19
• Vol. XII, Núm. 1 • Enero-Abril 2018 •
E
Abstract
Computer sciences have reaffirmed as a revolutionary discipline that
advances both on its own efforts, same as bolstering work in other
sciences. Two computational branches that are being increasingly
researched, and are also applied in other disciplines, are the Semantic
Web and the Cognitive Computing. In this paper we present a general
perspective of each area, same as examples of their significant
contributions in other sciences.
Keywords: Computer science, semantic web, cognitive computing,
interdisciplinarity.
Resumen
Las ciencias computacionales se han reafirmado como una disciplina
revolucionaria que avanza tanto en sus propios esfuerzos, como
potenciando el trabajo de otras ciencias. Dos ramas computacionales
que actualmente se investigan con auge, y que se implementan también
en otras disciplinas, son la Web Semántica y la Computación Cognitiva.
En este artículo presentamos una perspectiva general de cada área, así
como algunos ejemplos de aportaciones significativas en otras ciencias.
Palabras clave:
ciencias computacionales, Web Semántica, Computación
Cognitiva, interdisciplinaridad.
Tendencias en computación: Web
Semántica y Computación Cognitiva
Trends in computing: Semantic Web and Cognitive Computing
M
IGUEL
R
OYO
-L
EÓN
1,2,4
, D
YNHORA
D
ANHEYDA
R
AMÍREZ
-O
CHOA
3
Y
A
LFONSO
J
OSÉ
B
ARROSO
-B
ARAJAS
1,3
Recibido: Noviembre 14, 2017 Aceptado: Enero 8, 2018
Introducción
l alcance de las ciencias computacionales comprende todos los ámbitos de la vida humana
moderna: desde los usuarios comunes que utilizan aplicaciones de ofimática o de
navegación en Internet en computadoras personales o teléfonos móviles, hasta científicos
prominentes que realizan cálculos complejos automatizados en granjas de servidores, sin dejar de
lado implementaciones militares y empresariales de gran envergadura y costo. Esta joven disciplina,
con menos de 80 años de existencia, innegablemente ha resultado revolucionaria para la humanidad.
_________________________________
1 UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA. Facultad de Ingeniería, Campus Universitario II, Chihuahua, Chih., México. C.P. 31240. Tel: (614)
442 9500.
2 UNIVERSIDAD DE TEXAS EN EL PASO. Departamento de Ciencias Computacionales, 500 West University Avenue, El Paso, Texas, Estados
Unidos de América.
3 UNIVERSIDAD TECNOLÓGICA DE CHIHUAHUA. Tecnologías de la Información y Comunicación. Av. Montes Americanos, No. 9501, Sector 35, C. P.
31216, Chihuahua, Chih., México.
4 Dirección electrónica del autor de correspondencia: mroyoleo@uach.mx
Ingeniería y Tecnología Artículo arbitrado
20
• Vol. XII, Núm. 1 • Enero-Abril 2018 •
Las ciencias computacionales tienen una
naturaleza ambivalente: tanto avanzan por sí mismas,
desarrollando conocimiento y tecnología dentro de
sus diversas áreas, como pueden ser utilizadas por
otras ramas del conocimiento, ya sea como auxiliar
para lograr descubrimientos, o incluso empujándolas
para generar técnicas e implementaciones novedosas
que auxilien en las necesidades de dichos campos del
conocimiento.
La Inteligencia Artificial (Artificial Intelligence)
es una rama de la computación que estudia cómo
lograr que las computadoras puedan pensar y actuar
de forma humana o de forma racional (Russell y
Norvig, 1995). La Web Semántica y la Computación
Cognitiva son dos ramas de la Inteligencia Artificial
que buscan replicar algunos procesos mentales que
realizan los humanos, e incluso potenciarlos gracias a
las capacidades de cómputo disponibles. La Web
Semántica se encuadra dentro del estudio de la
Representación del Conocimiento y Razonamiento
(Knowledge Representation and Reasoning) (Berners-
Lee et al., 2001), mientras que la Computación Cognitiva
se encuentra en la confluencia de las áreas de
Procesamiento del Lenguaje Natural (Natural Language
Processing), Aprendizaje de Máquina (Machine
Learning) y la Interacción Humano-Computadora
(Human-Computer Interaction) (Kelly, 2015).
El presente artículo busca introducir al lector en
ambas áreas, así como ejemplificar su uso en otras
disciplinas del conocimiento.
