Servicios Digitales Emergentes en Instituciones Educativas

Sobre la definición de tecnologías de red y de cómputo como base de servicios digitales en instituciones educativas

1. Introducción. 

La mayoría de las Instituciones Educativas (IEDs) en México tienen redes de datos que permiten el acceso a recursos computacionales, datos y servicios tanto internos como externos. Los sistemas de conectividad de las IEDs apoyan el almacenamiento, procesamiento y transmisión de datos al interior de la organización hacia afuera de ella.

 

Estos servicios deben considerar temas importantes como el costo general del uso de la red, la seguridad de los datos y de los usuarios, el control del tráfico en la red, la accesibilidad de los servicios, eficacia de los servicios y su impacto en los procesos administrativos y operativos de la organización, la velocidad de navegación entre otros temas. 

 

El diseño incorrecto de servicios digitales de red pueden producir consecuencias indeseables en la organización. Estas consecuencias pueden ser técnicas, operativas y logísticas entre otras. Al ofrecer servicios digitales se debe considerar varios aspectos entre ellos los siguientes. 

 

Topología. Este término está relacionado con la forma de conectar los nodos de la red y el tipo de enlace entre cada par de nodos. La topología tiene relación con las facilidades, posibilidades y restricciones de los servicios que corren sobre la red. 

 

Tecnología de red. Esta tecnología está compuesta por dispositivos y los medios físicos (hardware). Ejemplos de elementos de la tecnología de red se encuentran los enrutadores, puentes, repetidores, switches, cables que se usan para conectar estos dispositivos entre otros.

 

Tecnología computacional. Esta tecnología considera equipo de cómputo, bases de datos, discos duros entre otros para almacenar y procesar datos. 

 

Una manera de asegurarse que se tiene la red de datos con calidad operativa es cuando se tiene un tiempo de tránsito y de respuesta aceptable. El primer concepto se refiere a la cantidad de tiempo necesario para que un mensaje viaje de un dispositivo a otro. El tiempo de respuesta se puede definir como el tiempo que transcurre entre un dispositivo y su respuesta. 

 

Otro parámetro que mide la calidad de una red de datos es la fiabilidad. Este término se refiere a la exactitud en la entrega medida con la frecuencia de un enlace frente a un fallo y las respuestas de la red ante una catástrofe. De igual forma, la seguridad de la red de datos es un aspecto que mide la calidad operativa. Este criterio de calidad se refiere a la protección de datos frente a accesos no autorizados, así como a la protección de datos frente a la falla y modificaciones. También, se refiere a la implementación de políticas y procedimientos para recuperarse de interrupciones y pérdida de datos.

 

El correcto funcionamiento de una red de datos ha permitido a las IEDs tener acceso a los datos, procesarlos y generar a partir de ellos conocimiento. Las instituciones educativas (IEDs) buscan el conocimiento de la organización como elemento clave en el desarrollo de las líneas de generación y aplicación del conocimiento de sus grupos académicos, como un recurso no tangible para la toma de decisiones y como vínculo entre las relaciones Academia+Industria+Gobierno. La definición del proceso de transformación de los datos establece un umbral de conversión de las instituciones educativas en entidades pertenecientes a la Educación 4.0 (Instituto Mexicano para la Competitividad A.C.,2012).

 

Como se mencionó anteriormente, las IEDs deben considerar varios factores durante el diseño de una red de datos que satisfaga las necesidades de transformación de datos, los servicios digitales actuales así como los deseables en la organización. Para ello deben considerar la tecnología de red, la tecnología computacional y los servicios digitales que actualmente se tienen. Con esta información se puede hacer un diagnóstico de que nuevos servicios se desean tener para con ello ajustar la red de datos a esas nuevas necesidades. 

 

En las siguientes secciones se hará un repaso de los servicios de red para una IED con la finalidad de dar soporte al proceso de transformación digital de la misma. Se analizarán servicios básicos, estándares y emergentes con el fin de permitir al lector analizar los servicios deseables para la organización y las adaptaciones por hacer a la red de datos actual para poder dar un paso adelante en el proceso de transformación digital. Este enfoque en los servicios digitales deseados permitirá a los directivos mejorar su toma de decisiones permitiendo planear la asignación de recursos en los elementos de red necesarios para ellos. 

 

   2 Servicios digitales en Instituciones Educativas

Sobre los niveles de los servicios digitales dependiendo de la infraestructura de red e infraestructura computacional y la presentación de centros de cómputo avanzado en instituciones educativas y centros de investigación en México.

2. Servicios digitales en instituciones educativas.

El diseño de un conjunto de servicios digitales considera distintos niveles de especialización de las tecnologías de red y computacionales. Las instituciones educativas (IEDs) requieren identificar el tipo, la cantidad y las características de componentes existentes en la organización para diseñar los servicios que se desean aplicar. El análisis que se pueda hacer a los servicios digitales deseables es posible planear el crecimiento y madurez de los elementos de la tecnología de red y tecnología computacional. 

2.1. Nivel 1.

En IEDs con tecnología mínima se consideran elementos de red y servicios digitales elementales de bajo desempeño. Generalmente, estas instituciones solo requieren de tener acceso al internet como medio de comunicación entre la institución y sus oficinas centrales. En el ámbito académico, los servicios de red se utilizan para tener acceso a archivos multimedia disponibles y de acceso gratuito. Los servicios más comunes en estas instituciones son el correo electrónico gratuito como gmail, outlook, iMail entre otros. Otro servicio común es el acceso a software de oficina como MS-Office, gDOCs entre otros. En caso de utilizar laboratorios virtuales y simuladores este software en la mayoría de los casos es de acceso gratuito y a través de la web. 

 

En este tipo de IEDs, no se tienen servidores ni su red tiene una topología compleja. Casi siempre se tiene un ruteador de alguna empresa proveedora B2P con conexiones cableadas de computadoras de escritorio y algunos puntos de acceso WiFi para académicos y estudiantes. El nivel de atención de la red de datos está en las decenas de usuarios.

La tecnología computacional cuenta con computadoras, dispositivos móviles con procesadores de gama media y alta con memoria RAM en el rango de los gigabytes, discos duros en el rango de 1 a 10 TB y anchos de banda en el rango de Kbps a los Mbps.

 

Las IEDs en esta categoría consideran proveedores de internet de usuario final como TotalPlay, Izzi, Infinitum, Telcel, AT&T, Dish, Telnor, Megacable, entre otros. 

2.2. Nivel 2. 

Las IEDs tienen equipo especializado para correr servicios digitales propios como correo electrónico, repositorios digitales institucionales, vigilancia con videocámaras, acceso controlado con tarjetas de identificación, sistemas de videoconferencia internos, procesos automatizados como la nómina, revisión del personal, entre otros. 

 

El personal administrativo cuenta con servicios de comunicación como VoIP, software de oficina compartido, impresoras y scanners compartidos. El personal cuenta con software de oficina en red y servicios integrales de digitalización de documentos y sistemas internos de seguimiento de procesos. Incluso, es posible que los administrativos cuenten con sistemas ERP para control de la organización.

 

En el ámbito académico los profesores tienen servicios de acceso digital a repositorios institucionales y laboratorios virtuales o remotos internos, Sistema de videoconferencia, sistemas administradores de contenido y administración de cursos en línea.

 

Los proveedores de internet para este tipo de instituciones son del tipo corporativo para empresas por lo que tienen acceso a servicios de banda ancha. En cuanto a la tecnología de red se tienen varios ruteadores, switches, puntos de acceso, repetidores, etc., organizados en topologías de red clásicas. Incluso, tienen varias subredes para brindar servicio a edificios completos. Su rango de atención es de cientos de personas quienes tienen acceso a servicios de red internos y externos. 

 

Adicionalmente, tienen acceso a software desarrollado por los mismos profesores. El ancho de banda para estas instituciones está en el rango de los Mbps a Gbps. Las comunicaciones tanto internas como externas ya tienen protecciones de seguridad de datos y se cuenta con protocolos de comunicación para acceso interno a los servicios. La tecnología computacional ya cuenta con varios servidores con procesadores de gama alta. Cada equipo de cómputo cuenta con memoria RAM en los rango de los Gigabytes. Los discos duros ya están en los rangos de los TeraBytes. 

 

2.3. Nivel 3. 

Las IEDs en esta categoría cuentan con poder económico suficiente para hacer inversiones en tecnología de red y de tecnología computacional. Además, tienen servicios diferenciados para el personal ejecutivo, administrativo, operativo y auxiliar. Incluso, cuentan con servicios de red poco comunes que requieren de personal experto en el área de tecnología de información.

 

El personal administrativo cuenta con servicios complejos para administración de la nómina, pagos a proveedores, administración de licitaciones, seguimiento del recurso humano, comparten información de manera permanente y cuentan con personal especializado en la administración con herramientas digitales. 

 

El personal académico cuenta con servicios internos como sistemas de administración de contenidos, cursos, seguimiento de estudiantes, sistemas de comunicación formales y acceso a contenido didáctico propio. 

 

El personal ejecutivo tiene sistemas de monitoreo y evaluación del recurso humano y de los estudiantes. De igual forma, cuentan con servicios de análisis de datos institucionales para la toma de decisiones. 

 

Los servicios de red son complejos y diferentes en distintas secciones de la institución. Cuentan con múltiples subredes con características distintas. La red interna sigue protocolos estrictos de cableado con componentes de red de gama alta. 

 

Los elementos computacionales son múltiples para cada sección de la institución. Sin embargo, existe una sección de la institución que tiene tecnología computacional de punta, especializada y de gama alta. A continuación se presentan varias formas de organización de la tecnología computacional de nivel 3 existente en instituciones educativas mexicanas públicas y privadas. Con estos ejemplos de organización de tecnología de red y computacional se espera aclarar las estrategias de crecimiento en los servicios digitales en las instituciones de educación superior. 

