En la monografía de Briones y sus colegas, publicada el año 2009 con el título “Nanociencia y nanotecnología: Entre la ciencia ficción del presente y la tecnología del futuro”, se menciona que muchas definiciones circulan por la Web para nanociencia y nanotecnología y, como todo lo que aparece en Internet, deben de ser interpretadas con cautela. Hay quien dice que nanociencia es la ciencia de lo infinitamente pequeño. Esto no es estrictamente cierto, ya que esta definición responde mejor, por ejemplo, al tipo de estudios de los que se ocupa la física de altas energías, que trabaja con protones, neutrones o incluso los constituyentes de éstos: Los quarks. Otras personas piensan que la nanotecnología trata de reducir el tamaño de los objetos hasta límites insospechados. Esto tampoco es completamente acertado, ya que la nanotecnología necesita técnicas de fabricación diferentes, basadas en otros conceptos. Por otra parte, a veces se asocia la palabra nanotecnología con la construcción de dispositivos y robots como los que se tiene en el mundo pero de dimensiones bastante pequeñas. Esto, también es un error. Los problemas que presenta la definición de estos términos están relacionados con el hecho de que ni la nanociencia ni la nanotecnología nacieron como disciplinas cerradas, sino que ambas son campos del conocimiento que se han ido construyendo paralelamente a la aparición de nuevos descubrimientos y que, de hecho, no se sabe aun hacia donde evolucionarán.
De manera general, se podría definir nanotecnología como la fabricación de materiales, estructuras, dispositivos y sistemas funcionales a través del control y ensamblado de la materia a la escala del nanómetro, de cero coma uno a cien nanómetros, del átomo hasta por debajo de la célula, así como la aplicación de nuevos conceptos y propiedades, de diferentes ramas de la ciencia, que surgen como consecuencia de esa escala tan reducida. La nanotecnología, de manera obvia, se encarga de manejar grandes volúmenes de datos en equipos computacionales en escala manométrica. Pero como se podrían encarar tareas tan importantes, al interior de la nanotecnología, como son el manejo de las nanopartículas, los nanomateriales artificiales inteligentes, el almacenamiento de energía o la miniaturización de sensores para tareas tan importantes como son las asociadas al manejo del control difuso o el control domótico de la infraestructura de inteligencia ambiental, que permita a las personas “vivir bien”, mas allá de la simple retorica.
En el artículo de Puyol, publicado el año 2014 con el título “Una aproximación a Big data”, cada día en el mundo se generan más de dos punto cinco exabytes de datos, esto equivale a un millón de de terabytes. La generación de datos no solo crece, explota. El crecimiento exponencial es tan grande, que el noventa por ciento de los datos guardados en la actualidad, han sido creados en los dos últimos años. Cada segundo sensores, tabletas, teléfonos y sistemas inteligentes generan cantidades de datos que crecen exponencialmente. Actualmente, la mayoría de los datos almacenados por las nuevas tecnologías no tienen más de dos años. Muchos de estos datos no se procesan porque los sistemas tradicionales de computación no son capaces de procesarlos y muchas empresas no tienen una solución unificada para recogerlos y analizarlos.
Según datos hechos públicos por el Instituto Global McKinsey, en el documento publicado el año 2011 con el título “El despertar de la India urbana: La construcción de ciudades inclusivas”, el noventa por ciento de los datos que existen en el planeta se ha generado en los últimos dos años y durante el año 2011 se rozaron los dos zetabytes, equivalente a más de dos mil millones de terabytes de información en todo el mundo. Este ritmo de generación de datos ha desbordado a los programas informáticos utilizados habitualmente para capturar, gestionar y procesar información. Se requiere de nuevos programas de software y herramientas de hardware para su procesamiento.
En el artículo de Barranco, publicado el año 2012 con el título “¿Qué es Big data?”, se indica que en términos generales el Big data puede ser considerado como a la tendencia en el avance de la tecnología que ha abierto las puertas hacia un nuevo enfoque de entendimiento y toma de decisiones, la cual es utilizada para describir enormes cantidades de datos: Estructurados, no estructurados y semi estructurados, que tomaría demasiado tiempo y sería muy costoso cargarlos a un base de datos relacional para su análisis. De tal manera que, el concepto de Big data aplica para toda aquella información que no puede ser procesada o analizada utilizando procesos o herramientas tradicionales. Sin embargo, Big data no se refiere a alguna cantidad en específico, ya que es usualmente utilizado cuando se habla en términos de petabytes y exabytes de datos. Entonces cabe preguntarse ¿Cuánto es demasiada información de manera que sea elegible para ser procesada y analizada utilizando Big Data?, esto debe ser analizado en términos de bytes: Un gigabyte es equivalente a mil millones de bytes; un terabyte equivale a un millón de bytes; un petabyte equivale a un millón de gigabytes; un exabyte es equivalente a mil millones de gigabytes. Además del gran volumen de información, existe en una gran variedad de datos que pueden ser representados de diversas maneras en todo el mundo, por ejemplo de dispositivos móviles, audio, video, sistemas de posicionamiento global, incontables sensores digitales en equipos industriales, automóviles, medidores eléctricos, veletas, anemómetros, etc., los cuales pueden medir y comunicar el posicionamiento, movimiento, vibración, temperatura, humedad y hasta los cambios químicos que sufre el aire, de tal forma que las aplicaciones que analizan estos datos requieren que la velocidad de respuesta sea lo demasiado rápida para lograr obtener la información correcta en el momento preciso. Estas son las características principales de una oportunidad para Big data.
miércoles, 26 de octubre de 2016
lunes, 26 de septiembre de 2016
Algoritmos genéticos en optimización multiobjetivo
En la tesis de maestría de Gutiérrez Méndez, publicada el año 2011 con el título “Optimización multiobjetivo usando algoritmos genéticos culturales”, se menciona que la optimización multiobjetivo tiene amplias aplicaciones en distintas aéreas de la ingeniería y las ciencias computacionales. Muchos de estos problemas tienen espacios de búsqueda bastante grandes por lo que, en algunos casos, no pueden ser resueltos mediante técnicas exactas en un tiempo razonable. Para resolver este tipo de problemas suelen utilizarse meta heurísticas. Dentro de las meta heurísticas destacan los algoritmos basados en computación evolutiva, los cuales simulan el proceso de selección del más apto en una computadora, a fin de resolver problemas, por ejemplo de optimización y clasificación. En los algoritmos evolutivos, las soluciones de un problema son modeladas como individuos de una población, a las cuales se les aplican operadores inspirados en la evolución biológica. Este tipo de algoritmos han sido capaces de obtener muy buenos resultados en diversos problemas del mundo real, de alta complejidad.
