Documentos de Académico
Documentos de Profesional
Documentos de Cultura
LA COMPUTACIÓN
Grupo de Investigación
IPRODAM3D
Ciencia y Tecnología
ÍNDICE
INTRODDUCCIÓN
Relación entre Investigación, Enseñanza y Aprendizaje p. 2
ARTÍCULOS DE OPINIÓN
Competitive programming, start now! p. 14
Inquisitive mind as a key for researching p. 17
Mujeres en ciencia de la computación p. 19
La educación en línea, entre la evolución o el fracaso p. 21
Ciencia de la computación y medicina en la era de Big Data p. 23
EMPRENDIMIENTO E INNOVACIÓN
Software, innovación y empresa p. 25
EDITOR
Dr. Cristian López Del Alamo
clopez@ulasalle.edu.pe
COLABORADOR
Msc. Elian Laura Riveros
http://ulasalle.edu.pe
Universidad La Salle - Arequipa INTRODUCCIÓN Vol. 5 No 1, Diciembre 2019 2 / 27
Dr. Cristian López Del Alamo Además, tenía presente que algunos de mis profesores uni-
versitarios dictaban siempre los mismos tópicos, los mismos
ejemplos, los mismos ejercicios, los mismos exámenes; de se-
mestre a semestre, de año en año, e incluso, de una Universidad
a otra. Podía sentir, por medio de su tono de voz, monótona y
Enseñanza repetitiva, el cansancio y el hartazgo de la rutina, algo que, defi-
nitivamente no quería para mi. No estaba interesado en hacer lo
Era 17 de enero de 2003. Tenía 21 años, y ya había ter- mismo todo el tiempo. Había muchas cosas nuevas por apren-
minado la Universidad. Aún no tenía claro lo que iba a hacer, der, y la mejor forma de hacerlo era enseñando, aprendiendo, y
pero sabía muy bien que una de mis mayores pasiones eran los divirtiéndose en el proceso.
números y la programación, además de tener unas ganas casi
patológicas de aprender cosas nuevas todo el tiempo. Hasta aquí, mi primera lección fue “Aprende para ense-
ñar y enseña para aprender.”
Ese día, mientras pensaba qué haría de mi vida, recibí una
llamada telefónica de un gran profesor y, ahora, un gran amigo.
Era el profesor Wilber Ramos Lovón, quien me invitó a formar Aprendizaje
parte del equipo de profesores de la Universidad Católica San
Pablo, que en ese tiempo no era conocida, pues recién tenía En los años en que impartí clases en la Universidad Cató-
unos pocos años de funcionamiento. lica San Pablo y en la Universidad Nacional de San Agustín,
conocí a muy buenas personas y amigos, quienes regresaron
Nunca antes había dictado clases pero había explicado, al- de concluir sus estudios de Maestría y Doctorado en diversas
gunas veces, a amigos mios y compañeros, diversos trabajos, universidades de Brasil, Chile y otros lugares. Algunos se in-
tareas o tópicos que entendía bien. Ahí me di cuenta que la corporaron a la Universidad Católica San Pablo y otros a la
mejor manera de aprender era enseñando, y que solo cuando Universidad Nacional de San Agustín y, todos ellos, tenían una
entiendes algo completamente bien, eres capaz de transmitirlo visión muy distinta a muchos de mis profesores y colegas de
con cierta facilidad y hacer que otros te entiendan relativamen- mayor edad que no habían salido, y que, posiblemente, habían
te rápido. Así que, dado que ya había saboreado antes el placer sido absorbidos por el sistema.
de aprender por medio de la enseñanza, decidí aceptar.
Un sistema lento, monótono, repetitivo. Un sistema, que
Formé parte del equipo de profesores de la carrera de Cien- quizá, a algunos, los envolvió y les arrebató el placer de ha-
cia de la Computación de la Universidad San Pablo por casi cer cosas nuevas y diferentes, de aprender y seguir creciendo
intelectualmente. Así que, fue exactamente ese nuevo grupo área de geometría computacional y de hacer crecer esta línea
de personas, con experiencias enriquecedores y con ánimo de de investigación. Recuerdo que nos reuníamos todos los sá-
cambiarlo todo lo que yo necesitaba y andaba buscando. Fue bados, con 8 estudiantes de diversas universidades. Todos con
ese grupo de personas el que alzó la valla de mis retos, el que la meta de aprender cosas nuevas, de resolver preguntas, y
hizo más dinámico mis días, y el que, en conjunto con alum- desarrollar algoritmos y programas relacionados al análisis de
nos, cada vez más preparados, con preguntas más profundas e cuerpos no rígidos y modelos 3D.