2.3.1. Centro de datos

Un centro de datos, también conocido como data center, es una instalación que centraliza la tecnología computacional con el fin de almacenar, procesar y distribuir los datos y las aplicaciones al interior de una organización. Empresas como Ascenty (Ascenty, 2022) reporta dos centros de datos asentados en el estado de Querétaro (Ascenty, 2021). La empresa KIO Networks reporta siete proyectos de centros de datos en México (KIO Networks, 2021) hospedados en Monterrey, Querétaro, Estado de México y la Ciudad de México. La empresa Equinix reporta dos centros de datos asentados en el estado de Querétaro (EQUINIX, 2021). Odata reporta un centro de datos de considerable capacidad que está por concluir en el estado de Querétaro (ODATA, 2022) (DatacenterDynamics, 2022). La empresa CloudHQ anunció, en 2021, una inversión de más de 600 millones de dólares para la creación de un centro de datos para el estado de Querétaro (Estrella, 2021). La empresa Microsoft reporta, en 2021, una inversión de 1,100 millones de dólares para la creación de un centro de datos para el estado de Querétaro (Zamarrón, 2022). La empresa MTP anunció en 2022 la construcción de un centro de datos ubicado en la Ciudad de México (DatacenterDynamics, 2022). Además, existe el  Centro de datos Bioturbosina y Biocombustibles Sólidos que pertenece al Instituto Mexicano del Petróleo (Instituto Mexicano del Petróleo, 2022).

 

En las universidades también se tiene reporte de la existencia de centros de datos. Por ejemplo, el centro de datos y cómputo de alto rendimiento, ubicado en el Instituto de Ciencias Nucleares (ICN), ubicado en la UNAM (DatacenterDynamics, 2019). El equipo está compuesto por 45 nodos de procesamiento y 52 servidores de almacenamiento, y ofrece una capacidad de cinco petabytes. Existe también un Centro de Análisis de Datos y Supercómputo (CADS) en la Universidad de Guadalajara (Centro de Análisis de Datos y Supercómputo, 2018) 150 nodos de cómputo, con un rendimiento mayor a 504 TFlops. El Centro de Investigación Científica y de Educación Superior de Ensenada cuenta con un Centro de Datos (Rico Rodríguez, 2021), el cual cuenta con 4190 núcleos de procesamiento con más de 700 TB de almacenamiento. En la Universidad Autónoma de Chiapas está el Laboratorio Regional de Cómputo de Alto Desempeño el cual contiene 360 servidores con procesadores Intel Xeon (LARCAD, 2015).

 

2.3.2. Centros de supercómputo.

Los centros de supercómputo o centros de computación de alto desempeño (HPC) es la capacidad de realizar millones de cálculos complejos a altas velocidades. Este tipo de computación hace uso de una supercomputadora que contiene miles de elementos de procesamiento que trabajan juntos para completar una o más tareas. 

 

En México existen varios de estos centros de procesamiento como el Laboratorio Nacional de Tecnologías de la Información (Lanti) ‌Laboratorio Nacional de Tecnologías de Información, 2018) del ITM el cual cuenta con un Clúster de Alto Rendimiento Híbrido LUFAC® de 19968 Cores GPU y 304 cores CPU.

 

El Cinvestav también cuenta con el Laboratorio de Matemática Aplicada y Cómputo de Alto Rendimiento (Abacus) (ABACUS, 2022) el cual cuenta con 8 mil 904 núcleos de procesamiento tradicional y 100 aceleradores GPUs, que contienen otros 350 mil núcleos. La Universidad de Sonora también cuenta con una Área de Cómputo de Alto Rendimiento (Acarus) el cual cuenta con 720 CPUs, 15 Tarjetas GPGPU y 2 nodos de visualización.

 

Por otro lado, el Instituto Potosino de Investigación Científica y Tecnológica A.C., posee al Centro Nacional de Supercómputo (Centro Nacional de Supercómputo, 2022).

 

La Benemérita Universidad Autónoma de Puebla tiene al Laboratorio Nacional de Supercómputo del Sureste de México que está conformado por  segmentos de cómputo científico, como Cuetlaxcoapan,Centepetl, Cholollan,entre otros (Laboratorio Nacional de Supercómputo del Sureste de México, 2022).

 

La Facultad de Ciencias de la Universidad Autónoma del Estado de México tiene un Laboratorio de Supercómputo constituido por 48 procesadores AMD con arquitectura de 64 bits, 7 servidores y 7 computadoras personales (Universidad Autónoma del Estado de México, 2016).

 

El Cluster Híbrido de Supercómputo – Xiuhcoatl tiene 254 servidores, 103 tarjeta GPU y 6222 procesadores, este está ubicado en el Centro de Investigación y de Estudios Avanzados del Instituto Politécnico Nacional (Cinvestav, 2022).

 

 La Dirección General de Cómputo y Tecnologías de Información y Comunicación de la Universidad Nacional Autónoma de México tiene en funcionamiento a Miztli (DGTIC, 2022).

 

El Laboratorio de Supercómputo y Visualización en Paralelo se utiliza para el desarrollo de investigaciones científicas en la Universidad Autónoma Metropolitana (Universidad Autónoma Metropolitana, 2022).

2.3.3. Otros centros de alto rendimiento.

Adicionalmente a los centros de datos, centros de supercómputo existen centros para procesar grandes volúmenes de datos provenientes de sensores como el caso de los sistemas sismológicos, sistemas de monitoreo ambiental o sistemas de monitoreo climático. También, existen centros de procesamiento de datos cuyo procesamiento puede durar meses o años y durante los cuales los sistemas computacionales no pueden detenerse, apagarse o tener fallos técnicos. Uno de estos centros se encuentra en el Centro de Investigación Científica y de Educación Superior de Ensenada. El clúster Lamb de supercómputo (Ofrecen servicios de supercómputo a usuarios externos, 2022) es mayoritariamente usado en simulaciones numéricas que propagan las ondas sísmicas en modelos complejos del subsuelo. Este cluster cuenta con 33 nodos de cómputo con un total de 964 núcleos y alrededor de 70 TB de almacenamiento. 

 

Existen otros centros de datos que califican en esta categoría pero son utilizados por empresas del estado como Petróleos Mexicanos o Comisión Federal de Electricidad entre otras dependencias para controlar sistemas de tiempo real y hacer simulaciones computacionales sobre modelos matemáticos complejos. 

2.3.4. Cómputo en la nube. 

Desde su concepción matemática, el cómputo contiene elementos básicos: un sistema de memoria, un sistema de  procesamiento, y una red interconecta estos elementos básicos. (Patterson and Hennessy, 2014). Cuando hablamos de cómputo avanzado es necesario garantizar una la tecnología computacional adecuada en términos de  almacenamiento, procesamiento y transferencia de datos. 

 

El concepto de computación en la nube se refiere al uso de tecnología computacional para ejecutar múltiples servicios digitales en hardware, software compartido. Este modelo computacional requiere la separación de tres niveles de tecnología computacional que se describen a continuación. 

 

Hardware y redes para ofrecer servicios digitales. La infraestructura como servicio resulta ser la base de un proyecto de cómputo en la nube. En esta sección se tiene un conjunto de elementos de tecnología computacional para virtualizar una infraestructura o para proyectos que requieran una gran cantidad de recursos. En esta etapa se consideran racks, clusters, sistemas de enfriamiento del equipo de cómputo, sistemas de respaldo eléctrico, monitores, discos duros, etc. 

 

Software base para desarrollo de servicios digitales. Plataforma como servicio en un proyecto de cómputo en la nube permite a los desarrolladores hacer uso de la tecnología computacional instalada y lista para usar. Además, permite que los desarrolladores de software puedan hacer múltiples aplicaciones partiendo de esta capacidad instalada. Generalmente, esta etapa brinda servicios digitales a otras aplicaciones de la misma etapa o de software con interacción con el usuario final. Una característica de este tipo de software es que pueden tener interacción con aplicaciones escritas en una gran variedad de lenguajes de programación. En esta etapa se encuentran los sistemas operativos como Windows Server, Linux, entre otros. Además, se cuenta con software para virtualización de computadoras como VMWare, VirtualBox, etc. De igual forma, en esta etapa se encuentran sistemas para manejo de contenedores como Docker en combinación con kubernetes entre varios manejadores de contenedores de software. 

 

Software para presentación de servicios digitales. Esta etapa contiene software que brinda servicios digitales a los usuarios finales del sistema. El software de esta etapa consume acciones del software base del sistema para generar servicios de valor agregado para los usuarios. Estas plataformas generalmente recuperan o procesan los datos que se solicitan desde el software del usuario. Ejemplos de servicios digitales en esta etapa se encuentran: servicios web, administradores de bases de datos, software de recuperación, tratamiento y visualización de los datos. La idea de esta etapa es que si se desea iniciar, detener o quitar un servicio digital no se afecte a los demás servicios, esto debido a que cada servicio está siendo ejecutado en su propia computadora virtual. 

 

Una vez aclarados los tipos de cómputo que se tienen disponibles procedemos en la siguiente sección a aclarar las definiciones de servicios digitales que se pueden ejecutar dependiendo del nivel de complejidad de la red de datos. En la siguiente sección se introducen los servicios digitales básicos, avanzados y emergentes. 

