La Inteligencia Artificial es omnipresente hoy en día. No hay campo, actividad o trabajo que no ceda a la implantación de sistemas basados en ella para lograr, supuestamente, mejor desempeño de sus funciones. Esto puede suponer, en muchas ocasiones, que se aplique cuando y donde no es necesaria o que, si es necesaria, se aplique sin tener en cuenta requisitos, condiciones y términos absolutamente imprescindibles para evitar consecuencias no deseadas. En particular, la digitalización y la transformación digital, aunque a menudo se confunden, no sólo son términos diferentes, sino que corresponden a estados, procesos y momentos distintos.

Es prácticamente imposible acometer la transformación digital de cualquier sistema, ya sea social, administrativo, económico o físico, sin antes digitalizarlo. A pesar de esta prioridad, ambas tareas pueden solaparse, de vez en cuando, sin provocar disfunciones. El objetivo de esta contribución es describir ambos procesos, incluyendo el análisis de las similitudes y diferencias entre los distintos sistemas basados en la inteligencia artificial, que se pueden considerar en la práctica, para hacer finalmente algunas recomendaciones, tanto de carácter general como local.

Introducción. La difusión de la COVID-19 en el mundo ha provocado una avalancha de investigaciones para enfrentarla y atenuar sus efectos, a lo cual han contribuido los estudios de inteligencia artificial.
Objetivos. En este trabajo se muestra cómo pueden aplicarse técnicas de inteligencia artificial, en particular de ciencias de datos y aprendizaje automático, para obtener conocimiento útil en la predicción de la letalidad de la COVID-19.
Métodos. Se analizaron los datos disponibles de pacientes en México hasta el 20 de abril, incluyendo 16 rasgos (físicos y clínicos) sobre cerca de 9000 casos positivos (más de 700 fallecidos), con el foco en identificar patrones que predigan un desarrollo fatal de la enfermedad. Se emplearon técnicas de preparación y visualización de datos, selección de rasgos e inducción de reglas empleando el algoritmo J48, las redes neuronales y la teoría de los conjuntos aproximados.
Resultados. Los patrones encontrados por las diferentes vías empleadas coinciden en la relación fuerte entre varios rasgos de los pacientes en casos de letalidad, entre los cuales se destacan la edad, la obesidad, la hipertensión, la inmunosupresión, la diabetes, los problemas renales y cardíacos. Los resultados pueden ayudar a mejorar la comprensión de la enfermedad y muestran las capacidades de las técnicas de inteligencia artificial para analizar datos desde diferentes perspectivas, como apoyo al trabajo médico.

Introducción: La clasificación multietiqueta es una variante de la clasificación tradicional de etiqueta única, en la que un objeto ya no se clasifica exclusivamente por una etiqueta. En su lugar, este aprendizaje pretende asignar a un objeto una o más clases de etiquetas de un conjunto predefinido de clases. Dado que el aprendizaje multietiqueta se encuentra todavía en una fase temprana de desarrollo, en comparación con otras técnicas de clasificación, algunas técnicas actualmente disponibles para otros tipos de aprendizaje no se han desarrollado para este caso específico.

Métodos: Tras un estudio de la literatura existente, los siguientes son algunos de los retos de investigación dentro de esta temática: medidas de calidad de los datos, métodos de reducción sobre conjuntos de datos multietiqueta, métodos de detección de valores atípicos, capas de agrupación para datos multietiqueta sin una organización topológica, métodos para tratar problemas de clasificación multietiqueta con características dispersas y técnicas de inteligencia artificial explicable para clasificadores neuronales multietiqueta.

Resultados: Se proponen: a) Medidas de calidad de los datos multietiqueta (3); b) Métodos para reducir conjuntos de datos multietiqueta (6); c) Método que mide el grado de anomalía de un objeto en conjuntos de datos multietiqueta (1); d) Arquitectura neuronal profunda que utiliza capas de agrupación basadas en la asociación bidireccional (1); e) Sistema neuronal para resolver problemas de clasificación multietiqueta descritos por datos tabulares que pueden implicar características dispersas (1) y f) Adaptación al escenario multietiqueta de una técnica clásica de interpretabilidad post-hoc en redes neuronales (1). Conclusiones, los métodos propuestos le proporcionan a la comunidad científica novedosas técnicas de clasificación multietiqueta, haciendo posible un proceso de descubrimiento de conocimiento más eficiente y eficaz sobre datos multietiqueta.

