Revista Cubana de Transformación Digital https://rctd.uic.cu/rctd <p>La Revista Cubana de Transformación Digital es una revista científica arbitrada de acceso abierto, de periodicidad trimestral. Se publica en versión electrónica desde el año 2018 por la Unión de Informáticos de Cuba, una organización social, autofinanciada y sin ánimos de lucro. La revista publica artículos en español, inglés y portugués. Está inscripta en el Registro Nacional de Publicaciones Seriadas (RNPS N. 2487, Folio 230 y Tomo III) con el <strong>ISSN (en línea): 2708-3411</strong>.</p> <p><strong>Misión</strong></p> <p>La misión de la Revista Cubana de Transformación Digital es publicar resultados de investigaciones, soluciones innovadoras, buenas prácticas y estudios de caso que reflejen la transformación digital en Cuba y a nivel internacional. </p> <p><strong>Visión</strong></p> <p>Constituirse en una revista de referencia, reconocida y con visibilidad internacional en el campo de la Informática, Automática y Telemática, con marcado énfasis en la transformación digital.</p> es-ES rctd@uic.cu (Dayalé Torres Diéguez) enrique.basto@uic.cu (Enrique Basto Muguercia) Sun, 07 Mar 2021 00:00:00 +0000 OJS 3.3.0.5 http://blogs.law.harvard.edu/tech/rss 60 Influencia de la pandemia COVID-19 en la aceleración de la transformación digital https://rctd.uic.cu/rctd/article/view/116 <p>La pandemia COVID-19 ha provocado cambios dramáticos en la vida económica y social del hombre contemporáneo, lo cual se refleja en transformaciones sin precedentes que están teniendo lugar en la administración pública, la industria, los modelos de negocio empresariales y en la experiencia del usuario. Particularmente, ha sido notable la aceleración de la transformación digital ante el aislamiento y otros efectos derivados de la crisis sanitaria por el virus SARS-CoV-2. Se reflexiona sobre la influencia de la Covid-19 en la aceleración de la transformación digital y se presenta el número 2 del volumen 1 de la Revista.</p> Tatiana Delgado Fernández Derechos de autor 2021 Tatiana Delgado Fernández http://creativecommons.org/licenses/by-nc/4.0 https://rctd.uic.cu/rctd/article/view/116 Tue, 01 Dec 2020 00:00:00 +0000 openData Marco de trabajo para la publicación de datos abiertos en Cuba https://rctd.uic.cu/rctd/article/view/109 <p>Los datos abiertos promueven el desarrollo de la sociedad a partir de un marco tecnológico y legal que contribuye a la transparencia en la gestión del gobierno y la sociedad. La publicación de datos permite que los científicos y empresas innoven a partir de problemáticas locales y generen mejoras en los servicios y gestión de diversos sectores. La presente investigación aborda los principales conceptos asociados a los datos abiertos, enfocado fundamentalmente a su influencia en la sociedad. Se exponen las principales características de las plataformas para la publicación de datos abiertos y los requisitos de los datos para ser publicados. El análisis de los criterios fundamentales identificados para la selección de herramientas para la preparación y publicación de los datos permitió proponer una solución adecuada para el entorno cubano. Se enuncian actividades y tareas para garantizar la calidad, privacidad y requisitos que deben tener los datos para ser publicados satisfaciendo los principios éticos de la sociedad.</p> Reynaldo Alvarez Luna, Héctor Raúl González Diez, Alberto Torres Reyes, Alain Rodriguez Torres Derechos de autor 2021 Reynaldo Alvarez Luna, Héctor Raúl González Diez, Alberto Torres Reyes, Alain Rodriguez Torres http://creativecommons.org/licenses/by-nc/4.0 https://rctd.uic.cu/rctd/article/view/109 Sun, 07 Mar 2021 00:00:00 +0000 Breve reseña sobre el estado actual de la Inteligencia Artificial https://rctd.uic.cu/rctd/article/view/108 <p>El propósito de este artículo es ofrecer al lector una panorámica de la Inteligencia Artificial hoy, sus principales métodos y logros así como su aplicación en la solución de diferentes problemas socio-económicos y científicos. Se presentan algunas de sus tendencias de desarrollo, y los retos que estos pudieran significar para el hombre, al integrarlas plenamente en prácticamente todas las facetas de la vida de la humanidad, y previendo posibles efectos negativos de su desempeño futuro. Esta conceptualización sirve de preámbulo para presentación de los trabajos incluidos en este número de la revista.