Qué es ISO 25000?

Certificación de Calidad de Software

ISO 25000, conocida como SQuaRE (System and Software Quality
Requirements and Evaluation), es una familia de normas que tiene por
objetivo la creación de un marco de trabajo común para evaluar la
calidad del producto software.

Actualmente es una familia de normas ISO (aprobada por la Organización

Internacional de Normalización) y el IEC (Comisión Internacional
Electrotécnica).

Obtener esta certificación de calidad proporciona a las empresas que

desarrollan software el reconocimiento externo de la calidad de los
productos de software que desarrollan.

Además, también beneficia a las organizaciones que se dedican a la

compra de software ya que pueden evaluar dicha calidad y conocer si se
adaptaría el producto a sus necesidades.

Las principales normas son:

 ISO/IEC 25000 - Guide to SQuaRE: contiene el modelo de la

arquitectura de SQuaRE, la terminología de la familia, un resumen de
las partes, los usuarios previstos y las partes asociadas, así como los
modelos de referencia.
 ISO/IEC 25001 - Planning and Management: establece los requisitos y
orientaciones para gestionar la evaluación y especificación de los
requisitos del producto software

2. ¿Cuáles son las características de ISO 25000?

La norma ISO/IEC 25000 tiene su origen en dos normas ISO/IEC 9126 e
ISO/IEC 14598 y se elaboró para dar cobertura a las pymes que se
dedican a desarrollar aplicaciones propias y software a
medida solicitados por clientes o para uso propio de la empresa.

ISO 25000 es una norma que se compone de patrones de referencia y

definiciones de términos, con una estructura dividida en 6 secciones
que analizan diferentes evaluaciones: ISO/IEC 2500n, ISO/IEC 2501n,
ISO/IEC 2502n, ISO/IEC 25030, ISO/IEC 25040, e ISO/IEC 25050-25099.

Se trata de una certificación de calidad de software que puede interesar

a empresas de software que necesitan externalizar algunos de sus
procesos de desarrollo de software, a pymes que desarrollan software y
quieran tener un control sobre la calidad del software, a los organismos de
las administraciones públicas, etc…

La certificación ISO 25000 se puede complementar con la

norma ISO/IEC 33000 de Calidad de procesos de desarrollo de
software y su combinación aporta a las empresas un mayor aseguramiento
de la calidad de los procesos de desarrollo y de la calidad del producto final.

3. Conociendo la Familia ISO/IEC 25000

 ISO/IEC 2500n recoge las definiciones de los términos de ISO 25000 y
la guia de SQuaRE.
 ISO/IEC 2501n "División del modelo de calidad” reúne el conjunto de
normas para la calidad tanto externa como interna y en uso de
un software.
 ISO/IEC 2502n informa sobre las reglas, definiciones y métricas de
calidad para definir la calidad del software.
 ISO/IEC 2503n contiene los requisitos de calidad empleados cuando
se presenta un proyecto de software.
 ISO/IEC 2504n informa de los requisitos y recomendaciones para
el proceso de evaluación de la calidad de un software.
 ISO/IEC 25050-25099 expone las variantes y estándares de la
extensión SQuaRE.
Qué es la inteligencia artificial o IA?
La inteligencia artificial (IA) es un conjunto de tecnologías que
permiten que las computadoras realicen una variedad de funciones
avanzadas, incluida la capacidad de ver, comprender y traducir
lenguaje hablado y escrito, analizar datos, hacer recomendaciones y
mucho más. 

La IA es la columna vertebral de la innovación en la computación

moderna, lo que libera valor para las personas y las empresas. Por
ejemplo, el reconocimiento óptico de caracteres (OCR) usa la IA para
extraer texto y datos de imágenes y documentos, y convierte el
contenido no estructurado en datos estructurados listos para las
empresas, además de brindar estadísticas valiosas.  