La Web Semántica
La World Wide Web (WWW, la Web, o el Internet)
fue diseñada para presentar información con formato
fácilmente comprensible para los humanos, pero
desafortunadamente no provee ni la estructura y ni
las semánticas explícitas necesarias para que las
computadoras puedan lograr cierto nivel de
comprensión de la información para su utilización
automatizada (Fuchs et al., 2010). Si así fuera, las
computadoras podrían procesar los datos que
encontraran disponibles en las páginas de la red
mundial de una manera más sencilla. Las
investigaciones al respecto no solo buscan desarrollar
algoritmos que puedan entender las expresiones
humanas, sino que también buscan proveer a las
computadoras con datos bien definidos (Berners-Lee
y Hendler, 2001).
Para sir Tim Berners-Lee, creador de la Web
original, el pensamiento humano realiza dos tareas
que las computadoras no han logrado replicar: utilizar
información de trasfondo para comprender el
significado de información novedosa, así como
realizar inferencias en base a la información ya
conocida (Berners-Lee et al., 2001). La Web
Semántica es una evolución de la Web original con la
que es posible modelar la información del mundo real
para discernir su significado de forma computacional,
gracias a las relaciones entre los términos de un
dominio determinado, lo que permite realizar
inferencias basándose en la información almacenada
en su base de conocimiento (Berners-Lee y Hendler,
2001). Para lograr esto, se utiliza un conjunto de
lógicas formales llamadas Lógicas de Descripción,
implementadas como tecnologías web estandarizadas
(Hitzlet et al., 2009).
Tanto los datos del dominio o problema como la
información de trasfondo necesaria para poder
realizar el razonamiento se modelan en colecciones
de términos, relaciones, clases y propiedades, en
forma de vocabularios controlados, taxonomías u
ontologías, utilizando lenguajes de marcado como
XML, RDF o OWL. Toda esta información se almacena
en triples o tripletas, enunciados compuestos de un
sujeto y un objeto unidos por una relación. Las clases
se interrelacionan con otras por estas relaciones o
roles. Los individuos pertenecientes a estas clases
cuentan con diferentes propiedades o datos. La
información modelada de esta manera también se
puede abstraer como grafos con nodos que
representan las clases, interconectados por las
relaciones, representadas como flecas. En el ejemplo
de la Figura 1, indicamos en forma de grafo que una
MacBook es una subclase perteneciente a la clase de
Computadoras. Con esto en cuenta y yendo más allá,
podemos imaginar MacBooks específicas de
diferentes personas relacionadas a esta subclase, cada
una con sus propios datos como dueño, número de
serie, especificaciones técnicas, etc.
La implementación de servicios de Web Semántica
requiere de distintas piezas de software. Existen
editores de ontologías que facilitan el trabajo de su
programación y prueba. Uno de los más usados es
Prótegé, desarrollado en la Universidad de Manchester
(Hitzlet et al., 2009). Los razonadores (Reasoners)
21
• Vol. XII, Núm. 1 • Enero-Abril 2018 •
son utilizados para «razonar» o «inferir» sobre la base
de conocimientos utilizada, y encontrar nuevos datos,
relaciones e incluso clases, ejecutando algoritmos de
inferencia sobre esta base de conocimientos (Abburu,
2012). Prótegé integra varios razonadores para
agilizar el desarrollo y probar los modelos. Los datos
de Web Semántica se pueden almacenar en bases de
datos de grafos (Graph Databases) (Robinson et al.,
2015) o en almacenes de tripletas (Triple Stores)
(Ontotext, 2014), los cuales suelen implementar
endpoints, puntos de consulta de datos abiertos a la
web en general.
Los conceptos de Web Semántica comenzaron
siendo implementados para compartir información
científica de forma transparente y rápida. En principio,
se planteaba la posibilidad de compartir reportes de
experimentos de laboratorio o datos de forma
automatizada hacia sistemas hermanados, así como
añadir información semántica a los artículos
científicos para facilitar su distribución (Berners-Lee
y Hendler, 2001). Las aplicaciones de Web Semántica
han ido mucho más allá.
Figura 1. Ejemplo de una tripleta para «Una MacBook es una
subclase de Computadora», en forma de grafo. El sujeto es
MacBook, la relación es rdfs:subClassOf, y el objeto es Computer.