</p> Rafael Bello Pérez, Alejandro Rosete Suárez Derechos de autor 2021 Rafael Bello Pérez, Alejandro Rosete Suárez http://creativecommons.org/licenses/by-nc/4.0 https://rctd.uic.cu/rctd/article/view/108 Sun, 07 Mar 2021 00:00:00 +0000 Hacia la democratización del aprendizaje de máquinas https://rctd.uic.cu/rctd/article/view/107 <p>El Aprendizaje Automático es un campo de la Inteligencia Artificial que ha ganado un reciente interés en todas las áreas de la industria, motivado fundamentalmente por el acelerado crecimiento de las capacidades de cómputo y la disponibilidad de datos. Sin embargo, una de las principales dificultades para su aplicación es la necesidad de expertos que conozcan los detalles internos de los múltiples modelos que pueden ser utilizados. En este contexto ha surgido un nuevo campo de estudio, denominado AutoML&nbsp;(<em>Automated Machine Learning</em>), que facilita la utilización de estas técnicas por expertos de otros dominios. Este artículo presenta una introducción al campo del AutoML, una breve comparación entre las herramientas existentes, y una propuesta concreta de una tecnología —AutoGOAL— que ha sido diseñada para resolver problemas de aprendizaje automático de variada naturaleza. Nuestra propuesta es competitiva con herramientas del estado del arte en problemas clásicos de aprendizaje, a la vez que puede desplegarse, sin esfuerzo adicional, en dominios más complejos, como el procesamiento de lenguaje natural.</p> Ernesto Luis Estevanell-Valladares, Suilan Estevez-Velarde, Alejandro Piad-Morffis, Yoan Gutiérrez, Andrés Montoyo, Yudivian Almeida-Cruz Derechos de autor 2021 Ernesto Luis Estevanell-Valladares, Suilan Estevez-Velarde, Alejandro Piad-Morffis, Yoan Gutiérrez, Andrés Montoyo, Yudivian Almeida-Cruz http://creativecommons.org/licenses/by-nc/4.0 https://rctd.uic.cu/rctd/article/view/107 Sun, 07 Mar 2021 00:00:00 +0000 Tendencias en la sumarización lingüistica de datos https://rctd.uic.cu/rctd/article/view/105 <p class="western" style="margin-bottom: 0cm; line-height: 150%;" lang="es-MX" align="justify"><span style="font-family: Times New Roman, serif;"><span style="font-size: medium;"><span lang="es-ES-u-co-trad">Las técnicas de sumarización lingüística de datos han surgido para ayudar a descubrir relaciones complejas entre variables y presentar la información en lenguaje natural. En el desarrollo de estas técnicas se combinan la inteligencia artificial, la estadística, el aprendizaje automático entre otras áreas del conocimiento humano. Esta investigación tiene como objetivo realizar un estudio del estado del arte de la temática que permita a los investigadores analizar las tendencias en los métodos de generación de resúmenes, las estrategias de validación empleadas en las investigaciones y las principales áreas de aplicación. Como conclusiones se identifican la necesidad de mejora de los métodos de validación, las técnicas emergentes en la generación de resúmenes y la posibilidad del empleo de los resúmenes en problemas de predicción entre otros.</span></span></span></p> Iliana Pérez Pupo, Pedro Yobanis Piñeiro Pérez, Nayma Martín Amaro, Rafael Esteban Bello Pérez Derechos de autor 2021 Iliana Pérez Pupo, Pedro Yobanis Piñeiro Pérez, Nayma Martín Amaro, Rafael Esteban Bello Pérez http://creativecommons.org/licenses/by-nc/4.0 https://rctd.uic.cu/rctd/article/view/105 Sun, 07 Mar 2021 00:00:00 +0000 Exploración de Redes Neuronales Holográficas con Cuantificación Difusa para el Monitoreo de Conductores en Conducción Autónoma Condicional https://rctd.uic.cu/rctd/article/view/104 <p>La Sociedad de Ingenieros Automotrices (SAE ver siglas en ingles) define los sistemas de conducción automatizados (ADS ver siglas en ingles) para vehículos de carretera como aquellos que pueden realizar toda la tarea de conducción dinámica sin un conductor humano en el lazo de control. Bajo la conducción autónoma condicional (SAE Nivel 3), cuando la conducción automatizada falla, se espera que los conductores reanuden la conducción manual. Para que esta transición se produzca de forma segura, es imperativo que los conductores reaccionen de forma adecuada y oportuna, lo que es difícil que suceda una vez que el conductor ha sido sometido a largas distancias de conducción autónoma. Las técnicas de inteligencia artificial (IA) podrían utilizarse para garantizar la seguridad de los sistemas adaptativos de seguridad crítica. No solo observando el entorno exterior del vehículo, sino también monitoreando el estado de la comunicación conductor-vehículo. Además, en este contexto el concepto de IA explicable tiene potencial para proporcionar evidencia de que un ADS podría respaldar la garantía de seguridad y el cumplimiento normativo. En este trabajo presentamos un método neuro-difuso que funciona como un enfoque de aprendizaje automático explicable adecuado para dominios donde se requiere la validación de los modelos de predicción subyacentes. Los resultados de la comparación entre el modelo propuesto y otros modelos de la literatura muestran que el modelo propuesto podría proporcionar explicaciones sobre sus predicciones en tiempo real para garantizar transiciones fluidas en el nivel 3 de SAE.</p> Luis Ariel Diago Marquez, Hiroe Abe, Kana Adachi, Ichiro Hagiwara Derechos de autor 2021 Luis Ariel Diago Marquez, Hiroe Abe, Kana Adachi, Ichiro Hagiwara http://creativecommons.org/licenses/by-nc/4.0 https://rctd.uic.cu/rctd/article/view/104 Sun, 07 Mar 2021 00:00:00 +0000 Revisión crítica sobre la identificación de COVID-19 a partir de imágenes de rayos x de tórax usando técnicas de inteligencia artificial https://rctd.uic.cu/rctd/article/view/103 <p>A partir del surgimiento de la actual pandemia de COVID-19, la comunidad científica ha aunado esfuerzos para mitigar su alcance. La identificación temprana de la enfermedad, así como la evaluación de su evolución es una tarea primordial para la aplicación oportuna de protocolos médicos. En este empeño, el uso de imágenes médicas de los pulmones presenta una valiosa información usada por los especialistas. Específicamente, las imágenes de rayos X de tórax han sido el foco de atención de muchas investigaciones que aplican técnicas de inteligencia artificial para la clasificación automática de esta enfermedad. Los resultados alcanzados en el tema hasta la fecha son prometedores. No obstante, estas investigaciones contienen errores que deben corregirse para obtener modelos apropiados en el uso clínico. En esta investigación se discuten los problemas encontrados en la literatura científica actual, al usar técnicas de inteligencia artificial para la clasificación automática de COVID-19 usando imágenes de rayos X de tórax. Se evidencia que en la mayoría de los trabajos revisados se aplica un protocolo de evaluación incorrecto, lo cual conlleva a sobreestimar los resultados.</p> José Daniel López-Cabrera, Jorge Armando Portal Díaz, Rubén Orozco Morales, Marlen Pérez Díaz Derechos de autor 2020 José Daniel López-Cabrera, Jorge Armando Portal Díaz, Rubén Orozco Morales, Marlen Pérez Díaz http://creativecommons.org/licenses/by-nc/4.0 https://rctd.uic.cu/rctd/article/view/103 Sun, 13 Dec 2020 00:00:00 +0000 Nodos Knime para ajustar modelos usando la biblioteca de clases BiCIAM https://rctd.uic.cu/rctd/article/view/102 <p>En muchos problemas de la vida, se conoce la forma de un modelo matemático que lo describe, por medio de expresiones con parámetros que deben ser ajustados a cada situación concreta. El ajuste de esos modelos muchas veces implica la solución de un problema de optimización que busca los valores de los parámetros que minimizan la diferencia entre lo que indica el modelo y los datos reales. Estos problemas se pueden resolver utilizando metaheurísticas, lo cual, por lo general, requiere de habilidades en programación. BiCIAM es una biblioteca de clases que resuelve problemas de optimización utilizando metaheurísticas, pero solo personas con conocimientos de programación pueden hacer uso de ella. En el presente trabajo se propone la implementación de nuevos nodos en Knime que optimicen y ajusten modelos matemáticos, utilizando BiCIAM. Con estos nodos se podrán resolver modelos de optimización sin necesidad de programar, se podrán ajustar modelos no lineales de carácter predictivo y los datos podrán ser analizados utilizando los nodos estadísticos que brinda Knime.</p> Taday González Chaveco, Cynthia Porras Nodarse, Alejandro Rosete Suárez Derechos de autor 2021 Taday González Chaveco, Cynthia Porras Nodarse, Alejandro Rosete Suárez http://creativecommons.org/licenses/by-nc/4.0 https://rctd.uic.cu/rctd/article/view/102 Sun, 07 Mar 2021 00:00:00 +0000