Nocedal y Wright, en el libro publicado el año 2006 con el título “Optimización numérica”, mencionan que existen problemas para los cuales las variables de decisión solo son validas si sus valores son enteros. A los problemas de este tipo se les denomina problemas de programación entera. Estos son un caso particular de los llamados problemas de optimización discreta. En dichos problemas los valores de las variables de decisión son tomados de un conjunto finito de elementos. En contraste, para los problemas de optimización continua, las variables de decisión toman valores de un conjunto infinito de elementos, en teoría, debido a que los reales se representan de forma finita en una computadora. Los problemas de optimización continua suelen ser más sencillos de resolver pues la información sobre la función objetivo y las restricciones en un punto particular ayudan a deducir información sobre todos los puntos cercanos. En el caso de los problemas discretos el comportamiento de la función objetivo y las restricciones pueden variar considerablemente entre dos puntos considerados cercanos. Esta idea es complementada por Dantzig y Thapa, en el libro publicado el año 1997 con el título “Introducción a la programación lineal”, quienes señalan que un caso particular de los problemas de optimización ocurre cuando la función objetivo y las restricciones son funciones lineales. En este caso se dice que se trata de un problema de programación lineal. Existen varios métodos para resolver problemas de este tipo que garantizan encontrar la solución exacta, como por ejemplo el llamado método simplex.
Jensen, en el artículo publicado el año 2003 con el título “Reducción de la complejidad del tiempo de corrida de algoritmos evolutivos multiobjetivo”, señala que cuando por lo menos una de las restricciones o la función objetivo son funciones no lineales, se dice que el problema es de programación no lineal. Para este tipo de problemas no existe un método general que garantice encontrar la mejor solución posible en tiempo polinomial. La mayoría de los algoritmos para problemas de optimización no lineal encuentran únicamente óptimos locales, es decir, puntos óptimos respecto a una región cercana, en contraste con los óptimos globales, los cuales son los mejores respecto a todos los demás puntos factibles. Según Kirkpatrick y sus colegas, en el artículo publicado el año 1983 con el título “Optimización mediante el recocido simulado”, existen métodos para resolver problemas de optimización no lineal pero generalmente requieren de la primera derivada de la función objetivo. Esta información no siempre se encuentra disponible o es costosa de calcular. En la práctica, suelen utilizarse heurísticas para resolver problemas de programación no lineal. Un ejemplo de heurística es el recocido simulado. Una familia de heurísticas bastante popular es la computación evolutiva, la cual ha mostrado resultados competitivos en una amplia variedad de problemas, según lo indica Lamont y sus colegas en el libro publicado el año 2002 con el título “Algoritmos evolutivos para resolver problemas multiobjetivo”.
Los algoritmos de optimización son métodos iterativos. Comienzan con una aproximación, posiblemente aleatoria, y generan una secuencia de estimaciones hasta alcanzar una cierta condición de paro. La estrategia que decide cómo pasar de una estimación a otra es lo que distingue a un algoritmo de otro. Nocedal y Wright, en el libro mencionado en párrafos anteriores, mencionan que un buen algoritmo de optimización debe tener las siguientes características: (1) Robustez. Debe desempeñarse bien en una amplia variedad de problemas. (2) Eficiencia. No debe requerir de recursos de cómputo excesivos. (3) Exactitud. Debe identificar la solución con precisión. Un buen algoritmo debe ofrecer un compromiso adecuado entre estas características. En el artículo de Lagunas y sus colegas, publicado el año 2013 con el título “Optimización multiobjetivo mediante algoritmos genéticos: Aplicación a controladores PID robustos”, se menciona que el problema de optimización multiobjetivo tiene sentido cuando los índices de desempeño involucrados están en conflicto, de lo contrario el problema de optimización multiobjetivo puede ser considerado como monobjetivo, ya que los mismos valores, podrían minimizar o maximizar todos los objetivos de manera simultánea. Los algoritmos genéticos han sido utilizados exitosamente en optimización multiobjetivo. Una de las primeras aplicaciones fue realizada por Fonseca y Fleming en el año 1988, en el artículo titulado “Optimización multiobjetivo y manejo de restricciones múltiples con algoritmos evolutivos”, donde se utiliza un algoritmo genético multiobjetivo para el control de una turbina de gas. En el año 2000, Herreros propuso en su tesis doctoral, titulada “Diseño de controladores robustos multiobjetivo por medio de algoritmos genéticos”, un algoritmo llamado diseño de control robusto multiobjetivo, para el diseño de controladores robustos. Para la sintonización de los controladores robustos, el problema de control, se presenta como un problema de optimización multiobjetivo, de un conjunto de funciones, donde se incluyen los parámetros del controlador.
Nocedal y Wright, en el libro publicado el año 2006 con el título “Optimización numérica”, mencionan que existen problemas para los cuales las variables de decisión solo son validas si sus valores son enteros. A los problemas de este tipo se les denomina problemas de programación entera. Estos son un caso particular de los llamados problemas de optimización discreta. En dichos problemas los valores de las variables de decisión son tomados de un conjunto finito de elementos. En contraste, para los problemas de optimización continua, las variables de decisión toman valores de un conjunto infinito de elementos, en teoría, debido a que los reales se representan de forma finita en una computadora. Los problemas de optimización continua suelen ser más sencillos de resolver pues la información sobre la función objetivo y las restricciones en un punto particular ayudan a deducir información sobre todos los puntos cercanos. En el caso de los problemas discretos el comportamiento de la función objetivo y las restricciones pueden variar considerablemente entre dos puntos considerados cercanos. Esta idea es complementada por Dantzig y Thapa, en el libro publicado el año 1997 con el título “Introducción a la programación lineal”, quienes señalan que un caso particular de los problemas de optimización ocurre cuando la función objetivo y las restricciones son funciones lineales. En este caso se dice que se trata de un problema de programación lineal. Existen varios métodos para resolver problemas de este tipo que garantizan encontrar la solución exacta, como por ejemplo el llamado método simplex.
Jensen, en el artículo publicado el año 2003 con el título “Reducción de la complejidad del tiempo de corrida de algoritmos evolutivos multiobjetivo”, señala que cuando por lo menos una de las restricciones o la función objetivo son funciones no lineales, se dice que el problema es de programación no lineal. Para este tipo de problemas no existe un método general que garantice encontrar la mejor solución posible en tiempo polinomial. La mayoría de los algoritmos para problemas de optimización no lineal encuentran únicamente óptimos locales, es decir, puntos óptimos respecto a una región cercana, en contraste con los óptimos globales, los cuales son los mejores respecto a todos los demás puntos factibles. Según Kirkpatrick y sus colegas, en el artículo publicado el año 1983 con el título “Optimización mediante el recocido simulado”, existen métodos para resolver problemas de optimización no lineal pero generalmente requieren de la primera derivada de la función objetivo. Esta información no siempre se encuentra disponible o es costosa de calcular. En la práctica, suelen utilizarse heurísticas para resolver problemas de programación no lineal. Un ejemplo de heurística es el recocido simulado. Una familia de heurísticas bastante popular es la computación evolutiva, la cual ha mostrado resultados competitivos en una amplia variedad de problemas, según lo indica Lamont y sus colegas en el libro publicado el año 2002 con el título “Algoritmos evolutivos para resolver problemas multiobjetivo”.
