Directorio

Instituto Politécnico Nacional

Mario Alberto Rodríguez Casas
Director General
Héctor Leoncio Martínez Castuera
Secretario General
Emmanuel Alejandro Merchán Cruz
Secretario Académico

Realización: Tzi tziqui Betzabe Lemus Flores

Juan Silvestre Aranda Barradas
Secretario de Investigación y Posgrado
Luis Alfonso Villa Vargas
Secretario de Extensión e Integración Social
María Guadalupe Vargas Jacobo
Secretaria de Servicios Educativos
Reynold Ramón Farrera Rebollo
Secretario de Gestión Estratégica
Jorge Quintana Reyna
Secretario de Administración
Eleazar Lara Padilla
Secretario Ejecutivo de la Comisión de Operación
y Fomento de Actividades Académicas
José Cabello Becerril
Secretario Ejecutivo del
Patronato de Obras e Instalaciones
José Juan Guzmán Camacho
Abogado General
Epicentro
Modesto Cárdenas García
Presidente del Decanato P3
Blanca Beatriz Martínez Becerra Tan compleja como
Coordinador de Comunicación Social
José Juan Rodríguez Origel la inteligencia
Director del Centro de Difusión de Ciencia y Tecnología
Conversus Escáner
Editora
Rocío Ledesma Saucedo P4
Asesor Técnico Inteligencia Artificial,
Salvador Godoy Calderón
más allá de una
Periodistas
Teresa Moreno Vieyra y tendencia tecnológica
Adriana Negrete Gutiérrez
Diseño y Diagramación
Tzi tziqui B. Lemus Flores,
Jovan Campos Hernández y
Nayelhi J. Ramírez Labastida
Corrección de estilo
Gricelda Guzmán Aguirre
Redes Sociales
#HechoEnElIPN
Luis Edmundo Aguilar González P6
Colaboraciones Especiales
Adriana E. Torres Nava, Salvador Godoy Calderón,
La verdad oculta sobre las
Mauricio Olguín Carbajal, Juan Carlos Herrera Lozada, redes neuronales artificiales
Laura Ivoone Garay Jiménez, Blanca Tovar Corona,
Hiram Eredín Ponce Espinosa, Carlos Ortega Ibarra, P10
Fabian Quintana Sánchez, Celestino Antonioli Ravetto,
Isaura Fuentes Carrera, Wilder Chicana Nuncebay Inteligencia Artificial ConCiencia
y Yuritzen Solache Ruiz.
en el diagnóstico P14
Comité Editorial
José Franco (fccyt), Laura Arreola Mendoza (IPN), P12 Transferencia de
Rolando Isita Tornell (unam),
Juan Silvestre Aranda Barradas (IPN), Inteligencia Artificial para el Aprendizaje en
Elaine Reynoso Hayness (RedPOP), control de tránsito vehicular Sistemas Robóticos
Hernani Yee-Madeira (IPN), Juan Tonda Mazón (IER- unam),
Rosalva Mora Escobedo (IPN), Edilso Reguera (IPN)
Impresión: Impresos Santiago S.A. de C.V. Trigo 80-B, Col. Granjas
Esmeralda, Iztapalapa, Ciudad de México, México. C.P. 09810.
Tiraje: 20 mil ejemplares.
Conversus
Es una publicación bimestral (mayo - junio 2018) del Instituto Politécnico
Nacional, editada por el Centro de Difusión de Ciencia y Tecnología
(CeDiCyT) de la Secretaría de Servicios Educativos. Los artículos
firmados son responsabilidad exclusiva de su autor, por lo que no reflejan
necesariamente el punto de vista del IPN. Se autoriza la reproducción
parcial o total, siempre y cuando se cite explícitamente la fuente.
Domicilio de la publicación: Av. Zempoaltecas esq. Manuel Salazar,
Col. Ex Hacienda El Rosario. Deleg. Azcapotzalco. C.P. 02420. Teléfono:
(55) 57 29 60 00 ext. 64827. Correo electrónico: conversus@ipn.mx,
Facebook: Conversus Divulgacion Cientifica, Twitter: @conversusdelipn
Número de Certificado de Reserva otorgado por el Instituto Nacional del
Derecho de Autor: 04-2001-100510055600-102. Número de Certificado
de Licitud de Título 11836. Número de Certificado de Licitud de Contenido
8437, otorgados por la Comisión Calificadora de Publicaciones y Revistas
Ilustradas de la Secretaría de Gobernación. Número issn 1665-2665.
Kernel Recuerda que
Conversus incluye
P16
Codigod QR (Quik
Ramas de la IA, algunas Response code) y
áreas de aplicación y ahora lo puedes checar
disciplinas auxiliares con tu Smartphone.
En este número

Trotamundos los códigos los

encontrarás en las
páginas: 3, 18, 19, 20,
P18 21, 22, 23 y 24.
Formación sin fronteras

#CyTLab
P20
Crea, diseña
y aplica: IA Conversus
Divulgacion
Cientifica
Aldea Global
P22

CultivArte @conversusdelipn
P24
Máquinas que
aprenden y crean

Manos a la ciencia
P26
Astronomía en cuadritos ConversusTV

#CienciaEnAcción
P28
En dónde encontrar la IA

Zona plee
ConversusRadio

P30
¿Te gustaría escribir en
El cielo de verano Conversus? Consulta los
lineamientos en:
P32 www.cedicyt.ipn.mx

El cielo de julio
sección Conversus.

y agosto AR
TE ESTA R
E
P

VI
COM

STA

O LA
R
C

M IC
PA R
T IR E S R E C
 Epicentro

Tan compleja
como
la inteligencia
Eva (2011), Robot Frank (2012), Her (2014), Trascen- “Sólo podemos ver poco del futuro, pero
lo suficiente para darnos cuenta que hay
dence (2014) y ExMachina (2015), son algunos de mucho que hacer”.
los títulos de películas más recientes que se basan ——Alan Turing.

en la Inteligencia Artificial (IA) y en todo lo que ésta

puede beneficiar (y/o perjudicar) a la humanidad.

A
lgunos podríamos creer que lo
más cercano que podemos estar
de la IA es sólo lo que vemos en
estos filmes… ciencia ficción. Sin em-
bargo, has estado cerca –más de lo
que te imaginas– de ésta: los asisten-
tes personales virtuales (“pregúntale a
Siri”), los video juegos (cada día más
sofisticados); o el corrector de ortogra-
fía de tu procesador de palabras; o los
sistemas de recomendaciones de pro-
ductos. Si bien, son ejemplos de una
IA básica, nos permiten entender que
no sólo son robots o humanoides, es
el sistema que optimiza los recursos
disponibles para tomar decisiones y
lograr el mejor resultado.
En este número de Conversus encon-
trarás la experiencia de científicos e in-
vestigadores que están trabajando en
diferentes ramas de la IA. El tema de
ninguna manera se agota, es tan ex-
tenso y complejo como el pensamiento
humano, pero te da un panorama que
te permitirá acercarte a este fascinante
mundo; el cual requiere de una parti-
cipación muy activa de prácticamente
todas las disciplinas de las ciencias
naturales y también las sociales; los
aspectos éticos y filosóficos necesitan
desarrollarse a la par.
Finalmente, como la tentación de
hablar de robots y humanoides en la
IA es grande, te compartimos un video
que resume el trabajo desarrollado
por Hiroshi Ishiguro, director del Labo-
ratorio de Inteligencia Robótica de la
Universidad de Osaka, Japón, quien
estuvo de visita en el IPN, y que es el
creador de “Leona”, una robot huma-
noide, quien fue coprotagonista en el
film japonés “ Sayonara” (2015).

Hiroshi Ishiguro:
Humanoides
cada vez más cerca
a la condición humana.

Donde la ciencia se convierte en cultura 3

 Escáner
Adriana E. Torres Nava
Departamento de Microbiología
Country Head de Tata Consultancy
Inteligencia Artificial,
más allá de una
Services (TCS) en México.

tendencia
Las revoluciones tecnológicas vienen en olas. Des-
de la transición de la Economía Agraria hacia la
Era Industrial, hasta el impacto de la electricidad,
las telecomunicaciones y por supuesto el Internet. Si
tecnológica
bien la integración y la convergencia ofrecen una
clave para el ritmo acelerado de la transformación
digital y el desarrollo, tal vez existe una tecnología
que más que ser una ola, se destaca por su po-
tencial para revolucionar la forma en que vivimos,
trabajamos y jugamos: la Inteligencia Artificial (IA).

N
ormalmente, un sistema de IA es capaz de analizar datos
en grandes cantidades, identificar patrones y tendencias
y, por lo tanto, formular predicciones de forma automática
con rapidez y precisión. Para nosotros, lo importante es que la IA
permite que nuestras experiencias cotidianas sean más inteligen-
tes. ¿Cómo? Al integrar análisis predictivos y otras técnicas de IA
en aplicaciones que utilizamos diariamente.
Hoy en día, es muy común escuchar hablar sobre la IA y no sola-
mente con un sentido de innovación sino aplicado en la vida diaria
de la sociedad. Esto lo vivimos todos los días y en muchas ocasiones
sin darnos cuenta. El uso de las redes sociales es un claro ejemplo
de ello. Y es que, al compartir nuestros gustos, intereses por temas
específicos, productos y más, las empresas aprovechan esto para te-
ner acceso a nuestros datos. ¿Cuántas veces no hemos realizado una
búsqueda de hotel o vuelo en un sitio web y al entrar a nuestras redes
sociales, vemos publicidad sobre el destino que buscamos? Esto es un
ejemplo de IA.
Otro caso son los videojuegos, éstos han evolucionado y gracias
a la IA los aficionados logran disfrutar de una mejor experiencia de
juego, aunque con el tiempo vemos que los entretenimientos van me-
jorando en cuanto a diseño o calidad, con la IA es posible reconocer
alteraciones en el escenario a través de los ruidos o efectos de sonido,
los que sin duda nos hacen sentir que estamos dentro del videojuego.
Sin embargo, lo que vemos es que quienes están aprovechan-
do las ventajas de la IA son las empresas comerciales cuyo im-
pacto se puede ver reflejado directamente en la productividad
de las organizaciones.
En Tata Consultancy Services (TCS) realizamos un “Estudio de Ten-
dencias Globales”, el cual muestra que existe una clara correlación
entre las inversiones en IA y su efectividad en los negocios. Las empre-
sas grandes invierten cinco veces más en IA respecto a las empresas

