Documentos de Académico
Documentos de Profesional
Documentos de Cultura
de la Sociedad Mexicana de Inteligencia Artificial, A.C., con domicilio en Ezequiel Montes 56 s/n,
Fracc. los Pilares, Metepec, Edo. de México, C.P. 52159, México, http://www.komputersapiens.org,
correo electrónico: editorial@komputersapiens.org, tel. +52 (833)357.48.20 ext. 3024, fax +52 (833)
215.85.44. Impresa por Sistemas y Diseños de México S.A.
de C.V., calle Aragón No. 190, colonia Álamos, delegación Benito Juárez, México D.F., C.P. 03400, México, se ter-
minó de editar el 15 de mayo de 2022.
Reserva de derechos al uso exclusivo número 04-2009-111110040200-102 otorgado por el Instituto Nacional de
Derechos de Autor. ISSN 2007-0691.
Los artı́culos y columnas firmados son responsabilidad exclusiva de los autores y no reflejan necesariamente los
puntos de vista de la Sociedad Mexicana de Inteligencia Artificial. La mención de empresas o productos especı́ficos
en las páginas de Komputer Sapiens no implica su respaldo por la Sociedad Mexicana de Inteligencia Artificial.
Queda estrictamente prohibida la reproducción total o parcial por cualquier medio, de la información aquı́ contenida
sin autorización por escrito de los editores.
Komputer Sapiens es una revista de divulgación en idioma español de temas relacionados con la inteligencia artificial.
Creada en LATEX, con la clase papertex disponible en el repositorio CTAN : Comprehensive TeX Archive Network,
http://www.ctan.org/
Indizada en el IRMDCT de CONACYT y en Latindex.
Directorio SMIA Directores Fundadores Gustavo Vargas Hakim
Presidente Ildar Batyrshin Carlos Alberto Reyes Garcı́a Luis Zúñiga Avilés
Vicepresidente Oscar Herrera Alcántara Ángel Kuri Morales Nora Reyes
Secretario Francisco Hiram Calvo Castro Silvia Albarrán
Tesorera Marı́a de Lourdes Martı́nez Villaseñor Comité Editorial Carlos Fernández-Fernández
Vocales: Obdulia Pichardo Lagunas Ildar Batyrshin Nelson Rangel Valdez
Sabino Miranda Jiménez Oscar Herrera Alcántara Federico Alonso-Pecina
Roberto A. Vázquez Espinoza de los Monteros Jesús Favela Vara Adriana Cervantes
Hiram Erendin Ponce Espinosa Sofı́a Natalia Galicia Haro Efrén Mezura-Montes
Noé Alejandro Castro Sánchez Miguel González Mendoza Eduardo Morales
Iris Iddaly Méndez Gurrola Raúl Monroy Borja Raúl Monroy Borja
Omar Montaño Rivas Eduardo F. Morales Manzanares Laura Cruz
Néstor Velasco Bermeo Leonardo Garrido Luna Mariana Miranda-Varela
Gustavo Arroyo Figueroa Carlos Alberto Reyes Garcı́a Candy Sosa Jiménez
Sofı́a Natalia Galicia Haro Antonio Sánchez Aguilar Erendira Rendón
Juan Crisoforo Martı́nez Miranda Luis Enrique Sucar Succar Claudia Gómez
Iván Olvera Rodrı́guez Ángel Kuri Morales Antonio Camarena-Ibarrola
Leobardo Morales Tiburcio José A. Martı́nez Flores Lisbeth Rodrı́guez
Gilberto Ochoa Ruiz Juan Manuel Ahuactzin Larios Guillermo Hoyos-Rivera
David Eduardo Pinto Avendaño Manuel Montes y Gómez Oscar Herrera
Antonio Marı́n Hernández Ofelia Cervantes Villagómez Ericka Janet Rechy Ramı́rez
César Jesús Núñez Prado Alexander Gelbukh Ángel Estévez
Grigori Sidorov Héctor Limón
Komputer Sapiens Laura Cruz Reyes Belem Saldı́var
Director general Ildar Batyrshin Ramon Brena Pinero Roberto Alejo
Editora en jefe Karina Mariela Figueroa Mora Juan Humberto Sossa Azuela Karina Figueroa
Editor cientı́fico Héctor Gabriel Acosta Mesa Félix Castro Otniel Portillo Rodrı́guez
Editores asociados Marco Antonio Aguirre Lam Juan Jacinto-Villegas
Laura Cruz Reyes Árbitros Alberto Ochoa-Zezzatti
Editores invitados Rosa Marı́a Valdovinos Rosas Aldo Márquez-Grajales Héctor Acosta-Mesa
Coordinadora de producción Viridiana Mena Gómez Fernando Aldana Franco Gregorio Toscano-Pulido
e-Tlakuilo Karina Figueroa Ramón Brena Héctor Rodrı́guez-Rangel
Rosa Marı́a Valdovinos Ángel Andrade Asdrúbal López Chau
Estado del IArte Reyna Carolina Medina Ramı́rez Rigoberto Martı́nez Méndez Rafael Rivera-López
Jorge Rafael Gutiérrez Pulido Ángel Sánchez Garcı́a Daniela Alejandra Ochoa
Sakbe Claudia G. Gómez Santillán Fernando Arámbula Martha Avendaño Garrido
Laura Cruz Reyes Matı́as Alvarado Sonia Mestizo-Gutiérrez
Laura Gómez Cruz Diego Tlapa
IA & Educación J. Julieta Noguez Monroy Saúl Domı́nguez-Isidro
Marı́a Lucı́a Barrón Estrada Vianney Muñoz
Marı́a Yasmı́n Hernández Pérez David Valle-Cruz
Deskubriendo Konocimiento Alejandro Guerra Hernández David Rı́os
Gildardo Sánchez Ante Hugo Jair Escalante
Asistencia técnica Alan G. Aguirre Lam Héctor Avilés-Arriaga
Corrección de estilo Gilberto Rivera Zárate Nancy Pérez-Castro
Marcela Quiroz Castellanos Tania Turrubiates-López
Sonia Lilia Mestizo Gutiérrez José Sánchez-Cervantes
Guillermo de Jesús Hoyos Rivera Luis Fernández-Martı́nez
Susana Aurora Velasco Montiel Adan Justo
Nicandro Cruz Ramı́rez Mireya Salgado Gallegos
Claudia Leticia Dı́az González Miguel Zúñiga-Garcı́a
Leonardo Romero Muñoz Guillermo Santamarı́a-Bonfil
