No. 165 Octubre - Diciembre 2022 DOI: 10.

29236/sistemas ISSN 0120-5919

Calle 93 No. 13 - 32 of. 102

Bogotá, D.C.
www.acis.org.co
 En esta edición
Editorial 4
Cadena de suministro digital
DOI: 10.29236/sistemas.n165a1
La nueva frontera de la resiliencia de las empresas

Columnista Invitado 8
Machine Learning y DataOps
DOI: 10.29236/sistemas.n165a2
La automatización de los procesos de Machine Learning facilitan el desarrollo continuo
de Analítica

Entrevista 12
Desafíos de la humanidad
DOI: 10.29236/sistemas.n165a3
Luis Murillo Fernández se pronuncia sobre “Machine Learning” con sus 15 años de
experiencia en inteligencia artificial.

Investigación 16
Machine Learning Operations y sus desafíos de implementación en Colombia
DOI: 10.29236/sistemas.n165a4
El estudio sobre tecnologías inteligentes, realizado por ACIS a través de Internet,
recibió respuesta de ochenta encuestados a nivel nacional.

Cara y Sello 23
Machine Learning Operations
DOI: 10.29236/sistemas.n165a5
Los desafíos de su implementación en Colombia.

Uno 30
Machine Learning
DOI: 10.29236/sistemas.n165a6
Como apoyo a la medicina predictiva.

SISTEMAS 1
 Publicación de la Asociación Colombiana de
Ingenieros de Sistemas (ACIS)
Resolución No. 003983 del
Ministerio de Gobierno
Tarifa Postal Reducida Servicios Postales
Nacional S.A. No. 2015-186 4-72
ISSN 0120-5919
Apartado Aéreo No. 94334
Bogotá D.C., Colombia

Dirección General
Jeimy J. Cano M.

Consejo de Redacción
Francisco Rueda F.
Gabriela Sánchez A.
Manuel Dávila S.
Andrés Ricardo Almanza J.
Emir Hernando Pernet C.
Fabio Augusto González O.
Jorge Eliécer Camargo M.
María Mercedes Corral S.

Editor Técnico
Joseph Alejandro Gallego M.

Coeditor Técnico
Fabio Augusto González O.

Editora
Sara Gallardo M.

Junta Directiva ACIS

2022-2024
Presidente
Luis Javier Parra B.
Vicepresidente
Jorge Fernando Bejarano L.
Secretario
Rodrigo Rebolledo M.
Tesorero
Jaime García C.
Vocales
Hilda Cristina Chaparro L.
Soledad Mercedes Gutiérrez R.

Directora Ejecutiva
Beatriz E. Caicedo R.

Diseño y diagramación
Bruce Garavito

Los artículos que aparecen en esta edición no

reflejan necesariamente el pensamiento de la
Asociación. Se publican bajo la responsabilidad
de los autores.

Octubre - Diciembre 2022

Calle 93 No.13 - 32 Of. 102
Teléfonos 616 1407 - 616 1409
A.A. 94334
Bogotá D.C.
www.acis.org.co
 Editorial

Machine Learning
Operations
DOI: 10.29236/sistemas.n165a1

Desafíos de su implementación en
Colombia.

Joseph Alejandro Gallego Mejía

El análisis de datos y el aprendizaje sis de voz, entre otros, hoy en día

de máquina están modificando ca- están siendo automatizadas usan-
da aspecto actual de nuestras vi- do algoritmos de aprendizaje de
das. Actividades que antes eran máquina.
realizadas enteramente por seres
humanos como la detección de en- El aprendizaje profundo (en inglés
fermedades, la detección de deep learning) lleva más de una dé-
objetos, el reconocimiento y sínte- cada mejorando los resultados de
4 SISTEMAS
métodos clásicos de aprendizaje con la definición y explicación de
de máquina, superando a los hu- metodologías ágiles, integración y
manos en varios campos. Como despliegue continuo, además de
ejemplo tenemos a AlphaZero Machine Learning Operations.
creado en DeepMind de Google
que nos ha aventajado en varios En el artículo dos, los ingenieros
juegos, como el ajedrez y go. Luis A. Blanquicett B. y Luis F. Mu-
rillo F. abordan el uso del aprendi-
De la misma forma como en los no- zaje de máquina en la medicina.
venta había una necesidad de me-
jorar el ciclo de vida del desarrollo Los autores abordan la definición
de software, hoy en día necesita- de los tipos de aprendizaje de má-
mos mejorar el de los modelos de quina y luego explican en detalle
aprendizaje de máquina. Estos pro- los usos del aprendizaje de máqui-
blemas están relacionados con la na en medicina.
creación, el empaquetamiento, el
despliegue, las pruebas, y la poste- Para la entrevista tuvimos como in-
rior monitorización del modelo. vitado al ingeniero Luis Murillo Fer-
nández quien se pronunció sobre
Por lo tanto, es necesario crear “Machine Learning” desde sus
buenas prácticas en el ámbito del quince años de experiencia en inte-
aprendizaje de máquina para evitar ligencia artificial. Inicia su interven-
la deuda técnica generada al usar ción diciendo que hoy en día tene-
soluciones simples en problemas mos grandes avances en la inteli-
complejos. gencia artificial en general, con
grandes retos éticos y un faltante
Enmarcados en este contexto, el en la discusión sobre la conciencia
comité editorial de la Revista Sis- biológica que hoy conocemos.
temas decidió dedicar este número
a discutir diversos aspectos del La sección de investigación se ba-
MLOps. Se abordan las definicio- só en una encuesta nacional reali-
nes de aprendizaje de máquina, zada por la Asociación Colombiana
sus distintas ramas, su uso en apli- de Ingenieros de Sistemas (Acis),
caciones médicas y una discusión en la que se indaga por el conoci-
acerca de su utilización dentro de miento de MLOps, así como por los
las empresas colombianas distintos roles de análisis de datos y
el uso de estas herramientas.
En el artículo uno, el ingeniero Hol-
man D. Bolívar B. hace un amplio En la sección de Cara y Sello parti-
recorrido desde la construcción de ciparon varios expertos nacionales
herramientas hasta algoritmos de de la academia y la industria, quie-
inteligencia artificial realizados por nes compartieron sus opiniones al-
el ser humano. Finaliza su análisis rededor de diversos aspectos de
SISTEMAS 5
 MLOps y el aprendizaje de máqui- Como se puede apreciar, este
na. Se discutió sobre los principa- número recoge varias perspectivas
les riesgos en los proyectos de Ma- y opiniones alrededor de un tema
chine Learning que desencadenan que está en pleno desarrollo. De
en deuda técnica, el desafío de lle- ahí que contemple una mirada in-
var modelos creados en cuadernos completa, por tratarse de un tema
interactivos a producción, los desa- vasto y en crecimiento.
fíos técnicos del ciclo de vida de
modelos de aprendizaje de máqui- No dudamos que nuestros lectores
na, además de los retos y posibles encontrarán un factor motivador
soluciones que tiene Colombia para profundizar más en esta apa-
concerniente a MLOps. sionante área.

Joseph Alejandro Gallego Mejía. Candidato a doctor en Ingeniería de Sistemas y

Computación. Magíster en Ingeniería de Sistemas e Ingeniero de Sistemas y Computación de
la Universidad Nacional de Colombia. Ingeniero Industrial de la Universidad Nacional de
Colombia. Investigador en el área de las ciencias de la computación. Gerente de tecnología y
fundador de Sammu, empresa internacional con presencia en Colombia, Chile, y Perú.
Desarrollador web, móvil y back-end. Docente de la Universidad Nacional de Colombia, del
programa Misión TIC 2022. Investigador asociado al grupo MindLab de la Universidad
Nacional de Colombia, sede Bogotá; realiza investigación en aprendizaje de máquina,
aprendizaje estadístico, minería de datos y análisis de datos.

6 SISTEMAS
SISTEMAS 7
 Columnista invitado

Machine Learning
y DataOps
DOI: 10.29236/sistemas.n165a2

La automatización de los procesos

de Machine Learning facilitan el
desarrollo continuo de Analítica.