Los algoritmos de optimización son métodos iterativos. Comienzan con una aproximación, posiblemente aleatoria, y generan una secuencia de estimaciones hasta alcanzar una cierta condición de paro. La estrategia que decide cómo pasar de una estimación a otra es lo que distingue a un algoritmo de otro. Nocedal y Wright, en el libro mencionado en párrafos anteriores, mencionan que un buen algoritmo de optimización debe tener las siguientes características: (1) Robustez. Debe desempeñarse bien en una amplia variedad de problemas. (2) Eficiencia. No debe requerir de recursos de cómputo excesivos. (3) Exactitud. Debe identificar la solución con precisión. Un buen algoritmo debe ofrecer un compromiso adecuado entre estas características. En el artículo de Lagunas y sus colegas, publicado el año 2013 con el título “Optimización multiobjetivo mediante algoritmos genéticos: Aplicación a controladores PID robustos”, se menciona que el problema de optimización multiobjetivo tiene sentido cuando los índices de desempeño involucrados están en conflicto, de lo contrario el problema de optimización multiobjetivo puede ser considerado como monobjetivo, ya que los mismos valores, podrían minimizar o maximizar todos los objetivos de manera simultánea. Los algoritmos genéticos han sido utilizados exitosamente en optimización multiobjetivo. Una de las primeras aplicaciones fue realizada por Fonseca y Fleming en el año 1988, en el artículo titulado “Optimización multiobjetivo y manejo de restricciones múltiples con algoritmos evolutivos”, donde se utiliza un algoritmo genético multiobjetivo para el control de una turbina de gas. En el año 2000, Herreros propuso en su tesis doctoral, titulada “Diseño de controladores robustos multiobjetivo por medio de algoritmos genéticos”, un algoritmo llamado diseño de control robusto multiobjetivo, para el diseño de controladores robustos. Para la sintonización de los controladores robustos, el problema de control, se presenta como un problema de optimización multiobjetivo, de un conjunto de funciones, donde se incluyen los parámetros del controlador.
lunes, 19 de septiembre de 2016
Algoritmo Levenberg-Marquardt
En la tesis doctoral de Fernández Slezak, publicada el año 2010 con el título “Estimación de parámetros en modelos biológicos complejos: Aplicación a modelos de crecimiento tumoral”, se indica que el objetivo de la optimización es encontrar los parámetros que minimicen la distancia entre los valores experimentales y los de la simulación. Esta distancia, a la que se denomina función de costo, puede ser definida de muchas maneras. Una de las técnicas más utilizadas es la llamada minimización de cuadrados mínimos, cuya función de costo es la suma de las diferencias cuadráticas entre el modelo y los datos. Existe una enorme cantidad de algoritmos aproximados de búsqueda de mínimos locales, que pueden separarse en categorías muy diferentes, por ejemplo métodos de descenso, algoritmos genéticos, etc. Las técnicas para la optimización no lineal de la función de cuadrados mínimos, se agrupan en algoritmos de tres categorías: Métodos de descenso, métodos de búsqueda directa y métodos inspirados en fenómenos físicos. Todos los métodos de minimización no lineal son iterativos, es decir que parten de un punto inicial y el método genera una secuencia de parámetros que, en caso de converger, se acerca a un mínimo local. Entre los métodos más conocidos se encuentra el método de Gauss-Newton, descrito en el artículo de Björck, publicado el año 1996 con el título “Métodos numéricos para problemas de mínimos cuadrados”. El método de minimización Levenberg-Marquardt también pertenece a la familia de problemas llamados métodos de descenso, este algoritmo fue presentado por Levenberg en el artículo publicado el año 1944 con el título “Método para la solución de ciertos problemas no lineales en mínimos cuadrados”, el cual fue complementado con el articulo de Marquardt publicado el año 1963 con el título “Un algoritmo para estimación de mínimos cuadrados de parámetros no lineales”. Este algoritmo propone un esquema de Gauss-Newton amortiguado. Al igual que Gauss-Newton, toma la aproximación lineal del modelo y una determinada dirección de descenso.
El método de Levenberg-Marquardt es conocido hace muchos años, y es altamente utilizado en el ambiente de la optimización, en especial en la minimización de cuadrados mínimos. Por tal motivo, para el uso de este algoritmo, en muchos círculos académicos, se opta por una implementación preexistente de la vasta cantidad de opciones disponibles. Una de las bibliotecas numéricas más conocidas es Linpack, descrita por Bunch y sus colegas en la guía de usuario “Linpack” del año 1979, orientada principalmente a la implementación de rutinas relacionadas con el “algebra lineal para el cálculo de vectores y matrices”. Pensada para el cálculo en supercomputadoras, fue desarrollada a fines de la década de los años 1970 y ha estado en constante evolución desde entonces. Ha sido superada por la biblioteca Lapack, la cual es descrita por Anderson y sus colegas en la guía de usuario de “Lapack” publicada el año 1999. En conjunto con Linpack/Lapack, se desarrolló MinPack, una serie de rutinas dedicadas a la resolución de ecuaciones no lineales y problemas de minimización de cuadrados mínimos, la cual es descrita por Moré y sus colegas en el proyecto “Minpack”, publicado el año 1984.
El algoritmo Levenberg-Marquardt calcula el Jacobiano del modelo con respecto a los parámetros, y utilizando éste busca un mínimo local. El Jacobiano es necesario en cada iteración para calcular la dirección hacia el mínimo local. Debido a que no es bastante difícil el cálculo analítico el Jacobiano es estimado a través de un algoritmo. Para estimar el Jacobiano es necesario realizar numerosas corridas del modelo; por ejemplo, para aproximarlo numéricamente utilizando el método de diferencias finitas centradas es necesario duplicar la cantidad de parámetros variables, que forman parte de las evaluaciones del modelo. El modelo a ser minimizado es muy intensivo en poder de cómputo, por lo que el cálculo del Jacobiano también demanda mucho. Por este motivo se realiza una implementación en paralelo para el cálculo efectivo del Jacobiano. Cada corrida necesaria para la estimación es independiente de la otra, por lo que es trivialmente paralelizable. La implementación de este algoritmo es muy sencilla utilizando un modelo Cliente-Servidor. Al necesitar la estimación del Jacobiano, se reservan nodos para procesamiento. La función para calcular el Jacobiano corre en un nodo principal que distribuye las tareas entre los nodos esclavos disponibles, que sólo espera los parámetros con los cuales deben correr y la señal de inicio. Al recibir esta información, el nodo esclavo ejecuta el modelo con los parámetros recibidos. Luego el amo espera a que cada nodo esclavo haya terminado y junta los resultados de todas las ejecuciones. Por último, realiza el cálculo devolviendo la estimación del Jacobiano.