La investigación biomédica ha logrado importan-
tes avances gracias a la Web Semántica. La ontología
Gene Ontology (Ontología del Gen) estableció un
vocabulario controlado que permitió unificar la
descripción de partes, funciones y procesos celulares.
La Web Semántica ha facilitado integrar bases de datos
para realizar consultas, debido a la gran cantidad de
datos generados en este campo (Hoendorf et al., 2012).
Gracias a Gene Ontology, se pueden realizar análisis
de estructuras genéticas como el GSEA (Gene Set
Enrichment Analysis, análisis de enriquecimiento de
conjuntos de genes), que ha dado pie a, por ejemplo,
estudios de mecanismos del cáncer. También se realizan
estudios de farmacogenómica, con vías de auxiliar a la
medicina personalizada al estudiar estrategias de
respuesta de individuos a diferentes medicamentos
(Dumontier y Villanueva-Rosales, 2009).
En ciencias de la tierra también se han dado
implementaciones exitosas. NASA desarrolló la
Semantic Web for Earth and Environmental
Terminology (SWEET, Web Semántica para
terminologías de la tierra y ambientales), un conjunto
de ontologías sobre ciencias ambientales y de la tierra,
con el objetivo inicial de usarse en una herramienta
de búsquedas (Raskin y Pan, 2005). SWEET también
ha sido usada en utilerías de geo posicionamiento,
recolección de datos de vida marina y ecología, así
como para interoperabilidad entre fuentes de datos
de geociencias (Barahmand et al., 2010). Un proyecto
con connotaciones semánticas es EarthCube, una
iniciativa para implementar ciber infraestructura con
estándares tecnológicos para realizar investigación
interdisciplinaria. Earthcube financia diferentes
proyectos con tecnologías semánticas para geocien-
cias, en los campos de colaboración y descubrimiento
científico, compartición, e integración de datos (Gil
et al., 2014). EarthCube organizó un par de campa-
mentos durante los veranos de 2015 para que un
grupo de científicos computacionales experimentara
de primera mano el trabajo de campo en las geociencias,
y buscar implementar soluciones tecnológicas para
facilitarlo (Mookerjee et al., 2015). Muchos de los
científicos computacionales presentes contaban con
estudios de Web Semántica (Amini, 2015).
Figura 2. Una ontología abierta en Prótégé, software de edición
de ontologías (Musen, 2015).
22
• Vol. XII, Núm. 1 • Enero-Abril 2018 •
La potencia y el futuro de las tecnologías
semánticas puede observarse claramente en los
proyectos del Internet de las Cosas (Internet of
Things), que busca interconectar aparatos, dispo-
sitivos y sensores a través del Internet. Esto conlleva
contar con «representaciones computacionales» de
los dispositivos para que otros sistemas computacio-
nales puedan comunicarse con dichos dispositivos y
operarlos. Sería utópico pensar que es posible crear
estándares obligatorios para esta diversidad de
aparatos y almacenamiento de datos. En este caso, la
Web Semántica es una opción viable como capa
intermedia que permita la comunicación con los
diferentes dispositivos e integrar las diversas bases
de datos de información detectada por los sensores,
permitiendo la interoperabilidad de todos estos
elementos (Barnaghi et al., 2012). Esta implementa-
ción va más allá de los típicos casos promocionados
para el público en general, como los casos de aparatos
electrodomésticos capaces de comunicarse por
Internet en caso de requerir reparaciones o realizar
compras de abarrotes. Finalmente, el concepto de
ciudad inteligente (Smart City) busca que la tecnología
pueda incidir en cuestiones de movilidad, economía,
medio ambiente, habitación, gestión, etc., y así
mejorar la calidad de vida de los ciudadanos, teniendo
especialmente en cuenta el desarrollo sostenible
(Villanueva-Rosales et al., 2015).
Cómputo Cognitivo
Dado que las publicaciones que existen al respecto
del cómputo cognitivo provienen de las grandes
empresas de cómputo (Ferrucci et al., 2010; IBM,
2014; Kelly, 2015; Hewlett Packard, 2016), podemos
considerar que es una tendencia claramente
empresarial. Contando con profundas bases de
ciencias computacionales e Inteligencia Artificial, el
cómputo cognitivo tiene como objetivo crear
tecnologías (software y/o hardware) que repliquen
los procesos cognitivos del cerebro humano para
potenciar tareas que tanto humanos como máquinas
realizan por separado (Kelly, 2015), pero que darán
mejores resultados con la colaboración, interacción y
aprendizaje (Aguirre, 2015).
