Las ciencias de la computación son las ciencias formales que abarcan las

bases teóricas de la información y la computación, así como su aplicación

en sistemas computacionales. El cuerpo de conocimiento de las ciencias
de la computación es frecuentemente descrito como el estudio
sistemático de los procesos algorítmicos que describen y transforman
información: su teoría, análisis, diseño, eficiencia, implementación,
algoritmos sistematizados y aplicación. En términos más específicos se
trata del estudio sistemático de la factibilidad, estructura, expresión y
mecanización de procedimientos metódicos (o algoritmos) que subyacen
en la adquisición, representación, procesamiento, almacenamiento,
comunicación y acceso a la información. La información puede estar
codificada en forma de bits en una memoria de computadora, o en algún
otro objeto como, como los genes y proteínas en una célula biológica.
El nacimiento del machine learning
El machine learning, conocido en español como aprendizaje automático o
aprendizaje de máquina, nació como una idea ambiciosa de la IA en la
década de los 60. Para ser más exactos, fue una subdisciplina de la IA,
producto de las ciencias de la computación y las neurociencias.
Lo que esta rama pretendía estudiar era el reconocimiento de patrones
(en los procesos de ingeniería, matemáticas, computación, etc.) y el
aprendizaje por parte de las computadoras. En los albores de la IA, los
investigadores estaban ávidos por encontrar una forma en la cual las
computadoras pudieran aprender únicamente basándose en datos.
¿Qué es exactamente?
Como establecimos previamente, es un campo de las ciencias de la
computación que, de acuerdo a Arthur Samuel en 1959, le da a las
computadoras la habilidad de aprender sin ser explícitamente
programadas.
Si esta definición resultó muy trivial, pongámoslo de esta forma: es la idea
de que existen algoritmos que pueden darte hallazgos o conclusiones
relevantes obtenidas de un conjunto de datos, sin que el ser humano
tenga que escribir instrucciones o códigos para esto.

1
De acuerdo, pero ¿qué es un algoritmo? Pues no es otra cosa que una
secuencia o serie de instrucciones, que representan la solución a un
determinado problema
El propósito del machine learning es que las personas y las máquinas
trabajen de la mano, al éstas ser capaces de aprender como un humano lo
haría. Precisamente esto es lo que hacen los algoritmos, permiten que las
máquinas ejecuten tareas, tanto generales como específicas.
Tipos de Machine Learning
Cuando hablamos del aprendizaje de máquina es posible que hablemos
sobre tres tipos, los cuales pueden ser:
Aprendizaje Supervisado (Supervised Learning)
Este tipo de Machine Learning requiere de datos previamente etiquetados
para aprender a realizar su trabajo.
Prácticamente lo que se hace es darle una serie de datos previamente
resueltos para que luego el aprenda a resolver problemas futuros.
Ejemplos de Aprendizaje Supervisado: Detección de spam en los correos,
detección de imágenes en captchas, reconocimiento de escritura o voz,
etc.
Aprendizaje No supervisado (Unsupervised Learning)
Para este caso los algoritmos no necesitan de datos etiquetados, pero sí
de indicaciones previas, las cuales le enseñan a comprender y analizar la
información que le será brindada.
Ejemplo de Aprendizaje No supervisado: Clasificar información, etc.
Reforzamiento de aprendizaje (Reinforcement Learning)
En este caso la máquina aprende de los refuerzos de la práctica basándose
en el éxito o fracaso que tenga.
Los algoritmos a pesar de contar con información previa, se encargarán de
aprender por su cuenta en base a la tasa de éxito que tengan en sus
resultados para poder resolver los problemas entregados.
Un gran ejemplo de este tipo de Machine Learning es AlphaZero, una
inteligencia artificial de Google que en sólo cuatro horas logró aprender

