMindBlog. https://neural‐mind.ai

PalabrasClave: BigData,Finanzas,Análisis, Herramientas,Transacciones,Predicción.

17.1 Introducción

BigDataeselanálisisdeenormescantidadesde datosvariadosycomplejosparadescubrirpatronesy tendenciasútiles,ayudandoatomardecisionesmás informadas.Enelsectorfinanciero,laadopciónde estatecnologíahatraídoconsigonumerosasventajas quehanllevadoelmanejoyanálisisdeinmensos volúmenesdedatosalsiguientenivel.

Enunmercadoquegeneraabundanteinformación sobreclientes,productosfinancieros,transacciones, entreotros,BigDatahacambiadolasreglasdel juego.Lasempresasbuscanherramientasymodelos quepermitanpredecirconmayorprecisiónel comportamientodeinversiones,oportunidadesde ventaylasatisfaccióndelcliente,loquelesayuda asobreviviryadaptarseenunentornoaltamente competitivo.

17.2

Artículo

Paraabordarlapredicciónyelanálisisdemercados financierosutilizandoBigData,esesencialestablecer unarutaaseguir,elprimerpuntodepartidaes seleccionaradecuadamentelasfuentesdedatos.A diferenciadelosdatostradicionales,quesuelenser estructuradosyprovienendefuentesbiendefinidas comobasesdedatostransaccionalesyregistros históricos,lasfuentesdeBigDatasonmuchomás variadasyvoluminosas.Estasincluyendatosno estructurados,porejemplo,deredessociales,noticias, blogs,transaccionesenlíneaydatosgeneradospor sensores,entreotros.

AlseleccionarlasfuentesdeBigData,debemos enfocarnosenaquellasqueproporcionaninformación relevanteyactualizada,además,esfundamental implementartecnologíasavanzadasparalarecolec‐ción,almacenamientoyprocesamientodeestos datosmasivos,permitiendoasísuanálisisefectivo. Esteprocesonosoloenriquecelacalidaddelas

predicciones,sinoquetambiéncomplementalos datostradicionales,ofreciendounaperspectiva integralyrobustaparalatomadedecisiones financieras.

Teniendoestablecidaslasfuentesdedatos, procedemosadefinirlasherramientasdeBigData, unadeellasesApacheKafka,unaplataforma distribuidadetransmisióndedatosqueestátransfor‐mandolaformaencómoseprocesanlosdatos financierosenlanube,sucapacidadparamanejar volúmenesmasivosdedatosentiemporealde formarápida,segurayconaltorendimientolaestá convirtiendoenunadelasprincipalesopciones pormilesdeinstitucionesfinancierasquebuscan aumentarsuscapacidadesdeprocesamientodedatos.

ElframeworkHadooptambiénsehaconvertidoen unadelasherramientaspreferidasdeBigDataen elmercadofinanciero,especialmenteparagestionar algunosdelosretosmáscomunesparacualquier entidaddeestetipocomoloeselfraude,losdelitos financierosylacorrupcióndedatos.

Figura17.1: Tamañoyalcancedelmercadomundialdeanálisisde bigdataenbanca.Fuente:https://goo.su/MZiwugA

ElBigDataesuntérminocomún,peroaveces difícildeconcretar.Sinembargo,suusoporgrandes empresasdemuestraclaramentesusbeneficiosenlos mercadosfinancieros.Acontinuación,uncasodeéxito queilustrasuimpacto.

LaempresaestadounidenseAmericanExpress (AmEx)esunclaroejemplodelosbeneficiosdelusode BigDataenelsectorfinanciero.Alanalizarenormes cantidadesdedatosprovenientesdepropietarios detarjetasdecrédito,lograndetectarylimitarlas

transaccionesfraudulentas,almismotiempoque proporcionanunprocesodecompraeficiente.Estoes posiblegraciasaunaherramientacreadaporlapropia empresa,llamadaEnhancedAuthorization,lacual permiteobtenerinformaciónsobrequiénrealizacada transacción,paraposteriormentecompararlaconla almacenadaensubasededatosyprevenirelfraude.

17.3 Conclusiones

Esdesumaimportanciaseleccionaradecuadamente lasfuentesdedatosenelcontextodeBigData, especialmentealincluirdatosnoestructuradosde redessociales,noticias,blogsytransacciones,loque enriqueceelanálisisperocomplicasurecoleccióny procesamiento.

ElusodeherramientasavanzadasdeBigData, comoApacheKafkayHadoop,esfundamentalpara mejorarlatomadedecisionesfinancieras,almanejar grandesvolúmenesdedatosentiemporealyresolver desafíoscomoladeteccióndefraudesylagestiónde riesgos.