4 2018
,
más pequeñas, lo que les genera un aumento de ingresos de 16%
o más y una disminución de costos. Esto nos muestra que la IA es
ya una herramienta necesaria para el crecimiento de los negocios.
La trascendencia de la IA se extiende más allá de los departa-
mentos de tecnología; y es que el mismo estudio señala que más de
tres partes considera que su mayor repercusión se vé reflejada en
áreas como administración, ventas y mercadotecnia. También es im-
portante considerar que, en medio de todo el entusiasmo en torno a
la IA no debemos olvidar que ésta constituye tan sólo uno de los as-
pectos de una tendencia más amplia hacia la transformación digital.
La IA es una de muchas áreas tecnológicas que están trans-
formando a la empresa -desde el Internet de las Cosas hasta los
macro datos y las aplicaciones móviles-. Al trabajar con empresas
de distintos tamaños, vemos cada vez más la necesidad de encon-
trar la manera de integrar todos esos aspectos. Y aunque no existe
una solución sencilla, gran parte de la respuesta yace en construir
un núcleo digital robusto, es decir, colocar los cimientos a partir de
los cuales se pueden desarrollar soluciones digitales como la IA.
Por otro lado, es muy común escuchar que, con el uso de la tec-
nología, muchos empleos se ven en riesgo, e igualmente la IA no
se salva de esto; y es que una de las principales preocupaciones
es la conmoción que la IA puede causar sobre los trabajos. Es una
realidad que inevitablemente ciertos roles se vuelvan automatiza-
dos; pero, por otro lado, en compensación los líderes de negocios
también confían en que se generarán nuevos tipos de carreras.
Las empresas han dado mucha más importancia a que los em-
pleados adopten las tecnologías, usen innovadores sistemas para
impulsar las capacidades de toma de decisiones y aprovechen la
IA para identificar nuevas oportunidades de ingresos. Al parecer,
el enfoque, no es desplazar los empleos existentes, sino laborar con
los trabajadores para aprovechar al máximo las recientes visiones
que ofrecen las capacidades cognitivas de la IA.
No sería genuino decir que no hay problemas importantes que
resolver, especialmente en relación al aspecto laboral. Creemos
firmemente que el impacto de desarrollos como la IA debe ser posi-
tivo tanto para las empresas como para la sociedad; es normal pen-
sar en temores y retos, en especial en una Era en donde la transfor-
mación digital ha sustituido en ocasiones al humano, sin embargo,
lo que queda claro es que se están haciendo grandes inversiones y
que se tendrá influencia en casi todas las áreas operativas de una
empresa con el objetivo de optimizar y mejorar los procesos.
Si escuchamos los actuales debates sobre la IA, nos puede pro-
meter tanto un mundo de posibilidades ilimitadas o una amenaza
de destrucción. Al igual que con cualquier otra tecnología emer-
gente, el futuro de la IA aún queda por escribirse. Sin embargo,
estamos entrando al mundo Business 4.0, y las oportunidades son
amplias para todos. En la Era de la abundancia de datos, el apren-
dizaje profundo promete un desempeño mejor y más sólido. Pero
hay pasos cruciales que deben darse antes de que podamos obte-
ner los máximos beneficios del mundo orientado a los datos al que
estamos incursionando.
A pesar del gran interés en la tecnología emergente, no existe
un consenso claro sobre qué es la IA y cómo impactará al mundo
que nos rodea. En TCS consideramos que eso es una señal de
mayor conciencia y entusiasmo, pero también un indicio de la
necesidad de la construcción de definiciones lúcidas y concisas
con sentido humano.

Donde la ciencia se convierte en cultura 5

 #HechoEnElIPN
Salvador Godoy Calderón
Jefe del laboratorio de Inteligencia Artificial
del Centro de Investigación en Computación
del Instituto Politécnico Nacional

¿Por qué durante los últimos años se ha desatado un interés

desbordado por las Redes Neuronales Artificiales (RNA)?
¿Representan éstas realmente el estado del arte en inteligen-
cia artificial (IA)? ¿Constituyen las RNA un modelo preciso y
confiable de la estructura y funcionamiento del cerebro hu-
mano? El acelerado paso en el desarrollo de las tecnologías
de IA y la enorme desinformación que existe sobre esta dis-
ciplina evidencian la importancia de responder a estas pre-
guntas para formar criterios sólidos que permitan evaluar y
aprovechar algunas tendencias y tecnologías actuales como
el Cómputo Cognitivo (Cognitive Computing), el Aprendizaje
Profundo (Deep Learning) y los Biochips (Bio-Chips).

6 2018
Laverdad oculta
redes neuronales
sobre las
artificiales
R
esulta innegable que la IA está vi-
viendo el momento de mayor auge
en toda su historia. Por primera vez,
desde su nacimiento, los resultados de
esta disciplina están impactando en las
sociedades humanas y modificando rá-
pidamente su estructura y funcionamien-
to a nivel económico, legal y político.
Como muestra de ello basta observar
los siguientes eventos recientes:
• Durante el Foro Económico Mundial
de 2017, celebrado como todos los
años en la ciudad de Davos, Suiza,
la primera ministra de Gran Breta-
ña, Theresa May, anunció que su
gobierno financiará la creación de
un centro de consultoría para emitir
recomendaciones sobre la Ética en
el uso de la IA1.
• El 19 de octubre de 2017, los Emi-
ratos Árabes Unidos se convirtieron
en la primera nación del mundo en
crear un Ministerio de Inteligencia
Artificial. La primera persona en ocu-
par el puesto de ministro es Omar
Bin Sultan Al Olama, un joven (27
años) administrador de proyectos
con grado de doctor por la Universi-
dad Americana de Sharjah2.
• El pasado 1 de abril de 2018, el pre-
sidente francés Emmanuel Macron
advirtió que las compañías Google
y Facebook están creciendo dema-
siado para ser controladas por su
gobierno y podrían ser obligadas a
someterse a la legislación europea
en privacidad de datos o ser des-
manteladas. Estos comentarios los
realizó después de anunciar una in-
versión de 1.5 billones de euros en
investigación en el área de IA para
acelerar la innovación y “alcanzar”
a China y los Estados Unidos3.
El actual furor por las redes neuro-
nales artificiales comenzó en el año
2012, cuando Google, a través de su
laboratorio Google X, configuró una
enorme RNA con 16,000 procesado-
res y la entrenó con diez millones de
imágenes para… ¡reconocer gatos
en los videos de YouTube4! La noticia
del experimento impresionó al mundo
científico por dos razones: en primer
lugar, porque la precisión con la que
esta red pudo reconocer gatos fue 70%
mayor que la de cualquier experimento
Donde la ciencia se convierte en cultura 7
 anterior, pero sobre todo, porque el ex-
perimento marcó el comienzo de una
nueva tendencia en la computación co-
mercial, en la que se explota el poder
de grandes clusters de computadoras
(high performance computing) para
analizar enormes conjuntos de datos
(big data). Esa tendencia ha permiti-
do significativos avances en reconoci-
miento de voz, traducción automática,
visión artificial y, en general, en IA,
particularmente en una de sus ramas
conocida como aprendizaje automáti-
co (machine learning).
Sin embargo, a pesar del enorme
despliegue publicitario acerca de éste
y otros momentos de avance tecnoló-
gico, conviene tomar distancia y ana-
lizar con cabeza fría los hechos y su
contexto. Desde su nacimiento, la IA
ha incluido dos corrientes de pensa-
miento, dos escuelas, aparentemente
opuestas y evidentemente antagonis-
tas: el enfoque simbólico y el enfoque
conexionista. El enfoque simbólico de
la IA (originado en la psicología cog-
nitiva) postula que es posible para
una computadora conocer objetos
y fenómenos reales, e inclusive resol-
ver problemas referidos a esos objetos
y fenómenos, mediante la definición y
manipulación de sistemas formales de
símbolos (hipótesis del sistema físico
de símbolos5). Ello implica que cual-
quier programa de IA conoce el sig-
nificado (semántica) de cada símbolo
que usa, pero también el significado
de cada operación entre símbolos, y
por tanto, el resultado de toda ope-
ración tiene una explicación clara e
inmediata. Por otra parte, el enfoque
conexionista (originado en la neuro-
fisiología) postula que los procesos
mentales pueden ser modelados con
redes interconectadas de elementos
simples de procesamiento en paralelo,
particularmente neuronas artificiales6.
Cada neurona artificial recibe seña-
les de entrada y genera otras señales
como salida. Una neurona artificial
puede ser activada o desactivada en
diferentes momentos del procesamiento
dependiendo de la entrada que ­reciba.
Cada uno de estos enfoques, a lo
largo de su historia, ha experimentado
meritorios éxitos y también rotundos fra-
casos en el camino de la investigación
8 2018
y avance de la IA, pero ninguno de
ellos parece ser suficiente, por sí solo,
para lograr todos los resultados que se
esperan y necesitan de la IA. Una di-
ferencia particularmente importante de
analizar es el objetivo final de un siste-
ma en cada uno de estos enfoques al
resolver problemas específicos. Para el
enfoque simbólico resulta igual o inclu-
so más importante que entregar la res-
puesta correcta al problema, tener la
capacidad de justificar esa respuesta y
reconstruir el proceso de solución paso
a paso. La revisión de ese proceso
permite a los investigadores aprender
y proponer mejoras y cambios en los
sistemas. Por su parte, para el enfoque
conexionista lo más relevante es des-
cubrir y almacenar durante su proce-
samiento los patrones y relaciones que
permiten al sistema asociar las entra-
das posibles con la correcta respuesta
para esa entrada y para otras entradas
semejantes (aprendizaje automático).
La asociación aprendida que se inte-
gra en la RNA facilita enormemente su
implementación en forma de circuito
(hardware) y, por tanto, permite produ-
cir un sistema con muy alta velocidad
de ejecución y relativo bajo costo.
Lo anterior es suficiente para ex-
plicar el interés en RNA y la enorme
inversión en ellas por parte de las
grandes compañías como Google, Fa-
cebook, IBM y Microsoft. Paradójica-
mente, las arquitecturas de RNA que
usan estas empresas no son modernas
ni novedosas. Por el contrario, la in-
mensa mayoría de las RNA usadas
actualmente son modelos inventados
y propuestos hace más de treinta o
cuarenta años. Lo único actual en ellas
es el poder de cómputo del equipo en
el que se ejecutan (granjas de servido-
res) y la masiva cantidad de datos dis-
ponibles para entrenarlas. Más aún,
al contrario del enfoque simbólico, las
RNA no permiten explicar ni justificar
el procesamiento que realizan o la
forma en que construyen el resultado
que entregan. Su naturaleza de “caja
negra” las vuelve ideales como pro-
ductos tecnológicos comerciales, pero
completamente inadecuadas para
educación, investigación e innovación
en IA. La situación se complica aún
más cuando se considera el mercado
actual, en el que las grandes compa-
ñías de cómputo ofrecen servicios con
interfaces de programación (Applica-
tion Programming Interface, API) y pro-
cesamiento remoto (cloud computing).
Con estos servicios (como Microsoft
Azure, Google TensorFlow o Amazon
SageMaker) es posible configurar
enormes RNA sólo determinando el
valor de algunos de sus parámetros y
sin necesidad de conocimiento previo
sobre su arquitectura, su conveniencia
para cierto tipo de problemas o sobre
las teorías y modelos que explican su
funcionamiento. Tal es el poder com-
putacional de estos servicios que cual-
quiera, con sólo conocimiento mínimo
de la API, puede configurar una RNA
para resolver algún problema de reco-
nocimiento, optimización o pronóstico,
por prueba y error.
Una vez comprendido lo anterior
se vuelven obligatorias otras reflexio-
nes. ¿Qué empresa estará dispuesta
a contratar a un profesional en IA,
con un título de licenciatura o un pos-
grado, cuando cualquier empleado
mínimamente capacitado puede obte-
ner los mismos resultados usando al-
guna API? ¿Qué ventaja competitiva
en el mercado laboral puede ofrecer
un egresado universitario cuya única
experiencia en IA consiste en la so-
lución de problemas mediante RNA?
¿Qué currículum debe tener un estu-
diante para formarse sólidamente en
IA, tener la capacidad de innovar y
promover avances tecnológicos, pero
seguir siendo competitivo en el merca-
do laboral?
Una vez más, como en muchas
otras situaciones, se evidencia el muy
peligroso pero tentador panorama que
presenta la combinación del camino
de menor esfuerzo y las decisiones de
corto plazo. Cuando se comprenden y
dominan los principios, teorías y téc-
nicas para resolver algún problema,
siempre será posible expresar una solu-
ción en forma de RNA, pero lo opues-
to prácticamente nunca ocurre. Tanto
estudiantes como docentes, así como
directivos de empresas tecnológicas,
deben recordar que una RNA es sólo
una expresión compacta y optimizada
de un algoritmo7; expresión que duran-
te el proceso de optimización perdió
su capacidad de “justificación” o “ex-
plicación”. De igual forma, conviene
tomar con mucha reserva el contenido
de notas periodísticas y material publi-
citario acerca de nuevos desarrollos
en IA, procurando siempre discriminar
entre aportaciones originales e imple-
mentaciones comerciales. La IA es hoy
en día una disciplina muy amplia, cuyo
estudio abarca muchas áreas y técni-
cas (ver infografía en páginas centra-
les), sin embargo, el enorme desconoci-
miento que de ella se tiene comúnmente
genera falsas expectativas.
Si se ha de tomar con seriedad la
IA, así como las inminentes consecuen-
cias sociales, económicas e incluso po-
líticas de su avance, resulta necesario
revalorar el papel y relevancia de las
RNA y elevar la cantidad de esfuerzo
y recursos destinados a estudiar IA des-
de la perspectiva del enfoque simbóli-
co. Después de todo, el enfoque sim-
bólico ha fundamentado y producido
algunas de las áreas y de los avances
más importantes en IA, como los sis-
temas expertos, la representación de
conocimiento, el razonamiento auto-
mático y los sistemas multiagente, entre
muchos otros.