2
todas las posibles jugadas del ajedrez y vencer al campeón del mundo 28
veces de 100 partidas, las demás fueron empate y no tuvo ninguna
derrota.
¿Por y para qué es útil el Deep Learning?
El Deep Learning ha llamado mucho la atención por su potencial utilidad
en distintos tipos de aplicaciones en el “mundo real” (pueden aplicarse
con éxito a grandes volúmenes de datos para el descubrimiento y
aplicación de conocimiento, así como a la realización de predicciones a
partir de él), principalmente debido a que obtiene tasas de éxito elevadas
con entrenamiento “no supervisado”. En el caso del ejemplo, las redes de
Deep Learning aprenderían a identificar gatos aunque las imágenes no
tuvieran la etiqueta "gato”.
A continuación se muestran algunos de los principales problemas “reales”
en los que distintas compañías están aplicando Deep Learning en la
actualidad:
- Utilización de imágenes en lugar de palabras clave para buscar
productos de una empresa, o artículos similares
- Identificar marcas y logotipos de empresas en fotos publicadas en
redes sociales.
- Monitorización en tiempo real de reacciones en canales online
durante el lanzamiento de productos.
- Orientación de anuncios y predicción de las preferencias de los
clientes.
- Identificación y seguimiento de los niveles de confianza de los
clientes, sus opiniones y actitud en diferentes canales online y servicios
de soporte automatizado al cliente.
- Identificación de clientes potenciales.
- Detección de fraudes, recomendaciones a clientes, gestión de
relaciones con los clientes, etc.
- Mejor comprensión de enfermedades, mutaciones de enfermedades
y terapias genéticas.

3
- Análisis de imágenes médicas, como radiografías y resonancias
magnéticas, aumentando la precisión diagnóstica, en un menor tiempo y
con un menor coste que los métodos tradicionales.
- Exploración de la posibilidad de reutilización de fármacos ya
conocidos y probados para su uso contra nuevas enfermedades.
- Detección, predicción y prevención de amenazas sofisticadas en
tiempo real en el campo de la ciberseguridad.
- Identificación en textos de sentimientos positivos y negativos, temas
y palabras clave.
- Localización de caras e identificación de emociones faciales.
- Reconocimiento de voz.
- Clasificación de vídeos.
Redes Neuronales
Las Redes Neuronales son un campo muy importante dentro de la
Inteligencia Artificial. Inspirándose en el comportamiento conocido del
cerebro humano (principalmente el referido a las neuronas y sus
conexiones), trata de crear modelos artificiales que solucionen problemas
difíciles de resolver mediante técnicas algorítmicas convencionales
Las redes neuronales artificiales (también conocidas como sistemas
conexionistas) son un modelo computacional vagamente inspirado en el
comportamiento observado en su homólogo biológico1. Consiste en un
conjunto de unidades, llamadas neuronas artificiales, conectadas entre sí
para transmitirse señales. La información de entrada atraviesa la red
neuronal (donde se somete a diversas operaciones) produciendo unos
valores de salida.

Ayudando a la humanidad
Al cierre de 2011, IBM diseñó un programa para colaborar en asistencia
sanitaria, en colaboración con varias universidades científicas y
farmaceúticas. En febrero de 2013, el Memorial Sloan-Kettering Cancer
Center recibió en su plantilla a una ‘porción’ de Watson, para su
Departamento de Oncología.

4
¿Qué funciones cumpliría el pequeño superordenador? Ayudaría a tomar
decisiones sobre tratamientos del cáncer, colaboraría en la elaboración de
diagnósticos, ya que Watson, no olvidemos, posee una gran base de datos,
idónea en el momento de identificar enfermedades.
Watson siguió aumentando su radio de acción. En la venta de prendas de
vestir, analizando y cotejando información metereológica —más aún, el
proyecto Deep Thunder parte del análisis de más de 200.000 estaciones
metereológicas del grupo Weather Underground—, en el análisis musical,
convirtiéndose en un magnífico rapero, en diferentes departamentos
legales, echando una mano con las nóminas, consultoría y Rentas de los
clientes de H&R Blocks, en el rápido reconocimiento y análisis de
imágenes, e incluso convirtiéndose en cocinero.
¿Un chef Watson? ¿Por qué no? A la gente se le conquista por el
estómago, debió pensar el ingeniero de Watson Florian Pinel, quién
razonó que, si todos comemos, todos podríamos comer mejor. Pero
primero necesitaba un poco de formación específica. Gastronomía
molecular, análisis químico de alimentos, más de 10.000 recetas de las
revistas Bon Appétit y un buen puñado de tutoriales.
El Instituto de Educación Culinaria de Nueva York incluyó a Watson entre
su plantilla, con el fin de encontrar todo tipo de recetas fuera de la zona
de confort habitual.
Luke Scott, hijísimo del director Ridley Scott, ha continuado con las filias
tecnológicas de su padre a través del séptimo arte. En la reciente Morgan
(2016), una compañía creaba una Inteligencia Artificial que pasaba, desde
su infancia hasta su despertar sexual y su adultez perversa.
Bien, pues el tráiler de Morgan fue montado por otra IA. ¿A que no sabes
quién? La plataforma IBM Watson Developer Cloud —y su ordenador
central— fueron los encargados de vertebrar el montaje basándose en la
fotografía y montaje de cientos de películas de terror y distintos thrillers,
para que encontrara los momentos comunes de clímax y así conformar
patrones adecuados.
Como decíamos, hoy día no hay un solo Watson sino muchos, y es una
lozana mente hosteada en un servidor. Es mucho más inteligente, rápida y
capaz que cuando derrotó al mejor jugador de Jeopardy! del mundo,
especializándose en distintos servicios cognitivos. Y, como señalan desde