LoscasosdeéxitoenelusodeBigDataenelsector financiero,comoeldeAmericanExpress,muestran suvalorprácticoalmejorarlaeficienciaoperativa

yofrecerventajascompetitivas,optimizandola deteccióndefraudesylaexperienciadelcliente.

17.4

Referencias

• [1]Abraham,Facundo,SergioL.Schmuklery JoséTessada.“UsingBigDatatoExpandFinancial Services:BenefitsandRisks”.Research&Policy Briefs‐WorldBankGroup,n.º26(noviembrede 2019). https://documents1.worldbank.org

• [2]Domínguez,Sandra.“ImpactodelBigData enlagestiónderiesgosenelsectorfinanciero”. OpenWebinars(septiembrede2023).Consultado el31dejuliode2024. https://openwebinars.net

• [3]“KafkaforCloud‐BasedFinancialData Processing:ASecureandScalableSolution AlibabaCloud”.AlibabaCloud:ReliableSecure CloudSolutionstoEmpowerYourGlobal Business.Consultadoel2deagostode2024. https://www.alibabacloud.com

• [4]Dutta,Subhasish.“BigDatainFinance: Benefits,UseCases,andExamples”.ExpertGenAI Solutions&LLMTraining|Turing.Consultadoel 2deagostode2024. https://www.turing.com

Palabrasclave: Bigdata,Salud,Internetdelas cosas(IoT),Análisisdedatos.

18.1 Introducción

ElBigDataharevolucionadonumerososcampos, destacandoespecialmenteenlasaludylaagricultura. Enelsectorsanitario,elanálisisdegrandesvolúmenes dedatospermitefusionarinformacióngenética, clínicayconductual,favoreciendotratamientosmás personalizadosyeficaces.Esteenfoquenosolomejora laatenciónalpaciente,sinoquetambiénpromueve estrategiaspreventivasmásefectivas,transformando fundamentalmentelaprácticamédicamoderna.

Enelámbitoagrícola,elBigDataestáredefiniendo lagestiónderecursosylatomadedecisiones.Al integrardatosdesensoresIoT,informaciónclimáticay análisispredictivos,losagricultorespuedenoptimizar laseleccióndecultivos,mejorarelrendimientoy adoptarprácticasmássostenibles.

18.2 Artículo

ImpactodelBigDataenlasalud

ElBigDatahatransformadosignificativamenteel sectordelasalud,revolucionandotantoeltratamiento comolagestióndedatosmédicos.Estohallevadoal desarrollodemodelospredictivosmáseficientesque losmétodostradicionales,mejorandolaprevención,el diagnósticoyeltratamientodeenfermedades.

UnejemploconcretoeselSistemadeMonitoreo deSaludInteligenteBasadoenBigData,queintegra aprendizajeprofundoyensemblelearningpara detectarpatronescomplejosenlosdatosdesalud. Estesistemaofreceventajascomo:

• Alertasentiemporealparaintervenciones rápidas.

• Identificaciónproactivaderiesgosdesalud.

• Mejoraenlaprecisiónyrobustezdelosmodelos predictivos.

Sinembargo,tambiénpresentadesafíoscomola privacidadyseguridaddelosdatos,lanecesidad degrandesvolúmenesdeinformaciónypoder computacional,ylaposibilidaddefalsasalarmaso diagnósticosimprecisos.

Elusodeanálisisdedatosesútilenelanálisis masivoderegistrosmédicos,locualpermitegenerar modelospredictivostantoparaeldiagnósticocomo paralaprevencióndeenfermedadespuesmediante elanálisisdellenguajenaturalylamineríadedatos esposibleimplementarprevenciónderiesgosy farmacovigilancialocualpuedeaportaralapractica terapeutica.

Figura18.1: Arquitecturadelsistemademonitoreodesalud basadoenbigdata.Fuente:https://goo.su/LrFgA

Comoseobservaenla figura22.1,semuestraun flujodetrabajoparaelsistemademonitoreode salud,queestábasadoensensores,lospacientes puedensermonitoreadosentiemporeal,locual proveeunbuenmapadedatos,loscualesmediante losalgoritmoscorrespondientes,yusandotecnologías comomachinelearningseobtieneunaprediccióndel desempeñoterapéuticoaplicadosobreunpaciente concretoademásdecontribuirconlainformación predictivaparapoderserextrapoladaacasos generalesdeuso.