Referencias
1 Jeremy Kahn. Artificial Intelligence Nears the Summit of Hype in Davos.
Recuperado de www.bloomberg.com/news/articles/2018-01-25/
artificial-intelligence-nears-the-summit-of-hype-in-davos
2 Dom Galeon. An Inside Look at the First Nation with a State
Minister for Artificial Intelligence Futurism. December 11, 2017.
Recuperado de futurism.com/uae-minister-artificial-intelligence/
3 Jane Dalton. Facebook and Google are becoming too big to be
governed, French president Macron warn Independent. April 1,
2018. Recuperado de www.independent.co.uk/news/world/
europe/facebook-google-too-big-french-president-emmanuel-
macron-ai-artificial-intelligence-regulate-govern-a8283726.html
4 John Markoff. How many Computers to Identify a Cat?
16,000 en The New York Time. June 25, 2012. Recuperado
de www.nytimes.com/2012/06/26/technology/in-a-big-
network-of-computers-evidence-of-machine-learning.html
5 Allen Newell & y Herbert Simon. (1976). Computer
Science as Empirical Inquiry: Symbols and Search en
Communications of the ACM, 19 (3): 113–126.
6 David E. Rumelhart & y James L. MacClelland. (1986).
Parallel Distributed Processing: Explorations in the
Microstructures of Cognition. MIT Press.
7 Marvin Minsky. (1990). Logical vs.Analogical or Symbolic vs.
Connectionist or Neat vs. Scruffy en Artificial Intelligence at MIT,:
Expanding Frontiers, Patrick H. Winston (Ed.), Vol.1, MIT Press.

Donde la ciencia se convierte en cultura 9

 #HechoEnElIPN
Laura Ivoone Garay Jiménez,
Inteligencia
Artificial
Laboratorio de Instrumentación
y Procesamiento de Señales y
Blanca Tovar Corona,
Academia de Sistemas,
ambas de la upiita

en
del Instituto Politécnico Nacional.

el diagnóstico

La Inteligencia Artificial (IA) es un área de las cien-

cias computacionales cuyo propósito es imitar, a tra-
vés de sistemas, funciones cognitivas del ser humano
tales como: aprender, archivar información y razo-
nar, basándose en ése conocimiento y experiencia
previa para actuar o decidir en consecuencia.