Holman Diego Bolívar Barón

Desde tiempos inmemoriales, los nicos de Arquímedes, inventaron

seres humanos han construido má- palancas, instrumentos y máquinas
quinas para simplificar su trabajo y complejas para realizar procedi-
reducir el esfuerzo en completar di- mientos sofisticados. Mover gran-
ferentes tareas. Sin conocer nin- des y pesadas rocas o troncos de
guna de las leyes de la mecánica madera se hizo más sencillo utili-
Newtoniana o los teoremas mecá- zando un carro. Los pueblos primi-
8 SISTEMAS
tivos simplemente observaron có- ble que la revolución de TI mejoró
mo la rueda podía mejorar sus vi- nuestros trabajos diarios, pero sin
das (Ethem, 2016). el aprendizaje automático ML (por
Machine Learning), todavía habría
Una máquina se considera útil si muchas tareas que serían ajenas a
sus usuarios pueden entender fá- la informática. El filtrado de spam,
cilmente qué tareas se pueden el procesamiento de lenguaje na-
completar con menos esfuerzo o tural NLP (por Natural Language
automáticamente, máquinas auto- Processing), el seguimiento visual
máticas, construidas y programa- con una cámara web o un teléfono
das para lograr objetivos especí- inteligente y el análisis predictivo
ficos al transformar la energía en son solo algunas de las aplicacio-
trabajo, los molinos de viento son nes que revolucionaron la interac-
un ejemplo de herramientas ele- ción hombre-máquina, transfor-
mentales que pueden llevar a cabo mando herramientas electrónicas
tareas completas con un control hu- en extensiones cognitivas reales
mano mínimo. que están cambiando y reduciendo
la brecha entre la percepción hu-
Los seres humanos han tratado de mana, el lenguaje, el razonamiento
transferir algo de inteligencia a sus y entidades artificiales.
herramientas desde los albores de
la tecnología. Una rueda puede gi- ML no se basa en estructuras es-
rar alrededor de un eje fijo millones táticas o permanentes, sino en una
de veces y el viento debe encontrar capacidad continua para adaptar
una superficie adecuada para em- su comportamiento a señales ex-
pujarla, el camino comenzó con las ternas correspondientes a conjun-
herramientas, prosiguió con las tos de datos o entradas en tiempo
máquinas simples y luego a las in- real y, como un ser humano, esti-
teligentes (Rahman, 2020). mar un escenario o situación futura
con información incierta y fragmen-
Las computadoras programables taria (Bonaccorso, 2018).
son instrumentos muy extendidos,
flexibles y cada vez más podero- Por otra parte, la cantidad de datos
sos; además, la difusión de Internet que se genera es inconmensura-
permitió compartir aplicaciones de ble, con base en la publicación de
software e información relacionada Lori Lewis (2021) en el año 2021
con un mínimo de esfuerzo. El soft- durante 60 segundos se realizaban
ware de procesamiento de texto, un 1.4 millones de scrolling en Face-
cliente de correo electrónico, un na- book, 9.132 conexiones a Linkedin,
vegador web y muchas otras herra- 28.000 subscriptores de Netflix es-
mientas comunes que se ejecutan taban viendo alguna serie o pelícu-
en la misma máquina, son ejem- la, 1.6 millones de personas esta-
plos de esa flexibilidad. Es innega- ban haciendo compras online, 69
SISTEMAS 9
 millones de personas enviaban bién es posible segmentar clusters
mensajes por WhatsApp, se gene- con propiedades o comportamiento
raron 200.000 twits y 500 horas de similares y asignar los datos a al-
video eran subidas y reproducidas guno de ellos. Es posible que no se
en Youtube, entre muchas otras. logre identificar un parámetro o cri-
terio para realizar clustering con los
Actualmente, la cantidad de datos datos, pero es necesario una seg-
que se producen, se transportan y mentación, por lo tanto, los datos
se transforman es superior a la can- se pueden agrupar aleatoriamente,
tidad de datos generados por la hu- esta técnica es conocida como
manidad a lo largo de la historia, CLARANS (por Clustering Large
por tal razón, no es posible leer, Applications based upon Rando-
comparar y analizar todos los da- mized Search).
tos, incluso para supercomputado-
ras esto puede llegar a tomar mu- El proceso de calidad de los datos
cho tiempo, por tal razón es nece- es fundamental dentro de un ejer-
sario recurrir a técnicas estadísti- cicio de ML, para ello se suelen de-
cas para el análisis de la gran ex- sarrollar ejercicios de ETL (por Ex-
plosión de datos que se genera ca- tract, Transform and Load) que ho-
da minuto. mogenizan los datos para que sean
comparables y evaluables entre sí.
Todo modelo de ML requiere míni- Una sola proyección puede llegar a
mo un dataset de entrada, sin em- requerir la integración de decenas
bargo, para implementar el modelo, de sistemas de información para
este requiere cierta homogeneidad estructurar ese Dataset que permi-
entre los datos para compararlos e te realizar el ejercicio de ML.
identificar patrones y estructuras
que permitan establecer conjuntos Ese proceso de homogenización
o grupos de datos. Un grupo ho- se puede desarrollar realizando
mogéneo de datos es lo que se ejercicios de ingeniería de datos
conoce comúnmente como clúster. apoyándose en nuestro bien apre-
ciado y ponderado SQL (por Struc-
El agrupamiento es el proceso de tured Query Language) también se
análisis para clasificar datos en una puede desarrollar con funciones en
serie de grupos, en cada grupo los lenguaje R o Python. Así mismo,
datos son similares entre sí bajo existen herramientas para automa-
ciertos parámetros o criterios, entre tizar este proceso como Data-
más criterios cumple un grupo de bricks, Stratio o Alteryx.
datos se establece que la calidad
del grupo es mayor. El agrupa- En proyectos robustos de ML se
miento es comúnmente denomi- debe asegurar el ciclo de vida del
nado clustering (por su denomina- dato y el cumplimiento de los linea-
ción en inglés). En clustering tam- mientos generales para la imple-
10 SISTEMAS
mentación de la infraestructura de se enfoca en un desarrollo continuo
datos con base en la resolución 460 lo que permite generar innovación,
del 15 de febrero de 2022 del Minis- pasando por diferentes MVP (por
terio de Tecnologías de la Informa- Minimum Viable Product); sin em-
ción y las Comunicaciones de Co- bargo, la complejidad del desplie-
lombia. gue dependerá de los recursos pa-
ra la correcta funcionalidad de la
Para poder abordar la complejidad, aplicación, así como la interacción
incertidumbre y ambigüedad en el con el o los sistemas operativos so-
desarrollo de los productos de ML y bre los cuales se ejecutan los servi-
teniendo en cuenta el artículo 2.2. dores que soportan la funcionali-
9.1.1.3 del Decreto 767 del 16 de dad de esta. Cuando la aplicación
mayo de 2022 y el lineamiento del se mantiene en evolución y desa-
documento Maestro del Modelo de rrollo constante, el despliegue debe
Gestión de Proyectos TI, planteado automatizarse bajo el paradigma
por el Ministerio de Tecnologías de de integración y despliegue conti-
la Información y Comunicaciones, nuo CI/CD (por Continuous Inte-
el cual establece en el numeral 7.2. gration and Continuous Delivery),
10. MGPTI.LI.PLA.10 que: “Se de- lo que actualmente se denomina
be considerar el uso de metodolo- DevOps (por Development and
gías ágiles y la aplicación del mani- Operations).
fiesto Ágil”.
En el marco de los ejercicios de
Una metodología ágil podría ser analítica de datos se sigue el es-
Scrum, la cual permite el trabajo co- quema propuesto por IBM a través
laborativo mientras se aborda cada del CRISP-DM (Por Cross Industry
uno de los problemas generados Standard Process for Data Mining)
durante el desarrollo e implemen- que contempla una fase de enten-
tación, "Con scrum, un producto se dimiento del negocio y de los datos,
basa en una serie de iteraciones seguido de fases de preparación,
llamadas sprints que dividen pro- modelamiento, evaluación e im-
yectos grandes y complejos en por- plementación.
ciones minúsculas", “Gracias a los
sprints, los proyectos son más fáci- A la hora de implementar una meto-
les de gestionar, permiten a los dología que permita la automatiza-
equipos enviar trabajo de gran cali- ción del despliegue de ejercicios de
dad más rápido y con más frecuen- ML aparece MLOps (por Machine
cia, y les ofrecen más flexibilidad Learning Operations), ya que pro-
para adaptarse al cambio” (Dru- porciona un proceso de desarrollo
mond, 2022). de ML de extremo a extremo para
diseñar, construir y administrar
Scrum como metodología de de- software reproducible, comproba-
sarrollo de productos de software ble y evolutivo impulsado por ML.
SISTEMAS 11
 MLOps tiene como objetivo unificar for Data Science and Machine Learning,
el ciclo de lanzamiento para el 2nd Edition: Vol. 2nd ed. Packt Publishing.
Drumond. Claire, (2022), What is scrum?,
aprendizaje automático y el lanza- Atlassian, disponible en:
miento de aplicaciones de softwa- https://www.atlassian.com/agile/scrum
re, además, permite hacer pruebas
automatizadas de artefactos de Ethem Alpaydin. (2016). Machine Lear-
aprendizaje automático (por ejem- ning : The New AI. The MIT Press.
plo, validación de datos, pruebas IBM, (2021), CRISP-DM Help Overview,
de modelos de ML y pruebas de disponible en:
integración de modelos de ML). https://www.ibm.com/docs/en/spss-mode
MLOps facilita la aplicación de prin- ler/SaaS?topic=dm-crisp-help-overview
cipios ágiles a proyectos de apren-
Lewis. Lori, (2021), 2021 This is What
dizaje automático y reduce la deu- Happens in An Internet Minute.
da técnica en todos los modelos de https://www.allaccess.com/merge/archive
aprendizaje automático. MLOps /32972/infographic-what-happens-in-an-
debe ser una práctica indepen- internet-minute.
diente del lenguaje, el marco, la
MinTIC, Artículo 2.2.9.1.2.1. “Componen-
plataforma y la infraestructura y tes” del Capítulo 1 “ESTRATEGIA DE
permite admitir modelos y conjun- GOBIERNO EN LÍNEA” del Título 9 del
tos de datos de aprendizaje auto- Decreto 1078 de 2015
mático para construir estos mode-
los como ciudadanos de primera Rahman. Was., (2020). AI and Machine
Learning. Sage Publications Pvt. Ltd.
clase dentro de los sistemas de
CI/CD.

