Vodafone

Las Administraciones Públicas se encuentran inmersas en una época de cambio en el que las normativas y regulaciones respecto a la información que manejan está muy controlada. La analítica de datos ha emergido como un pilar importante en el cambio, permitiendo así a las entidades gubernamentales aprovechar el vasto flujo de datos disponibles para tomar decisiones estratégicas. ¿Qué aportan este tipo de soluciones a los organismos públicos? Os dejamos 5 ventajas de situar los datos como hilo conductor de la estrategia de transformación digital.

Hemos oído en numerosas ocasiones que las empresas se enfrentan a un volumen de datos inmenso. Ante este panorama que presenta la era digital, el Big Data y la Inteligencia Artificial se han posicionado como herramientas útiles a la hora de tomar decisiones en el ámbito empresarial y corporativo. Gracias al análisis que realizan y a la aplicación de algoritmos avanzados, las compañías obtienen una visión más profunda y precisa de sus operaciones, clientes y mercados. En este blog te contamos cinco usos del Big Data y la IA que están revolucionando la toma de decisiones a nivel corporativo. 

Descubre el informe que hemos preparado junto con la comunidad de Inteligencia Artificial de Vodafone Innovation Ecosystem donde analizamos el impacto de esta tecnología en diferentes modelos de negocio.

Actualmente no existen soluciones que integren y den respuesta a las necesidades de seguridad que acompañan a escenarios con gran concentración de personas y vehículos, como puede ser la Operación Paso del Estrecho (OPE), con hasta 8.000 vehículos diarios, que ocurre anualmente en el Puerto de Algeciras. Si, en zonas acotadas del Puerto, la Guardia Civil pudiera analizar rostros y objetos en tiempo real, los sistemas de seguridad podrían enviarles alertas inmediatas en caso de detección de una amenaza.
En ciertas ocasiones los muelles de embarque de vehículos cambian, por lo que es frecuente situaciones de caos y confusión con diferentes navieras y destinos. Esto podría evitarse si el puerto contara con un sistema de guiado automático de vehículos hasta su destino, mediante unas pantallas instaladas en estas zonas acotadas del puerto. Hay que tener en cuenta que cuando un cliente compra un billete, la matrícula de su vehículo queda registrada en el mismo.

El reto consiste en el desarrollo de dos sistemas de reconocimiento con cámaras de vigilancia dentro del entorno del Puerto de Algeciras: un sistema ligado a las labores de vigilancia y seguridad de la Guardia Civil (que enviará alertas a las gafas de Realidad Aumentada que llevarán los agentes si tras un reconocimiento facial se detectara un sospechoso), y otro sistema para el reconocimiento automático de matrículas y guiado de vehículos hasta su muelle de embarque correcto. Usando técnicas de Big Data, Machine Learning e Inteligencia Artificial, se incrementa la precisión de la identificación de matrículas y personas. Sin embargo, la tecnología previa a 5G o similar no dispone del suficiente ancho de banda para realizar estas operaciones en tiempo real, ni cuenta con los valores de latencia requeridos. Un procesado de imágenes en tiempo real tampoco es factible.

Los sistemas de protección EDR (Endpoint Detection Response) son sistemas de protección tecnológico que beneficiará al funcionamiento de tu empresa. Esta tecnología se caracteriza por aunar varios elementos de detección como los antivirus de toda la vida, combinando inteligencia artificial y el Big Data. A continuación, consulta los aspectos más importantes de esta tecnología para valorar si debes contar con un sistema de protección EDR en tu empresa. 

Endpoint Detection and Response (EDR), también conocido como endpoint detection and threat response (EDTR), es una solución de seguridad capaz de supervisar y monitorizar continuamente los dispositivos del usuario final para detectar y responder a ciber amenazas como el ransomware y el malware.