Aplicacióndebigdataenagricultura

Enelsectoragrícola,elBigDataestáimpulsando unarevoluciónenlagestiónderecursosnaturalesyla tomadedecisiones.Laimplementacióndealgoritmos deagriculturainteligente,combinadoscontecnología IoT,permite:

1. Monitoreodetalladodefactoresambientales (temperatura,humedad,presiónatmosférica, contenidodehumedaddelsuelo).

2. Recomendacionesprecisassobrelaselecciónde cultivosbasadasencondicionesespecíficasdela granja.

3. Análisisdecorrelación3Dparaexaminar técnicasdecultivoycambiosambientales.

Esteenfoquemejoralaeficienciaysostenibilidad delaagriculturaagranescala,permitiendodecisiones másinformadassobrelaseleccióndecultivosy técnicasagrícolas.Asuvezpuedetantoprevenircomo impulsar,porlocualelanálisisdesuproductividady sostenibilidadalargoplazoescrucialparaanalizarlas implicacionesdeestatecnologíaenlasociedad.

Existenyaproyectosdondeestosehallevadoacabo usandolatecnologíaIoTparavigilanciaambiental, seguidodeunanálisisdedatosparadeterminarla mejorestrategiadecultivossegúnlascondiciones espacialesytemporales,conestoseobtieneunamejor prediccióndelimpactoeconómicoyambientaldeun casoagrícolaespecífico.

Elprocesodenormalizaciónylimpiezadedatosse realizamediantepromediosmóvilesyvarianzapara eliminaranomalías.Además,seempleaunanálisisde correlación3Dparaexaminarlastécnicasdecultivo yanalizarloscambiosambientalesprovocadosporel climaylaerosióndelsuelo.

Elanálisisdedatosamejoradolaeficienciay sostenibilidaddelaagriculturaagranescala,dadoque conunmayormanejodelasvariablessepuedentomar mejoresdecisionessobrelaseleccióndecultivos ylastécnicasagrícolas,basadoenunagamamás ampliadelecturassobrelascondicionesclimáticasy ambientales,tambiénproduciendounabajadelriesgo climáticoasociado.

Conlaimplementacióndelaagriculturainteligente sepuedemejorarelestudiodelosentornosagrícolas ymejorarlatomadedecisionesdediseñoagrícola

basadoenlosresultadosexperimentales,una habilidadcrucialparalasostenibilidaddadoelimpacto delcambioclimáticoaestaramaenconcretodel conocimiento.

18.3 Conclusiones

ElBigDatahatransformadoradicalmentelos sectoresdelasaludylaagricultura,catalizando innovacionesquemejoranlacalidaddevidayla sostenibilidad.Enlaatenciónmédica,hapermitidoun monitoreomásprecisoyunaatenciónpersonalizada, mientrasqueenlaagriculturahaoptimizadolagestión derecursosylatomadedecisiones.Noobstante,estos avancesconllevandesafíossignificativosentérminos deprivacidad,seguridaddedatoseinfraestructura.

Amedidaqueestastecnologíasevolucionan,es crucialadaptarpolíticasyprácticasparamaximizar susbeneficios.ElimpactodelBigDatavamásallá demejorassectoriales,contribuyendoalbienestar generaldelasociedadysentandolasbasesparaun desarrollomássostenibleeinnovador.Ladiscusión sobrecómointegraréticamenteestastecnologías ennuestravidacotidianasigueabierta,planteando interrogantessobreelfuturodelainteracciónentrela tecnologíaylasociedad.

18.4 Referencias

• [1]Abidi,M.H.,U.Umer,S.H.Mian,and A.Al‐Ahmari.“BigData‐BasedSmartHealth MonitoringSystem:UsingDeepEnsemble Learning.”IEEEAccess11(2023):114880‐114883. http://dx.doi.org/10.1109/ACCESS.2023.3325323

• [2]Andreu‐Perez,Javier,CarmenPoon,Robert Merrifield,StephenWong,andGuang‐Zhong Yang.“BigDataforHealth.”IEEEJournalof BiomedicalandHealthInformatics19,no.4(July 2015):1193‐1194. http://dx.doi.org/10.1109/JBHI. 2015.2450362

• [3]Tseng,Fan‐Hsun,Hsin‐HungCho,and Hsin‐TeWu.“ApplyingBigDataforIntelligent Agriculture‐BasedCropSelectionAnalysis.”IEEE Access7(2019):116965‐116970. http://dx.doi.org/ 10.1109/ACCESS.2019.2935564

ESCUELA DE INGENIERÍA EN CIENCIAS Y SISTEMAS

UNIVERSIDAD DE SAN CARLOS DE GUATEMALA