Referencias
Bonaccorso. Giuseppe., (2018). Machine
Learning Algorithms: Popular Algorithms

Holman Diego Bolívar Barón. Doctor en Informática por la Universidad Pontificia de

Salamanca, miembro profesional de la Association for Computing Machinery (ACM), líder del
grupo de investigación en Software Inteligente y Convergencia Tecnológica –GISIC-. DEA en
Ingeniería del Software, profesor de la Universidad Católica de Colombia e investigador
asociado de Minciencias. Su área de investigación se centra en el desarrollo de software
para entrenamiento cognitivo y modelos de desarrollo para la evaluación del aprendizaje en
entornos interactivos a través de la lógica difusa. Actualmente trabaja en la estructuración de
una plataforma de ciencia de datos y aprendizaje de máquina automatizado de código
abierto para la investigación de acceso público al servicio de la sociedad.

12 SISTEMAS
 Entrevista

Desafíos de la
humanidad
DOI: 10.29236/sistemas.n165a3

Luis Murillo Fernández se pronuncia sobre “Machine Learning”

con sus 15 años de experiencia en inteligencia artificial.

Sara Gallardo M.

Luis Murillo Fernández es ingenie- cemos. El mundo se enfrenta a de-

ro electricista con especialización safíos importantes desde la igual-
en Informática Industrial y maestría dad, la guerra y la carrera arma-
en Gestión de la innovación. Su ex- mentista; además, a los nacionalis-
periencia en Inteligencia Artificial mos que influyen en las decisiones
es de 15 años, “inicialmente con tomadas hoy y que tendrán un im-
sistemas de control neuro difuso y pacto significativo en el futuro de la
hoy en día en Machine Learning y humanidad”, no duda en afirmar,
ciencia de datos”, aclara. antes de entrar de lleno en la en-
trevista.
Se define como un apasionado por
su trabajo y señala que el tiempo RS: Desde su experiencia, ¿cómo
libre lo dedica a su familia y a sus define el muro de la confusión en
hobbies: la electrónica y las ma- proyectos de Machine Learning y
nualidades con madera. Le encan- cómo MLOps ayuda a tumbar ese
tan las películas de ciencia ficción. muro?
Luis Murillo Fernández: El llama-
“Estamos en un hito importante; por do muro de la confusión es un con-
un lado, los avances de la inteli- cepto que va más allá de la organi-
gencia artificial en general, sus re- zación en la forma como se estruc-
tos éticos y las discusiones sobre la tura y también en las personas que
conciencia biológica que hoy cono- conforman los correspondientes
12 SISTEMAS
equipos de trabajo. Nos encontra- Machine Learning y la Ciencia de
mos con este marco de objetivos di- Datos, reduciendo el riesgo de rea-
ferentes entre los distintos depar- lizar proyectos en desarrollo que no
tamentos. Debido a lo novedoso de llegan a producción y operación.
los desarrollos en Machine Lear-
ning, la diferencia de objetivos en- RS: ¿Cuáles son los principales
tre los equipos de desarrollo y de riesgos en los proyectos de Machi-
operación es mucho más amplia; ne Learning que desencadenan en
los primeros intentando crear nue- deuda técnica?
vas y mejoradas funcionalidades y LMF: Esta deuda técnica en Ma-
los segundos intentando tener sis- chine Learning puede aparecer por
temas más estables. MLOps como diversos factores, entre los más co-
proceso de múltiples funciones per- munes está la baja calidad de los
mite implementaciones rápidas, datos utilizados para el entrena-
colaborativas e iterativas que po- miento de los modelos (overfitting y
nen en marcha las capacidades de underfitting), lo cual puede llevar a
SISTEMAS 13
 no elegir el mejor por el afán de los proyectos y no definir clara-
desplegar la solución. mente los resultados esperados,
los inconvenientes y contingencias
RS: Muchos científicos de datos que pudieran encontrarse en su de-
desarrollan buena parte de su tra- sarrollo. Y, no menos importante,
bajo usando herramientas interac- es que las personas y organizacio-
tivas como los cuadernos de Jupy- nes muchas veces tienen proble-
ter. ¿Cómo pueden estos profesio- mas con los cambios y MLOps im-
nales evolucionar su trabajo hacia plica necesariamente cambiar la
el uso de MLOps?, ¿en qué as- forma como se hacen los proyectos
pectos se deberían enfocar prime- de Machine Learning en la organi-
ro? zación.
LMF: El uso de MLOps por parte
de los científicos de datos es un RS: ¿Son los datos tan importantes
asunto pendiente que aún tenemos como lo plantea Andrew NG en un
muchos al desarrollar soluciones proyecto de machine learning?
de Machine Learning y ciencia de LMF: La calidad de los datos utili-
datos. Es importante que durante el zados en Machine Learning y cien-
entrenamiento y capacitación de cia de datos es muy importante, to-
estas personas se incluya el uso de da vez que estos son la materia pri-
herramientas de MLOps, que en ma con la que entrenaremos los
muchas de las formaciones no se modelos y por tanto tienen un efec-
encuentran o se describen muy su- to en la precisión y escalabilidad fu-
perficialmente. tura de nuestros proyectos, a dife-
rencia del desarrollo de software
RS: ¿Cuáles son los desafíos téc- tradicional, en el que las mejoras
nicos a los cuales se enfrenta un van de la mano para optimizar la
equipo de desarrollo al momento arquitectura o el código.
de iniciar con MLOps?
LMF: Los desafíos técnicos al ini- RS: ¿Cómo se articulan los datos
ciar con MLOps están relacionados dentro de MLOps?
más con los conocimientos y la ex- LMF: En MLOps los datos siguen
perticia del equipo, que con las he- siendo importantes como en cual-
rramientas y plataformas adecua- quiera de nuestros sistemas basa-
das. Pero indudablemente existen dos en Machine Learning, pero la
otros factores que pueden presen- automatización de procesos analí-
tar desafíos tales como no disponer ticos (APA), permite estandarizar y
por parte de la organización de los acelerar las primeras etapas de
recursos necesarios, no dar tiempo acceso a los datos, su preparación,
para que los equipos de trabajo el modelado y ajuste, que en pro-
puedan experimentar con MLOps yectos tradicionales de Machine
antes de abordar proyectos forma- Learning y ciencia de datos podrían
les; no planificar adecuadamente requerir más tiempo.
14 SISTEMAS
RS: ¿Está Colombia preparada se han estado desarrollando con-
para asumir los retos de MLOps? vocatorias para capacitación que
LMF: En gran medida sí, pero si- han dado buenos resultados, pero
gue existiendo un déficit de perso- en muchas de ellas, MLOps no ha
nas capacitadas en Machine Lear- estado presente para mejorar las
ning y ciencia de datos, y más aún habilidades técnicas del personal
con conocimientos y experiencia entrenado. Sería deseable una se-
en MLOps. gunda etapa de estas capacitacio-
nes que incluya profusamente
RS: ¿Cómo podríamos mejorar las MLOps y la participación en pro-
habilidades técnicas de las perso- yectos reales que incluyan MLOps
nas involucradas en MLOps en Co- en instituciones del Estado.
lombia?
LMF: Siempre es importante la ca- RS: ¿En la práctica, ¿cuáles serían
pacitación y el entrenamiento, par- los beneficios de contar con tales
ticipar de proyectos reales que in- personas expertas en MLOps?
volucren MLOps para lograr que las LMF: El país se encuentra en una
personas logren mejorar amplia- carrera con otros países de la re-
mente sus habilidades técnicas. gión para ser influyente en Latino-
américa en el desarrollo de soft-
RS: ¿Debería ser una prioridad del ware y en este ámbito, el Machine
gobierno no sólo preparar nuevos Learning y la ciencia de datos son
científicos de datos sino personas elementos diferenciadores, por ello
expertas en MLOps? ¿Por qué? es importante tener un número im-
¿Con qué objetivo? portante de personas expertas en
LMF: Si, desde hace algunos años MLOps.

Sara Gallardo M. Periodista comunicadora, universidad Jorge Tadeo Lozano. Ha sido

directora de las revistas Uno y Cero, Gestión empresarial y Acuc Noticias. Editora de Aló
Computadores del diario El Tiempo. Redactora en las revistas Cambio 16, Cambio y Clase
Empresarial. Coautora del libro “Lo que cuesta el abuso del poder”. Ha sido corresponsal de
la revista Infochannel de México; de los diarios La Prensa de Panamá y La Prensa Gráfica
de El Salvador y corresponsal de la revista IN de Lanchile e investigadora en publicaciones
culturales. Se ha desempeñado también como gerente de Comunicaciones y Servicio al
Comensal en Inmaculada Guadalupe y amigos en Cía. S.A. (Andrés Carne de Res) y
editora de Alfaomega Colombiana S.A.; en la actualidad es asesora y editora en escritura y
producción de libros. Es editora de esta revista.