El término fue acuñado por Anton Chuvakin de Gartner, y se define como una solución que registra y almacena comportamientos a nivel de sistema de endpoint, es decir, un dispositivo informático remoto que se comunica con una red a la que está conectado (por ejemplo, los ordenadores de empresa) y que utiliza varias técnicas de análisis de datos para detectar comportamientos sospechosos del sistema. También proporciona información contextual, bloquea la actividad maliciosa y ofrece sugerencias para restaurar los sistemas afectados. Como decíamos, un sistema EDR se ocupa principalmente de los endpoints, que pueden ser cualquier sistema informático de una red, como estaciones de trabajo de los empleados de una empresa o los servidores. Además, puedes proteger la mayoría de los sistemas operativos.

Básicamente, las soluciones de seguridad EDR registran las actividades y eventos que tienen lugar en los endpoints y en todas las cargas de trabajo, proporcionando a los equipos de seguridad la visibilidad que necesitan para descubrir incidentes que, de otro modo, permanecerían invisibles. Una solución EDR debe proporcionar una visibilidad continua y completa de lo que ocurre en tiempo real.

No es un software antivirus, pero puede tener capacidades antivirus o utilizar datos de otro producto antivirus. Si el software antivirus es el principal responsable de la protección contra el software malicioso conocido, el programa EDR encuentra debilidades al mismo tiempo que se ejecuta el ataque. Es decir, es capaz de combinar el antivirus tradicional junto con herramientas de monitorización e Inteligencia Artificial para ofrecer una respuesta rápida y eficiente ante los riesgos y las amenazas más complejas. Las funciones principales de un sistema de seguridad EDR son: Supervisar y recopilar datos de actividad para identificar amenazas potenciales. Analizar estos datos para identificar patrones. Responder automáticamente a las amenazas identificadas para eliminarlas o contenerlas, y notificar al personal de seguridad. Herramientas forenses y de análisis para investigar las amenazas identificadas y buscar actividades sospechosas.
Todo esto se consigue gracias a su capacidad para combinar los elementos de detección de amenazas más clásicos de los antivirus con la aplicación de las últimas tecnologías de las empresas especializadas en Big Data e Inteligencia Artificial.


Entre las aplicaciones y herramientas que incorpora, además del antivirus tradicional destacan: Herramientas de análisis apoyadas en el uso del aprendizaje automático (machine learning) para mejorar la detección de amenazas. Sandbox: un sistema virtual y aislado de pruebas para comprobar el comportamiento de los archivos descargados, por ejemplo. Escaneo de IOCs y reglas YARA, que permiten analizar y detectar las amenazas provocadas por amenazas complejas en tiempo real. El uso de listas blancas y negras de correos electrónicos, páginas web e IP. Interoperatibilidad e interacción con otras herramientas de seguridad, como SIEM, IPS/IDS o herramientas antimalware.

Actualmente, la monitorización de máquinas e instalaciones en fábricas es necesaria para optimizar los procesos productivos y alcanzar un mayor ahorro en el consumo de los recursos. En concreto, en la refinería de Cepsa en La Rábida (Huelva), un ecosistema de sensores y cámaras de vigilancia aportan gran cantidad de datos sobre el comportamiento de los sistemas de operación. Datos que son analizados offline por algoritmos de Inteligencia Artificial (IA) y procesos de Machine Learning, para establecer patrones de funcionamiento y analizar el estado de los sensores cuando se produce alguna anomalía. Lo ideal sería realizar este análisis y el procesamiento de la información en tiempo real.

El reto consiste en dotar de conectividad a dispositivos y sensórica en determinados puntos de interés, para que los sistemas de la refinería puedan recoger, analizar y procesar en tiempo real toda la información y ello permita tomar decisiones de cambio inmediatas y realizar mantenimientos predictivos. Es decir, se necesita una tecnología con gran ancho de banda, latencia mínima y alta capacidad de procesamiento, que unido a la algoritmia de IA y Machine Learning permitan realizar determinados cambios en el modo de operación de la refinería.