Introducción: En la última década el maquinado de alta velocidad ha sido de especial interés para los sectores académico e industrial. Su influencia en el desempeño del mecanizado por arranque de virutas permite un alto valor de metal removido y un buen acabado superficial. Objetivos: en este trabajo se muestra la determinación de indicadores tecnológicos y parámetros de corte en el maquinado de alta velocidad en aceros con la utilización combinada de métodos experimentales, de simulación numérica y de inteligencia artificial.
Métodos: Se realizaron ensayos experimentales en el maquinado de alta velocidad de varios tipos de aceros, utilizando diversas herramientas de corte y condiciones de elaboración. Se utilizaron métodos estadísticos matemáticos para los análisis de correlación, se simularon por el método de los elementos finitos las condiciones experimentales y a través de herramientas de inteligencia artificial, se obtuvieron modelos predictivos combinados.
Resultados: Se definieron nuevos criterios para el estudio de la maquinabilidad de aceros que permitan evaluar su desempeño; se obtuvieron modelos matemáticos de correlación entre las variables fundamentales del maquinado de alta velocidad de aceros por métodos experimentales; se obtuvieron modelos numéricos por el método de elementos finitos que complementan los ensayos experimentales; y se definió e implementó mediante herramientas de inteligencia artificial, la predicción de indicadores tecnológicos.

Introducción: Lograr la transformación digital es un reto actual en las universidades y el uso de la inteligencia artificial para el diagnóstico académico constituye un paso de avance en este sentido.

Objetivos: Presentar una estrategia para el diagnóstico académico inteligente que favorezca la atención personalizada al estudiante en el proceso docente-educativo, utilizando métodos y técnicas de inteligencia artificial para lograr una transformación digital en la gestión académica del colectivo de año universitario.

Métodos: Se emplean métodos teóricos y estadísticos, se asume la modelación sistémico estructural-funcional y se utilizan técnicas de selección de atributos y algoritmos de clasificación de inteligencia artificial para realizar el diagnóstico académico en un grupo de estudiantes.

Resultados: Se expone la lógica del diagnóstico académico inteligente en la gestión del colectivo de año universitario a partir de las relaciones entre el proceso de adquisición y representación de datos, de predicción académica-inteligente y lo valorativo de la toma de decisiones colegiadas, sustentadas en la utilización de métodos y técnicas de inteligencia artificial, para favorecer la atención personalizada del estudiante y fomentar la sostenibilidad formativa en dicha gestión. Se corrobora que con la implementación de la estrategia se favorece la atención personalizada en el proceso docente-educativo.

Conclusiones: La implementación de la estrategia logra una transformación digital en la gestión académica del colectivo de año y aumenta la percepción de los estudiantes sobre la atención personalizada que les brindan los docentes. Del análisis reflexivo se concluye que el diagnóstico académico inteligente es una nueva categoría teórica, necesaria y pertinente, para los estudios pedagógicos, pues el actual desarrollo tecnológico requiere del uso de la inteligencia artificial, de ahí la importancia de su conceptualización.

Introducción. El análisis de escenario desarrolla un proceso sistemático para crear un conjunto de dos a cinco narrativas posibles que describen potenciales evoluciones de áreas clave en condiciones de incertidumbre, frecuentemente acompañados de gráficos. Ayuda a explorar un rango de posibles y plausibles futuros. El contenido del escenario está basado en variables seleccionadas y su interacción, y el escenario se define en términos de estos factores claves o descriptores. 
Objetivos. Se ha desarrollado una propuesta para aplicar el análisis de escenario en el estudio del comportamiento de la COVID-19 en Cuba, en general, y en Villa Clara, en particular.
Métodos. Los factores claves empleados son máxima cantidad de diagnósticos positivos diarios, número de días de duración de la epidemia y cantidad total de diagnósticos positivos al final de la epidemia. Para cada escenario se construyen 3 funciones destinadas a mostrar un comportamiento posible de la epidemia. El proceso para la construcción de las funciones se basa en técnicas de inteligencia artificial, tales como los conjuntos borrosos y las metaheurísticas.
Resultados. Los escenarios construidos muestran concordancia con otros modelos matemáticos y computacionales desarrollados para el caso nacional y provincial, lo cual es importante pues en una modelación en condiciones de incertidumbre, como es esta, la coincidencia de modelos basados en enfoques diferentes es positiva y puede dar más seguridad a los decisores

Introducción: La inteligencia artificial es un componente básico de la llamada Industria 4.0, por lo que su introducción en los procesos tecnológicos constituye una contribución significativa a su acercamiento a este paradigma. El presente trabajo tiene como objetivo desarrollar y validar un grupo de tecnologías basadas en herramientas de computación blanda aplicadas a procesos de fabricación mecánica, con el propósito de acercarlos al paradigma de Industria 4.0.

Métodos: Dentro de las herramientas desarrolladas, puestas a punto y aplicadas, se incluyeron tanto técnicas de aprendizaje automático, tales como las redes neuronales artificiales, los sistemas borrosos y el aprendizaje profundo para tareas de modelado y detección de patrones, como de metaheurísticas inspiradas en la naturaleza para optimización. Las aplicaciones han estado dirigidas a procesos de fabricación, tales como la soldadura, el maquinado y el micromaquinado, resolviendo problemas como la detención de fallos, el control de calidad y la optimización de procesos en función de su sostenibilidad.