interesantes, transformó los días de preparación de clases, en
días de aprendizaje constante. Estudiábamos y debatíamos unas 3 horas seguidas, y lue-
go, solíamos jugar baloncesto en la cancha de la Universidad
Sabía que, al menos en mi caso, me sería imposible salir La Salle de Arequipa, donde actualmente trabajo desde el año
de Perú para hacer un Doctorado del nivel que me habría en- 2012 y donde, para ser honestos, me siento como en casa, pues
cantado hacer; sin embargo, estaba completamente seguro de la Universidad La Salle, siempre me dio las facilidades para
mis habilidades, de mi capacidad para aprender y sobretodo, investigar con mi grupo sin importar de que institución sean los
de lo más importante, la motivación que tenía por saber hoy alumnos que conforman el equipo.
más que ayer y mañana más que hoy. Así que, estudiando el
Doctorado en la Universidad Nacional de San Agustín, conocí El 2015 invitamos a Alex Bronstein, quien vino desde Is-
a Benjamín Bustos, director de Investigación del grupo Prisma rael, por 15 días y dio un excelente curso intensivo sobre análi-
en Chile, quien me invitó a una pasantía en la Universidad de sis de cuerpos no rígidos. Al finalizar el curso, jugamos todos
Chile en Santiago. En esta corta estancia, aprendí mucho y, los participantes y Alex incluido, un muy divertido partido de
literalmente, me enamoré, de la geometría computacional, y baloncesto. Una experiencia que marcó a muchos de los chi-
específicamente del análisis de cuerpos no rígidos. Además, cos que estaban en el grupo y, desde entonces, algunos fueron
conocí a Iván Sipiran, un joven peruano, que en ese tiempo a la Universidad de Televi en Israel, y realizaron una pasan-
terminaba su doctorado en Ciencia de la Computación un jo- tía supervisada por Alex Bronstein. Varios alumnos del grupo
ven con un gran talento, y además una gran persona. A ambos, terminaron su Maestría en el área de cuerpos no rígidos, y
les debo el primer golpe de pasión por el área y mucho de lo actualmente, dos de ellos están en la Universidad Zurich ini-
aprendido. ciando su Doctorado.
De regreso a Perú, sabía que quería hacer un doctorado de El grupo continúa vivo, tiene gente nueva, mentes frescas y
verdad, es decir, un doctorado bien hecho, y aprender las cosas
jóvenes con mucho talento, con quienes nos hemos reunido to-
como tenía que ser, a profundidad. En ese tiempo, en Perú, no dos los sábados durante todo un año, aprendiendo las bases de
había nadie trabajando en esa línea, así que me puse a buscar Deep Learning para pensar nuevas formar de aplicar técnicas
a los mejores en el mundo en el área de cuerpos no rígidos, de Machine Learning al análisis de cuerpos no rígidos y junto
y me logré contactar con Alex Bronstein quien trabaja en el a Iván Sipiran y su equipo de investigación, estamos desarro-
área desde hace muchos años y quien es un referente a nivel llando un proyecto para la reconstrucción de vasijas pre-Incas
mundial en geometría computacional. mediante técnicas de Deep Learning. Un proyecto que hace
que los chicos del grupo pongan a prueba toda su imaginación
Alex Bronstein, me guió y me dio luces de muchas cosas en y sus ganas de aprender.
las que me encontraba estancado, tuve muchas conversaciones
por email con él y, aunque no lo conocía en persona, podía La última lección fue “Uno no investiga por que es un re-
notar, por como respondía y por como me encaminaba, de su quisito para ser profesor Investigador, uno debe investigar
gran capacidad intelectual. por que ama hacerlo, por que es parte de su vida, y porque
finalmente es la mejor manera para aprender y enseñar”
La siguiente lección fue “El aprendizaje es un proceso
constante, y si puedes aprender de los mejores, no desper-
dicies la oportunidad. Lo único que te detiene es creer que Conclusiones
no puedes.”
(HLOIFT) como un método eficiente para la segmentación de Dividiremos los resultados en tres partes: 2D HLOIFT, 3D
múltiples regiones. HLOIFT y HLOIFT con superpixels. Usamos imágenes médi-
cas, naturales y sintéticas, compuestos de múltiples regiones.
Formulamos la integración, en una única energía de optimi-
zación, de las características individuales de cada región como: 2D HLOIFT
polaridad en el borde y restricción de forma, junto con rela-
ciones jerárquicas entre regiones como: inclusión y exclusión. En cuanto a nuestros resultados, primero comenzamos
Nuestro nuevo algoritmo propuesto cuenta con su prueba de comparando, de forma cualitativa, nuestro método respecto
correctitud y conserva un bajo costo computacional. de la versión de múltiples regiones de la IFT (Image Foresting
Transform) [10] y de la versión jerárquica del algoritmo min-
cut/max-flow [11]
(1) Primero se crean un conjunto de m capas, donde cada En la Figura 3, mostramos la comparación entre HLOIFT
capa representa una única región. Cada capa es construida co- y la segmentación jerárquica de múltiples regiones con el algo-
mo un digrafo con pesos resaltando las características propias ritmo min-cut/max-flow [11], para la segmentación de una flor.
de cada región como polaridad en el contorno y restricción de
forma.