Ripoll y de Prado Sport Clinic, Centro internacional de Excelencia FIFA desde 2013, cuenta con una unidad específica para la investigación, desarrollo e innovación en biomecánica llamada Go5D Lab MSK Integral Analysis, en la que se estudia la estructura del aparato locomotor de forma objetiva, detallada y no invasiva. El estudio Go5D se realiza en 5 dimensiones que se relacionan entre sí mediante algoritmos de Inteligencia artificial (IA) y Big Data para la detección de patologías o anormalidades en los deportistas, o la revelación temprana de las mismas.

Go5D Lab posee un sistema de monitorización en tiempo real del deportista compuesto por cámaras optométricas y un ecosistema de sensores de última generación que realiza mediciones exactas para proporcionar datos biomecánicos en términos musculares, articulares y ligamentosos del deportista. Esta información es usada por un software de alta precisión que la compara con “rangos de normalidad” procedente de Big Data. En el presente, el personal médico de Ripoll y de Prado Sport Clinic realiza un diagnóstico del rendimiento del deportista basado en el análisis de estos datos biomecánicos, la comparación con rangos normalizados, y la interpretación posterior de uno o varios expertos (traumatólogos, especialistas en medicina deportiva, medicina interna, investigadores, ingenieros, etc.),

El reto consiste en dotar de cobertura 5G a la unidad Go5D Lab y laboratorios remotos para que el personal médico pueda realizar videoconferencias en alta definición con el experto, mientras imágenes 4K, señales de control o cualquier otro parámetro biomecánico del deportista, son compartidas en tiempo real. De esta forma, se puede realizar un mejor diagnóstico, más preciso, esto sólo es posible con los beneficios de la tecnología 5G ya que la tecnología móvil actual no permite llevarlo a cabo al no contar con suficiente ancho de banda ni valores bajos de latencia.

Hoy en día, en las oficinas de atención al turista, la presencia física de empleados sigue siendo necesaria para algunos servicios que implican una interacción directa con los visitantes. Sin embargo, estos servicios se encuentran limitados porque no pueden ofrecer una respuesta rápida y correcta al turista, debido al tiempo de acceso y localización de contenidos asociados a la conversación (imágenes y vídeos en HD, detección de preguntas más frecuentes, etc.), o debido al horario de atención al público.
El reto consiste en dotar a un holograma de un sistema de Inteligencia Artificial (IA) multiidioma que evalúa la conversación con un turista, realiza búsquedas activas de información en bases de conocimiento, comparte información con chatbots virtuales y responde en un tiempo mínimo (inferior a 6 segundos para que la conversación resulte natural). Se instalará en una aplicación móvil o en kioscos físicos. Este sistema de IA también se instalará en un robot físico capaz de moverse y realizar acciones concretas como seguir a personas, capturar fotos, actuar como guía turística, etc.
Con la tecnología actual estos asistentes inteligentes no pueden responder al turista en menos de 6 segundos con imágenes y vídeo en HD, y tampoco pueden ser operados remotamente en tiempo real.

Actualmente, la renovación del contenido multimedia que Alsa ofrece a los viajeros en los sistemas de entretenimiento a bordo de sus autobuses, se produce mediante el uso de puntos WiFi o conexiones 4G en intervalos de muy corta duración, en los cuales los autobuses se encuentran parados en las estaciones de cabecera. Esta corta duración de la parada provoca que, con gran frecuencia, la descarga de contenidos sea incompleta.
Las redes actuales no disponen de un ancho de banda lo suficientemente grande para permitir la descarga de una gran cantidad de datos en un tiempo reducido para poder actualizar con regularidad esta oferta multimedia.
El escenario expuesto se ve agravado además al tratarse de entornos con una alta afluencia de personas, y que predispone a la búsqueda de entretenimiento mediante el acceso a la red móvil. Este reto dotará de cobertura 5G a la estación autobuses de Málaga, cabecera de múltiples rutas, para realizar una actualización completa del contenido multimedia, durante el tiempo de parada de los autobuses en esta estación.