¿Todo listo para comenzar? Los clientes nuevos obtienen $300 en

créditos gratuitos que pueden usar en Google Cloud.
Comenzar sin costo

Google es un líder en el informe del Cuadrante Mágico™ de

Gartner® de 2022 sobre los servicios para desarrolladores de
IA en la nube.
Obtén el informe

Definición de inteligencia artificial

La inteligencia artificial es un campo de la ciencia relacionado
con la creación de computadoras y máquinas que pueden
razonar, aprender y actuar de una manera que normalmente
requeriría inteligencia humana o que involucre datos cuya
escala exceda lo que los humanos pueden analizar. 
La IA es un campo amplio que abarca muchas disciplinas
diferentes, incluidas la informática, el análisis de datos y las
estadísticas, la ingeniería de hardware y software, la lingüística,
la neurociencia y hasta la filosofía y la psicología. 

A nivel operativo para el uso empresarial, la IA es un conjunto

de tecnologías que se basan principalmente en el aprendizaje
automático y el aprendizaje profundo, que se usan para el
análisis de datos, la generación de predicciones y previsiones,
la categorización de objetos, el procesamiento de lenguaje
natural, las recomendaciones, la recuperación inteligente de
datos y mucho más.
Tipos de inteligencia artificial
La inteligencia artificial se puede organizar de varias maneras, según
las etapas de desarrollo o las acciones que se están realizando. 

Por ejemplo, se suelen reconocer cuatro etapas de desarrollo de la IA.

1. Máquinas reactivas: IA limitada que solo reacciona a diferentes

tipos de estímulos basados en reglas preprogramadas. No usa
memoria y, por lo tanto, no puede aprender con datos nuevos.
Deep Blue de IBM, que venció al campeón de ajedrez Garry
Kasparov en 1997, fue un ejemplo de una máquina reactiva.

2. Memoria limitada: Se considera que la mayor parte de la IA

moderna es de memoria limitada. Puede usar la memoria para
mejorar con el tiempo mediante el entrenamiento con datos
nuevos, por lo general, a través de una red neuronal artificial o
algún otro modelo de entrenamiento. El aprendizaje profundo, un
subconjunto del aprendizaje automático, se considera
inteligencia artificial con memoria limitada.

3. Teoría de la mente: Actualmente no existe IA con teoría de la

mente, pero se están investigando distintas posibilidades. El
término hace referencia a IA que puede emular la mente humana
 y tiene capacidades de toma de decisiones similares a las de un
ser humano, lo cual incluye reconocer y recordar emociones, y
reaccionar en situaciones sociales como lo haría un ser
humano. 

4. Autoconocimiento: Un paso más allá de la IA con teoría de la

mente, el concepto de IA con autoconocimiento describe una
máquina mítica que tiene conocimiento de su propia existencia y
tiene las capacidades intelectuales y emocionales de un ser
humano. Al igual que la IA con teoría de la mente, la IA con
autoconciencia no existe en la actualidad.

Una forma más útil de categorizar ampliamente los tipos de

inteligencia artificial es según lo que puede hacer la máquina. Todo lo
que llamamos inteligencia artificial actualmente se considera
inteligencia “estrecha” porque solo puede realizar un conjunto
reducido de acciones en función de su programación y entrenamiento.
Por ejemplo, un algoritmo de IA que se use para la clasificación de
objetos no podrá realizar procesamiento de lenguaje natural. La
Búsqueda de Google es una forma de IA estrecha, al igual que las
estadísticas predictivas o los asistentes virtuales.

La inteligencia artificial general (AGI) sería la capacidad de una

máquina de "sentir, pensar y actuar" como lo haría una persona. La AGI
no existe actualmente. El siguiente nivel sería la superinteligencia
artificial (ASI), en la que la máquina podría funcionar de manera
superior a la humana en todo aspecto. 
Modelos de entrenamiento de inteligencia
artificial
Cuando las empresas hablan de IA, suelen hablar de "datos de
entrenamiento". Pero ¿qué significa eso? Recuerda que la inteligencia
artificial con memoria limitada es una IA que mejora con el tiempo, ya
que se entrena con datos nuevos. El aprendizaje automático es
un subconjunto de la inteligencia artificial que usa algoritmos para
entrenar datos y obtener resultados.