10 2018
E
stos sistemas suelen confundirse con los sistemas exper-
tos, porque éstos últimos, recopilan la experiencia de
los conocedores en el tema, la organiza y establece
las reglas de decisión adecuadas para obtener los resul-
tados esperados. Algunos, integran funciones básicas de
inteligencia que les permite adaptarse a la recolección de
nuevo conocimiento por lo que se convierten en híbridos
que normalmente les llamamos soft computing.
La aplicación de estas tecnologías en el área médica ha
sido muy variada pero principalmente es para auxiliar en
la solución de problemas de salud, ya sea en diagnóstico
o tratamiento. Para ello, existen varias técnicas de análisis
que podemos dividir en dos grandes áreas: aprendizaje de
máquinas y procesamiento de lenguaje natural. La principal
diferencia entre ambas es el tipo de información que proce-
san. Mientras en la primera se utilizan datos que provienen
de imágenes o señales tomadas del cuerpo humano, en la
segunda los datos proceden de bases de datos no estruc-
turados como notas clínicas o revistas médicas que están
en lenguaje humano y que son transformadas en datos es-
tructurados para ser leídos en lenguaje máquina y después
procesados por técnicas de aprendizaje de máquinas.
Ejemplos de máquinas de aprendizaje son: las redes neu-
ronales artificiales, algoritmos genéticos, máquinas de sopor-
te vectorial, lógica difusa y recientemente Deep learning, por
mencionar algunos. Todas ellas tienen en común que buscan
optimizar la representación y análisis a partir de la informa-
ción proporcionada. En cuanto al procesamiento del lengua-
je natural, la minería de datos permite extraer conocimiento
que no es evidente a simple vista, algunas de las herramien-
tas que utiliza son los árboles de decisiones, la agrupación
de información, la categorización de la misma. Normalmen-
te requieren de amplias bibliotecas de información.
En cuanto al tipo de datos que procesan son: imágenes,
señales eléctricas o sonido; las imágenes pueden provenir de
las diferentes técnicas de imagenología como los rayos X, to-
mografía axial computarizada o resonancia magnética por
citar algunos. Estas imágenes proporcionan una gran canti-
dad de información gracias a la resolución que la tecnología
nos permite actualmente. Sin embargo, los técnicos y médi-
cos que los interpretan cuentan únicamente con su sentido
visual y la experiencia para leerlos con ayuda del software.
Las señales provienen de datos genéticos o electrofisio-
lógicos. Las señales electrofisiológicas más comunes utiliza-
das como pruebas de rutina en clínica son: el electrocar-
diograma y el electroencefalograma. El primero consiste en
mostrar una gráfica en el tiempo que representa la actividad
eléctrica del corazón y la segunda la actividad eléctrica del
cerebro. Estas señales son registradas desde algunos minu-
tos hasta días completos para analizar los cambios de un
paciente, de ser posible en su rutina diaria, como es el caso
de los Holter. Por lo tanto, la tarea de revisar visualmente
los registros de las señales implica tiempos prolongados de
observación minuciosa de gráficas impresas en decenas
de hojas o bien, por medio del uso de un monitor.
En el caso de las imágenes, proporcionan una gran can-
tidad de información sobre estructuras anatómicas internas
que el médico especialista debe analizar con ayuda de su
vista e identificar las anomalías. Sin embargo, para la inter-
pretación de una imagen se requiere entrenamiento especia-
lizado y experiencia.
En ambos casos la interpretación de la información que
proporcionan las imágenes o las señales puede hacer la dife-
rencia en tener un diagnóstico acertado o no, junto con otros
estudios como análisis clínicos, conforman lo que se denomi-
na paraclínica y que, junto a un análisis minucioso del histo-
rial clínico del paciente que se denomina clínica médica, se
puede generar un diagnóstico y las decisiones que conlleva.
Un ejemplo de este tipo de sistemas que incluyen tanto
información clínica como paraclínica es el desarrollado en
la sección de posgrado de la Unidad Profesional Interdis-
ciplinaria en Ingeniería y Tecnologías Avanzadas. En este
sistema se utilizan lógica difusa y clasificadores Bayesianos
ambas técnicas de Inteligencia Artificial, para auxiliar en
el diagnóstico de epilepsia en niños utilizando el análisis
sistemático de las señales electroencefalográficas, así como
de la información que arroja la consulta con el médico [1].
En ambos aspectos, ya sean imágenes o señales (reitera-
mos) los especialistas confían en sus sentidos y habilidades
para proporcionar un diagnóstico y/o tratamiento, dándose
el caso de que varios especialistas que analizan los mis-
mos estudios podrían diferir en su diagnóstico. Es decir,
podría existir subjetividad debido al error humano, ya sea
por la diferencia de experiencias o por heterogeneidad en
las dioptrías de sus órganos visuales. Es por ello que los sis-
temas inteligentes auxiliares en el diagnóstico y tratamiento
son de gran valor, ya que se basan en mediciones exactas
de las características de las imágenes o de las señales. Es-
tas mediciones se realizan con un algoritmo computacional
tomando en cuenta la información de las guías clínicas que
los mismos médicos aprenden y usan durante su entrena-
miento y práctica y que, con experiencia llegan a dominar
en su área de especialidad. Con el objetivo de evitar la
subjetividad introducida por la apreciación del médico, se
han generado este tipo de aplicaciones.
Aunque son prometedoras las herramientas de Inteligen-
cia Artificial están aún lejos de sustituir a los médicos, pero sí
son poderosos auxiliares que eliminan la subjetividad, aho-
rran tiempo de análisis y ayudan en el entrenamiento del
personal médico para la toma de decisiones .
1 Singh-Mujica S., Tovar-Corona B., Silva-Ramírez M.A., Garay-Jiménez L.
I., (2016). An intelligent system to assist the diagnosis of epilepsy disorder
I children: a case of study, nih-ieee 2016 Strategic Conference of Healthcare
Innovations and Point of Care Technologies for Precision Medicine. Cancún,
México. Pp. 142-145.
Donde la ciencia se convierte en cultura 11
 #HechoEnElIPN
Mauricio Olguín Carbajal y
Juan Carlos Herrera Lozada.
Docentes del Dpto. de Posgrado del Centro de
Innovación y Desarrollo Tecnológico en Cómputo
(CIDETEC) del Instituto Politécnico Nacional.
La Inteligencia Artificial (AI, Artificial Intelligence
por sus siglas en inglés, IA en español) nos ha
acompañado en la literatura desde hace mucho
tiempo, específicamente en el siglo XX surgieron
obras escritas y cinematográficas donde se mos-
traban robots con forma humanoide interactuan-
do con personas. Por ejemplo: en cine desde
Metrópolis de Fritz Lang1 en 1927 hasta el robot
Visión de los Vengadores en el 2018, y en la
literatura desde RUR (Rossum's Universal Robots)
de Karel Capec2 hasta el Alcaudón de las cró-
nicas de Hyperion3, sin dejar de mencionar las
obras de Isaac Asimov y sus célebres tres leyes
de la Robótica4,5 (aunque en realidad Asimov
enumera cinco leyes en sus obras) por mencionar
sólo unos pocos ejemplos. Sin embargo es hasta
nuestros días que la IA está cobrando relevancia
en una gran cantidad de actividades del queha-
cer humano y no sólo en el área de la fantasía y
la ciencia ficción.
12 2018
Inteligencia Artificial
¡No estás
control de
para el
tránsito vehicular
D
esde sus inicios –hace ya más de 60 años– la disci-
plina de IA ha recorrido un largo camino desde las
investigaciones en lógica proposicional y los desa-
rrollos llevados a cabo en las primeras redes neuronales
como el Perceptrón y las redes adaline, hasta el aprendi-
zaje profundo y la computación evolutiva entre muchas
otras. En la actualidad, se tienen logros importantes don-
de ya se cuenta con redes neuronales capaces de crear
obras de arte que semejan obras de grandes maestros
de la historia de la pintura, así como obras musicales con
estilos clásicos y modernos.
De igual forma, existen muchas otras áreas donde la
IA está presente y se pueden apreciar sus aportaciones
como son: las casas y edificios que usan la domótica (ho-
gares inteligentes), los modernos automóviles con conduc-
ción autónoma, los asistentes personales de los teléfonos
inteligentes y los desarrollos de las ciudades inteligentes.
Una ciudad inteligente, también referida en el idioma in-
glés como Smart City, es aquella ciudad que se beneficia
del uso de las tecnologías de la información y de las co-
municaciones (TIC) con la intención de proveerse de una
infraestructura que garantice un desarrollo sustentable y
un incremento en la calidad de vida de los ciudadanos.
 En este último ámbito se pueden encontrar diversos de-
sarrollos referidos al impacto que causan los vehículos au-
tomotores en el medio ambiente, que se presentan como un
problema nacional que aqueja a los grandes asentamientos
humanos y que se atiende con inmediatez. En este sentido
se han desarrollado programas de control vehicular avanza-
do que supervisan e interactúan con semáforos inteligentes
de áreas urbanas, los cuales tienen como objetivo principal
abatir la contaminación causada por emisiones vehiculares.
Esta disminución de emisiones se logra implementando los
resultados del análisis que realiza un software especializa-
do, que está basado en cómputo evolutivo y que controla
las secuencias y los tiempos de los semáforos en grandes
áreas urbanas con la finalidad de disminuir el tiempo que
esperan los vehículos en cada semáforo, de forma que los
automóviles pasen el menor tiempo posible estacionados es-
perando para pasar un cruce.
En 2008 los investigadores, Sánchez, Galán y Rubio6 pro-
pusieron una arquitectura de 3 elementos: un algoritmo gené-
tico, un autómata celular basado en la simulación de tráfico y
un arreglo de varias computadoras en una configuración de
Cluster Beowulf 7. Existen otras propuestas que se han lleva-
do con éxito en ciudades como Nueva York (EUA), Sevilla y
Málaga (España), entre otras (ver 8,9). La simulación consiste
en crear muchos vehículos que llegan como entrada a la red.
El número de vehículos que llegan a su destino ilustra la efec-
tividad de la simulación y sirve como punto de comparación
para otro ciclo de partículas. En la ciudad de Bahía Blanca
(Argentina) y Málaga (España) se realizaron pruebas con
cientos de luces de semáforos para optimizar los programas
de ciclos de semáforos de manera efectiva a través de un
algoritmo PSO (por sus siglas en inglés, Particle Swarm Op-
timization). García, Olivera y Alba10 utilizan un simulador de
movilidad urbana SUMO11 para reflejar el comportamiento
del flujo vehicular y los cambios de luces de los semáforos.
Al final de las pruebas se obtiene una disminución efectiva
de las emisiones contaminantes, los tiempos de espera en
los cruces, así como una reducción en los tiempos de reco-
rrido de cada automóvil en áreas urbanas gracias al uso
de la Inteligencia Artificial.
Es cierto que se requiere una infraestructura ad-hoc para
aterrizar estos algoritmos, no sólo con semáforos inteligen-
tes sino con una conectividad estable entre ellos. También
es cierto que el tamaño de una ciudad representa una
complejidad del problema. En la medida que se migre a
este tipo de tecnologías que integren la aplicación de la IA
se podrá coadyuvar en el cuidado del medio ambiente y
de la salud humana.
Referencias
1 Lang, Fritz y von Harbou, Thea, “Metropolis” [Película
muda alemana], Productora UFA, 1927.
2 Capek, K. (1920). RUR. Robots Universales Rossum: obra en tres
actos y un epílogo. Barcelona: Círculo de Lectores, 2004.
3 Simmons, Dan,. (1989). Hyperion, Novela de Ciencia
Ficción. United States: Doubleday.
4 Asimov, Isaac. (1985). Robots and Empire, Novela de
Ciencia Ficción. United States: Doubleday.
5 Asimov, Isaac,. (1950.). I, robot. Novela de Ciencia
Ficción. United States: Gnome Press.
6 Sánchez J., Galán J., & Rubio E. (2008). Evolutionary computation
applied to urban traffic optimization. CICEI. Pp. 422–441
7 Beowulf project overview. [Web; accedido el 03-05-2016]. (sic y queda)
8 García-Nieto J., Olivera A., & Alba E. (2012.). Reducing vehicle
emissions and fuel consumption in the city by using particle
swarm optimization, en Elsevier Science. Pp. 1–16.
9 García-Nieto J. & Olivera A. (2013.). Optimal cycle program of traffic
lights with particle swarm optimization. Research Gate. Pp. 823–839.
10 García-Nieto J. and Olivera A. (2013). Optimal
cycle program of traffic lights with particle
swarm optimization, en IEEE Transactions on
Evolutionary Computation, Vol. 17, Pp. 823–839.
11 Behrisch M., Bieker L. Erdmann J., & Krajzewicz D. (2011.).
Sumo-simulation of urban mobility. The Third International
Conference on Advances in System Simulation. Pp. 63–68
Donde la ciencia se convierte en cultura 13
 ConCiencia
Hiram Eredín Ponce Espinosa,
Facultad de Ingeniería,
Universidad Panamericana, México
Enseñarle a un robot una tarea
específica a realizar implica la
programación de un conjunto
de reglas de acción, que po-
dría tomarse en la actualidad
como un proceso evidente y,
hasta cierto punto, fácil de im-
plementar. Pero, solicitarle a un
robot que le enseñe a otro robot
cómo hacer una nueva tarea,
tiene sus complicaciones. Por
entradas mezcla de compuestos
átomos
coeficientes
estequiométricos
compuestos
enlaces
covalentes
no polares
Figura 2. Problema del carro en la montaña.
enlaces moléculas
covalentes polares
salidas
Figura 1. Esquema de una
red orgánica artificial.
E
n el campo de la Inteligencia Artificial, la transferencia
de aprendizaje se define como el proceso que per-
mite utilizar conocimiento previo para resolver proble-
mas nuevos pero similares, de forma rápida y eficiente.
Dicha transferencia se compone, fundamentalmente, de
dos grandes etapas: (i) el aprendizaje de una tarea y (ii)
la transmisión del conocimiento. En la primera, la entidad
computacional (pongamos por caso, un robot) debe ganar
experiencia sobre cómo realizar una tarea; mientras que
la segunda trata sobre los mecanismos para enseñar y
aplicar lo aprendido.
En materia computacional, el proceso de simulación de la
transferencia de aprendizaje se ha estudiado desde la pers-
pectiva de la Inteligencia Computacional. En la literatura, se
14 2018
Transferencia
Aprendizaje
de
en
Sistemas
Robóticos
ejemplo, para un ser humano,
el proceso de transmitir su cono-
cimiento previo a otras personas
es natural. Sin embargo, emular
dicho comportamiento en las
máquinas resulta complicado.
En este sentido, la Inteligencia
Artificial ha intentado simular
dicho proceso cognitivo a tra-
vés del estudio conocido como
“transferencia de aprendizaje”.
Figura 3. Esquema de la transferencia de
meta aprendizaje aplicada en el robot camaleón.
Paso 1. Aprender a
balancearse
posición
inicial
Paso 2. Transferir aprendizaje
usando AHN
robot de
llantas
Paso 3. Auto-corrección
para balancearse
robot cuadrúpedo
han reportado tres grupos de métodos que han logrado con
cierta eficiencia dicha transferencia, basados en: aprendiza-
je automático (machine learning, en inglés), técnicas probabi-
lísticas y sistemas difusos. Estos métodos han sido aplicados
en diversos problemas, por ejemplo: en la clasificación de
documentos en la Web, la geolocalización en interiores, la
traducción de idiomas, la robótica, entre otros.
 No obstante, aún existen problemas abiertos importantes
por resolver en la transferencia de aprendizaje, tales como:
la escalabilidad de los métodos, el poder predictivo, la com-
plejidad computacional y la transmisión entre entidades he-
terogéneas. Debido a estos problemas, existe la necesidad
de diseñar nuevas técnicas de inteligencia computacional
que resuelvan y mejoren los métodos de transferencia de
aprendizaje actuales. Es más, uno de los retos en robótica
es el uso de transferencia de aprendizaje para la enseñan-
za entre robots, debido a que las aplicaciones resultan de
interés tanto para la comunidad científica como económica.
Algunas de estas aplicaciones están asociadas a la manufac-
tura flexible, industria 4.0, robótica distribuida, entre otros.
Para la transferencia de aprendizaje robótico, se emplean
métodos de aprendizaje por refuerzo; los cuales permiten
que un sistema obtenga un plan de acciones para cumplir
con una meta específica a través del condicionamiento de
las acciones. Dicho tipo de aprendizaje se basa en recom-
pensar acciones deseadas y castigar acciones no reque-
ridas. Particularmente, el aprendizaje por refuerzo se ha
estudiado en problemas con estados y acciones discretas;
es decir, un sistema tiene un conjunto finito de posibles con-
figuraciones y de posibles acciones a realizar. No obstante,
la mayoría de los robots tienen posibles estados y acciones
infinitas; lo cual, complica y exige el diseño de métodos de
aprendizaje por refuerzo en problemas continuos.
Con la intención de ofrecer nuevas alternativas a la
transferencia de aprendizaje en robots, recientemente se
ha propuesto el uso del método llamado “Redes orgánicas
artificiales” para tal fin. Este método está inspirado en las
estructuras y mecanismos internos de los compuestos quími-
cos orgánicos, con la intención de analizar un conjunto de
datos y organizarlos en grupos de información optimizados
(Figura 1); tal y como se organizan las moléculas en una
estructura química.
De esta forma, un robot puede aprender a realizar una
actividad desde cero, realizando pruebas experimentales
aleatorias y recabando información referente a los estados y
Fig. 4. Concepto del robot camaleón.
acciones que va generando el robot. Estos datos son procesa-
dos por las redes orgánicas artificiales, las cuales producen
un modelo dinámico del comportamiento del robot. En otras
palabras, las redes orgánicas artificiales funcionan como una
copia virtual del robot físico. Con dicho modelo dinámico,
se procede a realizar un aprendizaje por condicionamiento,
el cual produce como resultado una estrategia para llevar a
cabo la actividad que le fue solicitada al robot. Finalmente,
dicha estrategia representa el aprendizaje del robot.
El uso de las redes orgánicas artificiales como método de
aprendizaje por refuerzo continuo ha sido probado en un
problema conocido como “El carro en la montaña”. En este
ejemplo, el carro se encuentra originalmente en un valle, el
cual debe aprender a impulsarse para poder salir y alcanzar
la cima de la montaña, como se observa en la Figura 2. Los
resultados han probado la efectividad del método de apren-
dizaje. Algunos videos de este proceso se pueden consultar
en: sites.google.com/up.edu.mx/reinforcement-learning/
Una vez que el aprendizaje se lleva acabo, se transmite
el modelo dinámico a otros robots. Sin embargo, debido a
que los robots no siempre son iguales, se debe adecuar di-
cho modelo dinámico a las características propias del robot.
Hasta ahora, los resultados preliminares de esta investi-
gación han logrado transferir el conocimiento entre robots
muy similares; sin embargo, se planea que en un futuro se
puedan llevar a cabo experiencias de transferencia en ro-
bots heterogéneos (Figura 3). Particularmente, se empleará
en un nuevo sistema robótico1 que simulará el balanceo y
caminado de un camaleón (Figura 4). No obstante, debido
a la falta de información de la dinámica de un robot con
estas características, la mejor opción para balancearlo y
hacerlo caminar es a través de la transferencia de apren-
dizaje a partir de tareas conocidas por otros robots más
sencillos y ampliamente estudiados.
1 Proyecto apoyado por el Fondo “Fomento a la Investigación UP 2017”
bajo el código UP-CI-2017-ING-MX-03 y por el “Premio a la Investiga-
ción Google 2017 Latinoamérica”.
Donde la ciencia se convierte en cultura 15
 Salvador Godoy Calderón Traducción automática Procesamiento del
Jefe del laboratorio de Inteligencia Artificial Sistemas conversacionales (chatbots) lenguaje natural
del Centro de Investigación en Computación
del Instituto Politécnico Nacional