SISTEMAS 15
 Investigación

Encuesta Nacional
“Machine Learning
Operations y sus
desafíos de
implementación
en Colombia”
El estudio sobre tecnologías inteligentes, realizado por ACIS
a través de Internet, recibió respuesta de ochenta
encuestados a nivel nacional.
DOI: 10.29236/sistemas.n165a4

Joseph A. Gallego M., PhD(c)

Fabio A. González O., PhD

La Asociación Colombiana de Ingenieros de Sistemas (Acis) adelantó una

investigación a través de sus plataformas en Internet, con el propósito de
indagar sobre el uso de tecnologías de la información enfocadas en Ma-
chine Learning Operations (MLOps) y explorar el impacto de su penetra-
ción en el ámbito empresarial colombiano.
16 SISTEMAS
Metodología del sector TI a nivel nacional. Se
La encuesta se realizó a través de basó en un formulario virtual de
Internet, dirigida a profesionales siete preguntas.

Resultados
Se realizaron siete preguntas diri- 1. ¿Su organización utiliza herra-
gidas a profesionales de TI y con- mientas de análisis de datos y/o
forme a las respuestas se registra- machine learning para apoyo a la
ron los siguientes resultados: toma de decisiones?

Gráfica 1. Grado de utilización de herramientas de análisis de datos y/o

machine learning para apoyo a la toma de decisiones

SISTEMAS 17
 La mayoría de los encuestados, La gran mayoría de empresas, el
48.8%, manifestó que algunas ve- 55%, no cuenta con un equipo es-
ces utiliza los datos y/o machine pecializado en proyectos de aná-
learning para apoyar su toma de lisis de datos y/o machine learning.
decisiones. El 27.5%, indicó que Tan sólo el 45% sí lo posee. Con es-
nunca los usa. Sólo el 6.3% indicó ta respuesta, podemos ver que las
que siempre los usa. De sus res- empresas de tecnología encuesta-
puestas se puede inferir que las das aún no ven la necesidad ni la
empresas colombianas aún tienen rentabilidad que pueden generar
un gran potencial de mejoramiento los proyectos de análisis de datos
basando sus decisiones estratégi- y/o machine learning.
cas en datos.
3. Cuáles de las siguientes aplica-
2. ¿Su organización cuenta con un ciones de machine learning se han
equipo especializado en el desarro- llevado a cabo en su organización.
llo de proyectos que involucran
análisis de datos y/o machine lear- Dentro de las aplicaciones de ma-
ning? chine learning usadas por las orga-

Gráfica 2. Porcentaje de empresas con equipos de desarrollo de proyectos

que involucran análisis de datos y/o machine learning

Gráfica 3. Uso de aplicaciones de machine learning dentro de la

organización
18 SISTEMAS
nizaciones, de acuerdo con los en- 5. ¿Cuáles de los siguientes roles
cuestados, las de mayor uso son existen actualmente en su organi-
las relacionadas con el riesgo, la zación?
segmentación de mercados y el
análisis de redes sociales. Técni- El 72.5% de las empresas encues-
cas de análisis de imágenes y vi- tadas dice tener un director o jefe
sión por computador se usan en el de tecnología. Sin embargo, sólo el
21% de las empresas encuesta- 23.75% tiene un científico de datos,
das. Otras técnicas más avanza- y el 11.25% un Ingeniero de machi-
das, como los sistemas de reco- ne learning. Las empresas encues-
mendación y el reconocimiento de tadas muestran que no se cuenta
voz, no son tan usadas. con el personal adecuado para de-
sarrollar proyectos de ciencia de
4. ¿Su empresa utiliza Machine datos y machine learning.
Learning Operations (MLOps)?
6. ¿Se hacen uso de tecnologías de
La gran mayoría de encuestados, integración continua dentro de su
87.5%, no usa Machine Learning organización?
Operations (MLOps) dentro de sus
empresas. Sólo el 12.5% lo utiliza. El 51.3% de los encuestados usa
Podemos inferir que el uso de bue- tecnologías de integración conti-
nas prácticas de MLOps, todavía nua frente al 48.8% que na hace
no se ve como una necesidad den- uso de estas. El uso de tecnologías
tro de las empresas encuestadas de integración facilita el desarrollo y
de tecnología. mejora el tiempo de respuesta de

Gráfica 4. Uso de Machine Learning Operations (MLOps) dentro de

empresas de tecnología en Colombia
SISTEMAS 19
 Gráfica 5. Porcentaje por cada rol relacionado a MLOps dentro de las
organizaciones encuestadas

las empresas. Existe todavía un 7. ¿Qué herramientas tecnológicas

gran número de empresas que no para análisis de datos y/o machine
hace uso de este tipo de tecnolo- learning se utilizan o se han utiliza-
gías. do en su organización?

Gráfica 6. Porcentaje de empresas encuestadas que hacen uso de

tecnologías de integración continua.
20 SISTEMAS
 Gráfica 7. Construida con nubedepalabras [1] según el uso de los
encuestados para relacionar las tecnologías de análisis de datos y machine
learning. A mayor tamaño de la palabra, mayor la frecuencia de la palabra
utilizada los encuestados.

Con esta pregunta se buscaba in- nizaciones encuestadas por utilizar

dagar la penetración que tienen di- el análisis de datos y machine lear-
ferentes tecnologías relacionadas ning dentro de sus organizaciones.
con análisis de datos y/o machine No obstante, existe todavía una
learning en el contexto colombiano. gran diferencia entre las empresas
La siguiente nube de palabras que utilizan los datos para tomar
muestra las respuestas más fre- decisiones frente a los que no los
cuentes. usan o los usan algunas veces. El
actual dinamismo de los negocios y
Como se puede observar en la Grá- los rápidos cambios en el consumo
fica 7, los encuestados consideran hacen que se deba actuar de forma
que conocen en mayor medida tec- rápida, esto se puede lograr utili-
nologías de análisis de datos tales zando métodos para toma de deci-
como PowerBi, Python, Microsoft siones automatizadas como los de
Azure, Watson, Oracle, Sage Ma- machine learning.
ker, SAS, entre otras.
El uso de métodos de análisis de
Conclusiones datos y machine learning es parcial
Los resultados muestran que existe dentro de las organizaciones. La
un interés inicial dentro de las orga- mayoría de aplicaciones se enfo-
SISTEMAS 21
 can en entender al cliente y en mo- datos y el machine learning, que
delos financieros. Existe un gran apuntan a tener un personal más
potencial dentro de las organiza- especializado para este tipo de pro-
ciones para utilizar métodos más yectos. Es el caso de los ingenieros
avanzados de machine learning co- de machine learning y los científi-
mo la detección de anomalías, los cos de datos. Según se pudo cons-
sistemas de recomendación y el re- tatar en la investigación, estos roles
conocimiento y/o síntesis de voz. aún no son requeridos dentro de las
Para lograr esto, las organizacio- organizaciones encuestadas. Esto
nes deben empezar a utilizar he- deberá cambiar a futuro si quere-
rramientas automatizadas que per- mos beneficiarnos del uso de méto-
mitan el rápido despliegue y prue- dos de aprendizaje automático.
bas automatizadas. Sin embargo,
según los resultados de la encues- En general, esta investigación
ta cerca de la mitad de los encues- mostró que existe un gran potencial
tados no utiliza este tipo de herra- para que las empresas empiecen a
mientas. Así mismo, el uso de he- utilizar las herramientas de ML-
rramientas de MLOps que permi- Ops, con el propósito de crear mo-
tan el rápido despliegue de mode- delos, probarlos, empaquetarlos,
los de machine learning, su evalua- desplegarlos, y/o monitorizarlos.
ción continua y monitorización es
escaso dentro de los encuestados. Referencias
[1] NubeDePalabras:
https://www.nubedepalabras.es/
En el mundo se han ido creando
nuevos roles dentro del análisis de

Joseph Alejandro Gallego Mejía. Candidato a doctor en Ingeniería de Sistemas y

Computación. Magíster en Ingeniería de Sistemas e Ingeniero de Sistemas y Computación de
la Universidad Nacional de Colombia. Ingeniero Industrial de la Universidad Nacional de
Colombia. Investigador en el área de las ciencias de la computación. Gerente de tecnología y
fundador de Sammu, empresa internacional con presencia en Colombia, Chile, y Perú.
Desarrollador web, móvil y back-end. Docente de la Universidad Nacional de Colombia, del
programa Misión TIC 2022. Investigador asociado al grupo MindLab de la Universidad
Nacional de Colombia, sede Bogotá; realiza investigación en aprendizaje de máquina,
aprendizaje estadístico, minería de datos y análisis de datos.

Fabio Augusto González O. Profesor titular del Departamento de Ingeniería de Sistemas e

Industrial de la Universidad Nacional de Colombia, sede Bogotá. Es ingeniero de Sistemas y
Magíster en Matemáticas, de la Universidad Nacional de Colombia, MSc y PhD en Ciencias
de la Computación de la Universidad de Memphis, Estados Unidos. Lidera el grupo de
investigación MindLab. Su trabajo de investigación se enfoca en los fundamentos de
aprendizaje de máquina y recuperación de información y su aplicación en el análisis de
imágenes y texto, visión por computador y minería de datos.