De acuerdo con el Cognitive Computing
Consortium (Consorcio de Cómputo Cognitivo), una
agrupación de empresas interesadas en desarrollar
esta área (IBM, Hewlett Packard, Microsoft, por
mencionar a las más conocidas), el cómputo cognitivo
busca lograr hacer computables problemas que antes
no lo eran, debido a su complejidad, y su inherente
incertidumbre y ambigüedad (Cognitive Computing
Consortium, 2014).
Los sistemas cognitivos deben:
a) Ser adaptables a posibles cambios en la
información (incluyendo entrada de datos en tiempo
real) y a la evolución de los requerimientos
(resolviendo situaciones de ambigüedad y tolerando
la incertidumbre).
b) Interactuar con usuarios humanos y otros
dispositivos.
c) Definir problemas con preguntas, y buscar
información adicional si el problema inicial es
incompleto o ambiguo. Deben poder recordar
iteraciones previas.
d) Utilizar información contextual, estructurada
o no estructurada, y entradas de datos de sensores
(Cognitive Computing Consortium, 2016).
La respuesta de preguntas de dominio abierto
(Open-domain question-answering) (Simmons,
1970) es un problema computacional que consiste
en responder preguntas realizada en un lenguaje
natural humano con información veraz y en el mismo
lenguaje. Para realizar esto, una computadora
necesitaría realizar lo que realiza una persona:
a) Comprender la pregunta en el lenguaje natural.
b) Discernir la información que se requiere del
sistema.
c) Considerar el contexto de la información que
requiere el usuario.
d) Buscar en una amplísima fuente de datos de
forma muy veloz.
e) Encontrar la información pertinente y
construir la respuesta.
IBM Watson es un sistema cognitivo enfocado a
responder preguntas de dominio abierto. En 2011,
Watson participó en el programa de televisión de
concursos Jeopardy!, en el cual los participantes
deben responder las preguntas que realiza el anfitrión,
estructurando su respuesta en forma de pregunta.
Watson logró derrotar a varios campeones históricos
del concurso (Jackson, 2011).
23
• Vol. XII, Núm. 1 • Enero-Abril 2018 •
Watson trabaja con una metodología similar a la
que hemos descrito, generando hipótesis de respuesta
para la pregunta realizada y reuniendo evidencia para
cada respuesta, las cuales evalúa para finalmente dar
al usuario las respuestas que considere más adecuadas
(Ferrucci et al., 2010). Watson es alimentado con
documentos de textos relacionados a algún tema
específico o dominio. Los documentos pueden ser
archivos de tipo PDF, texto plano, páginas de Internet,
o Word, por mencionar algunos. Es recomendable que
los documentos hayan sido revisados y «curados» por
expertos en el dominio de la aplicación, con la
intención de eliminar información irrelevante,
desactualizada o de poca consideración. En ocasiones
puede ser necesario revisar el formateo de la
información para mejorar su ingestión y uso por parte
de Watson (Royo-León et al., 2016).
Los documentos ingeridos son pre-procesados
por Watson antes de proceder a la fase de entrena-
miento, en la cual el usuario realiza preguntas a
Watson y las aparea con la respuesta correcta entre
las que el mismo Watson proporciona (Ferrucci,
2012). Al recibir las preguntas del usuario, Watson
realiza un análisis de sus componentes, identifica qué
se está preguntando y genera una serie de posibles
interpretaciones de la pregunta, correspondientes
con hipótesis para las cuales buscará respuestas.
Tras buscar evidencias a favor y en contra de las
hipótesis, Watson evalúa cada respuesta antes de
clasificarlas de acuerdo con la evaluación de su
evidencia, y calcula la confianza en dicha respuesta
(Ferrucci et al., 2010).
IBM llama a este proceso DeepQA (Deep Question
Answering). Requiere de una gran cantidad de
procesamiento computacional para producir las
respuestas de las hipótesis, estimar la confianza en las
mismas, usar los componentes expertos, e integrar
tanto conocimientos profundos como someros de la
respuesta. Watson es capaz de utilizar más de cien
técnicas distintas de análisis del lenguaje natural,
identificación de fuentes de información, generación
de hipótesis, evaluación de evidencias, y unión y
clasificación de hipótesis evaluadas (Ferrucci et al.,
2010). La Figura 3 ilustra este proceso.