El algoritmo de retropropagación ha demostrado converger de forma lenta hacia el error mínimo, en especial cuando se tiene una gran cantidad de patrones de entrada. A la fecha existen variados algoritmos que convergen a una velocidad mayor que el algoritmo de retropropagación, como el algoritmo de Levenberg-Marquardt, descrito de manera formal por Bishop, en el libro publicado el año 1995 con el título “Redes neuronales para reconocimiento de patrones”. Hudson y sus colegas, en la guía de usuario publicada el año 2013 con el título “Matlab: Caja de herramientas para redes neuronales”, menciona que este algoritmo se aplica a redes neuronales con un número de patrones de pequeño o mediano tamaño, ya que ocupa demasiada memoria en el cálculo, por lo que su complejidad en cálculos es mayor. Esta mayor complejidad se debe a que se tiene que combinar el gradiente y la aproximación de Gauss-Newton de la matriz Hessiana de la función del error en la regla de actualización de los pesos. El cálculo de la matriz Hessiana es muy costoso computacionalmente hablando, por ello la complejidad del algoritmo crece.
El método de Levenberg-Marquardt es conocido hace muchos años, y es altamente utilizado en el ambiente de la optimización, en especial en la minimización de cuadrados mínimos. Por tal motivo, para el uso de este algoritmo, en muchos círculos académicos, se opta por una implementación preexistente de la vasta cantidad de opciones disponibles. Una de las bibliotecas numéricas más conocidas es Linpack, descrita por Bunch y sus colegas en la guía de usuario “Linpack” del año 1979, orientada principalmente a la implementación de rutinas relacionadas con el “algebra lineal para el cálculo de vectores y matrices”. Pensada para el cálculo en supercomputadoras, fue desarrollada a fines de la década de los años 1970 y ha estado en constante evolución desde entonces. Ha sido superada por la biblioteca Lapack, la cual es descrita por Anderson y sus colegas en la guía de usuario de “Lapack” publicada el año 1999. En conjunto con Linpack/Lapack, se desarrolló MinPack, una serie de rutinas dedicadas a la resolución de ecuaciones no lineales y problemas de minimización de cuadrados mínimos, la cual es descrita por Moré y sus colegas en el proyecto “Minpack”, publicado el año 1984.
El algoritmo Levenberg-Marquardt calcula el Jacobiano del modelo con respecto a los parámetros, y utilizando éste busca un mínimo local. El Jacobiano es necesario en cada iteración para calcular la dirección hacia el mínimo local. Debido a que no es bastante difícil el cálculo analítico el Jacobiano es estimado a través de un algoritmo. Para estimar el Jacobiano es necesario realizar numerosas corridas del modelo; por ejemplo, para aproximarlo numéricamente utilizando el método de diferencias finitas centradas es necesario duplicar la cantidad de parámetros variables, que forman parte de las evaluaciones del modelo. El modelo a ser minimizado es muy intensivo en poder de cómputo, por lo que el cálculo del Jacobiano también demanda mucho. Por este motivo se realiza una implementación en paralelo para el cálculo efectivo del Jacobiano. Cada corrida necesaria para la estimación es independiente de la otra, por lo que es trivialmente paralelizable. La implementación de este algoritmo es muy sencilla utilizando un modelo Cliente-Servidor. Al necesitar la estimación del Jacobiano, se reservan nodos para procesamiento. La función para calcular el Jacobiano corre en un nodo principal que distribuye las tareas entre los nodos esclavos disponibles, que sólo espera los parámetros con los cuales deben correr y la señal de inicio. Al recibir esta información, el nodo esclavo ejecuta el modelo con los parámetros recibidos. Luego el amo espera a que cada nodo esclavo haya terminado y junta los resultados de todas las ejecuciones. Por último, realiza el cálculo devolviendo la estimación del Jacobiano.
El algoritmo de retropropagación ha demostrado converger de forma lenta hacia el error mínimo, en especial cuando se tiene una gran cantidad de patrones de entrada. A la fecha existen variados algoritmos que convergen a una velocidad mayor que el algoritmo de retropropagación, como el algoritmo de Levenberg-Marquardt, descrito de manera formal por Bishop, en el libro publicado el año 1995 con el título “Redes neuronales para reconocimiento de patrones”. Hudson y sus colegas, en la guía de usuario publicada el año 2013 con el título “Matlab: Caja de herramientas para redes neuronales”, menciona que este algoritmo se aplica a redes neuronales con un número de patrones de pequeño o mediano tamaño, ya que ocupa demasiada memoria en el cálculo, por lo que su complejidad en cálculos es mayor. Esta mayor complejidad se debe a que se tiene que combinar el gradiente y la aproximación de Gauss-Newton de la matriz Hessiana de la función del error en la regla de actualización de los pesos. El cálculo de la matriz Hessiana es muy costoso computacionalmente hablando, por ello la complejidad del algoritmo crece.
lunes, 5 de septiembre de 2016
Sistemas de bases de datos difusas
En la tesis de grado de Sanchis, publicado el año 2015 con el título “Bases de datos relacionales difusas”, se señala que las bases de datos tradicionales son bastante limitadas, no permiten almacenar ni tratar con datos imprecisos, sin embargo las personas manejan datos imprecisos muy a menudo y de manera muy eficiente. A la definición del formato interno de una base de datos difusa, y su esquema global de implementación, se le denomina “Interface difusa para sistemas relacionales”. En la tesis doctoral de Martínez, publicada el año 2008 con el título “Sistema de gestión de bases de datos relacionales difusas multipropósito: Una ontología para la representación del conocimiento difuso”, se menciona que los elementos que forman parte del tratamiento impreciso pueden ser representados de diversas maneras. De ese modo, una distribución de posibilidad normalizada puede representarse mediante parábolas, hipérbolas, etc. Sin embargo, la implementación de la “Interface difusa para sistemas relacionales”, propuesta en la tesis doctoral de Galindo del año 1999 titulada “Tratamiento de la imprecisión en bases de datos relacionales: Extensión del modelo y adaptación de los sistemas de gestión de bases de datos actuales”, y su servidor de consultas imprecisas, construidos sobre el “Modelo generalizado para bases de datos relacionales difusas”, propuesto en la tesis doctoral de Medina del año 1994 titulada “Bases de datos relacionales difusas: Modelo teórico y aspectos de su implementación”, asume la representación trapezoidal descrita por cuatro puntos. Esta simplificación se explica en función de la contradicción que supone representar datos intrínsecamente imprecisos mediante distribuciones de posibilidad definidas de forma altamente precisa, que además añaden el factor del incremento asociado al costo computacional. Los valores que pueden formar parte de un dominio generalizado difuso pueden dividirse en dos grupos: (1) Datos precisos. También llamados crisp o clásicos. Dado que lo que se almacena son datos clásicos, el almacenamiento dependerá directamente de la capacidad de representación del sistema de gestión de la base de datos relacional difusa, sobre el que se aplique la implementación. (2) Datos imprecisos. También llamados difusos, se corresponden con datos de dos subtipos, datos imprecisos sobre un referencial ordenado, que engloban a todos aquellos datos descritos mediante una distribución de posibilidad construida sobre un conjunto referencial discreto o continúo ordenado, con una relación de orden definida.