 

3 Servicios digitales

Sobre definición de los servicios digitales básicos, avanzados y emergentes y su uso en las instituciones educativas

3. Servicios digitales

Un servicio digital en una red de datos se refiere al uso de recursos de red y computacionales con el objetivo de facilitar la comunicación entre los miembros de la organización o con miembros de otras organizaciones. También, facilitan el acceso y el flujo de los datos permitiendo la accesibilidad y la mejora continua de los procesos. Los servicios digitales permiten al recurso humano tener acceso a hardware, software o datos que le permiten continuar con su trabajo sin importar que no se encuentre en su oficina. Estos servicios son diseñados para mejorar la productividad en las organizaciones permitiendo la personalización de los procesos, herramientas y estrategias de la organización (ILIMIT, 2019) (INCIBE, 2017). 

 

A continuación, se presentan tres niveles de servicios digitales disponibles en una red de datos: servicios básicos, servicios avanzados y servicios emergentes. 

3.1. Servicios básicos

Los servicios básicos de red se refiere a software que está disponible en la mayoría de los sistemas operativos del tipo servidor como Linux, OS Server, Windows Server. Estos servicios son parte del kernel o núcleo central del sistema operativo y se activan conforme se requieren. A continuación se listan los más comunes (‌RedIris, 2008). 

 

Systat Permite visualizar los procesos activos, nombres de usuarios, dispositivos conectados u otros datos sobre el rendimiento del sistema.

Daytime Muestra fecha, hora, nombre del equipo y la dirección IP cuando se realiza una conexión.

Netstat Es muy similar a systat, solo que a diferencia este servicio muestra información sobre el estado de la red, por ejemplo, las conexiones activas, entre otras. 

Chargen Es un servicio destinado a la inspección del estado actual de las redes disponibles.

Tftp Trivial File Transfer Protocol es un protocolo para realizar transferencia de ficheros, sin necesidad de pasar por un proceso de seguridad o autenticación previo. 

Finger Este protocolo recupera información demasiado explícita de usuarios activos y no activos.

POP Post Office Protocol es un protocolo que permite a los usuarios leer su correo sin que sea necesario tener un sistema más complejo.

Auth Permite saber el nombre del usuario que realiza un solicitud de conexión, esto ayuda a identificar quién es y de dónde está enviando dicha solicitud, de esta manera, es posible permitir o denegar la conexión.

NNTP El servicio Network News Transfer Protocol se usa para enviar mensajes de grupos de noticias entre servidores de noticias.

NTP Network Time Protocol es utilizado para sincronizar los relojes de las máquinas de manera muy exacta.

UUCP Unix to Unix CoPy sirve para copiar archivos entre máquinas Unix.

3.2. Servicios avanzados

Estos servicios hacen uso de uno o varios servicios básicos de la red de datos y permiten al usuario final tener servicios integrales de acceso a la información. Estos servicios son configurados para mantener la seguridad y la operación amigable de los recursos compartidos. La calidad de estos servicios se define como la garantía de un transporte confiable de los datos a través de las redes. Para lograr este objetivo las redes deben ser capaces de identificar los distintos flujos y otorgarles un tratamiento específico.

 

En este tipo de servicios se busca eliminar la pérdida de rendimiento del flujo de los datos debido a las congestiones. También, se busca reducir o incluso eliminar la pérdida o retrasos en la entrega de los paquetes de datos. 

 

Entre los servicios digitales avanzados se encuentran los siguientes:

Correo electrónico.Este servicio permite organizar actividades laborales facilitando la comunicación dentro de la organización (Instituto Superior Tecnológico Honorable Consejo Provincial de Pichincha, 2021). Además, proporciona una comunicación ágil y directa que ofrece seguridad en el intercambio de información sensible para la organización (Rubio Bravo, 2021). 

 

VoIP.  Esta tecnología fue desarrollada para realizar llamadas mediante una conexión a internet de banda ancha  en lugar de usar una línea telefónica convencional. Los servicios de VoIP transforman  la voz en una señal digital para que pueda ser enviada por internet. Para hacer uso de estos servicios es indispensable contar con internet de alta velocidad, computadora, adaptador o un teléfono especializado (Federal Communications Commission, 2010).

 

DHCP. Este servicio reduce la configuración de administración de una red de forma que gestiona de manera automática la asignación de direcciones IP a través de permisos y recupera aquellas IP que no están siendo utilizadas para otorgarlas a otro dispositivo (ORACLE, 2011).

 

RDP. Este servicio fue diseñado para utilizar un equipo de cómputo de escritorio vía remota. Un escritorio remoto se define como la capacidad de conectarse y hacer uso de un escritorio a distancia desde otro ordenador. Los usuarios de dicho escritorio remoto tienen permisos para acceder a su espacio de trabajo, abrir, editar archivos, ejecutar aplicaciones, como si estuviera sentado frente al escritorio. Uno de los usos más frecuentes y de gran ayuda para los colaboradores de una organización es utilizar este protocolo cuando están de viaje o hacer home office, de esta manera acceden a su ordenador de trabajo para seguir con sus actividades laborales (CLOUDFLARE, 2022).

 

DNS. Un sistema de ‘nombre de dominio’ es un directorio que contiene todas las páginas web que existen en internet. Por ejemplo, al intentar acceder a https://cudi.edu.mx/ mediante un navegador, el DNS funciona como un traductor, ya que convierte el nombre del dominio a una dirección IP “201.159.222.210”, para que el navegador pueda acceder y desplegar el contenido del sitio web. De esta manera, es más fácil recordar el nombre del dominio que aprender de memoria la dirección IP (CLOUDFLARE, 2022). 

 

SMTP. Este servicio es utilizado para enviar y recibir correos electrónicos entre equipos de cómputo remotos. 

HTTP. Es un servicio de acceso para las páginas web a través de Internet. HTTP son las siglas para Hypertext Transfer Protocol que se traduce al español como el “protocolo de transferencia de hipertextos”.

 

FTP. Es un servicio de transferencia de archivos que permite enviar y descargar archivos de un servidor al cual puede acceder a través de un login, fue diseñado para ser muy veloz omitiendo algunos parámetros de seguridad. 

3.2. Servicios emergentes

Las Instituciones Educativas (IEDs) han comenzado a adquirir políticas de Industria 4.0 enfocadas a la adquisición, almacenamiento, recuperación y procesamiento de grandes volúmenes de datos o documentos. Estas políticas tienen como objetivo mejorar los procesos administrativos, operativos y de alta dirección con el objetivo de mejorar sus operaciones internas y mejorar la experiencia de usuario de sus trabajadores y de los estudiantes. En este sentido las IEDs pueden utilizar servicios de cómputo avanzado para implementar los nuevos servicios digitales basados en la tecnología computacional de alto desempeño. Entre los nuevos servicios digitales se encuentran los siguientes: Robotización de procesos, Autoconocimiento institucional automatizado, Reconocimiento de tendencias institucionales, Educación masiva, Balance de indicadores clave de desempeño institucionales, Detección de oportunidades de mejora, Herramientas tecnológicas de apoyo al Proceso Enseñanza-Aprendizaje y procesos de Investigación-Desarrollo e Innovación. A continuación se presentan detalles de estos nuevos servicios digitales. 

3.2.1. Automatización de procesos administrativos. 

Este nuevo servicio mejora el tiempo de respuesta de los procesos administrativos y académicos realizando de manera automática algunos procesos considerados como repetitivos y con acciones completamente definidas. Este servicio permite concentrar al personal de la institución en el trabajo estratégico y liberarlo de las tareas repetitivas o monótonas. Un ejemplo de este servicio sería el obtener un listado de los estudiantes con riesgo académico u obtener un listado de estudiantes que cumplen los requisitos para notas laudatorias o becas al rendimiento académico. El proceso es conocido, no cambia con el tiempo y se debe realizar de manera repetitiva cada periodo educativo. Estos procesos se pueden automatizar para liberar al personal para resolver otras tareas de mayor complejidad (Ivančić et al., 2019). 

 

Realizar la automatización de los procesos repetitivos o plenamente definidos requiere de analizar la repetibilidad, el volumen de ocurrencias del proceso, el tiempo que lleva completar las acciones relacionadas, la complejidad y la necesidad de presencia física de un humano en la elaboración de la tarea. Una vez detectados los procesos se requiere de hacer una traducción de los pasos del procedimiento a elementos de software que permitan su automatización (Ribeiro et al., 2021).

 

Este tipo de procesos automatizados en software generalmente provoca que los tomadores de decisiones puedan realizar procesos de análisis preventivo de indicadores de calidad o riesgo académicos. Generalmente, estos procesos de análisis implican tener grandes volúmenes de información para analizar los datos obtenidos por fecha, por grado académico, por periodo, por grupo de estudiantes, etc. Estos datos requieren de almacenamiento, procesamiento y transferencia. Resulta entonces importante tomar en consideración estas nuevas variables cuando se inicia un proceso de automatización. De igual manera, resulta muy comprensible que el inicio de un proyecto de automatización de procesos implica la reducción o cambio del personal administrativo o técnico por lo que se debe considerar este aspecto y negociarlo previamente con grupos sindicales o con personal directivo para evitar rechazos al servicio (Herm et al., 2022). Por ejemplo, un proceso administrativo como la ‘solicitud de una constancia de estudios’ de un estudiante transformado de manera digital implica el uso de dispositivos móviles, bases de datos, diagramas de modelado de procesos, y el inicio de un flujo de trabajo donde participan tanto el estudiante, el personal administrativo y el personal directivo de la institución.

 

Tabla 1. 

Análisis de oportunidades y riesgos en la implantación de servicios de automatización de procesos administrativos.

Acciones

Oportunidades

Riesgos

Detección de tareas repetitivas (TR)

Permite liberar al trabajador de estas tareas y asignarlo a tareas de mayor importancia para la institución

Los trabajadores pueden considerar un riesgo a su puesto laboral.