La mecanización del proceso de recolección de fruta es una de las tendencias en el sector agrícola en los últimos años. Ahora se puede cosechar hasta el 80% de las frutas de los árboles gracias a máquinas vibradoras, que mueven el tronco y hacen caer la fruta, y brazos automáticos, que recolectan la fruta directamente del árbol pieza a pieza. Sin embargo, aún queda un inconveniente: su bajo rendimiento.
El reto es aumentar la productividad del proceso dotando de inteligencia a los brazos automáticos, para que en tiempo real decidan si deben recolectar el fruto o aún no. Es decir, necesitamos una tecnología que permita realizar un procesamiento en tiempo real de las imágenes capturadas por las cámaras del brazo para la toma de decisión óptima.

Las personas están usando AI para explorar todo tipo de ideas: identificar las causas del mal tráfico en Los Ángeles, mejorar las tasas de reciclaje en Singapur e incluso experimentar con el baile. Comenzar con tus propios proyectos de aprendizaje automático puede parecer intimidante, pero Teachable Machine es una herramienta basada en la web que lo hace rápido, fácil y accesible para todos. La primera versión de Teachable Machine permitía que cualquiera enseñase a su ordenador a reconocer imágenes usando una cámara web. Para muchas personas, era la primera vez que experimentaban lo que supone programar un modelo propio de aprendizaje automático: enseñar a la computadora cómo reconocer patrones en los datos (imágenes, en este caso) y asignar nuevos datos a las categorías. Desde entonces, hemos escuchado de muchas personas que quieren llevar sus modelos de Teachable Machine un paso más allá y usarlos en sus propios proyectos. Teachable Machine 2.0 permite programar un modelo propio de aprendizaje automático con solo hacer clic en un botón, no requiere codificación, y se puede exportar a sitios web, aplicaciones, máquinas físicas y otras plataformas. Teachable Machine 2.0 también puede reconocer sonidos y posturas, como si estás de pie o sentado. Colaboramos con educadores, artistas, estudiantes y creadores de todo tipo para descubrir cómo hacer que la herramienta sea útil para todos ellos. Por ejemplo, el investigador de educación Blakeley H. Payne y sus compañeros de equipo han estado utilizando Teachable Machine como parte del plan de estudios de código abierto que enseña a los estudiantes de secundaria sobre IA a través de una experiencia práctica de aprendizaje. «Los padres, especialmente de las niñas, a menudo me dicen que sus hijos están nerviosos por aprender sobre la IA porque nunca han codificado antes«, dijo Blakeley. «Me encanta usar Teachable Machine en el aula porque permite a estos estudiantes ser diseñadores de tecnología sin temor a que “nunca había hecho esto«».Pero no es solo para enseñar. Steve Saling es un experto en tecnología de accesibilidad que lo utilizó para explorar la mejora de la comunicación para las personas con problemas del habla. Yining Shi ha estado utilizando Teachable Machine con sus estudiantes en el Programa de Telecomunicaciones Interactivas en NYU para explorar su potencial para el diseño de juegos. Y en Google, lo hemos estado utilizando para que las máquinas de clasificación física sean más fáciles de construir para cualquiera. Así es como funciona todo: Teachable Machine: Recopilar ejemplos Puede usar Teachable Machine para reconocer imágenes, sonidos o posturas. Sube tus propios archivos de imagen o captúralos en vivo con un micrófono o una cámara web. Estos ejemplos permanecen en el dispositivo y nunca abandonan tuordenador a menos que elijas guardar el proyecto en Google Drive. Programa tu modelo Con un clic, Teachable Machine programará un modelo basado en los ejemplos que hayas proporcionado. Toda la programación se desarrolla en el navegador, por lo que quedará en el ordenador.