Trabajar con Watson requiere una cuidadosa
revisión del dominio al que se referirá la aplicación, y
de los documentos que se incluirán como corpus para
Watson, para reflejar correctamente que el conoci-
miento con que la aplicación deberá responder esté
suficientemente comprendido por los documentos.
Watson se entrena entonces realizando las preguntas
relacionadas al dominio, y de preferencia basadas en
los documentos. Al realizar las preguntas a Watson, el
sistema dará posibles opciones de respuesta y
solicitará que el usuario indique cuál respuesta es la
más acertada. Watson aprenderá progresivamente
acerca del dominio y de cómo responder las preguntas
de forma acertada gracias a esta interacción. IBM
recomienda entrenar a Watson con al menos 800
preguntas para un sistema prototipo, o 1000 para un
sistema en producción (Aguirre, 2015). Tras finalizar
este proceso de entrenamiento, Watson está listo para
responder las preguntas de los usuarios, pero no
contará con una interfaz directa para ello, por lo que
es necesaria una aplicación que se conecte con
Watson, envíe la pregunta y reciba los resultados que
Watson le arroje como posibles respuestas a la
pregunta realizada (Aguirre, 2015).
Figura 3. Ilustración del proceso DeepQA (Ferrucci et al., 2010).
Figura 4. Procesos de A. Ingestión de documentos, B.
Entrenamiento con preguntas, y C. Conexión de la interfaz con
Watson (computadora o teléfono móvil) (Royo-León et al.,
2016).
IBM ha lanzado diversas aplicaciones para
dominios específicos utilizando Watson como
plataforma. El Memorial Sloan Kettering Cancer
Center de Nueva York, habilitó una instancia de
Watson con un corpus de literatura científica sobre el
cáncer con más de 290 revistas médicas arbitradas,
24
• Vol. XII, Núm. 1 • Enero-Abril 2018 •
200 libros, y más de 12 millones de páginas de texto
(IBM, 2016), con el objetivo de mejorar las decisiones
clínicas de los médicos (Fu et al., 2015). IBM también
ha entrenado a Watson con un corpus de documentos
describiendo más de 8 millones de ataques
informáticos de spam o phishing, y documentación
de más de 100,000 vulnerabilidades de sistemas
informáticos, que permitan ayudar en tareas de cyber
seguridad (IBM Security, 2016). En México, el Museo
Nacional de Antropología entrenó a Watson para poder
responder 22,000 preguntas acerca de 11 piezas
arqueológicas específicas dentro del museo (Unocero,
2017).
Otra empresa que ha lanzado productos
relacionados con cómputo cognitivo es Hewlett
Packard Enterprise (HPE) con Haven OnDemand, que
provee servicios en la nube por medio de APIs
(Application Programming Interfaces, Interfaces de
programación de aplicaciones) de análisis de textos,
reconocimiento de lenguaje hablado, reconocimiento
de imágenes, análisis predictivo y búsquedas, con el
fin de que sus usuarios puedan desarrollar
aplicaciones con «inteligencia humana aumentada»
(Cognitive Computing Consortium, 2016).
Conclusiones
La Web Semántica se ha desarrollado mayormente
para uso científico, aunque existen casos de
implementaciones industriales. La literatura describe
proyectos que habilitan compartición de datos, incluso
al grado de disponibilidad inmediata, lo que permite
una transparencia de información muy necesaria en
diversos ámbitos, como gobierno, empresarial, y por
descontado el científico. A pesar de estas proyecciones
y diversos casos de éxito, consideramos que solo se
alcanzará una verdadera explosión en el uso de las
tecnologías semánticas, comparable al éxito del
Internet común, cuando el uso de sus tecnologías sea
simplificado lo suficiente, o envuelto, para que su
adopción por el común de los usuarios y/o
programadores, sea cuasi transparente, y no requiera
de un alto nivel de preparación técnica para poder
utilizarse; estas características fueron lo que permitió
el boom de las tecnologías Web. Un avance al respecto
es que en las nuevas versiones de HTML integran
componentes semánticos en sus definiciones, lo que
permitirá agregarlos a las páginas web de forma rápida.