Resolución en (pixels) HLOIFT (ms) Min-cut/max-flow (ms)
380 × 320 114.65 323.61
(2) Luego, se crea un digrafo jerárquico de capas H.
760 × 640 488.62 1,798.91
HLOIFT define el setup para las conexiones entre las capas con
1520 × 1280 1,823.55 19,021.71
pesos −∞ o ∞, representando las restricciones jerárquicas de
inclusión y exclusión definidas través de h. Adicionalmente, se Cuadro 1: Los tiempos de ejecución para la segmentación de una flor por el HLOIFT y el
considera un parámetro ρ que indica la mínima distancia que min-cut/max-flow considerando un grafo en capas y usando diferentes resoluciones de
imagen.
debe existir entre contornos de las regiones de diferentes capas.
En general los resultados son similares para ambos méto-
(3) Finalmente, ejecutamos el algoritmo de la HLOIFT para dos. El algoritmo de min-cut/max-flow genera resultados con
computar un corte óptimo sobre el digrafo jerárquico basado en contornos más suaves, pero algunas veces esto conlleva a tener
capas H, dando como salida una imagen totalmente etiquetada. errores en parte más finas de la región, como los pétalos (Figu-
Adicionalmente, fue propuesto dos extensiones del método: 3D ra (3b)). Además de ser capaz de computar resultados óptimos
HLOIFT y HLOIFT con superpixels bajo el mismo esquema globales con restricciones jerárquicas arbitrarias, el método
que la HLOIFT original. HLOIFT propuesto también tiene mejor tiempo de ejecución
comparado con el del min-cut/max-flow. El cuadro 1 mues-
tra los tiempos de ejecución usando diferentes resoluciones de
imagen y una laptop Intel Core i3-5005U CPU 2.00GHz ×4.
Resultados experimentales
1 1
0.99 0.99
0.98 0.98
Dice coefficient
Dice coefficient
0.97 0.97
0.96 0.96
0.95 0.95
0.94 0.94
0.93 0.93
0.92 0.92
0.91 0.91
0.9 0.9
0 10 20 30 40 50 0 10 20 30 40 50
Erosion radius (pixels) Erosion radius (pixels)
IFT HLGC IFT HLGC
Relaxed IFT HLOIFT Relaxed IFT HLOIFT
Dice coefficient
Dice coefficient
0.97 0.97
Figura 3: Segmentación de dos regiones en una flor, la parte central en celeste y los 0.96 0.96
pétalos en amarillo, usando una relación de inclusión. (a) La imagen de entrada. (b) 0.95
0.94
0.95
0.94
Dice coefficient
Dice coefficient
0.97 0.97
0.96 0.96
regiones por la IFT [8], cuya versión mejorada por un procedi- 0.95
0.94
0.95
0.94
las aristas simples (ψ(s, t) = |I(s) − I(t)|). (e) Calcáneo (f) Calcáneo con GSC
Cuadro 2: Las curvas de la media de la acuracia dada por el coeficiente Dice, para
El primer dataset tiene 40 imágenes CT de la parte toráci- diferentes métodos.
ca, de resolución 512 × 512 usado para segmentar el hígado
incluído en el abdomen. El segundo dataset tiene 40 imágenes
MR para segmentar los huesos talus y calcáneo con restricción
de exclusión, considerando a la región del pie como su padre. 3D HLOIFT
Los mismos marcadores fueron usados para ambos métodos, Utilizando imágenes en 3D (volúmenes) mostramos el com-
obtenido por una erosión progresiva del ground-truth de las portamiento del HLOIFT considerando diferentes restriccio-
regiones y el background para diferentes valores de radio. Para nes a priori. En la Figura 5, usamos una imagen sintética de
los huesos usamos una polaridad de contorno de oscuro para 150 × 150 × 150 voxels compuesto por seis diferentes regio-
claro y para el hígado de claro para oscuro. nes: dos cubos oscuros dentro de una bola clara, los que a su
vez están contenidos dentro de un cubo, con background blan-
La exactitud media, de acuerdo al coeficiente Dice, son co, y donde uno de los cubos internos contiene una pequeña
mostrados en la Figura 4, donde los resultados de la columna bola. Luego, deseamos segmentar tres regiones, donde O1 y
izquierda fueron obtenidos sin considerar restricción de forma O2 estarían inclusos en O3 . Es así, que definiendo polaridad de
y, la de la derecha, con restricción de forma Geodesic Star Con- contornos diferentes como “de claro para oscuro” (bd) o “de
vexity (GSC) [13]. El HLOIFT tiene los mejores resultados en oscuro para claro” (db) para O1 y O3 , obtenemos diferentes
la mayoría de los casos. Observe también que nuestro método resultados.
se beneficia del uso de la restricción de forma para el caso del
hígado, en comparación con el HLGC. Para mostrar nuestro 3D HLOIFT en imágenes reales de
MR, usamos un volumen de 120 × 120 × 90 voxels, para seg-
mentar el cerebro (Figura 6a) y los ventrículos laterales (Figura
6b) usando una relación de inclusión. El tiempo de ejecución
para este caso fue de 4.2 segundos.