22 SISTEMAS
 Cara y Sello

Machine Learning
Operations
DOI: 10.29236/sistemas.n165a5

Los desafíos de su implementación en Colombia.

Sara Gallardo M.

La producción de datos es cada vez con “Machine Learning” y su avan-

mayor y su aumento seguirá en au- ce en el país.
ge en computadores, teléfonos in-
teligentes, tabletas y la variedad de El editor técnico y el coeditor de es-
equipos que circulan entre los dife- ta edición abrieron el debate.
rentes usuarios de la tecnología in-
formática y de las comunicaciones, Joseph Alejandro Gallego M.
de ahí la importancia de profundi- Editor Técnico
zar en el tema. Revista Sistemas Edición 165
Fabio Augusto González O.
Para tratar los asuntos más rele- Coeditor Técnico
vantes de este entorno en el país Revista Sistemas Edición 165
fueron convocados varios profesio-
nales, quienes a través de su expe- En DevOps llamamos muro de la
riencia se ocuparon de analizar di- confusión al que se crea típica-
ferentes aspectos relacionados mente entre los desarrolladores de
SISTEMAS 23
 software y los ingenieros de sopor- en ingeniería civil, mecánica, en
te del software ¿En su experiencia, una red de análisis y en prueba en
en qué consiste el muro de la confu- los primeros proyectos de software.
sión en proyectos de machine lear- Hace cuarenta años había muchos
ning y cómo MLOps ayuda a tum- problemas porque los requeri-
bar ese muro? mientos no eran del todo claros y se
desarrollaron las metodologías ági-
Raúl Ramos P. les. Con Machine Learning e IA es-
Profesor e investigador tá sucediendo los mismo.
Universidad de Antioquia
Con frecuencia hago una analogía Ricardo Barragán O.
que en esta ocasión me parece Consultor Sénior
muy pertinente. Hoy todos estamos Teradata
aprendiendo sobre cómo usar en la En el mundo de la analítica hay dos
práctica y de manera útil todas es- áreas que trabajan un poco en
tas técnicas de IA. El DevOps –sor- contravía; normalmente son áreas
prende que sea tan reciente- esta- con personas innovadoras que es-
ba en proceso de implementación tán a la vanguardia, explorando

Joseph Gallego M. Fabio González O. Raúl Ramos P.

Ricardo Barragán O. Diego Ibagón P. Jorge Camargo M.

24 SISTEMAS
constantemente; no están basadas delos del área comercial, eran mo-
en procesos, sino en resultados. delos descriptivos, principalmente
De ahí que un científico de datos no era una visualización en una gráfi-
siga un proceso sino busca un re- ca o en un reporte; hoy son otros y
sultado, sin importar qué herra- se trata de modelos predictivos o
mientas tenga para lograrlo. Y, por prescriptivos. Eso cambia un po-
el otro lado, están las áreas de tec- quito la perspectiva y la operacio-
nología, las cuales tienen que pro- nalización del modelo; se requiere
pender por la seguridad de una tener en cuenta el aprendizaje y la
compañía, por la información, los ejecución del modelo. En mi com-
ciclos, los tiempos y están basadas pañía lo llamamos “scoring”, no se
en el proceso. Se trata de dos áreas cómo lo denominen en la industria.
que trabajan en sentidos distintos y
MLOps busca que trabajen juntas. Fabio A. González O.
Es decir, que exista la innovación,
la flexibilidad, que la operación sea
algo organizado y basado en pro-
cesos, es una forma de ver esas
barreras.

Y otra forma que es importante

mencionar, lo cual me recuerda un
paper de Google que muestra có-
mo desarrollar un modelo analítico,
es una parte pequeña con respecto
a todo el proceso que se requiere
para operacionalizar un modelo; es
decir, no necesariamente cuando
se termina de desarrollar un mode-
lo, este es usable para la compa-
ñía.
Es decir ¿eso tiene que ver con la
Fabio A. González O. complejidad de los modelos? ¿Esa
Me parece muy interesante la pers- brecha se ha agrandado?
pectiva de Ricardo, en esa época
¿cómo se manejaba esa tensión, Ricardo Barragán O.
existía? Y ¿cómo se resolvía en Desde mi punto de vista sí hay más
proyectos de inteligencia de nego- opciones, más herramientas para
cios, de ingeniería de datos? tener analítica y ahora las más usa-
das y las más difíciles de operacio-
Ricardo Barragán O. nalizar son las que contienen inteli-
Esa parte ha cambiado un poco; gencia artificial, el aprendizaje del
antiguamente, el 99% de los mo- modelo.
SISTEMAS 25
 Diego Ibagón P. ma del software, porque todavía no
Machine Learning Sénior Manager se puede decir adultez, se han or-
Mercado Libre ganizado de alguna manera la casa
y los roles; el tema todavía no se
comprende muy bien, se especula
mucho. De manera que un muro
compuesto por ingeniería de soft-
ware, más ciencia de datos, analíti-
ca de datos es pedregoso. Se trata
de un tema en el que todavía esta-
mos en pañales y en las entidades
no se entiende muy bien.

Raúl Ramos P.

En compañías muy grandes de di-

ferentes sectores el miedo inhe-
rente a llevar esta producción sigue
existiendo y es curioso. Se explica
también por la idiosincrasia. La re-
lación academia empresa en los
grupos empresariales grandes es
muy lenta y nos quita la velocidad
que sí tienen otros países, enton-
ces ese miedo inherente genera el
uso de enfoques antiguos, hace
que uno trate de meter un triángulo Me parece muy pertinente lo rela-
en los juegos de los niños o un cionado con los equipos multidisci-
triángulo en la caja del cuadrado o plinares y la parte del miedo, del pá-
el círculo en otra que no cuadra. nico a la producción y creo que no
es solamente una cuestión de có-
Jorge E. Camargo M. mo nivelar los equipos que están
El muro de la confusión en el ML- compuestos de muchas profesio-
Ops es todavía mucho más com- nes distintas; también es una cues-
plejo, es decir, estamos en una fase tión cultural de cada profesión; no
en que las empresas empiezan a es igual, la parte del conocimiento,
adoptar esto. Si bien ya se está en- la manera de trabajar de un inge-
trando a una adolescencia en el te- niero de sistemas frente a la de un
26 SISTEMAS
físico o un economista. Cada vez en los proyectos de Machine Lear-
que en un proyecto no está definido ning que desencadenan en deuda
lo que hay que hacer, es necesario técnica?
interrelacionar con el cliente y una
variedad de profesiones. Es más Ricardo Barragán O.
viable en lugar de ingenieros de sis-
temas, optar por vincular físicos, en
la medida en que los primeros re-
quieren los asuntos muy bien defi-
nidos. No saben asumir el vocabu-
lario de los otros ni manejar una ter-
minología distinta a la propia. Esta
cuestión de los equipos multidisci-
plinares es muy difícil de poner en
marcha.

Joseph Alejandro Gallego M.

En mi opinión, veo los problemas

de inteligencia artificial y Machine
Learning un poco diferentes a los
problemas de desarrollo que tenía-
mos antes; de hecho, son más res-
tantes. En todas las organizaciones
se ve que el científico de datos está
trabajando con una versión y el otro
está trabajando con una diferente y
el problema lo van a tener todos en
el momento en el que quieran ope-
En ingeniería de software se utiliza racionalizar, a menos de que se
el término deuda técnica para refe- haga independiente esta acción de
rirnos a las consecuencias que los desarrollos. Debe haber una ca-
conlleva el reproceso, debido a so- pa en el medio que independice
luciones rápidas a problemas com- eso.
plejos. Esto se debe a presiones
internas y externas al equipo de tra- Raúl Ramos P.
bajo. En mi opinión el concepto de deuda
En su experiencia como experto técnica aplicado a este tipo de en-
¿cuáles son los principales riesgos tornos es un poco distinto también;
SISTEMAS 27
 en la línea de lo que se está men- pañías es que los roles todavía no
cionando es bueno hacer ciclos rá- son claros, no están definidos y,
pidos, equivocarse pronto, gestio- muchas veces, las primeras perso-
nar las expectativas de los clientes, nas que empiezan a abordar estos
salir a producción lo antes posible, proyectos hacen de todo, es decir
aunque sea parcialmente. El riesgo resultan aprendiendo machine
es no darse la oportunidad de hacer learning, conectándose a la nube,
todo eso, porque en muchas oca- subiendo máquinas. En otras pala-
siones esto es también un ejercicio bras, haciendo de todo, porque no
de descubrimiento, de validación hay más profesionales en las com-
de cuáles tecnologías y métodos pañías.
pueden resolver el problema.
Raúl Ramos P.
Fabio A. González O. En mi opinión, se trata de dos ca-
Muchos científicos de datos desa- minos muy distintos en términos de
rrollan buena parte de su trabajo formación. Me parece que los pro-
usando herramientas interactivas fesionales deben acercarse para
como los cuadernos de Jupyter. conocerse entre sí, es necesario in-
¿Cómo pueden estos profesiona- teractuar para interpretar los datos
les evolucionar su trabajo hacia el y los modelos.
uso de MLOps?, ¿en qué aspectos
se deberían enfocar primero? Ricardo Barragán O.
La falta de conocimiento profundo
Jorge E. Camargo M. de las ramas requeridas siempre va
a repercutir en costos. En una opor-
tunidad trabajamos para un cliente
con un científico de datos, una emi-
nencia con amplios conocimientos,
pero el consumo de los recursos
era enorme y resultaba muy costo-
so para la compañía, de manera
que se optó por un ingeniero que
depuró el programa y quedó con-
sumiendo el 80% menos de recur-
sos. Es necesario el trabajo con-
junto, cada uno con su aporte indi-
vidual.