Definición de las actividades dentro de las TRs 

La documentación de procesos resulta de mucha utilidad para las políticas de calidad institucionales

El tiempo requerido para documentar puede resultar excesivo. Requiere de apoyo para realizarlo en el menor tiempo posible. 

Generación de software para automatización de las TRs

Se agilizan los procesos. 

Costo de equipo computacional y tecnología de información puede ser considerable

Alimentación de datos de entrada a las TRs automatizadas

Se procesa mucha información similar con el mismo software

Tiempos de carga desde archivos o bases de datos. Tiempos de transferencia de datos.

Procesamiento computacional de las TRs automatizadas 

Reduce significativamente el tiempo de procesamiento y análisis de la información

Costo de equipo de cómputo, especialmente de centros de datos

Almacenamiento de resultados de las TRs

Permite el almacenamiento de grandes volúmenes de información y acceso a los datos 

Costo de instalación, operación y mantenimiento de las bases de datos. 

 

Por otro lado, los procesos de automatización usualmente aumentan la velocidad de generación de información así como la toma de decisiones. Cualquier organización que pueda tomar decisiones más rápido que sus competidores podrá sacar mayor provecho del mercado y generará mayores oportunidades de crecimiento. En este sentido, el tiempo es amigo de aquellas IEDs que pueden tomar decisiones más rápidas y precisas. Las IEDs que han iniciado la automatización de sus procesos administrativos y académicos pueden ser capaces de alcanzar altas velocidades de toma de decisiones, incluso, en el rango de los milisegundos. Para lograr este ritmo de velocidad en el análisis, procesamiento y toma de decisiones requiere de gran poder computacional y de algoritmos complejos donde se incluyen modelos, simulaciones y transformaciones computacionales de alta demanda tecnológica (Mora & Sanchez, 2020).

 

En la Tabla 1 se muestran los pasos para poder implantar este tipo de servicios en una organización. En esta tabla también se analizan las oportunidades que surgen a partir de la puesta en marcha del servicio. Entre las oportunidades se encuentra el autoconocimiento operativo, liberación del recurso humano, mejora de los procesos internos de la organización. En la tabla también se muestran los riesgos que se pueden tener al momento de activar el servicio. Estos riesgos abarcan el tiempo requerido para adquirir el conocimiento de los procesos, implantar este servicio así como los costos asociados al mismo como la compra de equipo de cómputo especializado.

 

Resulta evidente que la ejecución de estos servicios basados en la automatización de tareas administrativas u operativas requiere de un fuerte análisis de tendencias para detectar de manera automática cuando es necesario iniciar una tarea automatizada en lugar de realizar dicho proceso de manera manual. Aquí es donde entra en escena el concepto de cómputo avanzado para dar soporte de ejecución a los algoritmos de análisis de tendencias. En particular, esta detección automática generalmente es llevada a cabo por sistemas de inteligencia artificial que inspeccionan los datos para reconocer tendencias en ellos. Cuanto mayor sea el número de usuarios, las interacciones, los volúmenes de datos y la calidad de sus conocimientos basados ​​en la inteligencia artificial, mayor será el nivel de automatización de decisiones en su organización. Estos procesos requerirán de gran poder computacional y cuanto mayor sea el nivel de automatización de decisiones, mayores serán las posibilidades de optimización institucional. Estos servicios requieren de equipo de cómputo dedicado y organizado como centros de datos. 

3.2.2. Tele-educación, laboratorios remotos y virtuales.

La transformación digital de una organización está relacionada con el uso de herramientas tecnológicas que apoyan, facilitan o aceleran los procesos en las organizaciones. La transformación digital está relacionada con el apoyo a los procesos más tener la finalidad de automatizar a los mismos (Zaoui & Souissi, 2020). Por ejemplo, un proceso de transformación digital en el salón de clases consiste en sustituir parte del proceso de comunicación entre profesor-estudiante con un software que permita dicha comunicación. Un claro ejemplo de este proceso es la toma de notas en clase la cual puede ser sustituida por una transcripción, dictado automático o una simple grabación en audio o video. Otro ejemplo es el uso de herramientas tecnológicas para el fortalecimiento del aprendizaje pueden resultar en un reto computacional como el uso de laboratorios virtuales y simuladores computacionales. Estos servicios requieren de transmisión de datos desde y hacia el laboratorio para realizar control digital de los equipos y poder visualizar las reacciones consecuentes a la aplicación del control. Este servicio de acceso remoto a material didáctico o a recursos y/o herramientas tecnológicas para fortalecimiento del aprendizaje seguramente causará una transformación digital del proceso. Sin embargo, no siempre se tiene la aceptación de la tecnología en este sentido. La incorporación de los usuarios a los procesos de transformación digital requieren de abandonar la zona de confort para introducirlos a una zona con nuevas herramientas, desarrollando sus capacidades y sobre todo las habilidades digitales o “soft Skills” necesarias para enfrentarse con confianza a los cambios que supone el proceso (UNESCO, 2020).

 

En la Tabla 2 se muestra un análisis de las oportunidades y riesgos de implantar los servicios de tele-educación, laboratorios remotos y virtuales. Entre las oportunidades se encuentra el proceso de reflexión que se debe hacer para mejorar el aprendizaje para luego establecer las técnicas, algoritmos y mecanismos de control para implementarlos en equipo de cómputo para alcanzar el objetivo de transformación digital. Entre los riesgos se detectan el costo en desarrollo y capacitación del personal así como el costo de adquisición de la tecnología computacional requerida para implementar los servicios de laboratorio virtualizado o de acceso remoto. 

 

En este tipo de servicio los centros de cómputo avanzado pueden apoyar de manera significativa al realizar los cálculos que permiten el control de los laboratorios. Este tipo de servicios requiere de equipo de cómputo de alto desempeño pero también de redes de datos de alta velocidad para garantizar un control eficiente de los laboratorios. 

 

La transformación digital busca la aplicación y uso de tecnología computacional en los procesos administrativos y operativos de la institución. Esta transformación produce un cambio cultural, organizacional y de crecimiento de nuevas tecnologías en toda la organización. Un proceso de esta dimensión implica rediseñar la organización para adaptar cada proceso, capacitar a los usuarios del proceso y realizar ajustes tecnológicos para afinar el nuevo comportamiento organizacional (Bilyalova et al., 2019). 

 

Tabla 2. 

Análisis de oportunidades y riesgos en la implantación de servicios de tele-educación, laboratorios remotos y virtuales.

Acciones

Oportunidades

Riesgos

Detección de oportunidades de sustitución de medios tradicionales de captura y procesamiento de datos con medios digitales

Reflexionar sobre el diseño del proceso y sus posibles puntos de saturación

Requiere de personal capacitado para seleccionar la tecnología computacional adecuada. 

Inclusión de tecnología computacional al proceso rediseñado

Generar un clima de mejora continua y un sentido de modernidad de la organización.

Existe la posibilidad de rechazo del nuevo proceso rediseñado o la necesidad de largos periodos de capacitación.

Pruebas de funcionamiento del proceso rediseñado

Permite encontrar puntos de mejora en los procesos

Un uso deficiente de la tecnología para el procesamiento o transmisión de los datos puede echar a perder el esfuerzo de transformación digital.

El plan de transformación digital suele estar acompañado de un plan de orientación del personal hacia una cultura digital que evite el rechazo de la tecnología y facilite la introducción del nuevo proceso rediseñado. Además, se requiere de un plan de desarrollo de competencias duras y blandas en torno al uso de herramientas tecnológicas necesarias para el cambio organizacional. 

 

Evidentemente, después de un proceso de transformación se requiere de un cambio en la estructura de la organización con redefinición de puestos y funciones; incluyendo, la capacitación en el nuevo proceso. Es importante aclarar a los involucrados que el proceso de transformación digital no se centra en un solo proceso sino que es un plan tecnológico progresivo. Finalmente, un proceso de transformación digital contempla la incorporación de nuevos perfiles profesionales como un Agile Coach, Chief Information Officer, Chief Data Officer, Chief Digital Officer, Chief Transformation Officer, y quizás hasta un Chief Innovation Officer.

3.2.3. Descubrimiento de tendencias institucionales.

Las IEDs requieren de análisis de tendencias en todos los servicios que prestan ya sean administrativos y académicos. Ejemplos de estos análisis de tendencias son: el monitoreo de tasas de atención, índices de transacciones atrasadas, costo de atención por trabajador, tasa de satisfacción de los solicitantes, etc. Por otro lado, existe un análisis obligado en las IEDs como el análisis de asistencia, el índice de reprobación, el índice de ausentismo, el promedio general de un conjunto de estudiantes, etc. Estas tendencias se ocupan para mejorar o afinar la toma de decisiones.

 

Una ventaja de iniciar la transformación digital de procesos administrativos y académicos es la posibilidad de realizar análisis de la información recolectada con la tecnología computacional utilizada. Por ejemplo, en un proceso administrativo de ‘solicitud de alta de un curso al kardex del estudiante’  se tiene registrado en la base de datos el tiempo de inicio, fin del proceso en cada una de las etapas. Además, se hace un registro del tiempo que le lleva a cada trabajador completar un servicio a la comunidad educativa. Esta información puede ser analizada para revisar tendencias tanto positivas como negativas en la atención a los solicitantes del servicio. El reconocimiento de estas tendencias seguramente mejorará la toma de decisiones al interior de la organización y mejorará el índice de satisfacción de la comunidad académica. 