Nelson Rangel Valdez Rocı́o Barrientos-Martı́nez
José Antonio Camarena Ibarrola Jaime Cerda
Luis Miguel Garcı́a Velázquez Paúl Hernández
Héctor J. Fraire Huacuja Luis Castro
Ruth Esmeralda Barreda Guajardo Cuauhtémoc Sánchez
Portada Marı́a Fernanda Hernández Arroyo Sergio Hernández Méndez
Komputer Sapiens Mayo - Agosto 2022 k Año XIV, Vol.II
Contenido
Escenarios para determinar los estímulos que brindará
un asistente tecnológico a una persona con deterioro
cognitivo
Pág. 10 ⇒Victor M. Montaño Serrano, Juan Manuel Jacinto Villegas, Adriana H.
Vilchis González y Otniel Portillo Rodríguez
Robots médicos de punción percutánea compatibles con resonancia magné-
tica
Pág. 16 ⇒ Isis Danae Sánchez Hernández, Adriana Herlinda Vilchis González y Juan
Carlos Ávila Vilchis
De Big Data al Smart Data en datos no balanceados con alta dimensionalidad
y baja densidad: un análisis experimental de técnicas de sobremuestreo
Pág. 21 ⇒ Armando Bolívar, Vicente García, Roberto Alejo y Rogelio Florencia-Juárez
Reglas de asociación para el estudio de vaginosis bacteriana
Pág. 26 ⇒ Freddy de la Cruz Ruiz y Juana Canul-Reich Columnas
Aprendizaje Automático para la determinación de factores que afectan la
calidad del sueño Sapiens Piensa.
Pág. 31 ⇒ Mabel Vázquez Briseño, Arturo Laflor Hernández, Juan Iván Nieto Hipólito, Editorial pág. 2
Christian Navarro Cota y Juan de Dios Sánchez López
La Inteligencia Artificial para Predicción de la Recuperación en la Enferme-
dad Vascular Cerebral
Pág. 37 ⇒ Ruben I. Carino-Escobar y Jessica Cantillo-Negrete e-Tlakuilo pág. 4
Enfoque evolutivo de aprendizaje de máquina en la identificación y control
de sistemas
Pág. 42 ⇒ Alejandro Rodríguez-Molina, Miguel G. Villarreal-Cervantes, Miguel Ángel
Paredes-Rueda y Carlos Alberto Guerrero-León Estado del IArte pág. 6
El aprendizaje de máquina y el modelado de propiedades de materiales
nanoestructurados
Pág. 48 ⇒ Kaled Corona-Romero, M. Fernanda Rosales-De la Cruz, Diego E. Navarro-
López, Edgar R. López-Mena y Gildardo Sánchez-Ante Sakbe pág. 8
Redes Adversarias Generativas: engañando a la inteligencia humana
Pág. 53 ⇒ Leonardo Herrera, Marlen Meza-Sánchez, M.C. Rodríguez-Liñán y Eddie
Clemente
Análisis de Sentimientos en Twitter IA & Educación pág. 85
Pág. 59 José-Clemente Hernández-Hernández, Daniela Juárez-Morales, Juan-José
⇒
Guzmán-Landa y Guillermo-de-Jesús Hoyos-Rivera
Importancia de la minería de opinión en redes sociales en español Deskubriendo
Pág. 64 ⇒ Fernando Monroy Tenorio, Janeli Astorga Villela y Aleli Castro Orella
Konocimiento pág. 87
Algunos resultados de control distribuido de múltiples robots
Pág. 68 ⇒ Héctor M. Becerrra, Miguel A. Trujillo, David Gómez Gutiérrez y Javier
Ruiz León
Cómo contar personas usando WiFi y ML
Pág. 73 ⇒ Ramón F. Brena, Edgar Escudero, César Vargas Rosales, Carlos E. Galván
Tejada y David Muñoz
Un paseo por el análisis de señales con wavelets y redes neuronales
Pág. 79 ⇒ Oscar Herrera Alcántara
Año XIV, Vol. II. Mayo - Agosto 2022 Editorial Komputer Sapiens 2 / 88
Sapiens Piensa
Rosa María Valdovinos Rosas
La Inteligencia artificial es un área del conocimiento cu- es la cara que estrategias de inteligencia artificial bus-
yas investigaciones y aportaciones se realizan con impac- can potencializar. Al respecto, en el artículo “Análisis
to en diferentes ámbitos de la vida cotidiana. En este nú- de sentimientos en twitter” los autores describen los
mero de tema libre, gratamente denso de publicaciones, principales aspectos relacionados con el procesamiento
los trabajos que se incluyen atienden diversas temáticas de textos en castellano y las estrategias para la elimi-
de la inteligencia artificial y su incidencia en áreas co- nación de ruido en twitts para análisis de sentimientos e
mo: salud, redes sociales; así como exponer algunos de identificación de tendencias de opinión. Continuando con
los métodos ampliamente utilizados como como las re- la misma tendencia, en el artículo “Importancia de la
des neuronales artificiales, el aprendizaje automático, la minería de opinión en redes sociales en español”
robótica y cómputo evolutivo. los autores explican algunos de los enfoques, aportaciones
La salud es un tema de interés general, con la aplica- y herramientas para extraer la polaridad o clasificación
ción de técnicas de inteligencia artificial se busca propor- de opiniones en redes sociales. Finalmente, en el artículo
cionar estrategias que apoyen al diagnóstico temprano, “Como contar personas usando WiFi y Machine
comportamiento de patologías y/o mejoras en la aten- Learning” los autores presentan un estudio donde se
ción. En este sentido, en el artículo “El aprendizaje de muestra una estrategia de reconocimiento de patrones
máquina y el modelado de propiedades de ma- orientada a identificar grupos de personas y la forma en
teriales nanoestructurados” los autores abordan un que éstos perturban la señal WiFi.