Lingüística y Semiótica
Antropología y
Análisis de
Sociología
Reconstrucción tridimensional de escenas
imágenes y visión
Visión robótica
artificial

Para comprender mejor cómo se integra

la Inteligencia Artificial, en este mapa
identificarás las ramas en los recuadros
azules; las áreas de aplicación en los
marcos verdes y las disciplinas auxilia-
res en los textos amarillos.

Representación
Demostradores automáticos de teoremas de conocimiento
Programación Lógica Inductiva (IPL) y razonamiento
automático

Matemática di
Neurofisiología Estadística y Pro

Web semántica
Ciberseguridad Sistemas multiagente
Negociadores virtuales

16 2018
 Ramas de la IA, algunas
Electrónica y áreas de aplicación
y
comunicaciones
disciplinas auxiliares

Metaheurísticas y optimización
Cómputo evolutivo
y bioinspirado Redes neuronales artificiales
Sistema inmune artificial

Filosofía y Psicología

Minería de datos
Aprendizaje Programación automática
automático
Agentes autónomos

Lógica simbólica e inferencia

Tutores inteligentes
Simulación cognitiva Perfilado de usuarios
Psicoterapia
ática discreta,
a y Probabilidad
Reconocimiento de patrones

Modelado y simulación de fenómenos sociales

Inteligencia colectiva Redes complejas de interconexión
y distribuida
Fenómenos emergentes

Donde la ciencia se convierte en cultura 17

 Trotamundos
trotamundos
Centro de Investigación en Centro de Innovación y Desarrollo
Computación (CIC) Tecnológico en Cómputo (cidetec)
Instituto Politécnico Nacional Instituto Politécnico Nacional
Ciudad de México, México Ciudad de México, México
• Doctorado y maestría en Ciencias • Maestría en Tecnología de Cómputo.
de la Computación. Av."Juan de Dios Bátiz" s/n Esq. Miguel
• Maestría en Ciencias en Ingeniería Othón de Mendizábal, Col. Nueva In-
de Cómputo. dustrial Vallejo, Del. Gustavo A. Madero,
Av Juan de Dios Bátiz, Esq. Miguel C.P. 07700.
Othón de Mendizábal s/n www.cidetec.ipn.mx
Col. Nueva Industrial Vallejo

n sin
C.P. 07738.

ció
www.cic.ipn.mx

Forma
Instituto Politécnico Nacional
México
Multisede: Centro de Innovación y De-
sarrollo Tecnológico en Cómputo; Es-
cuela Superior de Ingeniería Mecánica
y Eléctrica, Unidad Azcapotzalco; Cen-
tro de Investigación en Computación;
el Centro de Investigación en Ciencia
Aplicada y Tecnología Avanzada,
Unidad Querétaro; Escuela Superior
de Cómputo; Escuela Superior de
Ingeniería Mecánica y Eléctrica, Uni-
dad Zacatenco; Unidad Profesional Universidad Nacional
Interdisciplinaria en Ingeniería y Tec- Autónoma de México
nologías Avanzadas; así como Centro México
de Investigación y Desarrollo de Tec- Ciencia e Ingeniería de la Computación.
nología Digital. Multisede: Facultad de Ciencias; Fa-
cultad de Ingeniería; FES Cuautitlán;
• Doctorado en Ingeniería de Siste- Instituto de Investigaciones en Matemá-
mas Robóticos y Mecatrónicos. ticas Aplicadas y en Sistemas; Instituto
www.doctoradoisrm.ipn.mx de Matemáticas; Instituto de Ingenie-
ría; e Instituto de Ciencias Aplicadas y
Tecnología.
• Doctorado y maestría en In-
teligencia Artificial
www.mcc.unam.mx

18 2018
 Universidad Veracruzana
Xalapa, Veracruz, México.
Doctorado y maestría en Inteligencia Artificial
Lomas del Estadio s/n. Col. Xalapa Enrí-
quez Centro, C.P. 91000; Xalapa, Vera-
cruz, México
www.uv.mx
Universidad Autónoma de Querétaro
Querétaro, Querétaro, México.
• Maestría en Ciencias en Inteli-
gencia Artificial
Facultad de Ingeniería, campus
Querétaro. Cerro de las Campanas
s/n. Col. Las Campanas, Querétaro,
Querétaro, México.
www.uaq.mx

n sin fr Universidad Internacional de Valencia

Valencia, España.
on

• Maestría en Inteligencia Artificial

Modalidad en línea
www.universidadviu.com
teras

Örebro University
Örebro Suecia.
• Master in Robotics and Intelligent Systems.
Långhuset, Fakultetsgatan 1, 702 81
Örebro, Suecia.
www.oru.se

Universitat Rovira i Virgili Tilburg University

Tarragona, España. Tilburg, Países Bajos.
• Máster universitario en Ingeniería • Master in Cognitive Science and
de la Seguridad Informática e Inteli- Artificial Intelligence.
gencia Artificial Warandelaan 2, 5037 AB Tilburg,
Campus Catalunya. Edificio D2, des- Países Bajos.
pacho 4.30. Avenida Catalunya, 35. www.tilburguniversity.edu
43002, Tarragona. España.
www.urv.cat/es

Donde la ciencia se convierte en cultura 19

 #CyTLab
Crea,diseña
cic-ipn
yaplica:
IA
El trabajo académico y de investi-
gación que se realiza en el Centro
de Investigación en Computación
(CIC) del IPN, lo han consolida-
do como uno de los centros más
importantes en Latinoamérica en
Ciencias de la Computación e In-
geniería de Cómputo.

E
specíficamente, en el laboratorio o departamento de
Inteligencia Artificial (IA) del cic- ipn, se desarrolla inves-
tigación en: representación de conocimiento; reconoci-
miento de patrones; procesamiento digital de imágenes y
visión artificial; minería de datos y descubrimiento de cono-
cimiento; procesamiento de lenguaje natural; aprendizaje
automático; cómputo evolutivo y bioinspirado; sistemas for-
males y razonamiento; modelos cognitivos y entornos para
simulación cognitiva; sistemas basados en conocimiento;
sistemas multiagente e inteligencia colectiva y distribuida.
Las líneas específicas de investigación del Laboratorio
de IA del cic- ipn son:
• Análisis de datos en física de altas energías / IA
• Análisis de imágenes / IA
• Aprendizaje automático / IA
• Biometría - Aplicaciones médicas / IA
• Cómputo científico y de alto rendimiento / IA
• Cómputo evolutivo y bioinspirado / IA
• Documentoscopía y grafoscopía / IA
• Estudio de semejanza computacional / IA
• Geometría Computacional / IA
• Lingüística Computacional / IA
• Modelación matemática y simulación de procesos / IA
• Procesamiento de Lenguaje Natural / IA
• Reconocimiento de patrones / IA
• Semántica de señales / IA
• Sistemas Digitales / IA
• Teoría de testores y sus aplicaciones/IA

Descripción amplia
Sitio web del Laboratorio
del Laboratorio
de IA del cic-ipn.
de IA del cic-ipn.