Los científicos de computación de Rutgers utilizaron Inteligencia Artificial para controlar un brazo robótico que proporciona una forma más eficiente de empacar cajas, ahorrando tiempo y dinero a las empresas. “Podemos lograr soluciones automatizadas y de bajo costo que se pueden implementar fácilmente. La clave es tomar decisiones de hardware mínimas pero efectivas y concentrarse en algoritmos y software robustos «, dijo el autor principal del estudio, Kostas Bekris, profesor asociado en el Departamento de Ciencias de la Computación de la Escuela de Artes y Ciencias de la Universidad de Rutgers en New Brunswick . Bekris, Abdeslam Boularias y Jingjin Yu, todos profesores asistentes de ciencias de la computación, formaron un equipo para tratar múltiples aspectos del problema de empaquetado del robot de manera integrada a través del hardware, la percepción 3D y el movimiento robusto.El estudio revisado por expertos de científicos se publicó recientemente en la Conferencia Internacional IEEE sobre Robótica y Automatización , donde fue finalista para el Premio al Mejor Paper en Automatización. El estudio coincide con la tendencia cada vez mayor de implementar robots para realizar tareas de logística, ventas y almacenamiento. Los avances en robótica se están acelerando a un ritmo sin precedentes debido a los algoritmos de aprendizaje automático que permiten experimentos continuos.

  El embalaje apretado de productos seleccionados de una pila no organizada sigue siendo en gran medida una tarea manual, aunque es fundamental para la eficiencia del almacén. La automatización de tales tareas es importante para la competitividad de las empresas y permite que las personas se centren en el trabajo menos exigente y físicamente exigente, según el equipo científico de Rutgers.
  El estudio de Rutgers se centró en colocar objetos de un contenedor en una pequeña caja de envío y organizarlos bien. Esta es una tarea más difícil para un robot en comparación con solo recoger un objeto y soltarlo en una caja. Usaron datos visuales y una ventosa simple, que se dobla como un dedo para empujar objetos. El sistema resultante puede derribar objetos para obtener una superficie deseable para agarrarlos. Además, utiliza datos de sensores para atraer objetos hacia un área específica y empujar objetos juntos. Durante estas operaciones, utiliza el monitoreo en tiempo real para detectar y evitar fallas potenciales.
  Dado que el estudio se centró en empacar objetos en forma de cubo, un próximo paso sería explorar el empacado de objetos de diferentes formas y tamaños. Otro paso sería explorar el aprendizaje automático mediante el sistema robótico después de que se le haya asignado una tarea específica. Los autores principales son Rahul Shome y Wei N. Tang, estudiantes de doctorado en el Departamento de Ciencias de la Computación. Los coautores incluyeron estudiantes de doctorado Changkyu Song y Chaitanya Mitash, así como Hristiyan Kourtev, un programador científico en el Centro Rutgers para la Ciencia Cognitiva. El trabajo fue apoyado por contratos de investigación y subvenciones del centro de investigación Silicon Valley de JD.com y la Fundación Nacional de Ciencia.

La tecnología eHealth cuenta con los algoritmos de Inteligencia Artificial y la capacidad de aprendizaje de las máquinas que analizan el Big Data como sus principales factores para suponer una auténtica revolución en la mejora de calidad de vida, desde el diagnóstico precoz y acertado, al descubrimiento de tratamientos más eficaces. Algunos de los gigantes tecnológicos del mundo, junto a startups y empresas emergentes ya están trabajando en multitud de proyectos esperanzadores. Estos son diez de los ejemplos más significativos:

1- Científicos de Harvard y la Universidad de Vermont desarrollaron una herramienta de machine learning un que permite a los ordenadores aprender sin ser programados de manera explícita para identificar mejor la depresión mediante el estudio de los mensajes de Instagram, lo que sugiere «nuevas vías para la detección precoz y la detección de la enfermedad mental «. 2- Investigadores de la Universidad británica de Nottingham crearon un algoritmo que predice ataques al corazón mejor que los médicos que usan directrices convencionales. 3- Investigadores de la NYU analizaron los registros médicos y de laboratorio para predecir con precisión la aparición de la diabetes tipo 2, insuficiencia cardíaca o renal y accidentes cerebrovasculares. 4- La división DeepMind de Google usa la inteligencia artificial para ayudar a los médicos a analizar muestras de tejido para determinar la probabilidad de que otros tipos de cáncer de mama se extiendan, y desarrollar los mejores tratamientos de radioterapia. 5- Microsoft, Intel y otros gigantes de la tecnología también están trabajando con investigadores para ordenar a través de los datos con AI para entender mejor y tratar el cáncer de pulmón, de mama y de otros tipos. 6- La unidad de ciencias de la vida de Alphabet (Google) se ha unido a Apple en la liberación de un SmartWatch para los estudios, incluyendo uno para identificar patrones en la progresión de la enfermedad de Parkinson. Amazon por su parte ofrece consejos médicos a través de aplicaciones en su asistente artificial activado por voz Alexa. 7-La StartUp Insilico Medicine con sede en Maryland utiliza el llamado “Deep Learning“ para acortar las pruebas de medicamentos para la esclerosis lateral amiotrófica (ELA), el cáncer y las enfermedades relacionadas con la edad y su periodo de aprobación, por debajo de los actuales 10 a 15 años, seleccionando 10 compuestos de entre 10.000. 8-Facebook utiliza su AI como parte de un proyecto de prueba para prevenir los suicidios mediante el análisis de los mensajes de la red social. 9-La StartUp con sede en Boston FDNA utiliza la tecnología de reconocimiento facial para comparar con una base de datos asociada a más de 8.000 enfermedades raras y trastornos genéticos para el intercambio de datos y puntos de vista con los centros médicos en 129 países a través de su aplicación Face2Gene. 10-Investigadores de California detectaron la arritmia cardiaca con un 97 por ciento de exactitud en los portadores de un reloj de Apple con la aplicación Cariogram basado en IA, la apertura de opciones de tratamiento temprano por evitar los accidentes cerebrovasculares. Para el analista de Forrester Research Kate McCarthy, el punto de inflexión fue cuando Apple lanzó su kit de investigación. Un programa que permite a los usuarios de Apple ceder los datos de sus actividades diarias para ser utilizados en los estudios médicos. Según ella, Estos avances de la inteligencia artificial han abierto nuevas posibilidades para la «medicina personalizada» adaptada a la genética individual. Por su parte, IBM se ha centrado en estos temas con su unidad de Watson Salud, que utiliza «computación cognitiva» para ayudar a entender el cáncer y otras enfermedades.  La unidad ofrece una plataforma en cloud abierta y segura para médicos, investigadores, compañías aseguradoras y compañías orientadas a soluciones en salud y bienestar (IBM Watson Health Cloud) que permite anonimizar, compartir y combinar los datos referentes a la salud. Su utilización permitirá a los profesionales contar con una percepción más completa de los múltiples factores que pueden afectar la salud del paciente.
En esta iniciativa, IBM cuenta con la colaboración de compañías líderes en sus sectores como Apple, Johnson & Johnson y Medtronic que optimizarán los dispositivos médicos y de consumo para la recopilación de datos y su posterior análisis. Además, IBM ha adquirido las compañías de tecnología sanitaria Exploris y Phytel, especializadas en analítica.

En los últimos años, el poder computacional y los métodos de recopilación de datos han avanzado hasta el punto de crear un nuevo campo, el Big Data . Gracias a la gran disponibilidad de datos recopilados, los científicos pueden examinar las relaciones empíricas entre una amplia variedad de variables para descifrar la señal entre el ruido. Hasta ahora, al hacer predicciones, los científicos han estado históricamente limitados por la falta de datos completos, confiando en cambio en pequeñas muestras para inferir las características de una población más amplia. Los algoritmos de aprendizaje automático pueden predecir con precisión cuestiones de lo más variopinto, como el resultado de los casos de la Corte Suprema, utilizando predictores como la identidad de cada juez, el mes de la argumentación, el demandante y otros factores. Aunque la precisión de la salida del algoritmo es de solo aproximadamente el 70 por ciento, en realidad se ha comprobado que supera a los expertos legales humanos. Otros algoritmos de aprendizaje automático se ha demostrado que predicen los intentos de suicidio con una precisión del 80 al 92 por ciento, posiblemente más preciso que incluso los mejores evaluadoress humanos.