Las grandes empresas de cómputo como IBM y
HP han invertido enormes cantidades de dinero en
proyectos de Computación Cognitiva, conjuntando
técnicas de Inteligencia Artificial para poder lograr
resultados sorprendentes. Con seguridad el cómputo
cognitivo se establecerá en el mercado, o al menos en
mercados específicos que cuenten con los recursos
para pagar estos servicios. Es probable que estos
servicios permeen poco a poco en aplicaciones que
utilizan los usuarios comunes. Estas implementa-
ciones van por buen camino, pues la interacción entre
un usuario común y un sistema cognitivo se da de
forma tan sencilla como hacer una pregunta en un
lenguaje humano, y que el sistema arroje respuestas
correctas. Es previsible que conforme pase el tiempo,
se liberarán nuevos servicios de cómputo cognitivo,
para auxiliar en áreas aún más diversas.
Las contribuciones actuales de la investigación
sobre Web Semántica y Cómputo Cognitivo nos
permiten dilucidar un brillante futuro para ambas
ramas de la computación, no se diga de la Inteligencia
Artificial en general. El ritmo de los avances ha
generado debates acerca de los controles necesarios
para evitar su mal uso, o para poder llegar a controlar
la llamada «singularidad», en que un sistema inteligente
podría hacerse consciente de su propio potencial.
Hemos visto que las técnicas de ambas áreas cada
vez son más utilizadas en implementaciones
interdisciplinarias. Denotamos que el esfuerzo para
construir aplicaciones de calidad en ambas áreas es
fuerte desde el punto de vista técnico, y podemos
vislumbrar que se requerirá mayor esfuerzo para su
generalización o masificación. Afortunadamente, los
ejemplos, y los beneficios de estas tecnologías están
cada vez más al alcance de los usuarios comunes.
Literatura citada
ABBURU, S. 2012. A survey on ontology reasoners and comparison.
International Journal of Computer Applications, 57(17).
AGUIRRE, D. 2015. Cognitive Computing [Material de Clase].
Colección personal de Diego Aguirre. El Paso, Texas, Estados
Unidos de América.
AGUIRRE, D. 2015. JSON – Watson Tutorial [Material de clase].
Colección personal de Diego Aguirre. El Paso, Texas, Estados
Unidos de América.
AMINI, R. 2015. EC3 Fieldtrip: 2-7 August 2015/ Yosemite NP and
Owens Valley. Retrieved from Data Semantics Lab, Wright State
University: http://dase.cs.wright.edu/blog/ec3-fieldtrip-2-7-
august-2015-yosemite-np-and-owens-valley
25
• Vol. XII, Núm. 1 • Enero-Abril 2018 •
BARAHMAND, S., Taheryian, M., Al-Ashri, S., and Upadhyay, B. 2010.
A Survey on SWEET Ontologies and their applications. Retrieved
from Mohsen Taheryian’s Website - Reports: http://www-
scf.usc.edu/~taheriya/reports/csci586-report.pdf
BARNAGHI, P., Wang, W., Henson, C., and Taylor, K. 2012. Semantics
for the Internet of Things: early progress and back to the
future. International Journal on Semantic Web and Information
Systems (IJSWIS), 8(1), 1-21.
BERNERS-LEE, T., and Hendler, J. 2001. Publishing on the semantic
web. Nature, 410(6832), 1023.
BERNERS-LEE, T., Hendler, J., and Lassila, O. 2001. The Semantic
Web. Scientific American, 284(5), 28-37.
COGNITIVE COMPUTING CONSORTIUM. 2014. Cognitive Computing defined.
Retrieved 2017, from Cognitive Computing Consortium Web
Site: https://cognitivecomputingconsortium.com/resources/
cognitive-computing-defined/#1467829079735-c0934399-
599a
COGNITIVE COMPUTING CONSORTIUM. 2016. HPE Haven OnDemand
Machine Learning & Search. Retrieved 2017, from Cognitive
Computing Consortium web site: https://cognitivecomputing
consortium.com/hpe-haven-ondemand-machine-learning-
search/
DUMONTIER, M., and Villanueva-Rosales, N. 2009. Towards
pharmacogenomics knowledge discovery with the semantic
web. Briefings in bioinformatics, 10(2), 153-163.
FERRUCCI, D. 2012. Introduction to This is Watson. IBM Journal of
Research and Development, 56(3.4), 1-1.
FERRUCCI, D., Brown, E., Chu-Carroll, J., Fan, J., Gondek, D., Kalyanpur,
A. A., and Lally, A. 2010. Building Watson: An overview of the
DeepQA project. AI Magazine, 31(3), 59-79.