tema de actualidad médica relacionado a la resistencia La robótica es un área que ofrece interesantes pro-
que algunas personas desarrollan a los antibióticos y pro- puestas de solución a diversos problemas reales, en el
ponen la utilización de redes neuronales artificiales para artículo “Robots médicos de punción percutánea
el modelado de las propiedades de materiales nanoes- guiados con resonancia magnética” los autores pre-
tructurados, como alternativa para disminuir lo largo y sentan una revisión de los avances en plataformas robó-
costoso del proceso de estos. Por otro lado, en el artícu- ticas por resonancia magnética para realizar punciones
lo “Escenarios para determinar los estímulos que percutáneas, mostrando las grandes ventajas que su uti-
brindará un asistente tecnológico a una persona lización tiene en términos de acceso y precisión al ser
con deterioro cognitivo” los autores reportan los re- utilizados en extirpación de tejidos. En tanto que en el
sultados obtenidos al utilizar un asistente tecnológico que artículo “Algunos resultados de control distribui-
permite conocer los estímulos de audio y visuales que se do de múltiples robots” los autores muestran algunos
le deben proporcionar a un paciente con deterioro cogni- trabajos en los que se hace uso de sistemas multi-robot
tivo leve para ayudarlo a comer considerando cinco esce- donde cada robot se controla de forma distribuida consi-
narios diferentes. Un estudio semejante es el presentado derando información local logrando evitar colisiones en-
en el artículo “La IA para predicción de la recu- tre ellos.
peración en EVC” . En el artículo “Aprendizaje au- Finalmente, se incluyen algunos artículos que apli-
tomático para la determinación de factores que can técnicas de redes neuronales artificiales y machine
afectan la calidad del sueño” los autores muestran learning para la solución de problemas reales. En el ar-
la utilidad que el aprendizaje automático puede tener al tículo “Redes adversarias generativas: engañando
ser utilizado en la determinación de las actividades que a la inteligencia humana” los autores analizan la ar-
más pueden afectar la calidad del sueño. Por último, en quitectura de las redes adversarias generativas cuando
el artículo “Reglas de asociación para estudiar pa- son utilizadas para generar imágenes falsas a partir de
trones bacterianos involucrados en el desarrollo imágenes reales, describen su funcionamiento y su apli-
de vaginosis bacteriana” los autores explican cómo cación en problemas reales. Por otro lado, en el artículo
los algoritmos de reglas de asociación pueden ser útiles “Un paseo por el análisis de señales con wavelets
para modelar las bacterias que detonan la aparición de la y RNA” los autores revisan conceptos fundamentales
vaginosis bacteriana y pueden ser utilizados en el apoyo del análisis de señales y de las redes convolucionales, in-
diagnóstico de esta enfermedad en mujeres. dicando algunos casos de su aplicación. En el artículo
La comunicación hoy día ha cambiado de forma sus- “De Bigdata al smart data en datos no balancea-
tancial, es casi imposible imaginarla sin las redes sociales. dos con alta dimensionalidad y baja densidad: Un
No obstante, la comunicación y/o difusión de informa- análisis experimental de técnicas de sobremues-
ción a través de redes sociales es sólo una cara de la mo- treo” los autores tocan el tema grandes volúmenes de
neda, el alcance, impacto y el potencial que éstas tienen datos del big data y las estrategias que se pueden uti-
Inicios Ya han pasado más de 30 años desde la crea- otras técnicas; una empresa está interesada en extraer las
ción de lo que hoy conocemos como el web (WWW). entidades y relaciones necesarias para crear su grafo de
Pero no fue sino hasta una década después, en 2001, conocimiento (vea Figura 1). Eventualmente, un agente
cuando su creador Tim Berners-Lee escribió acerca de de software utiliza dicho grafo para generar nuevo cono-
su idea original, el web semántico1. Éste tiene sus raíces cimiento. Los grafos de conocimiento más conocidos son
en los siguientes conceptos: grafos, bases de datos, redes los de Facebook, Google y Linkedin. Algunos de ellos
semánticas, orientación a objetos, sistemas expertos, y presentes en escándalos muy sonados, como el caso del
representación de conocimiento. El web semántico tiene mal uso que hizo Cambridge Analytica del grafo de co-
la intención de ser proveedor de conocimiento para que nocimiento de Facebook hace algunos años.