O3
db
O1 O2
(a)
(b) (c)
Figura 4: (a) Dada una imagen de entrada y marcadores para O1 (en amarillo), O2
(en azul) y el fondo (en rojo), obtenemos diferentes resultados para O1 y O2
incluidos en O3 , definiendo polaridad de contornos diferentes. En (b) y (c) las
diferentes regiones en 3D son mostradas.
Figura 5: Segmentación usando 3D HLOIFT para (a) el cerebro y (b)ventrículos
con una restricción de inclusión.
Method Overview
the bar chart shows the distribution of pixels for each legend
value.
Applications
Data extraction
Visual encoding can be used to extract data encoded on
a map chart, which can then be used to redesign the visuali- Figura 8: Analysis of extracted encoded data on map charts.
zation itself [9]. We have a domain D = {d1 , ..., dn } and a
range R = {c1 , ..., cn } from the color channel entry in our
visual encoding. First, we create a colormap CM = {(ci , di )}
mapping a color (ci ) to a data value (di ). Then, for each pixel Map reprojection
p in the map region, we infer the latitude lat and longitude
lon values using the inverse projection function. After that, we In the second application, given a bitmap image of a map
get the color pc and find the nearest color in CM such that chart as input, we produce a new image which uses a different
distcolor (pc , ci ) < 2,5 [12]. If a nearest color exists, we reco- projection, maintaining the original data (colors). This appli-
ver its value di as val. Finally, we export those values into a cation uses mainly the spatial information contained in the
CSV file, where each row contains a (lat, lon, val) tuple. This inferred visual encoding and a target geo projection. Figure 9
file can be used by the analyst to create other visualizations and shows an example, using a map with the Equirectangular pro-
to extract trends in data. jection as input, our tool automatically create a new map chart
For instance, Figure 8 shows an input image contains a quan- with the Robinson projection.
tized legend where each color represents a range of values and
[2] Rabah A. Al-Zaidy, Sagnik Ray Choudhury and C. Lee [8] Arvind Satyanarayan, Dominik Moritz, Kanit Wongsup-
Giles. Automatic Summary Generation for Scientific Da- hasawat and Jeffrey Heer. Vega-Lite: A Grammar of In-
ta Charts. AAAI Workshop: Scholarly Big Data, 2016. teractive Graphics. IEEE Trans. Visualization & Comp.
Graphics (Proc. InfoVis), 2017.
[3] Yao-Yi Chiang, Stefan Leyk and Craig A. Knoblock. A
Survey of Digital Map Processing Techniques. ACM [9] Manolis Savva, Nicholas Kong, Arti Chhajta, Li Fei-Fei,
Computing Surveys, 2014. ACM. Maneesh Agrawala and Jeffrey Heer. ReVision: Automa-
ted Classification, Analysis and Redesign of Chart Ima-
[4] J. Gao, Y. Zhou and K. E. Barner. View: Visual Infor- ges. Proceedings of the 24th Annual ACM Symposium
mation Extraction Widget for improving chart images ac- on User Interface Software and Technology, 2011. ACM.
cessibility. 19th IEEE International Conference on Image
Processing, 2012. [10] Noah Siegel, Zachary Horvitz, Roie Levin, Santosh Div-
vala and Ali Farhadi. FigureSeer: Parsing Result-Figures
[5] Jonathan Harper and Maneesh Agrawala. Deconstructing in Research Papers. Computer Vision – ECCV 2016: 14th
and Restyling D3 Visualizations. Proceedings of the 27th European Conference, Amsterdam, The Netherlands, Oc-
Annual ACM Symposium on User Interface Software and tober 11–14, 2016, Proceedings, Part VII.
Technology, 2014. ACM. [11] R. Smith. An Overview of the Tesseract OCR Engine.
Ninth International Conference on Document Analysis
[6] Daekyoung Jung, Wonjae Kim, Hyunjoo Song, Jeong-in
and Recognition (ICDAR 2007), 2007.
Hwang, Bongshin Lee, Bohyoung Kim and Jinwook Seo.
ChartSense: Interactive Data Extraction from Chart Ima- [12] Mike Stokes, Mark D. Fairchild and Roy S. Berns. Preci-
ges. Proceedings of the 2017 CHI Conference on Human sion Requirements for Digital Color Reproduction. ACM
Factors in Computing Systems, 2017. ACM. Transactions on Graphic, 1992. ACM.
[7] Jorge Poco and Jeffrey Heer. Reverse-Engineering Visua- [13] Volker Walter, Fen Luo and Dieter Fritsch. Automatic
lizations: Recovering Visual Encodings from Chart Ima- Map Retrieval and Map Interpretation in the Internet. Ad-
ges. Computer Graphics Forum, 2017. The Eurographs vances in Spatial Data Handling. Advances in Geographic
Association & John Wiley & Sons, Ltd. Information Science, 2013. Springer, Berlin, Heidelberg.