20 2018
cidetec-ipn
El Centro de Innovación y Desarrollo Tec-
nológico en Cómputo (cidetec) se encuen-
tra ubicado en el Corredor de Cómputo
del IPN y su propósito es realizar investi-
gación, transferencia tecnológica e innova-
ción en el área de tecnología de cómputo,
así como, la formación de profesionistas,
capaces de desarrollar proyectos de inno-
vación y de transferencia de tecnología.
Uno de los espacios de investigación del cidetec-ipn es el La-
boratorio de Tecnología de Computación Inteligente (LabTCI),
el cual forma parte de la infraestructura básica para los pro-
gramas de la Maestría en Tecnología de Cómputo y Doc-
torado en Ingeniería de Sistemas Robóticos y Mecatrónicos
(doctorado institucional).
El objetivo del LabTCI es proveer un lugar equipado para
realizar el análisis, diseño e implementación de sistemas de
Computación Inteligente para la investigación científica y el
desarrollo tecnológico, bajo las vertientes de la Inteligencia
Artificial, el Cómputo No Convencional, la Visión Artificial
y las arquitecturas contemporáneas de Sistemas Embebidos.
Actualmente, el LabTCI tiene asignada una Cátedra co -
nacyt para el desarrollo de Sistemas Embebidos dirigidos a
dotar de autonomía a Vehículos Aéreos No Tripulados.
Núcleo académico
del LabTCI.
El desarrollo de sistemas mecatrónicos con alta eficiencia
hace indispensable el uso de enfoques de optimización para
encontrar la sinergia de las diversas áreas que intervienen
en la mecatrónica. Por ello, en el Laboratorio de Mecatróni-
ca del cidetec- ipn se aplican técnicas de Inteligencia Artificial
(IA) para solucionar problemas de diseño complejos que re-
quieren de un proceso de aprendizaje para mejorar las so-
luciones obtenidas. En específico, se desarrollan y aplican
algoritmos meta-heurísticos bio-inspirados, para llevar cabo
una búsqueda eficiente y toma de decisiones que generen
diseños mecatrónicos óptimos que cumplan los requerimien-
tos del usuario final. Con este enfoque de solución a través
de IA se han diseñado extremidades de robots bípedos,
sistemas de control inteligente para motores, dispositivos de
rehabilitación humana, entre otros desarrollos.
Núcleo académico
del Laboratorio de
Mecatrónica.
Donde la ciencia se convierte en cultura 21
 Aldea Global
Fabian Quintana Sánchez
Periodista del Centro de Difusión de Ciencia
y Tecnología del Instituto Politécnico Nacional.

S
i bien, definir Inteligencia Artificial (IA) no
es tan sencillo como parece –depende de
la perspectiva del autor– básicamente se
puede decir que engloba sistemas que piensan
o actúan como humanos; o bien, aquellos que
piensan o actúan racionalmente. A continua-
ción verás algunos ejemplos.

Watson
Watson, desarrollado por IBM, es quizá uno de los em-
blemas de la IA más avanzados en materia de análisis y
gestión de información. Este sistema informático es capaz
de dar respuesta a cuestionamientos planteados en len-
guaje natural.
Su funcionamiento se basa en consultar, elegir y procesar
antecedentes o cifras para estructurar respuestas precisas y
congruentes. Watson es capaz de analizar en tan sólo mili-
segundos todo tipo de fuentes informativas que contengan
vídeos, audios, imágenes, redes sociales y comentarios en
estas; e-mails, pdf, sitios web, expedientes especializados
(médicos, jurídicos, etcétera), blogs y demás.
Si ya habías escuchado que las máquinas podían derro-
tar a los humanos en algunos juegos como Chess (Ajedrez)
o el Go (Ajedrez Oriental), te impresionará saber que este
sistema ya fue capaz de vencer a los dos mejores jugadores
del mundo de Jeopardy, un juego que requiere que sus par-
ticipantes respondan preguntas de conocimiento general.
La relevancia del proyecto de IBM estriba en que hoy
en día los datos que circulan y que son el precedente del
nacimiento del Big Data, implican un serio problema al no
estar estructurados y ordenandos. Para ello se hace casi
imperante la utilización de sistemas que sean capaces de
procesar enormes cantidades de información en toda tipo
de empresas o negocios.
No lo sé… quizá Watson o algunos asistentes como Siri,
Cortana o Google Now, podrán en un futuro no muy lejano,
darte una asesoría muy precisa del procedimiento a seguir
para ganar un litigio con tan sólo tener acceso a las resolu-
ciones de casos similares.

www.ibm.com

22 2018
 Emma
Singapur es uno de los primeros países en contar con un Emma, según sus creadores, se posicionará en el futuro
robot masajista: Emma. Esta autómata es una experta en como el colaborador inteligente, que trabajará estrecha-
proporcionar masajes terapéuticos para espalda y rodilla a mente en el área médica. Su programación le permite adap-
través de un brazo metálico y sus terminales de silicón que tarse a las distintas necesidades de cualquier ortopedista,
imitan la palma y las puntas de los dedos de un ser humano. fisioterapeuta, terapeuta ocupacional o quiropráctico.
Sus desarrolladores indican que Emma es un ejemplo
de IA, dado que emplea sensores para detectar rigidez de
músculos o tendones en el cuerpo humano y la calidad de flu-
jo de la sangre, con el fin de determinar la forma y duración
del masaje, así como realizar un seguimiento del proceso de
recuperación del paciente durante y después de éste.
La información de cada paciente recolectada en un
servidor en la nube, permite llevar a cabo observaciones
detalladas para evaluar los avances y generar re-
portes de rendimiento, los cuales facilitan al mé-
dico valorar el progreso de la recuperación.

www.aitreat.com

Eureqa
En la actualidad, las prácticas de estudio, planeación y Sus desarrolladores esperan que pueda hacer lo mismo
prospectivas se basan en las capacidades intelectuales de para algunos otros temas de interés colectivo -como las inte-
los seres humanos para determinar las acciones a seguir. racciones entre proteínas, genomas o las señales celulares- los
El resultado son ciclos lentos de respuesta y en algunos cuales, son tan complicados que su modelado y descripción
casos pérdida de ingresos. matemática ha sido hasta hoy imposible.
Eureqa, un software desarrollado en la Universidad de Sin duda, con los inputs o entradas de información correc-
Cornell, provee una plataforma completa de modelado, tas, podría ser capaz de encontrar leyes que hasta ahora
patentado por IA, que automatiza gran parte del trabajo hayan eludido a los científicos.
pesado inherente al análisis y minería de datos. Me-
diante lo que denomina algoritmos evolutivos automa-
tizados, Eureqa procesa las cifras o referencias para
crear modelos predictivos precisos en minutos en lugar
de meses.
Su capacidad es tal, que se está aplicando en temas
de investigación. Cuando recibe información de carác-
ter científico, es capaz de encontrar una relación con
la ley científica que lo sustenta. Algunos reportes indi-
can que cuando se le brindaron notas sobre un pén-
dulo doble, sólo tardo un par de horas para deducir
la Segunda Ley de Movimiento de Newton y la Ley de
Conservación del Impulso.
www.nutonian.com

Donde la ciencia se convierte en cultura 23

 CultivArte

Máquinasque
Carlos Ortega Ibarra
Periodista de Conversus.

aprendeny
crean
La literatura y el cine han contribuido a formar nues-
tra percepción de las máquinas inteligentes y cómo
nos relacionamos con ellas. En ambas experiencias
artísticas abundan las historias en las que la espe-
cie humana –o una parte de ésta– se encuentra
gobernada por máquinas capaces de emocionar-
se, discernir y tomar decisiones que nos afectan.
Una de esas historias fue protagonizada por el ac-
tor Joaquin Phoenix en 2013, con el título de Ella.