 

Durante la pandemia COVID-19 los métodos de enseñanza y aprendizaje se han digitalizado de manera forzada pero esto ha permitido conocer las bondades del análisis de tendencias para monitorear los procesos académicos y administrativos (Colman, 2021). Por ejemplo, en el proceso enseñanza-aprendizaje se puede monitorear el avance temático, la asistencia, el índice de aprobación y el índice de ausentismo o de llegada tarde a clase, etc. Con esta información medida por unidad de tiempo es posible detectar tendencias en el comportamiento del personal académico, administrativo o en los estudiantes. De esta manera podemos conocer si una persona sigue un patrón de reprobación o de abandono de los cursos. Con ello, es posible aplicar procedimientos para la corrección operativa y evitar la presencia de estos comportamientos en la comunidad académica. 

 

El rango de análisis, la cantidad de información a procesar, el tiempo de pronóstico de las valoraciones o predicciones de los modelos matemáticos son factores que requieren de poder computacional para reconocer las tendencias. Entre los modelos matemáticos se encuentran la regresión lineal simple o múltiple. De igual forma, se tienen modelos de clasificación automática de casos usando algoritmos como k-media, distancia hamming, distancia euclidiana o redes autoorganizables. También, existen técnicas de reconocimiento de patrones con fines de pronóstico usando redes neuronales. 

 

En la Tabla 3 es posible observar los pasos en la implantación de estos servicios digitales. En la tabla se distinguen las oportunidades y riesgos que se puede tener en este servicio. Por ejemplo se pueden detectar patrones de comportamiento de usuarios y datos así como encontrar la relación entre datos que aparentemente no están relacionados. También, se detectan riesgos como hacer evidentes vicios de la organización o tener sesgos importantes en la toma de decisiones derivadas de malas capturas de datos o procesamiento deficiente de los mismos. 

 

Tabla 3. 

Análisis de oportunidades y riesgos en la implantación de servicios de descubrimiento de tendencias institucionales.

Acciones

Oportunidades

Riesgos

Captura de datos de los procesos

Los datos son útiles para la administración de la calidad operativa

Pueden surgir problemas de seguridad de datos

Diseño de KPIs

Permite la reflexión sobre la detección y manejo de los indicadores clave del desempeño

Puede exhibir comportamientos viciados en la organización

Clasificación de datos

Detecta patrones de comportamiento de los datos

Puede evidenciar malas prácticas operativas y administrativas y con ello causar un conflicto organizacional.

Extracción de características de las clases de datos

Se hace evidente las características de cada clase de comportamiento y se facilita pasar un dato de una clase a otra

Una mala o deficiente extracción puede derivar en falsos positivos o falsos negativos.

Entrenamiento de redes neuronales

Permite la relación compleja entre clases de datos. Reconoce relaciones no evidentes.

Entre mayor sea la cantidad de datos se requiere de mayor poder computacional

Uso de la red neuronal

Permite la automatización del reconocimiento de los patrones de datos

Requiere de hardware/software dedicado al reconocimiento de los patrones. 

 

Los sistemas de reconocimiento de patrones requieren generalmente de sistemas complejos de tecnología computacional para el entrenamiento y uso de redes neuronales. Los centros de cómputo avanzado con clusters de procesadores y GPUs son generalmente utilizados para resolver este tipo de tareas. Entre mayor sea la cantidad de datos a procesar o mayor sea la velocidad del reconocimiento se requerirá de mayor poder de cómputo. En etapas avanzadas del proyecto es posible que se requieran de centros de supercómputo para lograr encontrar patrones complejos de los datos. 

 

Iniciar un proceso de reconocimiento automático de patrones requiere de expertos en inteligencia artificial y de asignar recurso computacional suficiente para el tratamiento de los datos. Entre mayor sea el conjunto de datos o procesos a reconocer se requiere de mayor poder computacional. 

3.2.4. Educación masiva

Una problemática recurrente en las IEDs es la necesidad de ampliar la matrícula sin perder calidad educativa ni incrementar, de manera significativa, el costo operativo de la institución. Una solución potencialmente eficiente es el diseño de cursos masivos donde con pocos cursos se puede atender a miles de estudiantes. Estos cursos se conocen como MOOC. De acuerdo con (Universitat Autònoma de Barcelona, 2013) un curso mooc se refiere al acrónimo en inglés de Massive Online Open Courses, esto quiere decir, que es un curso vía remota donde un sin número de personas pueden acceder mediante una conexión a internet. Estos tipos de cursos cuentan con los elementos indispensables de un curso clásico, pero además, ofrecen foros interactivos para que participen estudiantes, profesores y demás miembros. Existen diversas plataformas de cursos como: Coursera, edx, FutureLearn, Miriadax, entre otras. 

 

En México, la Universidad Nacional Autónoma de México posee una plataforma sobre cursos mooc donde actualmente tienen cientos de programas especializados y en formación profesional, con millones de inscripciones (Mooc unam, 2020). A partir de lo anterior se identifican las características principales de un curso MOOC: no existe un límite de personas inscritas, se puede acceder al contenido desde cualquier punto geográfico, es un sistema de educación gratuito vía remota. 

 

Actualmente existen 3 modelos de MOOC disponibles, entre ellos, cMOOC Model, MOOC Model y Quasi MOOC Model. El primer modelo se enfoca en la creación, creatividad, así como en el desarrollo del aprendizaje en redes sociales, este modelo se basó en la construcción y generación de conocimiento para el estudiante, por ejemplo, los cursos del MIT y las Universidades Abiertas utilizan este tipo de MOOC. El segundo modelo está fundamentado en el aprendizaje tradicional, su contenido mayormente son videos y cuestionarios no tan extensos, además, evalúa el conocimiento a través de métodos de prueba, Udacity, Coursera, udemy, Khan Academy, Venture, y edX, utilizan este modelo. Por último, Quasi MOOC Model su contenido son recursos educativos abiertos, aunque estos no proporcionan mucho conocimiento a los alumnos, también permite la interacción social y medir el aprendizaje (Suresh & Srinivasan, 2020). Existe software especializado en este tipo de cursos como Moodle, Chamilo, Open edX, Canvas LMS, LearnDash LMS en WordPress. Adicionalmente, se tienen plataformas comerciales para este tipo de cursos como Evolcampus, TalentLMS, Docebo, Blackboard Learn, Schoology. 

 

De manera general, la tecnología computacional requerida para la implantación de educación masiva requiere de sistemas organizados bajo el paradigma de cómputo en nube para brindar un servicio con calidad operativa, de acceso y de fácil mantenimiento. Los equipos de cómputo avanzado requieren de brindar atención a los usuarios para tener acceso ágil al software de administración del aprendizaje. El balance de carga computacional en el sistema de nube resulta esencial, por ejemplo, se debe revisar si resulta conveniente tener un solo equipo de alto desempeño computacional o se requiere de una red de servidores que ofrezcan un servicio de infraestructura compartida entre los cursos. Este estudio requiere de conocimiento computacional pero también eléctrico y de refrigeración. Es por ello que iniciar este servicio requiere de tener un equipo multidisciplinario para revisar los detalles técnicos, logísticos y académicos. 

 

Existen múltiples estrategias para la implantación de este tipo de cursos: (a) Infraestructura propia. En esta estrategia la organización debe conseguir el hardware y el software para generar, hospedar, disponer de los cursos MOOC. (b) Infraestructura externa. En esta estrategia se puede rentar servicios de hospedaje de los cursos para adquirir solamente el hospedaje de los cursos. Esta última opción permite a la institución concentrarse en brindar servicios educativos de alta calidad y los aspectos técnico-operativos quedan a criterio de otra organización. 

 

En la Tabla 4 se presentan detalles para la implantación de cursos masivos en línea así como las oportunidades y riesgos que tiene el inicio y operación de estos nuevos servicios digitales. En la tabla se reconoce que la revisión de contenidos temáticos permite el mejor entendimiento de los temas así como la integración del conocimiento para el fortalecimiento de las competencias académicas. También, se detectan y reconocen los riesgos de implantar estos servicios. Entre los riesgos se encuentran el alto costo en equipo de cómputo y expertos en digitalización de procesos educativos. Además, el proceso de implantación puede convertirse en un reto importante puesto que no es un proceso fácil o rápido. 

 

Es importante mencionar que la generación de cursos masivos generalmente deriva en procesos de reducción del personal académico al concentrar a los estudiantes en un solo curso común en lugar de tener varios grupos pequeños. Es por ello que esta estrategia puede resultar en problemas laborales. Sin embargo, si se logra implementar de manera eficiente es posible que los profesores se conviertan en generadores de contenido y no en profesores frente a grupo. Además, tener más profesores fuera del salón de clase puede ser ocupado en la asesoría requerida por este tipo de cursos. 

 

Usualmente, los cursos MOOC requieren de personal especializado en la creación de material didáctico digital. Además, este tipo de cursos requiere de infraestructura de hardware/software para la disposición de los cursos, acceso al contenido multimedia y acceso a laboratorios virtuales o remotos. Como es de esperarse, entre mayor cantidad de cursos MOOC se requiere de un equipo de cómputo con capacidades extraordinarias en procesamiento, almacenamiento y transmisión de contenido didáctico Con estas capacidades es posible abatir la saturación del sistema y garantizar el desempeño en general.

 

Tabla 4. 

Análisis de oportunidades y riesgos en la implantación de servicios de educación masiva. 

Acciones

Oportunidades

Riesgos

Diseño de cursos MOOC (contenido + evaluación)

Permite la revisión colegiada del contenido temático y de la evaluación basada en competencias

El proceso puede ser tardado y desgastante.

Transformación del curso a los requisitos técnicos de la plataforma

Permite la incorporación de tecnología al proceso enseñanza-aprendizaje

Se requiere de personal experto en TI. El costo del proceso puede ser considerable

Uso del curso MOOC

Liberación de aulas, fortalecimiento de competencias digitales, incremento de la calidad educativa

Falta de compromiso de profesores/estudiantes. Incremento del ausentismo o índice de reprobación. Se requiere de asesores académicos.