Sanchis, en la tesis doctoral citada, menciona que para la representación y el tratamiento de información imprecisa en el ámbito de las bases de datos relacionales, se han presentado varios modelos a lo largo de los años. Entre ellos, destacan: (1) Aproximaciones que no emplean la lógica difusa, y que se basan en el modelo original de Codd, descrito en el artículo publicado el año 1979 con el título “Extendiendo el modelo de base de datos relacional para capturar mayor significado”. (2) Aproximaciones que usan distribuciones de posibilidad para representar la información difusa a nivel de tuplas, como la de Raju y Majumdar, descritas en el artículo del año 1988 titulado “Dependencias funcionales difusas y descomposición sin pérdidas de sistemas de bases de datos relacionales difusas”. Este modelo también se ha denominado “Modelo básico de bases de datos”. (3) Aproximaciones que utilizan las relaciones de similitud para representar la información difusa, son aquellos desarrollados por Buckles y Petri, en el artículo publicado el año 1982 con el título “Una representación difusa de los datos para bases de datos relacionales”, Shenoi y Melton, en el artículo del año 1989 titulado “Relaciones de proximidad en bases de datos relacionales difusas” y Rundensteiner y sus colegas, en el artículo publicado el año 1989 con el título “Sobre las medidas de proximidad en los modelos de datos relacionales difusos”. (4) Aproximaciones que usan distribuciones de posibilidad para representar la información difusa a nivel de atributo. Algunas de estas son las de Prade y Testemale, descritas en el artículo publicado el año 1987 con el título “Base de datos relacional difusa: cuestiones de representación y reducción utilizando medidas de similaridad”, Umano y sus colegas, en el artículo de 1980 titulado “Proceso de recuperación de bases de datos difusas”, además de Zemankova y Kaendel, en el artículo del año 1985 titulado “Implementación de imprecisión en los sistemas de información”. (5) Aproximaciones mixtas que combinan diferentes técnicas para representar la información imprecisa y conseguir representar el máximo de información posible. Estas aproximaciones se basan en la propuesta de un modelo difuso que combina distribuciones de posibilidad y relaciones de similitud a la vez, como la base de datos difusa extendida basada en posibilidad propuesta en el artículo de Ma y sus colegas, publicado el año 2000 con el título “Medida semántica de datos difusos en bases de datos relacionales difusas extendidas basadas en posibilidad”, Rundensteiner y sus colegas en el artículo del año 1989 titulado “Sobre las medidas de proximidad en los modelos de datos relacionales difusos”, además de Chen y sus colegas, en el artículo de 1992 titulado “Tratamiento general de redundancia de datos en un modelo de datos relacional difuso”, o la extensión hecha por Medina y sus colegas denominada “Modelo generalizado para bases de datos relacionales difusas”, descrita en la tesis doctoral citada anteriormente.
El modelo generalizado para bases de datos relacionales difusas surge como una integración de algunas tendencias para resolver el problema de la representación y consulta de información imprecisa en el seno del modelo relacional. Dicho modelo define formalmente una base de datos relacional difusa a través de las definiciones de los siguientes conceptos: (1) Dominio difuso generalizado. Se trata de una extensión del concepto de dominio relacional que amplía el rango de valores que un atributo puede tomar. Entre algunos de estos valores se encuentran: El valor nulo, el valor no aplicable, el valor desconocido, un conjunto de asignaciones escalares o numéricas posibles, distribuciones de posibilidad construidas sobre dominios escalares o numéricos, etc. (2) Relación difusa generalizada. Define una relación incluyendo el concepto de dominio difuso generalizado. (3) Comparadores difusos generalizados. Extienden el concepto de comparador para incluir las comparaciones entre valores que existen en el dominio difuso generalizado. (4) Operaciones de bases de datos. Proyección y selección difusa.
jueves, 18 de agosto de 2016
Neuronas artificiales podrían revolucionar el procesamiento de grandes volúmenes de datos
El cerebro artificial está cada vez más cerca. Científicos de los laboratorios de IBM Research, en Zurich, desarrollaron con éxito las primeras neuronas artificiales de escala nanométrica que fue construida a partir de los cristales que se usan en los discos regrabables.
Concretamente, la compañía creó 500 unidades capaces de procesar distintas señales, gracias a una tecnología de cambio de fase, que imita el funcionamiento del cerebro humano.
Un paso más allá para los proyectos de Inteligencia Artificial, que ya están en marcha y que prometen revolucionar y modificar el mundo tal y como lo conocemos en la actualidad.
Imitando al cerebro humano
Estas neuronas tienen el mismo comportamiento que las neuronas del cerebro humano.
Funcionan mediante la tecnología de cambio de fase. Una tecnología que se caracteriza por almacenar datos de forma no volátil (los datos no desaparecen al apagar el dispositivo) y que actúa de una forma muy parecida a como lo hace nuestro cerebro orgánico.
Sin embargo, el reto del invento consistía en combinar nanoestructuras muy complejas con un consumo energético asequible, materiales estándar y un comportamiento estocástico (es decir, en los cerebros reales, cada neurona es única y va desarrollándose progresivamente. Por eso es importante que el sistema sea aleatorio). De ahí, la importancia de lo que ha conseguido IBM.
Así, estas neuronas artificiales usan cristales de cambio de fase, los mismos que se usan en los discos ópticos regrabables para almacenar y modificar los datos que están guardados; en estos discos se usa un láser para cambiar su estado (de amorfo a cristalino y viceversa) usando calor; en las neuronas se usa electricidad para lograr el mismo efecto. Estos cristales funcionan como una suerte de transistor y son los que emulan el funcionamiento de la membrana plasmática de la neurona: enviar y recibir impulsos eléctricos.
Como sus contrapartes orgánicas, la neuronas artificiales tienen entradas de datos (dendritas), salidas (axones) y un núcleo, para comunicarse con otras; IBM creó 500 y las vinculó unas a otras.
¿Para qué sirven?
Como las neuronas convencionales, la reacción de las neuronas artificiales funciona dependiendo de una acumulación de energía; en la computación neuromórfica, las neuronas (las artificiales y las orgánicas) se comportan como un acumulador, explica Manuel Le Gallo, uno de los investigadores del laboratorio suizo de IBM: "si le envías impulsos eléctricos a la neurona, los va integrando. Dependiendo de la cantidad de impulsos y su fuerza, la membrana terminará alcanzando un umbral, y la neurona hará un 'disparo'. Se puede usar esa acumulación para tareas computacionales sorprendentemente complejas".