1. Predecir lo que decidirá tu pareja en la «Batalla de los Sexos»

Battle of Sexes, es un ejercicio clásico de estudio conocido como juego asimétrico utilizado para entender la estructura de red y el funcionamiento de la estrategia pura y los equilibrios, principalmente en el contexto de estructuras espaciales homogéneas, como los autómatas celulares. Coordinar el comportamiento interdependiente cuando los actores tienen diferentes intereses puede ser extremadamente difícil. Este tipo de situaciones se pueden representar mediante un juego asimétrico de «Batalla de los sexos”. El ejemplo clásico es la situación de un hombre y una mujer que tienen que coordinar su velada sin medios de comunicación. El hombre tiene preferencia para ir a un partido de fútbol y la mujer prefiere ir a la ópera; sin embargo, prefieren ir juntos al mismo evento antes que ir solos a los eventos. Es muy difícil coordinar este problema sin medios de comunicación. También hay contextos en los que el grupo y las estructuras de interacción son relevantes. Piénsese, por ejemplo, en una clase de la escuela en un parque temático que tiene que decidir a qué atracción dirigirse. Algunos de los niños prefieren ir a la montaña rusa y otros prefieren ir a la atracción acuática. Sociólogos y físicos teóricos de la Universidad de Utrecht han creado recientemente un modelo teórico para este complejo problema. El profesor de sociología teórica de la Universidad de Utrecht Vincent Buskens explica en un estudio que usando modelos matemáticos, se puede estudiar cómo funcionan estos tipos de mecanismos en la sociedad en un nivel mucho más fundamental.  El próximo paso en el estudio será probar el modelo usando jugadores humanos reales, incluyendo algunas suposiciones en el modelo, por lo que la pregunta es hasta qué punto se corresponden con la realidad. Los resultados de su estudio fueron publicados recientemente en Scientific Reports .

2. Calcular cómo evitar que el café se derrame de la taza

En un artículo reciente publicado en SIAM Review, Hilary y John Ockendon usan matemática sorprendentemente simple para desarrollar un modelo de chapoteo. Su modelo incluye una taza en una mesa horizontal lisa que oscila en una sola dirección a través de una conexión de resorte. Eligieron el modelo matemáticamente más simple con el que entender la mecánica básica de la acción del péndulo en problemas de chapoteo. Los autores tuvieron la idea a partir de un trabajo ganador de premios Ig Nobel que describe un modelo mecánico básico que investiga los resultados de caminar hacia atrás mientras lleva una taza de café. Utilizan las leyes de la física de Newton y las propiedades básicas de la hidrodinámica para emplear una configuración llamada «paradigma”. Los autores resuelven las ecuaciones del modelo a través de la separación de variables y analizan el resultado posterior con un diagrama de respuesta. Encontraron que analizar este problema usando ideas bastante simples de modelado matemático y análisis proporciona una buena comprensión física de cómo reducir el chapoteo diario. El estudio completo está publicado en SIAM Review.

3. Solucionar el Problema de Kepler o cómo meter esferas en un espacio

Un equipo dirigido por el matemático Thomas Hales ha presentado una prueba formal de la conjetura de Kepler, que es la resolución definitiva de un problema que no se resolvió durante más de 300 años. El documento ahora está disponible en línea a través del Foro de Matemáticas, Pi , una revista de acceso abierto publicada por Cambridge University Press. Este documento no solo resuelve un problema matemático de siglos de antigüedad, sino que también es un avance importante en la verificación por computadora de pruebas matemáticas complejas.La conjetura de Kepler era un problema famoso en geometría discreta, que pedía la forma más eficiente de meter esferas en un espacio dado. La respuesta, aunque no es difícil de adivinar (es exactamente cómo se amontonan las naranjas en un supermercado), ha sido notablemente difícil de probar. Hales y Ferguson originalmente anunciaron una prueba en 1998, pero la solución fue tan larga y complicada que un equipo de una docena de árbitros pasó años trabajando en verificarla antes de darse por vencido. La solución al enigma matemático está en la revista de Oxford University. Otro problema clásico relacionado de Geometría discreta, rama de la geometría que estudian las propiedades combinatorias de objetos, que ya ha sido resuelto es el la conjetura de la zona de László Fejes Tóth. Formulado en 1973, dice que si una unidad de esfera está completamente cubierta por varias zonas, su ancho combinado es al menos π. La prueba, publicada en la revista Geometric and Functional Analysis , es importante para la geometría discreta y permite a los matemáticos formular nuevos problemas. ¿Cuál es la mayor cantidad de bolas del mismo tamaño que pueden caber alrededor de otra bola del mismo tamaño? ¿Cuál es la forma más densa de empacar círculos del mismo tamaño en un avión, o bolas en un espacio contenedor? Las soluciones a problemas como estos tienen aplicaciones prácticas.