Por otro lado, en nuestro país las empresas están cada vez
más preocupadas en transformar la ingente cantidad de da-
tos digitales en conocimiento, y es por esto que la Univer-
sidad La Salle en conjunto con el grupo de Investigación
IPRODAM3D, han diseñado el diplomado en Ciencia de
Datos cuyo objetivo principal es formar capital humano
para poder realizar tareas de análisis, clasificación, agru-
pamiento, predicción y visualización de información y así
apoyar a empresas e instituciones con personal capacitado Diplomado en ciencia de datos - ULASALLE -
para este tipo de tareas. AREQUIPA
Surveillance video cameras are being employed more of- Finally, in the final layers there is a Fully Connected La-
ten now-a-days. They can help to control the crime or illegal yer (FC) of 64 neurons. This is followed by a Rectified Linear
activities of criminals on the streets. So, many cities around Unit (ReLU) layer. After, another Fully Connected Layer is
the world are buying and implementing monitoring systems included with a the same size of the classification classes (one
composed of several surveillance cameras. These cameras are for the gun class and other for the background class). At the
being controlled by dedicated staff for many hours and it is a end, the softmax Layer and the classification Layer are found.
difficult task because they usually need to pay attention to more
than one video camera for a long time. In the next secction we have to explain some of the more
interesting results of our research work.
In this work we will focus on detected guns in images with
illumination changes because in surveillance videos illumi- Experiments
nation is an important factor to be treated. To carry out this
Results Referencias
[1] Delong, Andrew and Boykov, Yuri. Globally optimal seg-
mentation of multi-region objects. Computer Vision, 2009
IEEE 12th International Conference on, pages 285–292,
2009, IEEE.
In our experimental evaluation of our model, both training [5] Zitnick, C. Lawrence and Dollár, Piotr Fleet, David and
and testing process were done on a PC with Windows 10 x64 Pajdla, Tomas and Schiele, Bernt and Tuytelaars, Tinne Ed-
with an Intel Core i7-7700HQ CPU 2.80GHz, a Nvidia grap- ge Boxes: Locating Object Proposals from Edges Compu-
hic card GTX 1050 with 4Gb of memory, 16GB of RAM and ter Vision – ECCV 2014 Springer International Publishing
Matlab 2017a.
[6] Viola, Paul and Jones, Michael Rapid object detection
using a boosted cascade of simple features Computer Vi-
We have used the Intersection over Union (IoU) metric with sion and Pattern Recognition, 2001. CVPR 2001. Procee-
Receiver Operating Characteristic curve (Roc curve). dings of the 2001 IEEE Computer Society Conference on
1:I–511, 2001,IEEE
Luciano Arnaldo Romero Calla Figura 13: Porto ICPC World Finals 2019 (https://icpc2019.up.pt)
1 From: icpc.baylor.edu
Besides solving the problem, you need to take care of your there are programmers behind this software who have to fa-
code implementation and the correct format for reading the ce some problem that includes many sub-problems and write
input and writing the output. Here I can refer you to the Com- computer code.
petitive Programming 3 book, where you can find out excellent
guidelines to start training, which includes topics like I/O, data The development of artificial intelligence, more powerful
structures, graphs, greedy, geometry, strings, dynamic pro- processors, 3D scan, printers, sensors and displays, the promise
gramming, number theory among others. Many of these topics of quantum computing, are open doors for excellent researchers
you have studied in courses of programming, discrete mathe- and software developers who will face new challenge problems
matics, and analysis and design of algorithms. But, here you that could change the world.
can put on the theory in practice solving challenging problems
that prepare you for your professional career.
Problem J Figura 15: From .A Style-Based Generator Architecture for Generative Adversarial
Uncrossed Knight’s Tour Networks" (https://arxiv.org/abs/1812.04948).
Time limit: 2 seconds
A well-known puzzle is to “tour” all the squares of an 8 × 8 chessboard using a knight, which is a piece
that can move only by jumping one square in one direction and two squares in an orthogonal direction.
The knight must visit every square of the chessboard, without repeats, and then return to its starting
square. There are many ways to do this, and the chessboard size is manageable, so it is a reasonable
puzzle for a human to solve.
The input consists of a single line containing two integers m (1 ≤ m ≤ 8) and n (1 ≤ n ≤ 1015 ), giving
the dimensions of the rectangular chessboard.
Big companies like Google, Facebook, Amazon, Pixar,
Output Nvidia, Intel, and start-ups, whose principal component is
Display the largest number of squares that a knight can visit in a tour on an m × n chessboard that does
not cross its path. If no such tour exists, display 0.
the software and understand the importance of software de-
Sample Input 1 Sample Output 1
velopment, look for programmers with excellent programming
6 6 12 (solving-problem) skills and a background in programming
contests. Because solving a problem includes the process of
ACM-ICPC World Finals 2018 Problem J: Uncrossed Knight’s Tour 19
abstraction, analysis, design, implementation, and testing.