3.2.5. Detección de oportunidades de mejora.

La toma de decisiones en las organizaciones está siempre ligada a la disposición de datos que orienten el resultado hacia algún escenario. Tener la certeza de una decisión puede resultar estratégico. Esta certeza está basada en la disposición, validez y la capacidad de transformar los datos disponibles en información útil para la toma de decisiones. Hoy en día, la toma de decisiones está en función de ejecutar escenarios probables de la organización. Evaluar estos escenarios puede permitir a la alta gerencia valorar los escenarios donde se tenga mayor ganancia o menor pérdida en los indicadores clave de la organización. 

 

La detección de oportunidades requiere de algoritmos de reunión de datos mediante técnicas como:

 

Extracción-transformación-carga de datos. Esta técnica se encarga de combinar datos de múltiples fuentes de datos en un único almacén de datos coherente que se carga en un almacén de datos u otro sistema de destino. Esta técnica establece las bases para el análisis de datos y los flujos de trabajo de aprendizaje automático. Esta técnica limpia y organiza los datos de una manera que aborda necesidades específicas de inteligencia artificial y mejora los procesos de back-end (procesamiento oculto) o las experiencias del usuario final. Las herramientas asociadas a esta técnica de análisis permiten migrar datos entre una variedad de fuentes, destinos y herramientas de análisis. De esta manera, se puede tener un cruzamiento de datos provenientes de las distintas bases de datos administrativas, académicas y sociales con las cuales se puede procesar información de profesores y estudiantes. 

 

Almacén de datos (Data Warehouse). Esta técnica permite la concentración de información con el fin de analizar datos para tomar decisiones informadas. En este sentido, los datos institucionales capturados desde las terminales administrativas o desde los portales académicos pueden fluir hacia un almacén de datos. Además, los datos pueden provenir de distintas fuentes como los sistemas transaccionales, esto es, desde sistemas de bases de datos que capturan datos de las operaciones, servicios o transferencias cotidianas en los sistemas de información. También, los datos provienen de otras bases de datos que contienen datos históricos, generados o simulados. Estos almacenes de datos se han diseñado para realizar consultas y tareas de análisis, y suelen contener grandes cantidades de datos históricos. Los almacenes de datos son diseñados para centralizar y fusionar grandes volúmenes de datos provenientes de varias fuentes ya sean históricas o capturadoras de datos en tiempo real. Es por ello que las IEDs son animadas a almacenar datos de sus operaciones, servicios o acciones en favor de estudiantes para con ello poder hacer un análisis de los datos capturados. Con el tiempo, esta información llega a constituirse en un registro histórico de gran valor para los expertos en datos y los analistas de las organizaciones. En otras palabras, un Data Warehouse es probable que se convierta con el paso del tiempo en una fuente de información confiable de la institución y con base en su contenido la alta gerencia de las IEDs puedan tomar decisiones.

 

Análisis multidimensional y multiobjetivo de la información. En la mayoría de las IEDs no se tiene el presupuesto requerido para la operación de la institución. Sin embargo, con el presupuesto que se tiene se deben realizar las actividades prioritarias. En algunos casos es necesario hacer un balance entre varios objetivos a alcanzar. Por ejemplo, se quiere minimizar el uso del presupuesto institucional pero al mismo tiempo maximizar el apoyo a las actividades académicas. Bajo esta perspectiva, la mejor opción para un objetivo no representa la mejor opción para los otros objetivos. Cuando se tienen varios objetivos por cumplir, entonces este problema multiobjetivo se vuelve en un problema complejo que requiere de técnicas computacionales avanzadas para encontrar una solución que medie entre los objetivos en conflicto (Ghazal et al., 2019; Gunantara & Ai, 2018).

 

Este tipo de análisis permite a los usuarios observar los datos desde varios puntos de vista o dimensiones. Las dimensiones son categorías que se utilizan para clasificar datos de acuerdo al tiempo, geografía, áreas académicas, escuelas, estudiantes, etc. Los resultados asociados con un conjunto particular de dimensiones se denominan hechos. Los hechos suelen ser cifras asociadas con egresos de la institución, calificaciones, volúmenes, conteos, etc. Esto les permite detectar tendencias o excepciones en los datos. El análisis multidimensional ayuda a los analistas de la información a manipular las relaciones entre diferentes variables dentro de diversos niveles de sus propias jerarquías. Algunos ejemplos incluyen la revisión de “cantidad de estudiantes reprobados por área académica por generación por rango de fechas” o “profesores con mayor retraso en su planeación por periodo por área académica”.

 

La optimización multiobjetivo es entonces la aplicación de técnicas de programación matemática para la solución de problemas donde se debe maximizar o minimizar un conjunto de funciones objetivo. Esta técnica es indispensable en la etapa de diseño, operación, control y optimización de procesos. Las aplicaciones son extensas y ayudan a mejorar el desempeño del proceso desde distintos enfoques o al menos brindan herramientas a los tomadores de decisiones para elegir la mejor solución (Cerda-Flores et al., 2022; Emmerich & Deutz, 2018).

 

En la Tabla 5 se presentan una serie de pasos necesarios para definir servicios de balance de indicadores clave del desempeño. Estos indicadores requieren de un grupo de expertos en modelado matemático así como expertos en software para atender los requisitos de implementación en cluster de computadoras o computadoras virtualizadas bajo el paradigma de cómputo en la nube. En estos servicios se requiere de la exploración de múltiples escenarios de evaluación de las funciones objetivo por lo que es recomendable tener equipo de cómputo de alto desempeño que garantice encontrar una solución en tiempos razonables. En la Tabla 5 también se describen las oportunidades y riesgos asociados a la implantación de estos servicios. Por ejemplo, entre las oportunidades está la comprensión de los procesos y su impacto en los indicadores institucionales. Además, se descartan escenarios donde no se tiene una solución que logre el balance de los objetivos en conflicto. Entre los riesgos está el tener modelos matemáticos erróneos o datos falsos que sesguen los resultados. 

 

Aunque los algoritmos matemáticos que hacen un balance entre los objetivos en conflicto son muy eficientes, siempre es necesario realizar auditorías a este tipo de algoritmos para descartar problemas inherentes como el ingreso de datos falsos, mal capturados, no filtrados, o no normalizados. De la misma forma, la solución para un balance de objetivos en un periodo de tiempo puede no ser el resultado correcto para otro periodo. Es por ello que se requiere de realizar un análisis permanente a los algoritmos para verificar la vigencia, pertinencia y efectividad del algoritmo para las actuales condiciones de la institución.

 

Minería de los datos. Esta área se define como un conjunto de procedimientos y técnicas que se aplican a grandes cantidades de datos que estén alojados en almacenes de datos (Data Warehouses) o base de datos institucionales para obtener información valiosa a partir de estos conjuntos de datos (Villanueva Manjarres et al., 2018). En la minería de datos existen técnicas como reglas de asociación, redes neuronales, árboles de decisión y K-vecino más cercano (KNN) entre otras. Las técnicas de minería de datos son ampliamente utilizadas como parte de las áreas ‘inteligencia de negocios’ y ‘análisis de datos’ con el objetivo de procesar y transformar datos en conocimiento útil. En las IEDs generalmente se utiliza para encontrar información implícita o directamente relacionada con comportamiento de grupos o procesos. Por ejemplo, se extraen características de los estudiantes que suelen reprobar matemáticas mediante el análisis de los datos que son comunes a ellos. Otro ejemplo común de la minería de datos en las IEDs es cuando se busca disminuir gastos en las funciones operativas, esto se realiza mediante en análisis de procesos de mayor frecuencia de ocurrencia o extrayendo las características de la ejecución de procesos administrativos cuando se logra minimizar un recurso asignado (IBM Cloud Education, 2021). 

 

En todas estos servicios emergentes se tiene la característica de procesar grandes volúmenes de datos para generar un resultado. Además, los servicios son permanentes puesto que se requiere de revisar el estado actual de los indicadores institucionales para realizar toma de decisiones en tiempo real. Es por ello que se requiere de equipo computacional avanzado organizado bajo el paradigma de cómputo en la nube o supercómputo para garantizar la entrega a tiempo de los resultados obtenidos. 

 

Resulta evidente que estos servicios representan una gran oportunidad para las instituciones donde los resultados permiten evitar escenarios donde la institución baje sus indicadores de calidad operativa o académica. Sin embargo, entre los riesgos más importantes está la generación de especialistas dedicados al análisis de los datos que la institución genera. Así mismo se requiere de acceso compartido o individual a equipo de cómputo especializado para correr algoritmos especializados y personalizados a cada institución. Es por ello que estos servicios se deben llevar a cabo en instituciones cuyo liderazgo ha madurado lo suficiente para justificar los gastos excesivos en el mantenimiento de la solución. 

 

Tabla 5. 

Análisis de oportunidades y riesgos en la implantación de servicios de detección de oportunidades de mejora.

Acciones

Oportunidades

Riesgos

Establecer objetivos

Definir el problema a resolver, formular las preguntas necesarias, establecer los parámetros para entender lo más posible el contexto general

Una mala definición de los objetivos puede sesgar los resultados de los algoritmos.

Preparación de datos

Seleccionar el conjunto de datos para analizar las estrategias para alcanzar los objetivos planteados

Se requiere de limpieza de datos para eliminar datos duplicados, datos faltantes o datos anormales

Construcción de modelos y minería de patrones

Determinar cualquier tipo de relación entre los datos.

Requiere de científicos, analistas y administradores de datos. El costo de esta etapa puede resultar ser considerable.

E​​valuación de los resultados e implementación del conocimiento

Permite evaluar e interpretar los resultados con el objetivo de que se puedan utilizar en las organizaciones para implementar nuevas estrategias y cumplir los objetivos previstos

Requiere de poder computacional permanente para el análisis institucional en tiempo real.