5
la propia IBM, con más de 100 nuevos empleos sumados durante el último
año, esto es solo una parte de cuanto puede llegar a hacer.
Watson es la primera plataforma de computación cognitiva abierta.
Aprende continuamente, acumulando valor y conocimiento con el tiempo,
a partir de interacciones previas.
Lo que hace que las computadoras comprendan el mundo de la forma en
que lo hacen los humanos: a través de los sentidos, el aprendizaje y la
experiencia. Esta tecnología ya está transformando industrias,
complementa el trabajo de distintas profesiones y resuelve desafíos de
todos los negocios.
Su importancia nace con el surgimiento del Big Data.
En este momento se generan 2.500 millones de gigabytes de datos al día y
para el 2020 se esperan 40 zettabytes. Esto es más de 170 periódicos por
persona en el mundo.
El 80% de la data que se genera al día no es estructurada, las
organizaciones necesitan sistemas avanzados que sean capaces de
procesar toda esa cantidad de información.
Además de analizar la data, Watson puede producir conocimientos
accionables en segundos.
IDC predice que para el 2018, 50% de los consumidores interactuarán
regularmente con servicios basados en computación cognitiva.
Watson pasó de ganar un juego de Jeopardy! a interpretar imágenes de
resonancia magnética en segundos y continúa ampliando sus límites.
También es utilizado por la comunidad de desarrolladores empresarios en
un entorno de desarrollo abierto
Capacidades de Watson:
COMPRENDE
Watson puede analizar e interpretar todos los datos, incluyendo texto no
estructurado, imágenes, audio y video.
RAZONA

6
Watson puede ofrecer recomendaciones personalizadas al entender la
personalidad, el tono y la emoción del usuario.
APRENDE
Con Watson, usted puede utilizar machine learning para incrementar el
conocimiento experto de sus aplicaciones y sistemas.
INTERACTÚA
Watson puede dialogar, mediante voz y texto, de la forma en la que lo
hacen los humanos.
¿Cómo aprende Watson?
1. Watson debe aprender sobre un nuevo tema antes de contestar
preguntas relacionadas
Watson se alimenta con todos los materiales relacionados al nuevo tema,
por ejemplo: un documento Word, PDF o páginas web entre otros.
Pares de preguntas y respuestas se agregan para entrenar a Watson en el
tema.
Watson se actualiza automáticamente conforme se le ingresa nueva
información publicada.

2. El proceso de Respuesta de Watson

Investiga dentro de millones de documentos para encontrar las miles de
respuestas posibles.
Colecciona evidencia y utiliza un algoritmo ponderado para valorar la
calidad de la evidencia.
Significado de Conocimiento
Qué es el Conocimiento:
El conocimiento es el acto o efecto de conocer. Es la capacidad del
hombre para comprender por medio de la razón la naturaleza, cualidades
y relaciones de las cosas.

7
El término conocimiento indica un conjunto de datos o noticias que se
tiene de una materia o ciencia. Así mismo, conocimiento hace referencia a
una persona con la que se tiene relación o trato pero sin llegar a tener una
amistad como yo tengo conocimiento de lo que hace ese señor.
El conocimiento se origina a través de la percepción sensorial, luego al
entendimiento y finaliza en la razón. La metodología de generar
conocimiento tiene dos etapas: la investigación básica, etapa donde se
observa la teoría y, la investigación aplicada, etapa donde se aplica la
información.
El conocimiento puede ser "A priori" cuando no necesita de la experiencia
solo le basta la razón para llegar a un conocimiento y "A posteriori"
cuando necesita de la experiencia para llegar a un conocimiento válido.