los agentes de software, que eventualmente poblarán el
ciberespacio, realicen todo tipo de actividades, hacien- Datos enlazados Son la convergencia entre los datos
do uso de mecanismos de razonamiento e inferencia, a abiertos y las tecnologías semánticas. Los datos abier-
nuestro nombre y para nuestro beneficio. El principio es tos son parte de una iniciativa internacional que nace en
simple, y se basa en el significado de las cosas y sus re- 2011, con 8 países miembros (entre ellos México). Dicha
laciones. iniciativa establece que cualquier individuo puede acce-
der, usar, modificar, y compartir datos, siempre y cuan-
Componentes Las tecnologías semánticas son los do preserven al menos su lugar de origen y apertura.
componentes esenciales del web semántico. Durante las Los datos enlazados son el paso natural en el camino de
útimas tres décadas se realizaron diversos esfuerzos pa- los datos abiertos, pues agregan a éstos tecnologías se-
ra organizar conocimiento, y se desarrollaron diver- mánticas, y con ello los beneficios que esto conlleva. Un
sas tecnologías para hacer ese conocimiento resusable ejemplo de éstos es DBpedia2 , la versión semántica de la
(DAML+OIL). Eventualmente se anclaron las que hoy Wikipedia3 . Actualmente, la nube de datos abiertos en-
conocemos (RFD, SPARQL, OWL), y se han convertido lazados posee 1301 datasets. DBpedia es uno de ellos, y
en la base para nuevos desarrollos, por ejemplo, los grafos hoy en día cuenta con más de 228 millones de entidades.
de conocimiento y los datos enlazados. Además, con el Para saber más4 (en inglés).
objetivo de incluir tecnologías semánticas, en el ámbito
del desarrollo de software se ha creado el UML2 ODM, y ¿Hacia donde vamos? En general, las tecnologías se-
en la industria se ha trabajado en el ISO 15926, partes 8, mánticas están siendo usadas principalmente por los me-
12 y 14. Aunado a esto, se debe mencionar el importan- dios de comunicación, así como por diferentes ámbitos
te rol que han tenido también herramientas tales como de la industria, y el gobierno; lo anterior es con el fin
schema.org, microformats, y opengraph para anotar pá- de manejar sus contenidos, reusar su información, y con
ginas de manera semántica y convertirlas en fuentes de ello recortar costos y optimizar las ganancias. Algunos
conocimiento. ejemplos de éstas son: la BBC, el FT, SpringerNature,
Astra Zeneca, AGFA Healthcare, Cleveland Clinic, entre
Grafos de conocimiento Representan una red de en- otras; y los gobiernos de EUA, Reino Unido, Noruega,
tidades tales como objetos, eventos, y conceptos, así co- Sudáfrica, y Brasil.
mo las relaciones entre éstos. Por ejemplo, mediante pro- En la última década hemos visto un gran incremento
cesamiento de lenguaje natural, minería de datos, entre de aplicaciones que hacen uso de aprendizaje máquina.
1 https://www.scientificamerican.com/article/the-semantic-web
2 http://dbpedia.org/resource/Lemon
3 https://en.wikipedia.org/wiki/Lemon
4 https://lod-cloud.net/#about
Sakbe
Laura Gómez Cruz, Laura Cruz Reyes y Claudia Guadalupe Gómez Santillán
sakbe@komputersapiens.org
Aprendiendo idiomas a través de la IA
La Inteligencia Artificial (IA) es una herramienta poderosa y una tecnología que continúa avanzando en el aprendizaje
de idiomas dentro de la educación tradicional. Según la academia de Cambridge, las plataformas de aprendizaje de idio-
mas impulsadas por IA permiten a los estudiantes trabajar a su propio ritmo, repitiendo temas y enfatizando las cosas
con las que tienen problemas, y también permiten que los maestros entiendan y estimen el desempeño del estudiante.
Esas plataformas se basan principalmente en tres pilares:
1. Proporcionar retroalimentación instantánea: conocer puntajes, identificar errores, corregir gramática y
cohesión de ideas.
2. Sin miedo a fallar en público: la IA se enfoca en brindar resultados sin juzgar y los estudiantes tratan sus
errores como desafíos en un juego.
3. Un rol nuevo para los docentes: los docentes se convierten en una guía que utiliza la ciencia y el análisis de
datos para apoyar a los estudiantes.
Según una fuente de IEEE, las siguientes son algunas de las aplicaciones más reconocidas que utilizan IA para la
enseñanza y el aprendizaje de idiomas y el desarrollo de materiales didácticos.
https://es.duolingo.com
Para saber más de este tema consulta la siguiente IEEE Innovation at work (2020, agosto 28). Impro-
literatura: ve your English with artificial intelligence-powered
apps. https://innovationatwork.ieee.org/
improve-your-english-with-artificial-
Ribeiro, R. (2020, marzo 9). AI in English intelligence-powered-apps/
language learning. World of Better Lear-
ning | Cambridge University Press. https:// Center for data innovation (2017, julio 17). 5 Q’s
www.cambridge.org/elt/blog/2020/03/09/ for Mait Müntel, Co-Founder of Lingvist.https://
artificial-intelligence-english-language- datainnovation.org/2017/07/5qs-for-mait-
learning/ muntel-co-founder-of-lingvist/
Juan Pérez
Start
Progress
50
40
30
20
10
0
Grammar Spelling Listening Elemento 5
Juan C. Ávila Vilchis obtuvo el grado de doctor en el Instituto Nacional Politécnico de Grenoble,
Francia. Actualmente es profesor investigador en las Facultades de Ingeniería y de Medicina de la
Universidad Autónoma del Estado de México. Sus intereses científicos incluyen Modelado, Análisis y
Control de sistemas no lineales y Robótica Médica.