How to start?
2 www.springerprofessional.de/en/guide-to-competitive-programming/15339090
less likely to change. You can witness how happy the children first works in Deep learning, they were rejected badly for the
are for whatever funny new thing they discover. Also, they are scientific community, because his proposal was very different
highly focused on the present moment and they tend to imitate from the standard methods at that time. However, nowadays it
others, to learn as much as they can. This behavior is the key to is a total success, it has changed many research fields and it is
a more creative thinking. still improving.
The main point of this article is to motivate you to start cul- What I just pointed out is to come up with an original idea
tivating an inquisitive mind. The fastest way to do this is by requires to think differently. And the trivial question is, how
changing your mindset to embrace learning. A good practice can I do that? And then, there is not a fixed answer or a for-
to achieve the former is researching in whatever ( please make mula. As far as I know, a way to achieve this is by making
sure it does not include information about someone’s private connections or finding patterns in activities that require to put
affairs) you are interested in. a lot of focus. In other words, you can achieve this by gaining
Research is like playing with a puzzle or a riddle, where experience in solving problems. You need to be open-minded
you spent several hours trying to figure it out a solution. It is to see the problem from different points of views. The big trick
also like creating new dishes, no matter how good your cooking here is that you need to be fine with failing. It is important
skills are, creating new dishes is harder. There is no recipe, but because when someone starts a new project or activity, it is
there is a vast field of previous recipes you can review. Also, it more likely to fail and get bullied by others. Therefore, you
is highly competitive, since we are living in a globalized world have to learn to overcome negative criticism and focus in enjoy
where the information is highly available. So, better keep up- every new lesson. I had that experience myself when I entered a
dating yourself and checking recent approaches constantly. new field at those times during my undergrad. After I struggled
with a lot of notations and formulas, I realized how much they
simplified abstract thoughts, eliminating ambiguity.
en matemáticas como si eso fuera un an- Parece ser algo propio de la cultu- Afortunadamente no. Europa tiene un
tídoto para ser poeta. Y ella descubre la ra actual, y que considero, tenemos que promedio de 16.1 % de participación de
poesía en las matemáticas, llegando a ser cambiar. mujeres en Computación de acuerdo a
conocida como la primera programadora Eurostat data. Bulgaria y Rumania tienen
de la historia. las tasas más altas de mujeres que ingre-
¿Qué podemos hacer? san en el área de Computación, 27.7 %
Otro ejemplo, Grace Hopper quien y 27.2 % respectivamente. Luego vie-
fue la primera persona en diseñar un Creo que es importante mirar lo que nen Letonia, Finlandia, Estonia y Litua-
compilador para un lenguaje de pro- ya se ha hecho. No hace mucho tiempo nia con más del 20 %, Reino Unido con
gramación. Podemos decir que hasta la (menos de 100 años), la mujer tenía que 18 %, Alemania 17 % e Italia 16 %.
Segunda Guerra Mundial, la programa- luchar contra la discriminación de géne-
ción fue realizada principalmente por ro, no podía votar, era educada para ser Entonces, ¿cuál es el secreto de estos
mujeres. Después de la década de 1960, ama de casa y no podía pensar abierta- lugares?
el porcentaje de mujeres disminuyó. mente en obtener un título. El hecho de
que mi capacidad para obtener un título
La igualdad de trabajo y remunera-
Con todo, existen ejemplos femeni- se base en el mérito y en las oportunida-
ción entre hombres y mujeres sentó las
nos en Computación, tales como la Dra. des, y no en el género, ya significa que el
bases para crear diversidad en el medio
Katherine Louise Bouman, en el campo medio ha avanzado mucho.
laboral de Computación, colocando la
de Computer imagery, para el desarrollo
emancipación de las mujeres en el cora-
de un algoritmo para obtener imágenes Debemos de motivar para aumentar zón de la ideología del estado. Además,
de agujeros negros en alta resolución el interés en Computación en mujeres.
el sistema educativo de estos países ha
(Continuous High-resolution). Y ese cambio debe ser motivado desde sentado las bases para que tanto las niñas
todos los frentes: escuelas, universida- como los niños consideren la tecnología
des, oportunidades de trabajo, sociedad, como una carrera imprescindible. Los pa-
Entonces, ¿por qué en las medios de comunicación, etc. Sobretodo dres y maestros valoran las matemáticas
universidades y en el medio laboral de este último, donde es común asociar un como una “ciencia exacta” y enfatizan
Computación vemos un porcentaje personaje informático ficticio a un varón su importancia. Tal vez, la respuesta es
bajo de mujeres? de contextura no atlética y de grandes no sólo dar un trato equitativo a ambos
gafas. sexos e impulsar las matemáticas y la
Existen varios trabajos que analizan tecnología en la educación, sino desarrai-
esta disparidad de género y la falta de gar el machismo de la cultura, es decir
mujeres en Computación, pero sin expli- ¿La disparidad de género en de la cabeza; no sólo de hombres, sino
caciones concluyentes. Computación es global? también de mujeres.