Existe diversos tipos de conocimientos como:

Conocimiento mutuo: es un tipo de conocimiento que comparte dos o
más personas.
Conocimiento teológico: es el conocimiento relativo a Dios que se llega
mediante la aceptación de la revelación divina.
Conocimiento artístico: es aquel que comunica ideas, pensamientos y
sentimientos.
Conocimiento intelectual: es la facultad del ser humano que lo distingue
de los animales.
Conocimiento cultural: es cuando en una organización se utilizan
términos, procedimientos, acordados internamente.
Conocimiento empírico
El conocimiento empírico es aquel que se adquiere a través de la
observación y la experiencia personal y demostrable, sin que sea
necesario aplicar algún método de investigación o estudio.

8
Sin embargo, el conocimiento empírico puro no existe, y esto se debe a
que todas las personas formamos parte de una sociedad, comunidad y
familia.
Es decir, somos parte de un entorno cargado de creencias, pensamientos,
teorías, estereotipos o juicios de valor que afectan nuestra percepción e
interpretación de los nuevos conocimientos.
Un ejemplo del conocimiento empírico puede ser el reconocer los sabores
de los alimentos.
Conocimiento científico
Se trata de un tipo de conocimiento que se caracteriza por presentar de
manera lógica y organizada la información acerca de fenómenos
demostrables. Por tanto, se apoya en teorías, leyes y fundamentos a fin de
comprobar el análisis y la validez de la información.
En este sentido, se pueden elaborar conclusiones o hipótesis que
incentiven nuevas investigaciones, análisis críticos y desarrollos
tecnológicos. Asimismo, posibilita la creación de nuevos modelos o
teorías. Como ejemplo se puede mencionar la creación de energías
renovables.
Conocimiento intuitivo
Es un tipo de conocimiento que se obtiene a partir de un proceso de
razonamiento tras el cual se percibe una idea o hecho, sin que sea
necesario un conocimiento previo o la comprobación de su veracidad.
La intuición nos permite percibir información de manera instantánea
debido a la relación de información, asociación de ideas o sensaciones que
lleva a cabo cada individuo.
Por ejemplo, podemos intuir que puede llover si vemos una gran
acumulación de nueves en el cielo acompañadas de mucho viento.
Conocimiento filosófico
Es un tipo de conocimiento que parte de la reflexión, la observación y el
diálogo sobre la realidad, el contexto donde nos encontramos, las
experiencias que vivimos, los fenómenos naturales, culturales, sociales y
políticos, entre otros.

9
Asimismo, es un conocimiento que puede derivarse del pensamiento, más
allá de los temas sobre los cuales se deba realizar reflexiones o análisis.
En el conocimiento filosófico no es necesario llegar a la experiencia, ya
que su principal inquietud es explicar todo lo que nos rodea, por ello
fundamenta la creación de métodos y técnicas que permitan el análisis y
la explicación de diversas situaciones y prácticas humanas.
Asimismo, es un tipo de conocimiento que puede ser revisado y mejorado
de manera continua. Por ejemplo, el estudio de la ética o la moral.
Conocimiento matemático
El conocimiento matemático tiene que ver con la relación entre los
números y las representaciones exactas de la realidad. Se caracteriza por
presentar un tipo de racionamiento abstracto y lógico, establecer
fórmulas matemáticas y relacionarse con el conocimiento científico.
Como ejemplo se pueden mencionar los números positivos y número
negativos en la administración.
Conocimiento lógico
Es el tipo de conocimiento que se basa en la compresión coherente de
ideas que se relacionan y que generan una conclusión. Se caracteriza por
ser deductivo, aplicar el pensamiento lógico y comparativo, así como,
conllevar a posibles soluciones.
Por ejemplo, todos los jueves tengo clases de piano, hoy es jueves, así que
tengo clases de piano.
Conocimiento religioso
Es un tipo de conocimiento basado en un dogma, fe o creencias de las
personas, cuyos datos se consideran verdaderos y son aceptados sin
cuestionamientos de ningún tipo, más allá de que no se pueda demostrar
su veracidad o falsedad.
Se caracteriza por ser un tipo de conocimiento que se pasa de una
generación a otra, afecta a otros tipos de conocimiento, está compuesto
por rituales y una serie de reglamentos, estable valores y conductas
personales, entre otros.