A grandes rasgos, suelen usarse tres tipos de modelos de aprendizaje

en el aprendizaje automático:

El aprendizaje supervisado es un modelo de aprendizaje automático

que asigna una entrada específica a un resultado mediante datos de
entrenamiento etiquetados (datos estructurados). En términos
simples, para entrenar un algoritmo que reconozca imágenes de gatos,
se lo alimenta con imágenes etiquetadas como gatos.

El aprendizaje no supervisado es un modelo de aprendizaje

automático que aprende patrones en función de datos no etiquetados
(datos no estructurados). A diferencia del aprendizaje supervisado, el
resultado final no se conoce con anticipación. En cambio, el algoritmo
aprende de los datos y los clasifica en grupos en función de diversos
atributos. Por ejemplo, el aprendizaje no supervisado es bueno para
identificar patrones y realizar modelado descriptivo. 

Además del aprendizaje supervisado y no supervisado, suele

emplearse un enfoque mixto llamado aprendizaje semisupervisado, en
el que solo se etiquetan algunos de los datos. En el aprendizaje
semisupervisado, se conoce un resultado final, pero el algoritmo debe
determinar cómo organizar y estructurar los datos para lograr los
resultados deseados.

El aprendizaje por refuerzo es un modelo de aprendizaje automático

que se puede describir en términos generales como “aprender
haciendo”. Un "agente" aprende a realizar una tarea definida mediante
prueba y error (un ciclo de reacción) hasta que su rendimiento está
dentro de un rango deseado. El agente recibe un refuerzo positivo
cuando realiza la tarea de forma correcta y un refuerzo negativo
cuando tiene bajo rendimiento. Un ejemplo de aprendizaje por refuerzo
sería enseñarle a una mano robótica a recoger una pelota. 
Tipos comunes de redes neuronales
artificiales
Un tipo común de modelo de entrenamiento en la IA es una red
neuronal artificial, que se basa a grandes rasgos en el cerebro
humano. 

Una red neuronal es un sistema de neuronas artificiales (a veces

llamadas perceptrones), que son nodos de procesamiento que se usan
para clasificar y analizar datos. Los datos se ingresan en la primera
capa de una red neuronal, y cada perceptrón toma una decisión, y
luego pasa esa información a varios nodos de la siguiente capa. Los
modelos de entrenamiento con más de tres capas se denominan
"redes neuronales profundas" o "aprendizaje profundo". Algunas redes
neuronales modernas tienen cientos o miles de capas. Las salida de
los perceptrones finales permite realizar la tarea impuesta a la red
neuronal, como clasificar un objeto o encontrar patrones en los datos. 

Estos son algunos de los tipos más comunes de redes neuronales

artificiales que puedes encontrar:

Las redes neuronales prealimentadas (FF) son una de las formas más

antiguas de redes neuronales, ya que los datos fluyen en una dirección
a través de capas de neuronas artificiales hasta que se obtiene el
resultado. En la actualidad, la mayoría de las redes neuronales
prealimentadas se consideran "prealimentadas profundas" con varias
capas (y más de una capa "oculta"). Las redes neuronales
prealimentadas suelen vincularse a un algoritmo de corrección de
errores llamado "propagación inversa" que, en términos simples,
comienza con el resultado de la red neuronal y hace el proceso en
sentido inverso para llegar al principio, detectando errores para
mejorar la exactitud de la red neuronal. Muchas redes neuronales
simples, pero potentes, son prealimentadas profundas.
Las redes neuronales recurrentes (RNN) difieren de las redes
neuronales prealimentadas en que suelen usar datos de series
temporales o datos que involucran secuencias. A diferencia de las
redes neuronales prealimentadas, que usan ponderaciones en cada
nodo de la red, las redes neuronales recurrentes tienen “memoria” de
lo que sucedió en la capa anterior como contingente a la salida de la
capa actual. Por ejemplo, cuando se realiza procesamiento de lenguaje
natural, las RNN pueden “tener en cuenta” otras palabras usadas en
una oración. Las RNN a menudo se usan para el reconocimiento de
voz, la traducción y la generación de descripciones de imágenes. 