ULASALLE
La Universidad La Salle es integrante de la Asociación In-
ternacional de Universidades Lasallistas (AIUL), entidad
que agrupa a más de 70 instituciones de educación superior
en todo el mundo.
ULASALLE - https://www.ulasalle.edu.pe
general.
todo el mundo el tener una importante cantidad de alumnos en las Tecnologías de Información, además de los departamentos
dicha modalidad; sin embargo, la deserción continúa siendo el administrativos de dichas áreas, para la conformación de un
problema más complejo de solucionar, aunque probablemente Comité que permita evaluar la ruta de la Educación a distancia
la solución sea sencilla, el acompañamiento efectivo de funcio- de la Universidad. El nuevo departamento deberá de estar ali-
narios y maestros con los alumnos. neado a la visión de la Universidad, y tendrá que generar los
espacios virtuales para implementar la formación de los estu-
diantes, no solo manejar una plataforma LMS, sino un nuevo
La fidelización del alumno esquema de acercamiento, que permita cumplir la misión de la
Universidad y el gran reto de la educación en línea, la forma-
Un alumno genera una fidelización a la Universidad, a su Facul- ción integral de un alumno.
tad, a su programa de estudios, a sus compañeros, pero princi-
palmente con los Maestros. Esa relación directa de aprendizaje El cambio de la estructura Universitaria, pero principal-
en el aula es uno de los puntos más importantes para cualquier mente la generación de nuevos procesos, vinculantes con las
egresado Universitario, los profesores que marcan a los estu- áreas de escolares (al interior de la Universidad), áreas admi-
diantes con su guía, son de lo más valorado por los alumnos, nistrativas y de promoción, sin forzar a la educación a distancia
y esa relación tan estrecha en las aulas tradicionales, está en a los procesos tradicionales presenciales internos, llevará a un
segundo término en la educación en línea; por consiguiente, adecuado funcionamiento de esta modalidad.
genera una falta de motivación en los alumnos, en entornos no-
tablemente diezmados por la clásica educación a distancia de El viejo esquema de realizar diseños instruccionales, colo-
las Universidades, pasando a lo impersonal de una manera tan carlos en plataforma, hacer un video introductorio y compartir
radical, que el solo esperar una respuesta en un foro, se vuelve links, para después activar clase a clase y revisar tareas y con-
desalentador y frío para los participantes. testar en foros se vuelve obsoleto rápidamente ante las nuevas
generaciones que requieren un acercamiento con el docente,
con los funcionarios administrativos, para evitar el catastrófico
¿Por qué se genera la deserción? escenario de la deserción.
La deserción se genera por una falta de visión de cómo estruc- Adicional a lo anterior, se tendrán que crear nuevos es-
turar la educación a distancia; es decir, viene desde la raíz. El quemas y complementarlos, como salones virtuales en donde
creer que el hacer una educación en línea solo con generar di- el profesor vea directamente a los alumnos, en tiempo real, de
seños instruccionales, colocarlos en una plataforma educativa manera síncrona. Y en donde ese espacio virtual se convierta en
y contestar en foros, se garantiza el éxito de la educación en un verdadero salón de clase, con uno de los aspectos más enri-
línea, ese es el principal error. Además del acompañamiento, quecedores de la educación: el diálogo docente y entre alumnos
existen otros factores que permitirán enfocar los esfuerzos de al momento de estar explicando un tema, o haciendo juntos una
la educación en línea para que tenga éxito. Las claves tendrían práctica. Lo cual, en los modelos actuales y tradicionales en
que estar definidas en un primer paso, el modelo de educación a línea, no se tiene contemplado.
distancia Universitaria, un documento en donde deben de parti-
cipar las áreas académicas y administrativas de la Universidad La educación a distancia no es un simple repositorio de
en relación con Tecnologías de Información, Educación y áreas diseños instruccionales y profesores contestando en foros, es
de gestión, para que, entre administrativos y académicos pue- llevar la educación de manera real y efectiva a otras latitudes,
dan replantear el modelo tradicional de la educación en línea, ahí está el principal reto, estar entre la evolución o el fracaso.
para generar un modelo actualizado y adecuado, con relación a
la visión y misión de las instituciones.
Referencias
Un modelo académico para la educación a distancia
[1] Delong, Andrew and Boykov, Yuri. Globally optimal seg-
Sin un modelo académico actualizado para las modalidades a mentation of multi-region objects. Computer Vision, 2009
distancia, el fracaso será una constante en la educación en línea, IEEE 12th International Conference on, pages 285–292,
en donde se corre el riesgo de iniciar grupos con el mínimo de 2009, IEEE.
alumnos a distancia y en donde cada cuatrimestre o semestre
se irán dando de baja. [2] Rutter, Michael Patrick. Harvard and MIT re-
Cuando el modelo académico de educación a distancia de las lease working papers on open online learning.
