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.