 

4

Recomendaciones

Sobre aspectos a considerar cuando se inician servicios digitales emergentes de red en instituciones educativas

4. Recomendaciones

La educación en el siglo XXI requiere de estrategias de comunicación que faciliten el movimiento de los datos. Esta comunicación se basa en el uso de una red de datos institucional en la cual existen servicios digitales disponibles a los usuarios. Existen los servicios básicos de red los cuales están casi siempre incluidos en los sistemas operativos para servidores. Los servicios avanzados de red donde se requiere de equipo de cómputo especializado para mantener el funcionamiento. Finalmente, se tienen servicios emergentes donde se requiere de equipo de cómputo de alto desempeño con infraestructura de red de gran capacidad de transmisión. Cada tipo de servicio de red tiene su complejidad de instalación, configuración y uso. Implementar estos servicios requiere de un profundo análisis de las condiciones institucionales pero sobre todo requiere de admitir el nivel de madurez organizacional y el deseo de mejorar las condiciones ejecutivas, administrativas y operativas de la institución. 

 

Es importante remarcar el hecho de que los servicios digitales emergentes pueden ser considerados muy caros pero también son un indicador clave en el crecimiento institucional que facilita la planeación, ejecución y monitoreo de las actividades internas. Tener servicios digitales emergentes es hoy en día una inversión necesaria aunque un tanto costosa. Sin embargo, es posible tener estos servicios si se generan centros de análisis de datos o centros de cómputo avanzado que implementan el paradigma computacional de cómputo en la nube para permitir que más instituciones accedan de manera inmediata a los servicios digitales aunque no tengan el recurso financiero para adquirir uno propio. 

Para poder implementar servicios digitales de red en una institución educativa se tiene algunos pasos simples en entender pero complejos en implementar. Los pasos son los siguientes: 

 

  1. Detectar los procesos que requieren sistematización.

  2. Sistematizar los procesos aplicando técnicas de modelado de proceso y documentación.

  3. Ejecutar de manera manual los servicios como requisito indispensable para evitar el rechazo de la organización a la transformación digital.

  4. Mejorar la velocidad y capacidad de la transmisión de datos al interior de la organización pero también su conexión con el internet.

  5. Adquirir equipo de red adecuado al tipo de servicios digitales que requiere la institución (Ver Tabla 6).

  6. Adquirir, compartir o rentar equipo de cómputo avanzado que requiere la institución (Ver Tabla 7). 

  7. Instalar el software requerido dependiendo del tipo de servicio digital (Ver Tabla 8).

  8. Capacitar recursos humanos especializados en la explotación de servicios digitales emergentes. 

 

Tabla 6. 

Recomendaciones de condiciones de operación para cada uno de los tipos de servicio digital en una red de datos institucional. 

Servicio digital

Capacidad de cómputo

Internet

Presupuesto

Infraestructura

Tolerancia a fallos

Básicos

KiloFlops

Megabits por segundo

Bajo

oficina común

Componentes sin capacidad redundante

Avanzados

MegaFlops

Megabits a Gigabits por segundo

Medio

Cuartos  de uso exclusivo con refrigeración permanente

Componentes redundantes, Equipos de alimentación eléctrica dual y varios enlaces de salida.

Emergentes

TeraFlops

Decenas de Gigabits por segundo

Alto

Edificios de uso exclusivos con cuartos con refrigeración permanente

Todos los componentes son completamente tolerantes a fallos en enlaces de datos, almacenamiento, aire acondicionado, electricidad, etc.

 

Tabla 7. 

Componentes de tecnología de red y tecnología computacional más frecuentes en los centros de datos y centros de supercómputo. 

 

Red

Procesador

GPU

Disco duro

RAM

Sistema operativo

Infiniband a 40 Gb/s

FDR10/FDR.

Infiniband FDR (56 Gbps)

Voltaire Grid Director 4700 

Ethernet 1 Gbps.

Ethernet Gigabit 

Omni Path (100Gbps)

XEON PHI, XEON GOLD, IBM Power9

NVIDIA Tesla P100, 

NVIDIA 2070/2075

NVIDIA Tesla K40

NVIDIA K80 

NVIDIA Tesla M2090

NVIDIA Tesla V100

Nvidia GTX 1080 Ti 

NVIDIA Volta V100

1 TB – 1.6 PB

32 GB – 21 TB

Linux CentOS

Linux  RedHat

 

Tabla 8. 

Aplicaciones más frecuentes en los centros de datos y centros de supercómputo mexicanos. 

Software de Desarrollo

Compiladores

Librerias

CORSIKA, FLUKA, Geant4, HAWC2, ORCA, Quantum Espresso, ROOT, SIESTA, GROMACS, ARIES, Abinit, Anaconda, Bowtie, BLAST, Blender, Canopy, ComSol, Charmm, CIF2Cell, FSL, Gaussian

Ion Beam Simulator, Julia, Lammps, Matlab, Maxima, MRtrix3, Nwchem, Octopus, OpenMx, TOPAS, WRF, Vmatch

CMake, Developer Toolset, GNU (GCC), Parallel Studio XE, Oracle JDK, Python, C, C++, Fortran, PGI CDK

FFTW, Open MPI, HDFS, NetCDF, OpenBLAS, ScaLAPACK, MPICH, NumPy, Matplotlib, Glibc

 

Finalmente, antes de iniciar un proceso de crecimiento en servicios digitales en la institución, siempre es recomendable estar asesorados por personal experto que permita tomar decisiones que beneficien el crecimiento institucional. De esta manera, se hará uso eficiente del presupuesto y se tendrán servicios acordes al nivel de madurez de la organización. 

 

Una estrategia es buscar la asesoría de centros de investigación, universidades o asociaciones civiles especializadas en servicios digitales avanzados. Con este apoyo es posible que se tengan casos de éxito en el proceso de transformación digital de la educación. 

 

Participantes en la elaboración del documento:

Dr. Alfredo Cristóbal Salas

Facultad de Ingeniería en Electrónica y Comunicaciones

Universidad Veracruzana

C. Thelma Judith Vasquez Garcia

Facultad de Ingeniería en Electrónica y Comunicaciones

Universidad Veracruzana

C. Nury Yazmin Gonzalez San Agustin

Facultad de Ingeniería en Electrónica y Comunicaciones

Universidad Veracruzana

C. Cesia Anali Ceron Santes

Facultad de Ingeniería en Electrónica y Comunicaciones

Universidad Veracruzana

C. Gerardo Maldonado Bravo

Facultad de Ingeniería en Electrónica y Comunicaciones

Universidad Veracruzana

C. Erick Jair Islas Molar

Facultad de Ingeniería en Electrónica y Comunicaciones

Universidad Veracruzana

Ing. Daniel Perez Castañeda

SBS Rediseñando el Entorno

Dr. Carlos Alberto Flores Sánchez

Universidad Autónoma de Baja California

M.C. Neiel Israel Leyva Santes

Centro de Supercomputación de Barcelona

 

 

 

 

Referencias

ABACUS. (2022). ABACUS: Laboratorio de Matemática Aplicada y Cómputo de Alto Rendimiento del Departamento de Matemáticas. Cinvestav.mx. https://www.abacus.cinvestav.mx/

 

Ascenty. (2021, November 4). Data Centers México – Ascenty. Ascenty – Data Centers. https://www.ascenty.com/es/data-centers-es/mexico/

Ascenty. (2022, February 2). Ascenty – Data Centers. https://www.ascenty.com/es/home-espanol/

Bilyalova, A. A., Salimova, D. A., & Zelenina, T. I. (2019). Digital Transformation in Education. Integrated Science in Digital Age, 265–276. https://doi.org/10.1007/978-3-030-22493-6_24 

 

Centro de Análisis de Datos y Supercómputo. (2018). Cgti.udg.mx. http://cads.cgti.udg.mx/

Centro Nacional de Supercómputo. (2022). CNS | Centro Nacional de Supercómputo. Ipicyt.edu.mx. https://cns.ipicyt.edu.mx/

Cerda-Flores, S. C., Rojas-Punzo, A. A., & Nápoles-Rivera, F. (2022). Applications of Multi-Objective Optimization to Industrial Processes: A Literature Review. Processes, 10(1), 133. https://doi.org/10.3390/pr10010133

 

Cinvestav. (2022). Cluster Híbrido de Supercómputo – Cinvestav. CHSC-Cinvestav. https://clusterhibrido.cinvestav.mx/

CLOUDFLARE. (2022). ¿Qué es DNS? | Nociones básicas | Cloudflare. Cloudflare. https://www.cloudflare.com/es-es/learning/dns/what-is-dns/

CLOUDFLARE. (2022). ¿Qué es el Protocolo de escritorio remoto (RDP)? Cloudflare. https://www.cloudflare.com/es-es/learning/access-management/what-is-the-remote-desktop-protocol/

 

Colman, H. (2021, June 21). Observatorio | Instituto para el Futuro de la Educación. Observatorio | Instituto Para El Futuro de La Educación. https://observatorio.tec.mx/edu-bits-blog/la-pandemia-cambio-la-industria-de-la-educacion-para-siempre

 

Conexión Cinvestav. (2020, July 20). Laboratorios virtuales. Conexión; Conexión. https://conexion.cinvestav.mx/Publicaciones/laboratorios-virtuales 

DatacenterDynamics. (2019, January 29). UNAM: el almacenamiento de datos más grande de México. Datacenterdynamics.com. https://www.datacenterdynamics.com/es/noticias/unam-el-almacenamiento-de-datos-m%C3%A1s-grande-de-m%C3%A9xico/

 

DatacenterDynamics. (2022, February 28). Conociendo el nuevo Data Center de Ciudad de México. Datacenterdynamics.com. https://www.datacenterdynamics.com/es/opinion/javier-wiechers-mtp-conociendo-el-nuevo-data-center-de-ciudad-de-m%C3%A9xico/

DatacenterDynamics. (2022, February 28). ODATA construirá el centro de datos más grande de México. Datacenterdynamics.com. 