Además —explica Le Gallo— a diferencia de lo que sucede en una computadora convencional, en una red neuronal el procesamiento de la información y su almacenamiento son la misma cosa. "No tienes que establecer una comunicación entre la parte de lógica y la memoria, sólo tienes que hacer las conexiones apropiadas entre las diferentes neuronas. Esa es la razón principal por la que creemos que nuestro acercamiento será más eficiente, sobre todo para procesar grandes cantidades de datos".
lunes, 13 de junio de 2016
Gobierno electronico y Big Data
Costales y Amoroso, en el artículo publicado el año 2016 con el título “Big data y el gobierno electrónico en Cuba”, mencionan que uno de los principales elementos que ha traído como consecuencia el surgimiento y la aplicación del big data, es la transformación de los gobiernos, los cuales han estado condicionados a cambiar la manera de presentarse ante el imparable desarrollo mundial. Los organismos gubernamentales han sido capaces y oportunos al identificar un cúmulo de oportunidades en los datos espaciales como herramienta, y en su condicionada integración con la estrategia de datos abiertos. Newman, en la conferencia presentada el año 2012 con el título “Negocios abiertos: Aprender a sacar provecho de los datos”, menciona que, “si bien el big data hace que las organizaciones sean más inteligentes, los datos abiertos son aquellos que conseguirán que realmente se obtengan más beneficios en el entorno altamente competitivo en el que se encuentran las personas”, si dicha teoría es aplicada en el desarrollo de las funciones de los gobiernos, se puede afirmar que la estrategia de datos abiertos será la clave de éxito de los Estados para identificar las principales demandas del ciudadano en un mundo cada vez más interconectado.
Según Laney, en el artículo publicado el año 2001 con el título “Gestión de datos 3D: Control del volumen de datos, la velocidad y la variedad”, es necesario que el hombre como ser social se sienta parte de las transformaciones de la sociedad; cuanto mayor es el grado de apertura de los datos, mayor es el tamaño y la diversidad de la comunidad que accede a ello, aunque para lograr una participación de verdadero valor del ciudadano dentro de este proceso de cambio social es necesario lograr la trasparencia de la información ofrecida por parte del gobierno. La apertura de los datos al público es el principal elemento para que el ciudadano se formule interrogantes y criterios de carácter innovador y trasformador; con la liberación de los datos por parte del gobierno, el ciudadano no solo es un sujeto trasformado por las leyes, sino que pasa a ser a su vez sujeto transformador.
Costales y Amoroso, en el artículo citado en párrafos precedentes, continúan mencionando que la notoriedad e impacto del proceso de toma decisiones a través del big data depende en gran medida del factor liberación de los datos, por tanto es preciso que los gobiernos desarrollen una eficiente política de apertura de los mismos teniendo como cimiento ante todo la trasparencia de la información, como segundo aspecto deben propiciar la colaboración entre los organismos y con el propio ciudadano, sin dejar de mencionar el eje central que es la incorporación de la tecnología como canal de comunicación; el Estado debe centrarse en promover la participación de los ciudadanos en los procesos de toma de decisiones y diseño de políticas públicas; puesto que de ello florecerán cambios futuros entorno al bienestar social, y por ende para el mejoramiento de los servicios ofrecidos por los organismos que regentan la administración pública. La principal fuente de retroalimentación, para sentar las bases de una aplicación del análisis de la gran cantidad de datos generados por el entorno, se encuentra en establecer una fuerte colaboración entre los organismos de administración pública y los ciudadanos, con el principal objetivo de ayudar a definir una guía política siempre orientada a lograr la eficiencia y la agilidad de los procesos burocráticos; es fundamental ubicar el factor tecnológico como punto medio entre ambas partes con la finalidad de agilizar la gestión de la documentación, la información y los datos generados por cualquiera de las partes, así como viabilizar los flujos de información, el acceso y el intercambio continuo.
En el libro titulado “Gobierno o electrónico o fuera del gobierno”, publicado el año 2014 por los autores Barrenechea y Jenkins, se menciona que los datos en poder de los organismos gubernamentales constituyen un activo bastante importante. Cuando el big data se desbloquea, tiene el potencial para mejorar el desempeño del sector público en la administración, la salud, la ciencia y la investigación, el transporte, la infraestructura, la educación, la seguridad, y las ciencias sociales. Beneficios que ya se están realizando mediante la aplicación de modelos de predicción a los ensayos clínicos, análisis avanzados para probar la eficacia de los tratamientos del paciente, y el análisis de la vigilancia de la salud pública para detectar el brote de las enfermedades, como se ilustra en la siguiente historia sobre la “Red Global de Inteligencia de Salud Pública”. Con las soluciones de gobierno electrónico, organizaciones como la red global de inteligencia de salud pública, tienen una ganancia en capacidades de vanguardia, incluyendo la búsqueda progresiva, análisis semántico y navegación, además de la categorización, todos ellos diseñados para ser sujetos a procesos de minería, de donde se extrae y se presenta el verdadero valor del big data. El gobierno electrónico ayuda a las agencias a encontrar el conocimiento oculto encerrado al interior de los grandes volúmenes de datos. Las soluciones de administración electrónica se pueden utilizar para capturar, combinar y transformar los datos a través de silos de información en formatos que pueden ser analizados para una penetración más profunda del negocio. El primer paso para extraer valor de los datos es la gestión de los datos. Las soluciones de administración electrónica integran datos sobre una plataforma común donde se puede fijar, acceder, intercambiar y archivar las mismas.
Amoroso, en el artículo publicado el año 2015 con el título “Infoética, Ciberespacio y Derecho”, menciona que el éxito de todos estos factores depende además de dos elementos muy importantes: El acceso y publicación de la información como punto número uno, y de la presentación de los datos a los usuarios finales, es decir, a los ciudadanos. En este sentido el diseño de los sistemas informáticos es fundamental porque es la piedra angular para asegurar desde el código una realización real de la apertura de datos y consiguientemente el big data.
Según Laney, en el artículo publicado el año 2001 con el título “Gestión de datos 3D: Control del volumen de datos, la velocidad y la variedad”, es necesario que el hombre como ser social se sienta parte de las transformaciones de la sociedad; cuanto mayor es el grado de apertura de los datos, mayor es el tamaño y la diversidad de la comunidad que accede a ello, aunque para lograr una participación de verdadero valor del ciudadano dentro de este proceso de cambio social es necesario lograr la trasparencia de la información ofrecida por parte del gobierno. La apertura de los datos al público es el principal elemento para que el ciudadano se formule interrogantes y criterios de carácter innovador y trasformador; con la liberación de los datos por parte del gobierno, el ciudadano no solo es un sujeto trasformado por las leyes, sino que pasa a ser a su vez sujeto transformador.