10
Por ejemplo, la creencia en rituales que pueden realizar milagros o la
solución de diversos problemas.
Conocimiento directo
Es un tipo de conocimiento que se adquiere tras la experiencia directa con
un objeto o situación. Se obtiene por medio de los sentidos, por tanto,
está sujeta a la interpretación personal.
No se debe confundir con el conocimiento intuitivo, que deriva de las
experiencias anteriores. Por ejemplo, ver caer nieve por primera vez.
Conocimiento indirecto
Se trata del conocimiento que se obtiene a partir de otras informaciones
que se posean, por lo que no se hace necesario estar frente del objeto
sobre el cual se hace referencia.
Por ejemplo, cuando un estudiante sabe sobre qué trata el sistema
circulatorio, gracias a que ha leído sobre el tema en su libro escolar.
1. ¿Qué es Big Data?
Cuando hablamos de Big Data nos referimos a conjuntos de datos o
combinaciones de conjuntos de datos cuyo tamaño (volumen),
complejidad (variabilidad) y velocidad de crecimiento (velocidad)
dificultan su captura, gestión, procesamiento o análisis mediante
tecnologías y herramientas convencionales, tales como bases de datos
relacionales y estadísticas convencionales o paquetes de visualización,
dentro del tiempo necesario para que sean útiles.
Aunque el tamaño utilizado para determinar si un conjunto de datos
determinado se considera Big Data no está firmemente definido y sigue
cambiando con el tiempo, la mayoría de los analistas y profesionales
actualmente se refieren a conjuntos de datos que van desde 30-50
Terabytes a varios Petabytes.
La naturaleza compleja del Big Data se debe principalmente a la
naturaleza no estructurada de gran parte de los datos generados por las
tecnologías modernas, como los web logs, la identificación por
radiofrecuencia (RFID), los sensores incorporados en dispositivos, la
maquinaria, los vehículos, las búsquedas en Internet, las redes sociales

11
como Facebook, computadoras portátiles, teléfonos inteligentes y otros
teléfonos móviles, dispositivos GPS y registros de centros de llamadas.
En la mayoría de los casos, con el fin de utilizar eficazmente el Big Data,
debe combinarse con datos estructurados (normalmente de una base de
datos relacional) de una aplicación comercial más convencional, como un
ERP (Enterprise Resource Planning) o un CRM (Customer Relationship
Management).
¿Por qué el Big Data es tan importante?
Lo que hace que Big Data sea tan útil para muchas empresas es el hecho
de que proporciona respuestas a muchas preguntas que las empresas ni
siquiera sabían que tenían. En otras palabras, proporciona un punto de
referencia. Con una cantidad tan grande de información, los datos pueden
ser moldeados o probados de cualquier manera que la empresa considere
adecuada. Al hacerlo, las organizaciones son capaces de identificar los
problemas de una forma más comprensible.
La recopilación de grandes cantidades de datos y la búsqueda de
tendencias dentro de los datos permiten que las empresas se muevan
mucho más rápidamente, sin problemas y de manera eficiente. También
les permite eliminar las áreas problemáticas antes de que los problemas
acaben con sus beneficios o su reputación.
El análisis de Big Data ayuda a las organizaciones a aprovechar sus datos y
utilizarlos para identificar nuevas oportunidades. Eso, a su vez, conduce a
movimientos de negocios más inteligentes, operaciones más eficientes,
mayores ganancias y clientes más felices. Las empresas con más éxito con
Big Data consiguen valor de las siguientes formas:
Reducción de coste. Las grandes tecnologías de datos, como Hadoop y el
análisis basado en la nube, aportan importantes ventajas en términos de
costes cuando se trata de almacenar grandes cantidades de datos, además
de identificar maneras más eficientes de hacer negocios.

¡Más rápido, mejor toma de decisiones. Con la velocidad de Hadoop y la

analítica en memoria, combinada con la capacidad de analizar nuevas
fuentes de datos, las empresas pueden analizar la información
inmediatamente y tomar decisiones basadas en lo que han aprendido.

12
Nuevos productos y servicios. Con la capacidad de medir las necesidades
de los clientes y la satisfacción a través de análisis viene el poder de dar a
los clientes lo que quieren. Con la analítica de Big Data, más empresas
están creando nuevos productos para satisfacer las necesidades de los
clientes.

13