Diego Ibagón P.
Es importante generar conciencia
en términos de costos y para ello es
Lo que uno encuentra con estos aconsejable trabajar con ejercicios
procesos tan nuevos en las com- muy didácticos de cara al diseño.
28 SISTEMAS
Fabio A. González O. importante entender que se trata de
Sabemos que se trata de un tema proyectos de largo aliento y que los
nuevo del que todos estamos resultados pueden demorar.
aprendiendo. ¿Qué se necesitaría
para que una empresa pueda em- Ricardo Barragán O.
pezar a cambiar esa cultura? Des- No estamos viendo los problemas a
de las universidades a nivel de In- largo plazo sino simplemente el día
geniería de Sistemas y otras áreas a día en cuanto a la formación. En
afines ¿qué nos faltaría? cuanto a las empresas deben inno-
var, aprender porque el mercado es
Diego Ibagón P. quien valida el producto desarro-
El asunto no es fácil, no se me ocu- llado.
rre la solución completa. Los inge-
nieros de sistemas adolecemos de Jorge E. Camargo M.
muchas cosas. Los jóvenes, ade- En todas las profesiones tenemos
más de ver la solución en una forma un déficit de formación importante,
más práctica, tienen conciencia del en muy pocos colegios se desarro-
impacto y en ese sentido hay que lla el pensamiento computacional,
volver a lo básico en muchos as- asunto clave sin importar la carrera.
pectos. En esa dirección, los retos son
grandes.
Raúl Ramos P.
Desde la perspectiva de la forma- Ricardo Barragán O.
ción, en la Ingeniería de Sistemas Desde mi experiencia como pro-
es necesario involucrar la cultura veedor, en primera instancia se de-
de “poner cajitas juntas”, además be analizar el problema y luego
de profundizar en diferentes aspec- elegir la tecnología para solucio-
tos. Así mismo, dar lugar a la prue- narlo. Por lo general, esto no suce-
ba y el error. En las empresas es de y el camino se recorre al revés.

Sara Gallardo M. Periodista comunicadora, universidad Jorge Tadeo Lozano. Ha sido

directora de las revistas Uno y Cero, Gestión empresarial y Acuc Noticias. Editora de Aló
Computadores del diario El Tiempo. Redactora en las revistas Cambio 16, Cambio y Clase
Empresarial. Coautora del libro “Lo que cuesta el abuso del poder”. Ha sido corresponsal de
la revista Infochannel de México; de los diarios La Prensa de Panamá y La Prensa Gráfica
de El Salvador y corresponsal de la revista IN de Lanchile e investigadora en publicaciones
culturales. Se ha desempeñado también como gerente de Comunicaciones y Servicio al
Comensal en Inmaculada Guadalupe y amigos en Cía. S.A. (Andrés Carne de Res) y
editora de Alfaomega Colombiana S.A.; en la actualidad es asesora en escritura y
producción de libros. Es editora de esta revista.

SISTEMAS 29
 Uno

Machine
Learning
DOI: 10.29236/sistemas.n165a6

Como apoyo a la medicina predictiva.

Resumen
El sector salud tiene involucrado una gran cantidad de procesos y proce-
dimientos generadores de todo tipo de información que en muchos casos
no están disponibles de forma libre para los profesionales de diferentes
áreas y en especial de las ciencias computacionales.

¿Qué sucedería si toda esta información pudiera estar disponible? La me-

dicina preventiva y predictiva podría desarrollarse con mayor rapidez, de-
sarrollando modelos predictivos a través de algoritmos de Machine Lear-
ning, como apoyo a los profesionales de la salud en la toma de decisiones.

Este artículo permite conocer la convergencia que existe entre la medici-

na predictiva y el Machine Learning, sus ventajas y los diferentes algorit-
mos de Machine Learning que se pueden aplicar dependiendo de los tipos
de datos.

Palabras claves
Machine Learning, Health, Inteligencia artificial
52 SISTEMAS
 Luis Alfredo Blanquicett Benavides
Luis Fernando Murillo Fernández

Introducción vos móviles, según (Villamizar &

La Organización Mundial de La Sa- Lobo, 2019). Por medio de la inte-
lud (OMS) ha planteado desde 19- gración de los servicios de e-Salud
97 la integración de las TIC para su- con la inteligencia Artificial (IA), se
perar la barrera de acceso y au- podrán detectar de manera precoz
mentar la cobertura de los servicios diferentes tipos de enfermedades,
de salud. El término e-Salud o e- como apoyo a los profesionales de
Health se ha definido como el “so- la salud y las entidades de guber-
porte que las Tecnologías de la In- namentales, en la toma de decisio-
formación y las Comunicaciones, nes en el momento de una crisis de
ofrecen a la salud y a los ámbitos salud pública como los ocurridos
relacionados con ella, buscando con la pandemia de Civid-19.
tanto la inclusión de los servicios de
atención de salud, la vigilancia y la La IA según (Romero Cardalda, Da-
documentación sanitarias, como la fonte Vázquez, & Gómez García,
educación, los conocimientos y las 2007), el aprendizaje, la capacidad
investigaciones en materia de sa- de adaptación a entornos cambian-
lud”, según lo contemplado en el tes y la creatividad, entre otros as-
documento “Estrategias y Plan de pectos, son facetas que usual-
Acción sobre e-Salud”, publicado mente se relacionan con el compor-
en el 2011 por la OMS. De acuerdo tamiento inteligente. La Inteligencia
con la OMS, la e-Salud se divide en Artificial (IA) es por definición inter-
varios componentes: disciplinar, porque en ella intervie-
nen diferentes disciplinas, tan va-
1) las historias clínicas electróni- riadas como la neurociencia, la psi-
cas, definidas como un formato cología, las tecnologías de la infor-
electrónico de información sobre la mación, la ciencia cognitiva, la físi-
salud del paciente; ca, las Matemáticas y la medicina.
Particularmente, en el caso de la
2) la telemedicina, que consiste en medicina la IA, constituye uno de
la prestación de servicios de salud los campos interdisciplinarios y
utilizando las TIC; transfronterizos donde convergen
muchas ciencias. La aparición de
3) la m-Salud o el acceso a la pres- las computadoras y la elaboración
tación de servicios en salud me- de las teorías de la computación, la
diante dispositivos móviles, que es información y el control, proporcio-
un término empleado para designar naron los soportes experimentales
el ejercicio de la medicina y la salud y teóricos para la investigación en
pública con el apoyo de dispositi- el área de la IA Figura 1. Muchas de

SISTEMAS 51
 las esferas que emplean estos para crear predicciones. El ML ofre-
equipos, incluidas las ciencias mé- ce alternativas eficientes para la
dicas, la consideran esencial entre captura de conocimientos en datos,
sus líneas estratégicas de investi- mejorar los modelos predictivos y
gación y entre las que se convierten tomar decisiones con base en esos
en factor de progreso, porque como datos. En el ML existen tres tipos
algunos autores expresan deben Figura 2, el aprendizaje supervisa-
gran parte de su actual desarrollo a do, el aprendizaje no supervisado y
los resultados obtenidos en el pro- el aprendizaje reforzado. (Dorado-
ceso de cierto tipo de problemas Díaz, 2019)
médicos: el diagnóstico y el trata-
miento de diversas enfermedades Aprendizaje supervisado
(Honavar, 2006). Antes de hablar Su principal objetivo y el eje central
como convergen el Machine Lear- es el aprendizaje de un modelo, a
ning con la medicina predictiva, de- partir de una serie de datos etique-
finiremos algunos términos esen- tados, el cual permite hacer predic-
ciales de IA. ciones a partir de una serie de da-
tos futuros. Es muy importantes
Machine Learning (ML) o aprendi- que los datos deben estar ordena-
zaje automático es un subcampo dos, etiquetados y limpios; es decir,
de la IA que incluye algoritmos de se debe hacer un proceso de ETL
autoaprendizajes que derivan el (extracción, transformación y car-
conocimiento a partir de los datos gue). El aprendizaje de supervisa-

Figura No 1. Inteligencia artificial. Fuente: Autores.