Costales y Amoroso, en el artículo citado en párrafos precedentes, continúan mencionando que la notoriedad e impacto del proceso de toma decisiones a través del big data depende en gran medida del factor liberación de los datos, por tanto es preciso que los gobiernos desarrollen una eficiente política de apertura de los mismos teniendo como cimiento ante todo la trasparencia de la información, como segundo aspecto deben propiciar la colaboración entre los organismos y con el propio ciudadano, sin dejar de mencionar el eje central que es la incorporación de la tecnología como canal de comunicación; el Estado debe centrarse en promover la participación de los ciudadanos en los procesos de toma de decisiones y diseño de políticas públicas; puesto que de ello florecerán cambios futuros entorno al bienestar social, y por ende para el mejoramiento de los servicios ofrecidos por los organismos que regentan la administración pública. La principal fuente de retroalimentación, para sentar las bases de una aplicación del análisis de la gran cantidad de datos generados por el entorno, se encuentra en establecer una fuerte colaboración entre los organismos de administración pública y los ciudadanos, con el principal objetivo de ayudar a definir una guía política siempre orientada a lograr la eficiencia y la agilidad de los procesos burocráticos; es fundamental ubicar el factor tecnológico como punto medio entre ambas partes con la finalidad de agilizar la gestión de la documentación, la información y los datos generados por cualquiera de las partes, así como viabilizar los flujos de información, el acceso y el intercambio continuo.
En el libro titulado “Gobierno o electrónico o fuera del gobierno”, publicado el año 2014 por los autores Barrenechea y Jenkins, se menciona que los datos en poder de los organismos gubernamentales constituyen un activo bastante importante. Cuando el big data se desbloquea, tiene el potencial para mejorar el desempeño del sector público en la administración, la salud, la ciencia y la investigación, el transporte, la infraestructura, la educación, la seguridad, y las ciencias sociales. Beneficios que ya se están realizando mediante la aplicación de modelos de predicción a los ensayos clínicos, análisis avanzados para probar la eficacia de los tratamientos del paciente, y el análisis de la vigilancia de la salud pública para detectar el brote de las enfermedades, como se ilustra en la siguiente historia sobre la “Red Global de Inteligencia de Salud Pública”. Con las soluciones de gobierno electrónico, organizaciones como la red global de inteligencia de salud pública, tienen una ganancia en capacidades de vanguardia, incluyendo la búsqueda progresiva, análisis semántico y navegación, además de la categorización, todos ellos diseñados para ser sujetos a procesos de minería, de donde se extrae y se presenta el verdadero valor del big data. El gobierno electrónico ayuda a las agencias a encontrar el conocimiento oculto encerrado al interior de los grandes volúmenes de datos. Las soluciones de administración electrónica se pueden utilizar para capturar, combinar y transformar los datos a través de silos de información en formatos que pueden ser analizados para una penetración más profunda del negocio. El primer paso para extraer valor de los datos es la gestión de los datos. Las soluciones de administración electrónica integran datos sobre una plataforma común donde se puede fijar, acceder, intercambiar y archivar las mismas.
Amoroso, en el artículo publicado el año 2015 con el título “Infoética, Ciberespacio y Derecho”, menciona que el éxito de todos estos factores depende además de dos elementos muy importantes: El acceso y publicación de la información como punto número uno, y de la presentación de los datos a los usuarios finales, es decir, a los ciudadanos. En este sentido el diseño de los sistemas informáticos es fundamental porque es la piedra angular para asegurar desde el código una realización real de la apertura de datos y consiguientemente el big data.
lunes, 6 de junio de 2016
Gobierno electrónico y Big Data ¿Cómo se instalan programas que
PRIMERA PARTE
Debido al gran avance tecnológico que se ha experimentado a lo largo de los últimos años, concretamente en el mundo de las tecnologías de la información y la comunicación, gran parte de las empresas públicas y privadas vienen desarrollando importantes esfuerzos en adaptarse a diferentes desafíos. Merino y Cejudo, en el libro publicado el año 2010 con el título “Problemas, decisiones y soluciones: Enfoques de política pública”, mencionan que los gobiernos se encuentran implementando iniciativas de gobierno electrónico, de gobierno abierto y acceso a la información pública basándose no sólo en los datos y la tecnología, sino también en principios de transparencia, participación, colaboración y empoderamiento ciudadano. Un desafío que por cuenta propia, ha cobrado gran importancia a lo largo de los últimos años, consiste en cómo manejar, administrar, almacenar, buscar y analizar grandes volúmenes de datos, relacionados con el que hacer de la administración pública. Con el término “big data” se hace referencia al gran desafío que tienen los gobiernos, que consiste en el tratamiento y análisis de grandes repositorios de datos.
Concha y Naser, en el documento publicado por Naciones Unidas el año 2011 con el título “El gobierno electrónico en la gestión pública”, mencionan que el gobierno electrónico es la transformación de todo el gobierno como un cambio de paradigma en la gestión gubernamental, es un concepto de gestión que fusiona la utilización intensiva de las tecnologías de la información y comunicación, con modalidades de gestión, planificación y administración, como una nueva forma de gobierno. Bajo este punto de vista, el gobierno electrónico basa y fundamenta su aplicación en la administración pública, teniendo como objetivo contribuir al uso de las tecnologías de la información y comunicación para mejorar los servicios e información ofrecida a los ciudadanos y organizaciones, mejorar y simplificar los procesos de soporte institucional y facilitar la creación de canales que permitan aumentar la transparencia y la participación ciudadana. El presente documento intenta dar una aproximación a los elementos que componen el gobierno electrónico, elevar la importancia y el rol que cumple el adecuado manejo de la información dentro de la administración pública, suponiendo que un gobierno electrónico enmarcado en la planificación estratégica de cada institución y de la mano con las estrategias digitales y la modernización de cada Estado, puede llegar a ser la herramienta más eficiente y eficaz para entregar servicios rápidos y transparentes a los ciudadanos. En el informe de la Unión Internacional de Telecomunicaciones, que es el organismo especializado en telecomunicaciones de la Organización de las Naciones Unidas, publicado en Ginebra el 30 de noviembre de 2015 con el título “Medición de la Sociedad de la Información”, se indica que tres mil doscientas millones de personas están en línea, lo que representa el cuarenta y tres por ciento de la población mundial, en tanto que el número de suscripciones al servicio móvil celular asciende a casi siete mil cien millones en todo el mundo, y más del noventa y cinco por ciento de la población mundial puede recibir una señal móvil celular. En el Informe se señala también que los ciento sesenta y siete países contemplados en el índice de desarrollo de las tecnologías de la información y comunicación, mejoraron sus valores entre los años 2010 y 2015, lo que significa que los niveles de acceso a las tecnologías de la información y la comunicación, la utilización de esas tecnologías y los conocimientos en la materia siguen mejorando en todo el mundo.