Benoît Carré:
Compañía de The Ballad of
Danza Instituto Stocos Mr. Shadow

24 2018
E
n la película, Phoenix interpretó a Theodore Trumbling,
un escritor de cartas que mantiene una relación amoro-
sa con un sistema operativo inteligente de nombre Sa-
mantha, el cual fue diseñado para satisfacer las necesidades
afectivas de los usuarios. Ella puede tener experiencias que
le permiten evolucionar, es decir: aprende.
Comúnmente estas historias, clasificadas dentro del gé-
nero de la ciencia ficción, incentivan nuestros temores al
colocarnos en dos escenarios. En el primero, la inteligencia
artificial es una tecnología que nos deshumaniza; y en el se-
gundo, la inteligencia artificial implica un proceso de huma-
nización de las máquinas. Reflexionemos un poco sobre esto.
De acuerdo con las encuestas sobre percepción pública
de la ciencia (elaboradas por el inegi desde 2011) más de
50% de los mexicanos encuestados, cuya edad oscila entre
los 18 y 98 años, considera que “el desarrollo tecnológico
origina una manera de vivir artificial y deshumanizada”.
Quienes así perciben a la tecnología, oponiendo lo arti-
ficial a una esencia y naturaleza humanas, pasan por alto
que nuestra vida, en términos culturales, es artificial. De he-
cho, lo artificial es aquello que nos hace humanos.
Los objetos en general –desde las puntas de flecha de
la edad de piedra y hasta el teléfono móvil de última gene-
ración– han afectado o moldeado nuestro comportamiento
a lo largo de la historia. Los sistemas operativos, cuyo dise-
ño conlleva la satisfacción de distintas necesidades de los
usuarios, incluidas las afectivas, no son una excepción.
Ramón López de Mántaras sugiere que la percepción ne-
gativa de la inteligencia artificial podría deberse, en parte,
a un “excesivo antropomorfismo”, especialmente en el cam-
po de la robótica, que nos lleva a imaginar que en el futuro
interactuaremos con máquinas idénticas a nosotros (2018).
Ver a la inteligencia artificial como una réplica del cuer-
po humano, no nos ayuda a entender la relación compleja
que tenemos con dicha tecnología la mayor parte del tiem-
po, ya sea en la investigación científica, las telecomunica-
ciones, el comercio electrónico, los videojuegos, la minería
de datos o el arte.
La lectura del artículo del matemático Alan Turing, “Ma-
quinaria computacional e inteligencia”, publicado en la
revista Mind en 1950, puede ser esclarecedora. Turing se
preguntaba si una máquina podía pensar. Decía que una
máquina pensante, capaz de aprender, era posible en el
futuro (se refería a los últimos años del siglo XX) gracias
al desarrollo de la computación electrónica o digital cu-
yas operaciones dependen de una serie de instrucciones o
programas. Al mismo tiempo, Turing advertía que no tenía
mucho sentido intentar “hacer más humana a una 'máqui-
na pensante' a través del revestimiento de piel artificial.”
(Turing, 1950: 2)
La identificación de objetos, el reconocimiento de voz y
la locomoción autónoma son acciones que las máquinas
actualmente pueden llevar a cabo debido al desarrollo de
su capacidad de aprendizaje (un aprendizaje basado en el
reconocimiento de patrones en un universo de información).
La inteligencia artificial es un territorio fértil para las inves-
tigaciones tecnológicas, pero su desarrollo continúa siendo
limitado. Para Stuart Russell, quien define a la inteligencia
artificial como “un agente racional que percibe y actúa para
alcanzar sus objetivos al máximo” (Russell, 2016: 179-180),
las máquinas aún se encuentran lejos de una inteligencia a
nivel humano, lo que no significa que sea algo imposible
de alcanzar (ante lo cual sugiere discutir las implicaciones
éticas y jurídicas del diseño, uso y control de la inteligencia
artificial en función del bienestar humano).
La inteligencia artificial tiene una presencia cada vez ma-
yor en el ámbito de la investigación y la creación artística.
Existen proyectos interdisciplinarios como el desarrollado
por la compañía de danza Instituto Stocos, en una de cu-
yas coreografías podemos ver a una bailarina que interac-
túa con cinco agentes (sonidos e imágenes en movimiento)
creados con ayuda de la inteligencia artificial; o las compo-
siciones musicales de Benoît Carré, a partir de audios sin-
tetizados por un software (Flow Machines) que analizó una
enorme base de datos de música popular norteamericana.
Esto nos lleva a un campo de la inteligencia artificial
conocido como creatividad computacional o software crea-
tivo. No se trata de la computadora como soporte de la
acción creativa de los artistas, si no de programas infor-
máticos capaces de replicar aspectos del comportamiento
creador artístico, definido éste como una “forma avanzada
de resolución de problemas en la que participan la memo-
ria, la analogía, el aprendizaje y el razonamiento”. (López
de Mántaras, 2016).
De este modo, hoy podemos confirmar que tenía razón
Alan Turing, cuando predijo que las máquinas pueden
aprender y crear, dos habilidades que creíamos eran ex-
clusivas de la inteligencia humana, pero todavía tienen
que pasar muchas cosas (no solo en la investigación tec-
nológica) para que una máquina pensante pueda recibir
un premio de literatura o uno a la mejor actuación en un
festival de cine. Por el momento, “no queremos sancionar a
la máquina por su incapacidad de brillar en concursos de
belleza” (Turing, 1950).
Referencias
• A.M. Turing (1950). “Computing Machinery and Intelligence”,
Mind, No. 236, pp. 433-460. Disponible en español en:
xamanek.izt.uam.mx/map/cursos/Turing-Pensar.pdf
• Lorena Jaumé-Palasí (2018). “Por qué no hay que tener miedo
de la inteligencia artificial”, El País. Disponible en: elpais.com/
tecnologia/2018/03/16/actualidad/1521204443_913487.html
• Ramón López de Mántaras (2016). “La inteligencia artificial y las
artes. Hacia una creatividad computacional”, El próximo paso.
La vida exponencial, Madrid, BBVA, pp. 99-123. Disponible
en: www.bbvaopenmind.com/wp-content/uploads/2017/01/
BBVA-OpenMind-libro-El-proximo-paso-vida-exponencial2.pdf
• Ramón López de Mántaras (2018). “Máquinas listas pero
sin sentido común”, El País. Disponible en: elpais.com/
tecnologia/2018/03/16/actualidad/1521204836_317670.html
• Stuart Russell (2016). “Inteligencia artificial de beneficios
probados”, El próximo paso. La vida exponencial, Madrid,
BBVA, pp. 175-192. Disponible en: www.bbvaopenmind.
com/wp-content/uploads/2017/01/BBVA-OpenMind-
libro-El-proximo-paso-vida-exponencial2.pdf
Donde la ciencia se convierte en cultura 25
26 2018
Donde la ciencia se convierte en cultura 27
 En
dónde
#CienciaEnAcción
Celestino Antonili Ravetto
Museo Tezozómoc, Centro de Difusión

encontrar
de Ciencia y Tecnología,
Instituto Politécnico Nacional.

La idea de máquinas inteligentes y en cierto modo

de forma humana, dieron pié a múltiples creacio-
nes literarias y posteriormente cinematográficas,
en donde la imaginación desbordada originó
la
IA
toda clase de artefactos automatizados y dota-
dos de características que pueden ser calificadas
de inteligentes, entre las más sobresalientes se
tiene la historia de “El círculo vicioso (Runaround)”,
publicada en 1942 por el escritor Isaac Asimov,
en la cual establece las tres leyes fundamentales
que debería seguir un robot. En 1950 el mismo
autor publicó una serie de relatos bajo el título de
“Yo robot”, en los cuales, presenta las dificultades
que tiene un “robot inteligente” para no violar las
tres leyes fundamentales.

E
l desarrollo real de la robótica, se relaciona con las gue-
rras del siglo XX, las cuales impulsaron la producción
de los más diversos inventos tecnológicos, indispensables
para lograr la victoria. Valga mencionar que es lamentable
que el ser humano requiera de estos incentivos para lograr
progresos trascendentes. En fin, el caso es que durante las
guerras se desarrollaron múltiples dispositivos y máquinas ca-
paces de hacer las más variadas actividades, con la inclusión
de toma de decisiones más o menos complejas.
Durante las guerras del siglo XX – entre otras cosas – se
desarrollaron sistemas de control de proyectiles, pilotos au-
tomáticos, radares, sonares, sistemas de comunicación, la
energía atómica y otras múltiples tecnologías, y en paralelo
a todo esto se inventaron las computadoras digitales, siendo
una de las más famosas la que utilizara Turing para descifrar
los códigos de los alemanes. Una buena parte de estos ar-
tefactos, se basaron en la recién llegada tecnología electró-
nica, la aparición de las válvulas o bulbos electrónicos que
permitió la fabricación de un sinnúmero de aplicaciones,
de las cuales se encontraban las computadoras capaces de
adecuarse para múltiples aplicaciones, desde modelos muy
elementales hasta verdaderos monstruos de dimensiones di-
fícilmente imaginables.
Durante la década de los 40 se inventó el transistor y
con ello el inicio de la miniaturización, permitiendo a los
científicos, ingenieros e inventores, pensar en dispositivos
con rasgos inteligentes en dimensiones razonablemente
manejables, con consumos de energía factibles y con una
confiabilidad aceptable.
Ya para los años 50 se podía pensar en que se tenían
los elementos para realizar máquinas con inteligencia, esto
es, máquinas con:
a) Sensores para captar información exterior a la máquina,
tales como: un teclado, un micrófono, una cámara que cap-
te imágenes fijas o móviles, termosensores, manómetros,
acelerómetros, pantallas sensibles al tacto, etcétera.
b) Un controlador que dirija las variables capturadas a
las diversas posibles localidades que se requieran para
su procesamiento.
c) Una memoria de información del tamaño necesario se-
gún lo solicite el proceso, esto es, para procesos simples
puede requerirse una memoria muy elemental, mientras
que para otros puede ser necesario una memoria inmensa.
Este elemento además, debe guardar los programas que
dirigen la operación de todo el sistema.
d) Uno o varios procesadores de la información, con capa-
cidad adecuada al proceso y con velocidad suficiente para
entregar respuestas correctas en tiempos pertinentes.
e) Uno o varios elementos de salida de la información pro-
cesada, esto puede ser: una o varias pantallas de video,
reproductores de sonido, actuadores electromecánicos, im-
presoras en 2 y 3 dimensiones, entre otros.