52 SISTEMAS
Deep Learning:

Figura No 2: Tipos de machine Learning. Fuente: autores

do se utiliza en muchos casos de la cina se puede aplicar en el proce-

medicina, por ejemplo, se puede samiento de imágenes para sepa-
utilizar un modelo para relacionar rar tumores de acuerdo a los patro-
características de lesiones de piel nes encontrados.
utilizando variables como ABCDE
(Asimetría, Bordes, Color, Diáme- Aprendizaje reforzado
tro y Evolución) clasificando la le- Su principal característica es el
sión como maligna o benigna. aprendizaje desde su propia expe-
riencia; es decir, tomar la mejor de-
Aprendizaje no supervisado cisión ante diferentes situaciones
A diferencia del aprendizaje super- de acuerdo con el proceso de prue-
visado, el no supervisado no pro- ba y error, donde se recompensan
porciona datos previos, más bien las decisiones correctas. Este tipo
se carga una gran cantidad de da- de aprendizaje se está utilizando
tos no etiquetados y el modelo se en el reconocimiento facial, diag-
encarga de encontrar patrones si- nósticos médicos y clasificaciones
milares ocultos, el cual separa los de ADN.
datos en grupos de manera auto-
mática, identificar datos atípicos o ¿Como se escoge el algoritmo
producir representaciones de baja correcto de Machine Learning
dimensión de datos, es decir, re- para resolver un problema?
ducción del número de variables Para seleccionar el algoritmo más
aleatorias. En el campo de la medi- adecuado para una solución de
SISTEMAS 51
 Figura No 3: Selección el algoritmo correcto de Machine Learning.
Fuente: Autores

Machine Learning se debe hacer lo únicamente para actividades don-

que se indica en la figura No 3. de se representará información.
Hoy en día esta gran cantidad de
Se debe observar si los datos están datos son utilizados en diferentes
etiquetados o no, de acuerdo con áreas del conocimiento como son
eso se selecciona si es aprendizaje el sector financiero, gobierno, mar-
supervisado o no supervisado. Si keting y ventas, transporte y área
es aprendizaje supervisado, se tie- de la salud para predecir hechos.
ne en cuenta si es clasificación (ca- Según el Artificial Intelligence Insti-
tegoría) o regresión (cantidad), y se tute de la Universidad de Stanford,
selecciona el o los algoritmos para existe un interés importante en la
desarrollar el modelo. Si se escoge contratación de profesionales con
aprendizaje no supervisado, se de- conocimiento y manejo del Machi-
be ver si es de agrupamiento o di- ne Learning en los Estados Unidos,
mensión y se seleccionan el o los donde la contratación aumento del
algoritmos para el desarrollo del 0,07% en el 2010 a más de un
modelo. 0.51% en el 2019. ver figura No 4.
El área de la salud es uno de los
Machine Learning como apoyo campos en donde más se ha apli-
en la medicina predictiva cado el Machine Learning, en es-
El mundo de hoy está colmado de pecial en la medicina predictiva, el
una “sobredosis” de información, cual se puede definir como el cam-
en donde el poder de los datos es po de la medicina que consiste en
considerado el nuevo petróleo; an- predecir o intuir medidas preventi-
teriormente el dato era utilizado vas de enfermedades del paciente;
52 SISTEMAS
respondiendo a preguntas como entre tecnología y ciencia del sec-
¿Qué sucedió? (Diagnostica), tor de la salud, ayudando y poten-
¿Qué pasará (predecir) y ¿qué de- ciando a los profesionales médicos
berá hacer? (prescribir). El Machi- en su labor.
ne Learning converge con gran éxi-
to con la medicina predictiva, y se En el área de la salud, el Machine
han logrado grandes avances en el Learning es una valiosa herra-
diagnóstico precoz de enfermeda- mienta para el análisis de datos y
des de los pacientes. ayuda al diagnóstico, mediante el
uso de sus algoritmos de clasifica-
La sanidad y el área de la salud en ción y predicción, ayudando a los
general, es un sector que constan- profesionales de la salud, en res-
temente avanza e incorpora los ponder más rápidamente a los po-
avances tecnológicos más recien- sibles eventos médicos de los pa-
tes en forma de nuevos dispositi- cientes y detectar patrones epide-
vos, nuevos descubrimientos cien- miológicos, que si se analizaran los
tíficos y su aplicación a la preven- datos de forma manual.
ción, diagnóstico y tratamiento de
dolencias y enfermedades. En Un reto importante es lograr que los
años recientes el Machine Learning profesionales médicos y adminis-
se ha incorporado a esta sinergia trativos del sector de la salud apro-

Figura No 4. Crecimiento de las ofertas de empleo relacionadas con

inteligencia artificial en Estados Unidos desde 2010.Fuente:
https://www.revistacuantica.com/index.php/rcq/article/view/27/29