Baturone y Amago, en el Diccionario LID de Innovación publicado el año 2010, definen big data como: “Anglicismo que hace referencia al conjunto de datos cuyo tamaño excede la capacidad de los programas informáticos utilizados habitualmente para capturar, gestionar y procesar información”. La diferencia es que los datos que ahora intentan explotar no son ya solamente numéricos. En la misma entrada del diccionario, se explica que “el tratamiento y gestión de enormes cantidades de datos en texto, procedentes de múltiples fuentes, como las redes sociales, tales como Facebook o Twitter, y las tecnologías de las comunicaciones, son de vital importancia en el contexto de la inteligencia competitiva, lo que ha fomentado el auge de tecnologías y servicios de big data. Además, los servicios de inteligencia y seguridad centran su interés en el proceso de estos datos y en el desarrollo de tecnologías que permitan su transformación en conocimiento”.
En esta misma línea se manifiesta Mario Tascón, en el artículo publicado el año 2013 con el título “Big Data: Pasado, presente y futuro”, quien señala “Big data es, sin la menor duda, uno de los campos más importantes de trabajo para los profesionales de las tecnologías de la información y comunicación. No hay área ni sector que no esté afectado por las implicaciones que este concepto está incorporando; cambian algunas herramientas, se modifican estrategias de análisis y patrones de medida. Tradicionalmente, los principales conceptos agrupados que han definido este nombre han sido las denominadas 3V: Volumen, variabilidad y velocidad. Big data es todo aquello que tiene que ver con grandes volúmenes de información que se mueven o analizan a una alta velocidad y que pueden presentar una compleja variabilidad en cuanto a la estructura de su composición. Debería añadirse una cuarta uve, la visualización, ya que no solo forma también parte de ello, sino que muchas de las imágenes que traen a la memoria el trabajo con tiene big data que ver con estas nuevas formas de visualizar estos datos.
Debido al gran avance tecnológico que se ha experimentado a lo largo de los últimos años, concretamente en el mundo de las tecnologías de la información y la comunicación, gran parte de las empresas públicas y privadas vienen desarrollando importantes esfuerzos en adaptarse a diferentes desafíos. Merino y Cejudo, en el libro publicado el año 2010 con el título “Problemas, decisiones y soluciones: Enfoques de política pública”, mencionan que los gobiernos se encuentran implementando iniciativas de gobierno electrónico, de gobierno abierto y acceso a la información pública basándose no sólo en los datos y la tecnología, sino también en principios de transparencia, participación, colaboración y empoderamiento ciudadano. Un desafío que por cuenta propia, ha cobrado gran importancia a lo largo de los últimos años, consiste en cómo manejar, administrar, almacenar, buscar y analizar grandes volúmenes de datos, relacionados con el que hacer de la administración pública. Con el término “big data” se hace referencia al gran desafío que tienen los gobiernos, que consiste en el tratamiento y análisis de grandes repositorios de datos.
Concha y Naser, en el documento publicado por Naciones Unidas el año 2011 con el título “El gobierno electrónico en la gestión pública”, mencionan que el gobierno electrónico es la transformación de todo el gobierno como un cambio de paradigma en la gestión gubernamental, es un concepto de gestión que fusiona la utilización intensiva de las tecnologías de la información y comunicación, con modalidades de gestión, planificación y administración, como una nueva forma de gobierno. Bajo este punto de vista, el gobierno electrónico basa y fundamenta su aplicación en la administración pública, teniendo como objetivo contribuir al uso de las tecnologías de la información y comunicación para mejorar los servicios e información ofrecida a los ciudadanos y organizaciones, mejorar y simplificar los procesos de soporte institucional y facilitar la creación de canales que permitan aumentar la transparencia y la participación ciudadana. El presente documento intenta dar una aproximación a los elementos que componen el gobierno electrónico, elevar la importancia y el rol que cumple el adecuado manejo de la información dentro de la administración pública, suponiendo que un gobierno electrónico enmarcado en la planificación estratégica de cada institución y de la mano con las estrategias digitales y la modernización de cada Estado, puede llegar a ser la herramienta más eficiente y eficaz para entregar servicios rápidos y transparentes a los ciudadanos. En el informe de la Unión Internacional de Telecomunicaciones, que es el organismo especializado en telecomunicaciones de la Organización de las Naciones Unidas, publicado en Ginebra el 30 de noviembre de 2015 con el título “Medición de la Sociedad de la Información”, se indica que tres mil doscientas millones de personas están en línea, lo que representa el cuarenta y tres por ciento de la población mundial, en tanto que el número de suscripciones al servicio móvil celular asciende a casi siete mil cien millones en todo el mundo, y más del noventa y cinco por ciento de la población mundial puede recibir una señal móvil celular. En el Informe se señala también que los ciento sesenta y siete países contemplados en el índice de desarrollo de las tecnologías de la información y comunicación, mejoraron sus valores entre los años 2010 y 2015, lo que significa que los niveles de acceso a las tecnologías de la información y la comunicación, la utilización de esas tecnologías y los conocimientos en la materia siguen mejorando en todo el mundo.
Baturone y Amago, en el Diccionario LID de Innovación publicado el año 2010, definen big data como: “Anglicismo que hace referencia al conjunto de datos cuyo tamaño excede la capacidad de los programas informáticos utilizados habitualmente para capturar, gestionar y procesar información”. La diferencia es que los datos que ahora intentan explotar no son ya solamente numéricos. En la misma entrada del diccionario, se explica que “el tratamiento y gestión de enormes cantidades de datos en texto, procedentes de múltiples fuentes, como las redes sociales, tales como Facebook o Twitter, y las tecnologías de las comunicaciones, son de vital importancia en el contexto de la inteligencia competitiva, lo que ha fomentado el auge de tecnologías y servicios de big data. Además, los servicios de inteligencia y seguridad centran su interés en el proceso de estos datos y en el desarrollo de tecnologías que permitan su transformación en conocimiento”.
En esta misma línea se manifiesta Mario Tascón, en el artículo publicado el año 2013 con el título “Big Data: Pasado, presente y futuro”, quien señala “Big data es, sin la menor duda, uno de los campos más importantes de trabajo para los profesionales de las tecnologías de la información y comunicación. No hay área ni sector que no esté afectado por las implicaciones que este concepto está incorporando; cambian algunas herramientas, se modifican estrategias de análisis y patrones de medida. Tradicionalmente, los principales conceptos agrupados que han definido este nombre han sido las denominadas 3V: Volumen, variabilidad y velocidad. Big data es todo aquello que tiene que ver con grandes volúmenes de información que se mueven o analizan a una alta velocidad y que pueden presentar una compleja variabilidad en cuanto a la estructura de su composición. Debería añadirse una cuarta uve, la visualización, ya que no solo forma también parte de ello, sino que muchas de las imágenes que traen a la memoria el trabajo con tiene big data que ver con estas nuevas formas de visualizar estos datos.
Suscribirse a:
Entradas (Atom)