Las RNN de memoria a largo/corto plazo (LSTM) son una forma

avanzada de RNN que puede usar memoria para "recordar" lo que
sucedió en capas anteriores. La diferencia entre las RNN y las LTSM
es que pueden recordar lo que sucedió hace varias capas mediante el
uso de "celdas de memoria". La LSTM suele usarse para el
reconocimiento de voz y la realización de predicciones. 

Las redes neuronales convolucionales (CNN) incluyen algunas de las

redes neuronales más comunes en la inteligencia artificial moderna.
Las CNN suelen usarse en el reconocimiento de imágenes y emplean
varias capas distintas (una capa convolucional y, luego, una capa de
agrupación) que filtran diferentes partes de una imagen antes de
volver a unirla (en la capa completamente conectada). Es posible que
las capas convolucionales anteriores busquen características simples
de una imagen, como colores y bordes, antes de buscar características
más complejas en capas adicionales.

En las redes generativas adversarias (GAN), se usan dos redes

neuronales que compiten entre sí en un juego que, en última instancia,
mejora la exactitud del resultado. Una red (el generador) crea ejemplos
que la otra red (el discriminante) juzga como verdaderos o falsos. Las
GAN se han usado para crear imágenes realistas y hasta hacer arte.
Beneficios de la IA
Automatización
La IA puede automatizar flujos de trabajo y procesos, o trabajar de forma
independiente y autónoma de un equipo humano. Por ejemplo, la IA puede
ayudar a automatizar aspectos de la seguridad cibernética mediante la
supervisión y el análisis continuos del tráfico de red. De manera similar, una
fábrica inteligente puede tener decenas de tipos diferentes de IA en uso, como
robots que usan visión artificial para navegar por las fábricas o inspeccionar
productos en busca de defectos, crear gemelos digitales o usar analítica en
tiempo real para medir la eficiencia y la producción.
Reduce errores humanos
La IA puede eliminar errores manuales en el procesamiento de datos, las
estadísticas, el ensamblaje en la fabricación y otras tareas a través de
automatización y algoritmos que siguen los mismos procesos cada vez.
Elimina las tareas repetitivas
La IA se puede usar para realizar tareas repetitivas, lo que libera al capital
humano a fin de que trabaje en los problemas de mayor impacto. La IA se
puede usar para automatizar procesos, como verificar documentos, transcribir
llamadas telefónicas o responder preguntas sencillas de los clientes, como
“¿A qué hora cierran?”. Con frecuencia, los robots se usan para realizar tareas
“aburridas, sucias o peligrosas” en lugar de que las haga un ser humano. 
Rápido y preciso
La IA puede procesar más información de forma más rápida que un ser
humano, mediante la búsqueda de patrones y el descubrimiento de relaciones
en datos que el humano podría no detectar.
Disponibilidad infinita
La IA no tienen limitaciones en términos de horarios, necesidad de descansar
ni ningún otro factor que pueda interrumpir la labor de un ser humano. Cuando
se ejecutan en la nube, la IA y el aprendizaje automático pueden estar
“siempre activos”, y trabajar continuamente en las tareas asignadas. 
Investigación y desarrollo acelerados
La capacidad de analizar grandes cantidades de datos con rapidez puede
acelerar los avances en investigación y desarrollo. Por ejemplo, la IA se usó en
el modelado predictivo de nuevos tratamientos farmacéuticos potenciales o
para cuantificar el genoma humano.