Vicente García es Doctor en Sistemas Informáticos Avanzado por la Universitat Jaume I, es profesor
en la Universidad Autónoma de Ciudad Juárez. Su interés es aprendizaje automático en temas de
clasificación, evaluación, test estadísticos y preprocesamiento de conjuntos de datos.
Roberto Alejo es Doctor en Sistemas Informáticos Avanzados por la Universitat Jaume I, España
(2011). Adscrito a la División de Estudios de Posgrado e Investigación del Tecnológico Nacional de Mé-
xico, campus Toluca. Es especialista en redes neuronales artificiales, aprendizaje automático y minería
de datos.
Figura 1. Regla de asociación que ubica a las bacterias Gram - en el antecedente de la regla y el estado
patológico en el consecuente.
El algoritmo Apriori se utilizó para extraer las re- con significancia biológica y estadística se esquematiza a
glas. Este algoritmo crea las reglas de asociación a partir continuación, (ver Figura 2).
del conjunto de datos que contiene los datos clínicos de
cada paciente con vaginosis, proporcionado por [8].
Proceso de preparación de los datos.
El conjunto de datos fue sometido a preprocesamiento
para corregir posibles valores faltantes y/o valores atí-
picos. También se cambió el formato de las variables de
númerico a categórico ya que este es el tipo de variable
que procesa el algoritmo Apriori para crear las reglas.
Como ejemplo revisemos la variable VBPCR que es la
que registra los casos positivos y negativos de vaginosis.
El valor 1 registra los casos positivos de vaginosis el cuál
fue renombrado a VaginosisPos, el valor 2 representa los
casos negativos el cuál fue renombrado a VaginosisNeg.
Las variables se renombran de forma que representen su
valor de forma explicita. La Tabla 1 muestra las variables
consideradas para crear las reglas de asociación. Figura 2. Proceso experimental durante la creación de reglas
El proceso experimental para la creción de reglas, se- de asociación. En el antecedente las bacterias hacen sinérgia
lección de reglas estadísticamente significativas, selección para desarrollar la patología del consecuente.
de reglas desde el enfoque biológico y obtención de reglas
Tabla 2. Reglas de asociación con significancia estadística y frecuencia de cada regla en el conjunto de datos bajo
estudio.♣
LHS RHS Frec
[1]{AtopobiumPos,MegasphaeraPos,MycoplasGeniNeg,UreaplasUreaNeg } ⇒ {VaginosisPos} 25
[2]{AtopobiumPos,inersHighGrowthDensity,MegasphaeraPos,UreaplasUreaNeg } ⇒ {VaginosisPos} 16
[3]{AtopobiumPos,GardnerellaPos,MegasphaeraNeg,MycoplasHomiNeg } ⇒ {VaginosisPos} 16
[4]{AtopobiumPos,GardnerellaPos,MegasphaeraNeg,UreaplasUreaNeg } ⇒ {VaginosisPos} 18
[5]{AtopobiumPos,gasseriUndetectable,MycoplasGeniNeg,UreaplasUreaNeg } ⇒ {VaginosisPos} 22
[6]{AtopobiumPos,GardnerellaNeg,MegasphaeraPos } ⇒ {VaginosisPos} 17
[7]{AtopobiumPos,GardnerellaPos,inersHighGrowthDensity } ⇒ {VaginosisPos} 17
[8]{AtopobiumPos,GardnerellaPos,MycoplasGeniNeg,UreaplasParPos } ⇒ {VaginosisPos} 17
[9]{AtopobiumPos,GardnerellaPos,MycoplasGeniNeg,MycoplasHomiNeg,UreaplasUreaNeg } ⇒ {VaginosisPos} 17
[10]{AtopobiumPos,MegasphaeraPos,UreaplasParPos } ⇒ {VaginosisPos} 15
[11]{AtopobiumPos,gasseriUndetectable,MegasphaeraPos } ⇒ {VaginosisPos} 15
[12]{AtopobiumPos,GardnerellaPos,gasseriUndetectable } ⇒ {VaginosisPos} 15
[13]{AtopobiumPos,GardnerellaPos,UreaplasParPos,UreaplasUreaNeg } ⇒ {VaginosisPos} 15
[14]{AtopobiumPos,crisLowGrowthDensity,GardnerellaPos,UreaplasUreaNeg } ⇒ {VaginosisPos} 15
[15]{AtopobiumPos,MycoplasHomiPos,UreaplasUreaNeg } ⇒ {VaginosisPos} 18
[16]{AtopobiumPos,inersHighGrowthDensity,UreaplasParPos } ⇒ {VaginosisPos} 16
[17]{AtopobiumPos,inersHighGrowthDensity,MycoplasHomiNeg } ⇒ {VaginosisPos} 16
♣ Un mayor número de bacterias en el LHS (mayor o igual 3) incrementa la precisión del diagnostico.