SISTEMAS 51
 pien más rápidamente las cada vez ción de enfermedades de los ojos,
más comunes y efectivas aplicacio- utilizando el Deep Learning a partir
nes del Machine Learning, herra- de imágenes oftalmológicas, en es-
mientas que permiten agilizar la te tenemos por ejemplo el proyecto
respuesta del sistema de salud a liderado por Lily Peng de Google
los pacientes, disminuir la carga del (DSW Ting, 2019).
análisis especializado de los médi-
cos, automatizar procesos admi- También podemos mencionar los
nistrativos y todo ello apuntando proyectos y las aplicaciones desa-
como meta principal a mejorar la rrolladas por la universidad de
experiencia del paciente en su Stanford para la detección de Cán-
atención y optimizar los recursos cer de piel mediante fotografías de
en la prestación del servicio por la lesión (Esteva, y otros, 2017)
parte de los operadores del sistema (Trinh, y otros, 2022), la aplicación
de salud. UMSkinCheck de la Universidad de
Michigan, que a partir del uso de
Uno de los campos en donde en- Machine Learning permite realizar
contramos desarrollo de aplicacio- el auto examen de cáncer de piel y
nes utilizando Machine Learning es hacer un seguimiento al almacenar
el de ayudas diagnósticas emple- las fotografías de las lesiones de
ando imágenes médicas, en el cual los usuarios, además incluye una
encontramos múltiples casos, des- calculadora de riesgo de melano-
de aplicaciones en etapa de desa- ma. Las personas que están en un
rrollo en centros de investigación y alto riesgo de cáncer de piel se les
universidades, hasta algunas ya en indica que deben realizarse auto-
uso por parte de algunos centros exámenes frecuentes de la piel y a
médicos. El proyecto de análisis la vez, realizar fotografías de todo
automatizado de imágenes de la su cuerpo, para llevar un historial
retina para la detección de la reti- de lunares y lesiones de la piel. Uni-
nopatía diabética referible fue el versity of Michigan Health, 2022).
pionero en este campo, este análi-
sis automatizado de imágenes de Para el diagnóstico de enfermeda-
la retina tiene una alta sensibilidad des cancerígenas, también existe
y especificidad para detectar la reti- en el mercado Skin visión, la cual
nopatía diabética referible y pudo es una aplicación móvil que combi-
implementarse de forma segura en na la tecnología de IA, Machine
el proceso de tamizaje de la retino- Learning y procesamiento de imá-
patía diabética, mejorando el acce- genes con la experiencia de profe-
so al tamizaje y reducir la pérdida sionales de área de la salud de la
visual mediante un tratamiento piel; la aplicación consiste en la de-
temprano. (Abràmoff, Folk,, & Han, tección precisa y oportuna del cán-
2013). Podemos mencionar algu- cer de piel, junto con asesoramien-
nos de estos casos, como la detec- to personalizado al paciente y reco-
52 SISTEMAS
mendación de rutas de salud. La redes sociales. (Ji, Ping Yu, Sai-fu ,
aplicación Skin Visión tiene un 95% Pan, & Guodong , 2018) (Sawhney,
de precisión en la detección de cán- Manchanda, Mathur, & Singh, 20-
cer de piel. (Udrea, y otros, 2019). 18), las compañías que gestionan
Existen muchas otras investiga- las redes sociales como Facebook,
ciones en la misma área de la salud también se encuentran trabajando
como precisión de una aplicación en el desarrollo de algoritmos para
de teléfono inteligente para clasifi- la detección de personas con ries-
car lesiones cutáneas basada en go de suicidio (Palazuelos, 2017)
algoritmos de aprendizaje automá- (Meta, 2022).
tico, entre ellas podemos mencio-
nar la de Segmentación automati- En Colombia existen proyectos en
zada de lesiones cutáneas en imá- los que se está trabajando en la
genes dermatoscópicas mediante identificación de personas con ries-
los algoritmos GrabCut y k-means go de suicidio como el proyecto de
(Murugaiyan Jaisakthi, Mirun, & investigación de un Algoritmo para
Aravindan, 2018) y Aprendizaje la detección del suicidio mediante
profundo basado en wavelets para el análisis de datos en las redes.
la clasificación de lesiones cutá- (Saldarriaga Gómez, 2021)
neas (Sarte & Hasan , 2020)
A nivel nacional se desarrolló un
En el Hospital Infantil de Cincinnati proyecto llamado transformación
desarrollaron un proyecto de inves- digital del sistema de salud colom-
tigación de Machine Learning apli- biano y el Ministerio de Salud busca
cado al suicidio, a partir de un algo- adaptarlo a un mejor esquema de
ritmo de clasificación y regresión en gestión apoyado en varias tenden-
donde se categorizaron tres grupos cias tecnológicas actuales. El pro-
así: personas con riesgo de suici- yecto denominado Agenta TD-Sa-
dio, personas con trastornos men- lud, busca integrar varias tecnolo-
tales sin riesgo de suicidio y un gru- gías como historias clínicas elec-
po sin riesgo de suicidio ni trastor- trónicas, telesalud, análisis de Big
nos mentales, con 93% de preci- Data, (Cruz Micán, Poveda Aguja, &
sión para indicar si una persona po- Buitrago Márquez, 2020)
see riesgo de suicidio o no. (Cruz
Micán, Poveda Aguja, & Buitrago En general, el Machine Learning
Márquez, 2020). puede utilizarse para desarrollar
mejores herramientas de diagnós-
Con el auge en el uso de las redes tico utilizando imágenes médicas y
sociales, encontramos diversos resultados de pruebas de labora-
proyectos de investigación que tra- torio, que permitan de forma más
bajan en la identificación de perso- rápida y certera, obtener un diag-
nas con riesgo de suicidio a partir nóstico para el paciente. Por ejem-
del análisis de sus publicaciones en plo, un algoritmo de Machine Lear-
SISTEMAS 51
 ning a partir de imágenes médicas, cas, fundamentalmente en el Deep
que pueden incluir fotografías es- Learning. En el área de la salud he-
pecializadas, imágenes de ultra- mos podido encontrar numerosas
sonido, imágenes radiológicas o re- aplicaciones que van más allá de
sonancias magnéticas, y mediante las aplicaciones académicas y al-
el uso de sus técnicas para el reco- gunas de ellas ya se encuentran en
nocimiento de patrones y clasifica- uso frecuente por los profesionales
ción, obtener características que de la salud y otras que han sido
indiquen la presencia de una ano- puestas al servicio de las personas
malía o de una enfermedad en el para un autodiagnóstico, aunque
paciente. se debe tener precaución con estas
últimas por los potenciales riesgos
Los enfoques de Machine Learning que pueden generar.
pueden ser utilizados para modelar
datos epidemiológicos, mejorando Al utilizar el Machine Learning y su
nuestra comprensión de la distri- combinación con otras tecnologías
bución, frecuencia y factores deter- médicas de pruebas y exámenes
minantes de las enfermedades diagnósticos, es posible diagnosti-
existentes en núcleos de pobla- car enfermedades más rápida-
ción, encontrando patrones de dis- mente y a un menor costo que las
persión y avance de enfermedades técnicas de evaluación manual ac-
y realizando predicciones de evolu- tuales; además, potenciará el uso
ción. de estrategias de telemedicina, co-
mo opción a la visita presencial. Así
El Machine Learning también ace- mismo permitirá desarrollar progra-
lera el desarrollo de nuevos trata- mas de tamizaje a un menor costo,
mientos y puede utilizarse para atendiendo grupos de población
identificar información relevante de cada vez más amplios.
toxicidad, inocuidad, combinacio-
nes, entre otros, en los datos ya Entre los desafíos clave en el desa-
existentes que podrían conducir al rrollo e implementación de proyec-
desarrollo de nuevos medicamen- tos con Machine Learning está la
tos y tratamientos para las enfer- recopilación de datos de calidad.
medades. Los temas normativos también pre-
sentan desafíos importantes para
Reflexiones finales lograr una amplia difusión y uso de
Aunque los algoritmos de Machine estas herramientas. En Colombia
Learning existen desde hace mu- aún no tenemos una legislación
cho tiempo, en los últimos años han clara y completa en este campo.
tenido mayor uso al volverse más Así mismo es importante que los
populares, debido al desarrollo de profesionales de la salud, puedan
herramientas que facilitan su uso y ver estas tecnologías como herra-
a la aparición de novedosas técni- mientas de ayuda y soporte en su
52 SISTEMAS
labor y no como un elemento de Meta. (30 de 11 de 2022). Under the hood:
remplazo del hombre por la máqui- Suicide prevention tools powered by AI.
Obtenido de
na. https://ai.facebook.com/blog/under-the-
hood-suicide-prevention-tools-powered-
Los principales proveedores de by-ai/
tecnología empresarial en la nube
también aportan herramientas para Murugaiyan Jaisakthi, S., Mirun, P., &
Aravindan, C. (2018). Automated skin le-
desarrollar soluciones que involu- sion segmentation of dermoscopic images
cran Machine Learning, desde la using GrabCut and k-means algorithms.
recopilación de los datos hasta el IET Computer Vision, 1088-1095.
despliegue y uso de aplicaciones.
Palazuelos, F. (27 de 11 de 2017). Face-
book desarrolla un algoritmo para detectar
Referencias conductas suicidas antes que los huma-
Abràmoff, M., Folk,, J., & Han, D. (2013). nos. El pais.
Automated Analysis of Retinal Images for
Detection of Referable Diabetic Retinopa- Romero Cardalda, J., Dafonte Vázquez,
thy. JAMA Ophthalmology. C., & Gómez García, A. (2007). Inteligen-
cia Artificial y Computación Avanzada.
Cruz Micán, E., Poveda Aguja, F., & Buitra- Santiago de Compostela: Fundación Alfre-
go Márquez, L. (2020). Las TIC en el sec- do Brañas.
tor salud, machine learning para el diag-
nóstico y prevención de enfermedades. Saldarriaga Gómez, P. (2021). Algoritmo
Revista científica Quantica, 1-32. para la detección del suicidio mediante el
análisis de datos en las redes. Tesis de
Dorado-Díaz, P. I.-G.-P. (2019). Aplicacio- grado. Medellin: Tecnologico de Antioquia.
nes de la inteligencia artificial en cardiolo-
gía: el futuro ya está aquí. Sarte, S., & Hasan , D. (2020). Automated
Revista Española de Cardiología, 72(12), , skin lesion segmentation of dermoscopic
1065-1075. images using GrabCut and k-means algo-
rithms. IET Computer Vision, 720-726.
DSW Ting, L. P. (2019). Artificial intelligen-
ce and deep learning in ophthalmology. Sawhney, R., Manchanda, P., Mathur, P., &
British Journal of Ophthalmology, 167- Singh, R. (2018). Exploring and Learning
175. Suicidal Ideation Connotations on Social
Media with Deep Learning. Proceedings of
Esteva, A., Kuprel, B., Novoa, R., Ko, J., the 9th Workshop on Computational
Swetter, S., Blau, H., & Thrun, S. (2017). Approaches to Subjectivity, Sentiment and
Dermatologist-level classification of skin Social Media Analysis, 167-175.
cancer with deep neural networks. Nature,
115-118. Trinh, P., Yekrang, K., Phung, M., Pugliese,
S., Chang, A., Bailey, E., . . . Sarin, K. (20-
Honavar, V. (2006). Artificial Intelligence 22). Partnering with a senior living com-
An Overview. Ames: Iowa State University. munity to optimise teledermatology via full
body skin screening during the COVID-19
Ji, S., Ping Yu, C., Sai-fu , F., Pan, S., & pandemic: A pilot programme. Skin Health
Guodong , L. (2018). Supervised Learning and disease.
for Suicidal Ideation Detection in Online
User Content. Social Big Data: Mining, Udrea, A., Mitra, G., Costea, D., Noels, E.,
Applications, and Beyond. Wakkee, M., de Carvalho, T., & Nijsten, T.
SISTEMAS 51
 (2019). Accuracy of a smartphone applica- https://www.uofmhealth.org/patient%20a
tion for triage of skin lesions based on nd%20visitor%20guide/my-skin-check-
machine learning algorithms. Journal of app
the European Academy of Dermatology
and Venereology, 648-655. Villamizar, A., & Lobo, R. (2019). Antece-
dentes y experiencias de e-Salud en Co-
University of Michigan Health. (2022). Skin lombia. REVISTA COLOMBIANA DE
Cancer Self-Exam Mobile App. Obtenido COMPUTACIÓN, Volumen 17, numero 2,
de 76–89.

Luis Alfredo Blanquicett Benavides: Nació en Cartagena Colombia en 1979. Recibió el

grado de Ingeniero de Sistemas de la Universidad Rafael Núñez en el 2005, especialista en
Gerencia de Sistemas de Información de la Universidad del Norte en el 2007 y grado de
Máster en Dirección Estratégica de Sistemas de Información en el 2015 de la Universidad
Internacional de Puerto Rico, candidato a doctor en informática en la universidad de Oviedo
-España. Se ha desempeñado en el desarrollo de proyectos de investigación de
inteligencia artificial y analítica de datos con la corporación universitaria Rafael Núñez y la
universidad del Sinú y desarrollo de proyectos en consultoría externa en pruebas de
software.

Luis Fernando Murillo Fernández: Ingeniero Electricista de la Universidad Tecnológica

de Bolívar, especialista en Informatica Industrial de la Universidad del Cauca y Máster en
Gestión de la Innovación de la Universidad Tecnológica de Bolívar, candidato a doctor en
Energía y control de procesos en la universidad de Oviedo -España. Se ha desempeñado
en el desarrollo de proyectos de investigación de inteligencia artificial y analítica de datos, y
en sistemas de control e instrumentación.

52 SISTEMAS