28 2018
f) Tiene que contar con el elemento esencial de la inteligen-
cia artificial, el o los algoritmos que dirigen todo el proceso,
expresado en un lenguaje de programación especialmente
diseñado para la máquina.
A todo lo anterior si se le agrega un sistema de comu-
nicación eficiente, es decir, que transfiera la información
rápidamente y con 0 errores, se tendrá la posibilidad de
imitar con creces la inteligencia.
Entre los primeros intentos de echar andar estos mode-
los, fue en 1950 que se construyó una máquina que juga-
ba a las damas, con un algoritmo que le permitía aprender
las jugadas exitosas, de tal manera que pronto llegó a ser
imbatible; simultáneamente se desarrollaron diversos robots
para uso industrial, alcanzando un gran éxito en la industria
automotriz, los brazos robóticos proliferaron y siguieron me-
jorándose hasta la actualidad. Sin embargo estas máquinas
no requieren de gran inteligencia, puesto que su actividad es
repetitiva y requiere de un mínimo de decisiones, pero con
un máximo de precisión.
En 1970 apareció en el mercado el primer microproce-
sador, que básicamente contiene los elementos suficientes
de estado sólido para realizar operaciones aritméticas y
lógicas, a este elemento se le suele llamar “el cerebro” de
una máquina de cómputo. Con ello se logró dotar a muchas
máquinas simples, de la capacidad de realizar funciones
complejas en un mínimo de espacio.
Una de las primeras máquinas que parecían tener inte-
ligencia en su interior, corría un programa llamado Eliza,
(Joseph Weizenbaum lo describió en 1966) en el que el
usuario tecleaba una pregunta y Eliza contestaba en una
impresora con respuestas bastante lógicas, pero en realidad
utilizaba las palabras de las preguntas para elaborar las
respuestas, empleando una serie de reglas derivadas del
método que usaba un psiquiatra con sus pacientes, el pro-
grama y la máquina no tenían ningún elemento de aprendi-
zaje, sin embargo los usuarios la tomaban tan en serio que
le comunicaban sus problemas más personales, esperando
obtener una ayuda. Cabe recalcar que la máquina, no en-
tendía absolutamente nada de lo que se le introducía.
En la historia del enfrentamiento entre un humano y una
máquina jugadora de ajedrez, vale la pena recordar el tor-
neo entre el campeón mundial ruso Garri Kasparov y la su-
permáquina Deep Blue, fabricada específicamente en 1997
por IBM para tal fin, siendo ganadora la máquina. Cabe
aclarar que Kasparov logró varios triunfos, pero finalmente
el promedio favoreció a la máquina; para los interesados
en los detalles, pueden seguir las partidas que jugaron, en
archivos de Wikipedia.
La arquitectura de las computadoras y sus lenguajes, han
ido evolucionando de tal manera que han incorporado en
mayor o menor grado dos grandes desarrollos: las “Redes
Neuronales” y la “Lógica Difusa”, cada una de ellas sería
motivo de amplios artículos, pero conformémonos con decir
que las redes neuronales imitando la organización del cere-
bro humano, le permiten a las máquinas un aprendizaje de
acuerdo a su experiencia, lográndose entre otras, acciones
tales como el reconocimiento de la voz y objetos, permitién-
dole a la máquina la lectura y la comunicación por voz con
el ser humano.
Por lo que respecta a la lógica difusa, diremos que se tra-
ta de una lógica que va más allá del manejo de situaciones
de “si” “no”, que es el caso de la lógica binaria, esto habi-
lita a la máquina a tomar decisiones sin contar con valores
totalmente definidos de las variables, podríamos decir que
puede manejar ciertas aproximaciones.
Trasladándonos al día de hoy, tenemos los asistentes per-
sonales disponibles en las versiones de: Siri, Google Now,
Cortana y Alexa, asociados a los teléfonos inteligentes, estos
asistentes con los que el usuario se comunica directamen-
te por voz, requieren de algoritmos sumamente complejos,
capaces de identificar la voz y además convertir la voz en
texto que pueda ser procesado por las computadoras. El pro-
ceso detallado de la operación no es divulgado en detalle,
pero puede deducirse que el teléfono solamente sirve para
capturar el mensaje vocal, codificarlo para ser enviado vía
la red telefónica a la máquina central, en donde se proce-
de a identificar la voz, analizar el texto, buscar los datos
necesarios para responder, codificar la respuesta y decidir
si la información debe desplegarse en la pantalla o debe
expresarse en forma oral, además la solicitud con todos los
datos asociados como pueden ser la hora y el lugar en que
se efectúa la consulta, son almacenados en la base de datos
del cliente, con lo que el sistema va estableciendo el perfil
del consumidor, lo que le permite una interacción que hace
que el interesado tenga la percepción de que su asistente ci-
bernético, lo conoce cada vez más conforme pasa el tiempo.
En muchos de los productos electrónicos actuales, es co-
mún encontrar aplicaciones de inteligencia artificial, tales
como: computadoras de control de motores en vehículos,
televisores, cámaras fotográficas, cámaras de video, aplica-
ciones en red, buscadores de Internet, aspiradoras, lavado-
ras, juguetes, etcétera.
En la medicina hay un amplísimo campo de aplicaciones,
desde el procesamiento de imágenes hasta los robots utili-
zados en cirugía, así como los robots que realizan análisis
de laboratorio.
Actualmente, está en proceso con un avance notable, el
desarrollo de vehículos que viajan sin conductor humano,
lo cual requiere de una aplicación múltiple de la Inteligen-
cia Artificial.
En resumen, para cualquier lado que volteamos en las
sociedades tecnificadas, encontramos aplicaciones de IA.
No todo es maravilloso, esta tecnología requiere aún mucho
trabajo y depuración, pero es un hecho su factibilidad y es
fascinante su estudio, es un campo que invita a los jóvenes a
incursionar.
Referencias
• Marvin Minsky (et.al) (1986).
Robótica la última frontera de la tecnología.
Editorial Planeta.
• Richard Swadley. (1993). On the cutting Edge of Technology.
Sams Publishing.
• Marvin Minsky & Seymour (Paper). (1972)
“Artificial Intelligence” Editado por la Universidad de Oregón.
Donde la ciencia se convierte en cultura 29
 Zona plee
Wilder Chicana Nuncebay
Yuritzen Solache Ruiz
Especialistas del Planetario
Luis Enrique Erro del IPN.
L
a primera publicación del Catálogo
Messier ocurrió en 1774, y contenía
45 objetos (de M1 a M45) con su
ubicación y características. Esta publi-
cación incluyó objetos impactantes,
como la Nebulosa del Cangrejo-M1,
la galaxia de Andromeda-M31, la
Nebulosa de Orión-M42 y Las Pléya-
des-M45. En 1780 la segunda edi-
ción incluyó a la fascinante Nebulosa
del Anillo-M57 y otros 22 objetos más
(de M46 a M68), y la tercera edición
de 1781, cubrió la lista hasta M103.
El Catálogo Messier, como lo co-
nocemos el día de hoy con sus 110
objetos, fue completado entre 1921
y 1966, mucho tiempo después de su
primera publicación. Entonces, se aña-
dieron siete objetos que coincidían con
las notas de Charles Messier y su cola-
borador, el astrónomo Pierre Méchain.
En esta temporada podremos ubi-
car fácilmente a la constelación La Lira
30 2018
El
cielode
verano
que resalta por su estrella más brillan-
te: Vega. En Lira, podemos observar a
M57, conocida como la Nebulosa del
Anillo. Hoy sabemos que en realidad
se trata de una Nebulosa Planetaria.
Estas nebulosas son creadas a partir
de una estrella de masa baja o de
masa intermedia. Cuando esa estrella
completa su ciclo de evolución habien-
do terminado de quemar su combus-
tible, expulsa sus capas externas, las
cuales se expanden hacia el espacio
dejando una especie de burbuja o ani-
llo, que es lo que llamamos Nebulosa
Planetaria. En Lira, también podemos
encontrar otro tipo de objeto del espa-
cio profundo, se trata de M56, que es
un cúmulo globular, lo cual significa
que podemos ver una aglomeración
de muchísimas estrellas, cientos de mi-
les o millones de estrellas del mismo
color en una agrupación más o menos
esférica. M5 es otro ejemplo de cúmulo
globular que podemos ver muy cerca
de la constelación de Libra.
La constelación de Hércules es la
quinta constelación más grande del fir-
mamento, y alberga otros dos cúmulos
globulares: M13 y M92. Aunque M92
es un poco menos brillante que M13, se
trata de un cúmulo globular espléndi-
do, ambos son visibles incluso a simple
vista con buenas condiciones de obser-
vación y vistos a través de binoculares
son espectaculares.
Finalmente, en la constelación del
Dragón, encontramos una galaxia len-
ticular: M102. Las galaxias lenticulares
son aquellas que tienen forma de disco
pero no tienen brazos o barras como
las espirales, ni elipticidad. Cabe
mencionar que la clasificación de las
galaxias a partir de su forma tienen
distintas vertientes y por eso es necesa-
rio estudiarlas a través de instrumentos
que permitan analizarlas mejor.
Crédito:
M57: nasa, ESA, and C. Robert O’Dell (Vanderbilt University).
M102: nasa, ESA and the Hubble Heritage Team (STScI/aura);
Acknowledgment: W. Keel (University of Alabama, Tuscaloosa)
* La ilustración de las constelaciones de los meses de mayo y
junio se realizó utilizando el Sistema Digistar 6 del Planetario
Luis Enrique Erro.

Donde la ciencia se convierte en cultura 31


julio y agosto
Para los amantes de Urania:
Este par de meses traen consigo abundantes lluvias meteó-
ricas entre las que se destaca con "luz propia" la lluvia me-
teórica de las perseidas, que cuenta con muchos eventos
por hora. Las lluvias meteóricas se producirán a diversas
horas del día, así que debemos revisar periódicamente la
tabla de efemérides. Para poder observar estos fenóme-
nos astronómicos debemos buscar lugares alejados de la
contaminación lumínica de las ciudades, ya que en la gran
El
cielode
mayoría de los eventos meteóricos el brillo es muy tenue
y queda fácilmente opacado por las luces de las zonas
urbanas. Para cerrar con broche de oro estos meses, hay
que prestar mucha atención a las conjunciones de Júpi-
ter, Venus y Saturno con la Luna. No se pierdan ninguno
de estos tesoros del cielo; y como siempre, desde esta
sección, les deseamos cielos oscuros y despejados du-
rante todo el año.

Julio
Día Hora Objeto celeste Evento
6 02:51 Luna Fase de Cuarto Menguante
9 22:40 Constelación de Pegaso Lluvia meteórica de las "pegásidas"
12 21:48 Luna Fase de Luna Nueva (novilunio)
13 02:00 Constelación del Fénix Lluvia meteórica de las "fenícidas" de julio
19 14:52 Luna Fase de Cuarto Creciente
20 18:00 Júpiter - Luna Conjunción (Júpiter a 4º al sur de la Luna)
27 15:21 Luna Fase de Luna Llena (plenilunio)
28 22:45 Constelación del Pez Austral Lluvia meteórica de las "píscidas austrinas"
28 22:37 Constelación de Acuario Lluvia meteórica de las "delta acuáridas" Sur
30 20:30 Constelación de Capricornio Lluvia meteórica de las "alfa capricórnidas"

Agosto
Día Hora Objeto celeste Evento
4 13:18 Luna Fase de Cuarto Menguante
4 22:15 Constelación de Acuario Lluvia meteórica de las "iota acuáridas" Sur
8 22:20 Constelación de Acuario Lluvia meteórica de las "delta acuáridas" Norte
11 04:58 Luna Fase de Luna Nueva (Novilunio)
12 19:52 Constelación de Perseo Lluvia meteórica de las "perseidas"
14 08:00 Venus - Luna Conjunción (Venus a 6º al sur de la Luna)
18 17:00 Constelación del Cisne Lluvia meteórica de las "Kappa cígnidas"
20 21:45 Constelación de Acuario Lluvia meteórica de las "iota acuáridas" Norte
Queremos dedicar este número a la 21 04:00 Saturno Conjunción (Saturno a 2º al sur de la Luna)
memoria de Wendolyn Guerra Olea
26 06:56 Luna Fase de Luna Llena (Plenilunio)
(Q.E.P.D.), quien hasta el número anterior
colaboró con nosotros en esta sección. (*) Según la mitología griega, musa de la astronomía, hija de Zeus y de Mnemosine, la memoria.
Esperamos que sus esfuerzos hayan en-
contrado eco entre nuestros lectores.

32 2018
La ingeniería, robótica, biomédica, elec-
trónica y nanotecnología son algunas de
las disciplinas que al conjugarse generan
soluciones y respuestas a los problemas
de salud. Gracias a las investigaciones y
el desarrollo de tecnologías, la calidad
de vida para las personas que padecen
alguna enfermedad o impedimento físico,
mejora ampliamente. No te pierdas nues-
tro siguiente número Tecnologías avanza-
das aplicadas a la salud y conoce estos
adelantos médicos desarrollados por ex-
pertos mexicanos.