Tabla 3. Patrones bacterianos que desencadenan vaginosis bacteriana y frecuencia de cada regla
en el conjunto de datos bajo estudio.♣
LHS RHS Frec
[1]{AtopobiumPos, GardnerellaPos, inersHighGrowthDensity} ⇒ {VaginosisPos} ƒ 17
[2]{AtopobiumPos, MegasphaeraPos, UreaplasmaParPos} ⇒ {VaginosisPos} ƒ 15
[3]{AtopobiumPos, gasseriUndetectable, MegasphaeraPos} ⇒ {VaginosisPos} ƒ 15
[4]{AtopobiumPos, GardnerellaPos, gasseriUndetectable} ⇒ {VaginosisPos} ƒ 15
[5]{AtopobiumPos, inersHighGrowthDensity, UreaplasmaParPos} ⇒ {VaginosisPos} ƒ 16
♣ Un mayor número de bacterias en el LHS (mayor o igual 3) incrementa la precisión del diagnóstico.
Juan Iván Nieto Hipólito recibió el grado de Doctor en Arquitectura y Tecnologías de Computadora
por la Universidad Politécnica de Cataluña en Julio de 2005. Actualmente es profesor-investigador en
la Universidad Autónoma de Baja California, en Ensenada, México.
Christian X. Navarro recibió el grado de doctor por la Universidad Castilla - La Mancha en 2016.
Actualmente es profesor-investigador en la Universidad Autónoma de Baja California. Sus áreas de
interés son: cómputo móvil e interacción humano-computadora.
Juan de Dios Sánchez López obtuvo el grado de Maestro en Ciencias en Electrónica y Telecomuni-
caciones por parte del Centro de Investigación Científica y Educación Superior de Ensenada (CICESE)
en 1999 y el grado de Doctor en Ciencias en Electrónica y Telecomunicaciones.
4
lución Diferencial (ED) es una alternativa de gran po-
2
pularidad por su simplicidad y efectividad en la solución
0
de problemas de ingeniería [9]. Por esto, ED se usa en
-2
esta fase para encontrar los parámetros del modelo en la
-4 Figura 6.
-6 De esta forma, ED prueba distintas combinaciones
de parámetros del modelo, inicialmente aleatorias, y las
0 1 2 3 4 5 6 7 8 9 10
6
cada alternativa se mide con base en el nivel de similitud
4 que el modelo ajustado tiene con el FAIP real. Entonces,
2 la configuración de parámetros más apta es aquella cu-
yo modelo otorga las mismas salidas del sistema real al
inyectarse las mismas entradas.
0
-2
Las metaheurísticas como ED son técnicas compu-
-4 tacionales estocásticas. Debido a esta aleatoriedad, los
resultados que se obtienen con ED son distintos en cada
0 1 2 3 4 5 6 7 8 9 10
-1
-2
-3
0 1 2 3 4 5 6 7 8 9 10
Edgar R. López-Mena obtuvo el grado de doctor en Ciencias en Física. Fue investigador visitante
en Nanyang Technological University, Singapur (2017-2018). Actualmente es profesor investigador en el
Tecnológico de Monterrey, sus líneas de investigación son la nanobiotecnología, nanomedicina y energías
renovables. Es miembro del Sistema Nacional de Investigadores, Nivel I.
Discriminador 0
(D)
-1
-3
Ruido (Z)
-3
Igualando a cero el valor obtenido,
a b
b
−
1−D
= 0. (5)
-4
Finalmente, se encuentra el valor óptimo del Discrimina-
-5 dor, despejando D de la ecuación (5), esto es
0 0.2 0.4 0.6 0.8 1
a
D= a+ b
, (6)
Figura 4. Función costo f(D, G) = log(1-D(G(Z))) para el el cual es un máximo global, es decir, el valor de D donde
Discriminador y Generador. se obtiene el valor más alto de toda la función de costo
f.
Como puede observarse, es una función que se evalúa
utilizando ambos, Discriminador y Generador. El valor
de D(G(Z)) se refiere a la salida del Discriminador cuan-
do recibe imágenes falsas, y se muestra como D en la Fi-
gura 4. El Generador se entrena para minimizarla, lograr -1
Conclusiones
Las RAG, inicialmente propuestas en [1], son una ar-
quitectura trascendental de la IA que ha inspirado a
subsecuentes aplicaciones para resolver problemas en di-
versos campos de la ingeniería. La generación de nuevas
imágenes a partir de imágenes reales es la principal apli-
cación de las RAG que, entre otros, resuelve el problema
de escasez de datos. Las imágenes generadas por las
nuevas versiones de RAG, como por ejemplo StyleGAN,
tienen la capacidad de engañar a la inteligencia humana
Figura 8. DeblurGAN [6]. y presentan un desafío para que el ser humano pueda
distinguir su falsedad. A pesar de la inmensa cantidad
DeblurGAN, propuesta en [6], es una arquitectura ba- de propuestas basadas en RAG, es posible establecer
sada en Conditional GAN dedicada a mejorar la calidad algunas vertientes para futuras mejoras; por ejemplo,
de imágenes borrosas. Las capacidades de esta arquitec- garantizar la convergencia al equilibrio de Nash, explo-
tura se ilustran en la Figura 8, donde se observa: a) en la rar nuevas funciones de costo, su extensión a problemas
parte superior la imagen borrosa, b) en la parte central fuera de la visión por computadora así como analizar
la imagen restaurada producida por DeblurGAN, y c) en el impacto cívico y social que implica la generación de
la parte inferior la imagen real ideal. Se puede observar datos falsos.✵
automovil
increible
desastre
pelicula
nuevo
color
cielo
rojo
T1 1 0 1 0 1 1 0 1
T2 0 0 0 1 0 0 1 0
T3 0 1 1 0 1 0 0 1
increible
desastre
pelicula
nuevo
color
cielo
rojo
T1 0.23 0 0.18 0 0.18 0.23 0 0.18
T2 0 0 0 0.5 0 0 0.5 0
T3 0 0.3 0.23 0 0.23 0 0 0.23
Figura 2. Proceso de limpieza.