El previsible éxito definitivo del Metaverso, un paso más allá de lo que conocíamos hasta ahora como Realidad Mixta (aumentada y virtual), dependía de dos factores tecnológicos que ya han llegado. Por una parte, la velocidad, capacidad y latencia de la red 5G, sin la cual la experiencia no podía ser tan potente. Por otro, y precisamente por la calidad de la experiencia del usuario, el mayor freno hasta la fecha estaba con mucha probabilidad en los dispositivos utilizados. Esas gafas tipo Oculus, sustituidas en ocasiones por un smartphone sobre una carcasa, que no solo resultaban pesadas de llevar, sino que generan un aislamiento excesivo del entorno cuando estás en el exterior y/o en compañía de otros. Para muchos podía hasta resultar ridículo su uso, cuando no sentir cierto temor o desprotección en ese aislamiento. Aunque las Google Glasses ya lo intentaron, probablemente demasiado pronto para el estado del resto de tecnologías, recientemente Ray-Ban ha presentado su modelo Stories, directamente enfocadas al Metaverso de Zuckerberg, que se unen a las Nreal Light ya comercializadas por Vodafone y abren una nueva dimensión para un mercado masivo con millones de usuarios. ¿Cuál es el siguiente paso? Probablemente, la regulación.  Nada más aparecer este modelo de gafas, con una apariencia totalmente similar a las clásicas Wayfarer de sol de la marca, los expertos en seguridad y privacidad han llamado la atención sobre los límites éticos que pueden representar. Ya las Google Glasses fueron prohibidas en lugares como vestuarios por razones evidentes. La capacidad de grabar y enviar a la nube en tiempo real, no ya sin consentimiento sino que ni siquiera con el conocimiento del grabado, choca con las regulaciones de protección de datos. Como aclaran fuentes de la Agencia Española de Protección de Datos (AEPD) citadas en un artículo de elDiario.es las fotos y vídeos quedan amparadas por la excepción legal que permite grabar, con “una finalidad exclusivamente doméstica,” mientras que sólo las descargues para tu uso, pero “la difusión a terceros de las grabaciones a través de internet, quedaría sometida a la normativa de protección de datos”. Pero con el previsible uso masivo de este nuevo entorno las dudas se extienden a otros ámbitos, como la Propiedad Industrial. El experto Ángel García Vidal, consejero académico de Gómez-Acebo & Pombo, alerta en El Confidencial sobre las posibles infracciones producidas por quienes plagien diseños de productos reales para venderlos en el Metaverso, o en formato NFT. Por ejemplo, si nuestros avatares van a poder vestirse con ropa digital, que alguien venda trajes Chanel o bolsos Luis Vuitton sin ser sus legítimos dueños, como si de imitaciones de mercadillo se trataran. No se trata aquí de sembrar dudas o desconfianza sobre un entorno nuevo que, por muy virtual que sea, no deja de ser parte de la Realidad. Y como no puede ser de otro modo, los defectos que tengamos como personas o sociedad se verán reflejados en esos mundos paralelos, o mejor dicho, superpuestos. La diferencia aquí es que, al partir de cero y en un mundo globalizado y ultra informado, tenemos la posibilidad de ser capaces de anticiparnos a los efectos negativos de esta nueva tecnología, por otra parte muy previsibles.