Universidades esté listo, se deberá de crear un departamento http://news.harvard.edu/gazette/story/2014/01/harvard-
que se encargue de los procesos, además deberá de estar en and-mit-release-working-papers-on-open-online- learning.
relación directa con las Facultades afines a la Educación y a 2014
este tipo de sistemas es crear modelos que sean capaces de to estructurado (base de datos), disponibilidad (servicios web),
extraer información diversa y útil que se genera durante todo el análisis (procesamiento de imágenes, minería de datos, Deep
proceso de análisis médico [2]. learning), diagnóstico y tratamientos (CAD y radiómica) y di-
seño de sistemas e interfaces de usuario adecuadas (ingeniería
Por otro lado, en la última década se ha popularizado un del software). Todo desde la perspectiva de Big Data.
nuevo término, que es de especial importancia para la compu-
tación y estadística, hablamos de Big Data que en español sería El desafío es grande, pero los resultados son mayores, mi-
algo como “gran cantidad de datos”. Esto se refiere básicamen- les de pacientes ya se ven beneficiados con diagnósticos pre-
te a la enorme cantidad de datos disponibles, datos de todo cisos y rápidos, lo que conlleva a tratamientos adecuados y
tipo: textuales, imágenes, vídeo, numéricos, variantes en el precoces. En nuestro país, la investigación en este campo des-
tiempo, etc. Muchos de estos datos no están estructurados, son afortunadamente es aún pequeña. No obstante, existen algunos
redundantes, obsoletos o innecesarios. Sin embargo, la gran proyectos impulsados por grupos de investigación de universi-
mayoría de estos datos “esconde” información muy valiosa, dades, principalmente a nivel de posgrado. Hace falta impulsar
“conocimiento”, que debería ser aprovechado. El estudio y ma- proyectos multidisciplinarios entre universidades y centros mé-
nipulación de Big data ha generado tanto interés en el medio dicos. El sistema médico peruano necesita de estas tecnologías
que han aparecido nuevos profesionales, conocidos como Data para mejorar la calidad de la atención médica en el país. El
scientists, especializados en la llamada “Ciencia de datos”. conocimiento existe, los datos existen, la necesidad existe, los
profesionales existen. Sólo hace falta liderar proyectos que en-
La Ciencia de datos puede ser aplicada en prácticamente caren el desafío de aplicar computación y medicina en la era de
cualquier área: ingeniería, computación, biología, química, so- Big Data.
ciología, marketing, medicina, entre otras. En medicina, resulta
cada vez más fácil (rápido y económico) el acceso a exámenes
de laboratorio, radiografías, tomografías computarizadas, reso-
nancias magnéticas y biopsias digitalizadas. Además de datos Referencias
de pacientes como: síntomas, edad, ambiente laboral, entre
otros. Todos estos datos se almacenan diariamente en cantida- [1] Roth, Holger R and Lu, Le and Liu, Jiamin and Yao, Jian-
des enormes en diversos servidores a nivel mundial, superando hua and Seff, Ari and Cherry, Kevin and Kim, Lauren and
la capacidad de análisis de los sistemas CAD tradicionales. Summers, Ronald M. Improving computer-aided detection
using convolutional neural networks and random view ag-
La tendencia actual en investigación aplicada en medicina gregation. In IEEE transactions on medical imaging, IEEE
es usar y/o crear técnicas de Big data aplicadas en sistemas ra- , pages 1170–1181, 2015.
diómicos. En este contexto, se han publicado muchos artículos
que proponen diversas técnicas para aplicar conceptos de Big [2] Kumar, Virendra and Gu, Yuhua and Basu, Satrajit and
data y Radiomics. Sin embargo, aún existen grandes desafíos Berglund, Anders and Eschrich, Steven A and Schabath,
que requieren mucho trabajo por parte de profesionales de to- Matthew B and Forster, Kenneth and Aerts, Hugo JWL
das las áreas involucradas: medicina, biología, computación y and Dekker, Andre and Fenstermacher, David and others.
estadística principalmente. Estos desafíos van desde la adquisi- Radiomics: the process and the challenges. Magnetic
ción de datos de forma precisa (física médica), almacenamien- resonance imaging, 2012.
POSTGRADO ULASALLE
La Universidad La Salle de Arequipa acaba de lanzar la
Escuela de Postgrado, la cual cuenta con una Maestría en
Derecho Empresarial la cual brinda las herramientas ne-
cesarias para dominar el marco jurídico de las empresas
y la normativa de los modelos de negocios nacionales e
internacionales. Está enfocado en el campo del derecho y
las finanzas para afrontar los retos de un mundo globali-
zado. Además, se tiene el MBA con mención en negocios
internacionales cuyo finalidad es brindar las herramien-
tas necesarias para liderar proyectos empresariales a nivel
nacional e internacional. A lo largo de la maestría apren-
derás a dominar la gestión de recursos financieros y los
diferentes eventos que condicionan los negocios en los
continentes. POSTGRADO ULASALLE -
https://www.ulasalle.edu.pe/posgrado/