Figura 4. Representación con TF-IDF.
Transformación del texto
En esta sección se ilustran, de manera general, los prin- Por otro lado, se encuentran las representaciones que
cipales procesos de transformación del texto, y para esto toman la información de las palabras de las opiniones
tomaremos como ejemplos los siguientes tweets (Ti ): (1) con respecto a su polaridad. Como es el caso del cono-
“¡Mi automóvil nuevo es color rojo! #increíble” (positi- cido recurso léxico SentiWordNet, que contiene palabras
vo), (2) “¡Esa película fue un desastre!” (negativo), y (3) en Inglés con su respectivo nivel de positividad, negati-
“El cielo de color rojo es increíble” (positivo). Con la fina- vidad y neutralidad [4]. Hay otro tipo de representación
lidad de ilustrar también el caso de un tweet de polaridad de palabras, que toman en cuenta su significado semán-
neutral, podemos considerar “Esta tarde va a llover”. tico, como la emoción a la que pertenecen o el campo
La forma más sencilla de representar los tweets de semántico al que corresponden [5, 6].
ejemplo, es a través de un vector de 1s y 0s conocido co- Una representación más es la que generan los modelos
mo one-hot-encoding, cuya longitud corresponde con el neuronales pre-entrenados [8], como Word2Vec, BERT,
número de palabras en los tweets después de la limpie- ELMo, FastText, GloVe y GPT. Estos modelos generan
za y pre-procesamiento. Tomando en cuenta estos tweets, un vector por palabra o dependiendo del modelo, los to-
después de realizada la tokenización, se observan que son kens de sub-palabras utilizando WordPiece. Este tipo de
8 las palabras base para el análisis: automovil, nuevo, representaciones, normalmente se transforman en datos
color, rojo, increible, pelicula, desastre y cielo. De esta de dos dimensiones, teniendo como resultado, una matriz
manera, el vector será, entonces, de longitud 8. Cada va- por tweet u opinión.
lor en el vector, representa a un elemento encontrado en Retomando los tweets de ejemplo, se tiene que el to-
los tweets. En la Figura 3 se observa gráficamente la re- tal de palabras que proveen de información en el tweet,
SOBRE EL AUTOR
Gizeth Aleli Castro Orellana es candidata al Doctorado en Administración Gerencial por la Uni-
versidad Tecnológica de Honduras, graduada como maestra en Administración de Empresas por la
Universidad de San Pedro Sula Honduras. Actualmente es profesora investigadora en la Universidad
Tecnológica de Honduras, los temas de investigación de su inéres son relidad aumentada y machine
learning.
Links de Agentes
comunicación 2
-2
-4
-6 -4 -2 0 2 4 6 8 10 12 14
vecinos de acuerdo a la conectividad de la red de robots. Configuración inicial Siguiendo trayectoria circular
Seguidores
5 obstáculos Líder Obstáculo
Líder
Siguiendo
trayectoria Evasión de
circular obstáculo
Seguidores
Obstáculos
Héctor M. Becerra obtuvo el grado de doctor en Ing. de Sistemas e Informática por la U. de Zaragoza,
España en 2011. Actualmente labora como investigador en el Centro de Investigación en Matemáticas,
CIMAT-Guanajuato y es miembro del Sistema Nacional de Investigadores Nivel I. Sus intereses de
investigación incluyen aplicaciones de teoría de control en robótica, para robots de ruedas, humanoides
y vehículos aéreos, así como el control de sistemas de múltiples agentes.
Miguel Angel Trujillo Jacobo obtuvo el grado de doctor en en Ciencias en Ingeniería Eléctrica en
CINVESTAV, Unidad Guadalajara en 2021. Actualmente es profesor del Tecnológico de Monterrey,
Campus Zapopan. Sus intereses científicos incluyen el control de sistemas multi-agente y navegación
de sistemas multi-robot en espacios estrechos.
David Gómez Gutiérrez obtuvo el grado de doctor en Ciencias en Ingeniería Eléctrica en Cinvestav,
Unidad Guadalajara en 2013. Es investigador en robótica en Intel Labs, Intel Corporation, miembro del
Instituto Tecnológico José Mario Molina Pasquel y Henríquez, Unidad Académica Zapopan y miem-
bro del Sistema Nacional de Investigadores Nivel II. Sus intereses científicos incluyen la navegación
autónoma de robots, los sistemas multi-agentes y el control robusto.
Javier Ruiz León obtuvo el grado de doctor en Ciencias en Ingeniería Eléctrica en la Universidad
Técnica Checa, Praga, República Checa en 1996. Actualmente es Profesor-Investigador en la Unidad
Guadalajara del CINVESTAV y es miembro del Sistema Nacional de Investigadores Nivel I. Sus princi-
pales intereses de investigación son teoría de sistemas lineales, sistemas híbridos y control y formación
de sistemas multi-agentes.