DGTIC. (2022). Portal TIC UNAM. Unam.mx. https://www.tic.unam.mx/

Donoso León, C. E., Paredes Godoy, M. M., Gallardo Donoso, L. J., & Samaniego Campoverde, A. F. (2020). El laboratorio virtual en el aprendizaje procedimental de la asignatura de Física. Polo Del Conocimiento, 6(6), 167–181. https://doi.org/10.23857/pc.v6i6.2748

 

EDUCAUSE LEARNING INITIATIVE. (2020). Virtual Labs Scenario. https://library.educause.edu/-/media/files/library/2020/8/eli7174.pdf

Emmerich, M. T. M., & Deutz, A. H. (2018). A tutorial on multiobjective optimization: fundamentals and evolutionary methods. Natural Computing, 17(3), 585–609. https://doi.org/10.1007/s11047-018-9685-y

 

EQUINIX. (2021, September 9). Data Centers. https://www.equinix.es/data-centers/americas-colocation/mexico-colocation/mexico-city-data-centers

Estrella, V. (2021, February 23). CloudHQ instalará un campus de data centers en Querétaro con inversión de 600 millones de dólares. El Economista; El Economista. https://www.eleconomista.com.mx/estados/CloudHQ-instalara-un-campus-de-data-centers-en-Queretaro-con-inversion-de-600-millones-de-pesos-20210222-0089.html

 

Federal Communications Commission. (2010, November 18). Voice Over Internet Protocol (VoIP). Federal Communications Commission. https://www.fcc.gov/general/voice-over-internet-protocol-voip

 

Ghazal, M., Ghoniemy, S., & Salama, M. (2019). Multi-Objective Optimization for Automated Business Process Discovery. Proceedings of the 11th International Joint Conference on Knowledge Discovery, Knowledge Engineering and Knowledge Management. https://doi.org/10.5220/0008072400890104

Google Cloud. (2022). ¿Qué es una máquina virtual? Google Cloud. https://cloud.google.com/learn/what-is-a-virtual-machine

Google Cloud. (2022). ¿Qué son los contenedores?  |  Google Cloud. Google Cloud. https://cloud.google.com/learn/what-are-containers?hl=es

Gunantara, N., & Ai, Q. (2018). A review of multi-objective optimization: Methods and its applications. Cogent Engineering. https://www.tandfonline.com/doi/full/10.1080/23311916.2018.1502242

 

Herm, L.-V., Janiesch, C., Helm, A., Imgrund, F., Hofmann, A., & Winkelmann, A. (2022). A framework for implementing robotic process automation projects. Information Systems and E-Business Management. https://doi.org/10.1007/s10257-022-00553-8 

IBM Cloud Education. (2021, January 15). What is Data Mining? Ibm.com. https://www.ibm.com/cloud/learn/data-mining

IBM Cloud Learn Hub. (2019, June 20). virtual-machines. Ibm.com. https://www.ibm.com/mx-es/cloud/learn/virtual-machines

IBM Cloud Learn Hub. (2021, June 23). Containers. Ibm.com. https://www.ibm.com/mx-es/cloud/learn/containers

ILIMIT. (2019, August 20). 10 ejemplos de servicios cloud para PYMES. https://www.ilimit.com/blog/10-ejemplos-servicios-cloud-pymes/

INCIBE. (2017, October 17). Cloud computing: una guía de aproximación para el empresario. INCIBE. https://www.incibe.es/protege-tu-empresa/blog/cloud-computing-guia-aproximacion-el-empresario

 

Instituto Mexicano del Petróleo. (2022, May 12). Www.gob.mx. https://www.gob.mx/imp

Instituto Mexicano para la Competitividad A.C. (2012, June 8). Cómputo en la Nube: Nuevo Detonador para la Competitividad de México. Cómputo En La Nube: Nuevo Detonador Para La Competitividad de México. https://imco.org.mx/computo_en_la_nube_nuevo_detonador_para_para_la_competitividad_en_mexico_pp

 

Instituto Superior Tecnológico Honorable Consejo Provincial de Pichincha. (2021). Importancia del uso del Correo Institucional – Tecnológico Pichincha. Tecnologicopichincha.edu.ec. https://www.tecnologicopichincha.edu.ec/importancia-del-uso-del-correo-institucional/

 

Ivančić, L., Suša Vugec, D., & Bosilj Vukšić, V. (2019). Robotic Process Automation: Systematic Literature Review. Business Process Management: Blockchain and Central and Eastern Europe Forum, 280–295. https://doi.org/10.1007/978-3-030-30429-4_19 

 

KIO Networks. (2021). KIO Networks :: Centro de datos ES. Kionetworks.com. https://www.kionetworks.com/es-mx/data-center-services

Laboratorio Nacional de Supercómputo del Sureste de México. (2022). Benemérita Universidad Autónoma de Puebla. Buap.mx. https://lns.buap.mx/

 

Laboratorio Nacional de Tecnologías de Información. (2018). Lanti.org.mx. http://www.lanti.org.mx/lanti/

 

LARCAD. (2015). LARCAD. Larcad.mx. https://larcad.mx/larcad/index.html

Microsoft Azure. (2016). What Is a Virtual Machine and How Does It Work | Microsoft Azure. Microsoft.com; Microsoft Azure. https://azure.microsoft.com/en-us/overview/what-is-a-virtual-machine/

mooc unam. (2020). Unam.mx. https://mooc.cuaieed.unam.mx/

 

Mora, H. L., & Sanchez, P. P. (2020). Digital Transformation in Higher Education Institutions with Business Process Management : Robotic Process Automation mediation model. 2020 15th Iberian Conference on Information Systems and Technologies (CISTI). https://doi.org/10.23919/cisti49556.2020.9140851 

ODATA. (2022, January 17). Data Centers. https://odatacolocation.com/es/blog/data-center/dc-qr01/

Ofrecen servicios de supercómputo a usuarios externos. (2022, April 8). Cicese.mx. https://todos.cicese.mx/sitio/noticia.php?n=1731

ORACLE. (2011). Acerca del Protocolo DHCP – Guía de administración del sistema: servicios IP. Oracle.com. https://docs.oracle.com/cd/E24842_01/html/820-2981/dhcp-overview-2.html

 

Patterson, D. and Hennessy, J., 2014. Computer Organization and Design. 5th ed. Morgan Kaufmann.

RedIris. (2008, November 12). RedIRIS – Algunos servicios y protocolos. Rediris.es; RedIRIS. España. https://www.rediris.es/cert/doc/unixsec/node22.html

Ribeiro, J., Lima, R., Eckhardt, T., & Paiva, S. (2021). Robotic Process Automation and Artificial Intelligence in Industry 4.0 – A Literature review. Procedia Computer Science, 181, 51–58. https://doi.org/10.1016/j.procs.2021.01.104 

 

Rico Rodríguez, V. (2021). EVOLUCIÓN DE LAS CAPACIDADES DEL CENTRO DE DATOS DEL CICESE. https://telematica.cicese.mx/wp-content/uploads/2021/10/centro_de_datos_evolucion_48aniv_vp.pdf

 

Rubio Bravo, A. (2021, June 22). Ventajas y desventajas del correo electrónico (y del correo empresarial). GoDaddy. https://mx.godaddy.com/blog/ventajas-desventajas-correo-electronico-como-usarlo-empresa-o-proyecto/

 

Suresh, K., & Srinivasan, P. (2020). Massive Open Online Courses – Anyone Can Access Anywhere at Anytime. Shanlax International Journal of Education, 8(3), 96–101. https://doi.org/10.34293/education.v8i3.2458

UNESCO. (2020). The digital transformation of education: connecting schools, empowering learners. Unesco.org. https://unesdoc.unesco.org/ark:/48223/pf0000374309

Universidad Autónoma del Estado de México. (2016). UAEM | FC | Supercómputo. Uaemex.mx. http://web.uaemex.mx/fciencias/Supercomputo/

Universidad Autónoma Metropolitana. (2022). Laboratorio de Supercómputo. Izt.uam.mx. https://cbi.izt.uam.mx/index.php/investigacion/laboratorios-divisionales/lab-supercomputo

 

Universitat Autònoma de Barcelona. (2013). Uab.cat. https://www.uab.cat/web/estudios/mooc/-que-es-un-curso-mooc-1345668281247.html

Villanueva Manjarres, A., Moreno Sandoval, L. G., & Salinas Suárez, M. J. (2018). Data mining techniques applied in educational environments: Literature Review. Digital Education Review, 235–266. https://doi.org/10.1344/der.2018.33.235-266

 

Virtual Labs. (2022). Virtual Labs. Vlab.co.in. https://www.vlab.co.in/

 

VMware. (2022, May 16). What is a Virtual Machine? | VMware Glossary. VMware. https://www.vmware.com/topics/glossary/content/virtual-machine.html

 

Zamarrón, I. (2022, February 22). Microsoft alista apertura de su centro de datos en Querétaro. Forbes México. https://www.forbes.com.mx/microsoft-alista-apertura-de-su-centro-de-datos-en-queretaro/

Zaoui, F., & Souissi, N. (2020). Roadmap for digital transformation: A literature review. Procedia Computer Science, 175, 621–628. https://doi.org/10.1016/j.procs.2020.07.090

 

Visitas: 35

Archivos adjuntos
0 Comment

Sin comentarios