SOBRE EL AUTOR
IA & Educación
Julieta Noguez, Lucía Barrón y Yasmín Hernández
iaeducacion@komputersapiens.org
La Evaluación Adaptativa en los 4. Repetir pasos 1 a 3 hasta alcanzar el criterio de
Ambientes de Aprendizaje en Línea terminación de evaluación.
La evaluación es parte primordial del proceso educativo. Actualmente, en el mundo occidental, casi todos los
La tendencia mundial es ofrecer entornos adaptables y programas de pruebas a gran escala son adaptativos o
flexibles que personalicen la evaluación del aprendizaje están en proceso de serlo [5]. Algunos de los campos en
de los estudiantes, a pesar de las diferencias en sus cono- los que se han implementado herramientas de evalua-
cimientos previos. Los sistemas informáticos de evalua- ción adaptativa en línea son Física, Matemáticas, Inglés
ción adaptativa están diseñados para medir el desempeño y Computación [6].
de personas o equipos. En función de las respuestas de Las herramientas de evaluación adaptativas también
los usuarios en curso, o los patrones de respuesta, estos han incorporado los conceptos de analíticas de aprendiza-
sistemas adaptan su presentación y el rendimiento de la je en el modelado del comportamiento de los estudiantes.
pantalla para hacer coincidir el nivel de evaluación con Lo anterior tiene como finalidad lo siguiente: a) predecir
el del alumno o el equipo [1]. su rendimiento académico; b) aumentar la auto-reflexión
En el proceso de evaluación se busca brindar al es- y la autoconciencia de las responsabilidades y roles en el
tudiante ambientes adaptativos que provean contenidos, proceso de enseñanza-aprendizaje, tanto de los alumnos
actividades, recursos y evaluaciones de acuerdo con su es- como de los docentes; y c) mejorar los servicios de retro-
tado actual de conocimiento y características de su perfil. alimentación y evaluación. Adicionalmente, es posible, en
Existen técnicas estadísticas y de inteligencia artificial, principio, predecir la deserción y buscar la permanencia
mediante las cuales es posible identificar las variables que de los estudiantes, así como hacer recomendaciones sobre
influyen en el aprendizaje de los estudiantes y establecer el uso de los recursos educativos [7].
un orden jerárquico según su importancia. Identificar es- Esta tendencia educativa está en auge gracias a la
tas variables permite diseñar un modelo que seleccione gran cantidad de datos que se recopilan en los entornos
aquellas características relevantes de cada alumno, con de aprendizaje en línea. Esto es con el fin de lograr la
el objetivo de desarrollar estrategias de aprendizaje per- adaptación de los contenidos y materiales educativos de
sonalizadas [2]. los estudiantes según sus necesidades de aprendizaje. Ac-
Dentro de este conjunto, y con el fin de lograr que el tualmente, estos ingredientes del aprendizaje siguen evo-
aprendizaje de cada estudiante sea más eficiente y efec- lucionando para considerar rasgos cognitivos y afectivos,
tivo, los entornos de evaluación en línea seleccionan las así como conocimientos previos.✵
preguntas que se presentan. En esta línea, se evitan pre- REFERENCIAS
guntas que el estudiante ya conoce para dirigirlo a las
áreas que necesita estudiar [3]. Las pruebas adaptativas 1. Wilson, C., y Scott, B. (2017). Adaptive systems in education: a
review and conceptual unification. The International Journal
computarizadas (CAT por sus siglas en inglés) se adap- of Information and Learning Technology, 34(1), 2-19.
tan de forma individual y automática al nivel de com- 2. Gonzalez-Nucamendi A., Noguez J., Neri L., Robleda-Rella, V.,
petencia de los examinados. El método básico que usan García-Castelan, R.M., Escobar-Castillejos, D.E. (2021). The
los sistemas CAT se basa en un algoritmo iterativo que Prediction of Academic Performance using Engineering Stu-
dent’s Profiles. Computers and Electrical Engineering. Special
contiene los siguientes cuatro pasos [4]: Issue VSI-tei. ISSN: 0045-7906.
3. Noguez, J., Neri, L., Robledo-Rella, V., García-Castelán, R.,
1. Seleccionar pregunta. Buscar en el banco de González-Nucamendi, A., Elizalde, J. (2019). Design aspects
preguntas disponibles la pregunta ideal con base of adaptive evaluation for an online Sciences and Enginee-
ring learning environment. 2019 Virtual Concept Internatio-
en la habilidad actual estimada del estudiante. nal Workshop on Educational Innovation in Engineering and
Sciences: Technologies for the Future of Learning, Monterrey,
2. Presentar la pregunta al estudiante. El estu- N.L. México.
diante responde la pregunta de forma correcta o 4. Thissen, D., y Mislevy, R.J. (2000). Testing Algorithms. En
incorrecta. Wainer, H. (Ed.) Computerized Adaptive Testing: A Primer.
Mahwah, NJ: Lawrence Erlbaum Associates.
3. Actualizar habilidad estimada del estudian- 5. Martin, A. J., y Lazendic, G. (2018). Computer-adaptive tes-
te usando como base todas las respuestas previas ting: Implications for students’ achievement, motivation, enga-
gement, and subjective test experience. Journal of Educational
recibidas. Psychology, 110(1), 27.
Deskubriendo Konocimiento
Alejandro Guerra Hernández y Gildardo Sánchez Ante
deskubriendokonocimiento@komputersapiens.org
www.smia.org.mx