FU, J., Gucalp, A., Glass Zauderer, M., Epstein, A. S., Kris, M. G., Keesing,
J., . . . Seidman, A. D. 2015. Steps in developing Watson for
Oncology, a decision support system to assist physicians
choosing first-line metastatic breast cancer (MBC) therapies:
Improved performance with machine learning. ASCO Annual
Meeting Proceedings, 33, p. 566.
FUCHS, C., Hofkirchner, W., Schafranek, M., Raffl, C., Sandoval, M.,
and Bichler, R. 2010. Theoretical foundations of the web:
cognition, communication, and co-operation. Towards an
understanding of Web 1.0, 2.0, 3.0. Future Internet, 2(1), 41-
59.
GIL, Y., Chan, M., Gomez, B., and Caron, B. 2014. EarthCube: Past,
Present, and Future. EarthCube Project Report EC-2014-3.
HITZLET, P., Krotzsch, M., and Rudolph, S. 2009. Foundations of the
Semantic Web. CRC Press.
HOENDORF, R., Dumontier, M., and Gkoutos, G. V. 2012. Evaluation of
research in biomedical ontologies. Briefings in bioinformatics,
14(6), 696-712.
IBM. 2014. IBM Watson: How it works. Retrieved 2017, from
https://www.youtube.com/watch?v=_Xcmh1LQB9I
IBM. 2016. IBM Watson for Oncology. Retrieved 2017, from https:/
/www.ibm.com/watson/health/oncology-and-genomics/
oncology/
IBM Security. 2016. Cognitive security [White paper]. Retrieved
2017
JACKSON, J. 2011. IBM Watson vanquishes human Jeopardy foes.
PC World(17).
KELLY, J. E. 2015. Computing, cognition and the future of knowing.
IBM Research whitepaper.
MOOKERJEE, M., Vieira, D., Chan, M. A., Gil, Y., Goodwin, C., Shipley, T.
F., and Tikoff, B. 2015. We need to talk: Facilitating
communication between field-based geoscience. GSA Today,
25(11), 34-35.
MOOKERJEE, M., Vieira, D., Chan, M. A., Gil, Y., Pavlis, T. L., Spear, F. S.,
and Tikoff, B. 2015. Field data management: Integrating
cyberscience and geoscience. Eos, 96(20), 18-21.
MUSEN, M. A. 2015. The Protégé project: A look back and a look
forward. AI Matters. , 1, 4. doi:10.1145/2557001.25757003.
ONTOTEXT. 2014. The Truth About Triplestores. Ontotext.
RASKIN, R., and Pan, M. 2005. Semantic web for earth and
environmental terminology (SWEET). Proc. of the Workshop
on Semantic Web Technologies for Searching and Retrieving
Scientific Data, 25.
ROBINSON, I., Webber, J., and Eifrem, E. 2015. Graph Databases:
New Opportunities for Connected Data. O’Reilly Media, Inc.
ROYO-LEÓN, M., Rodriguez, L. M., Gallardo, P., Gonzalez, T., Negron, R.,
Aguirre, D., and Fuentes, O. 2016. SEXWISE: An IBM Watson-
Powered Mobile Application to Promote Sexual Education. In
S. M. Computacionales (Ed.), Tecnologías emergentes y avances
de la computación en México – ENC 2016, (pp. 205-210).
Chihuahua, México.
RUSSELL, S., and Norvig, P. 1995. Artificial Intelligence: A modern
approach. (P. Hall, Ed.)
SIMMONS, R. 1970. Natural language question-answering systems.
Communications of the ACM, 13(1), 15-30.
UNOCERO. 2017. IBM Watson llega al Museo de Antropología.
Retrieved from UnoCero: https://www.unocero.com/noticias/
ciencia/ibm-watson-en-museo-antropologia/
VILLANUEVA-ROSALES, N., Cheu, R., Gates, A., Rivera, N., Mondragon, O.,
Cabrera, S., . . . Larios, V. M. 2015. A collaborative,
interdisciplinary initiative for a smart cities innovation
network. IEEE First International Conference On Smart Cities
(pp. 1-2). IEEE.
Este artículo es citado así:
Royo-León, M., D. D. Ramírez-Ochoa y A. J. Barroso-Barajas. 2018. Tendencias en computación: Web Semántica y Computación
Cognitiva. TECNOCIENCIA Chihuahua 12(1):19-26.
DOI: https://doi.org/10.54167/tch.v12i1.128
26
• Vol. XII, Núm. 1 • Enero-Abril 2018 •
Este artículo es citado así:
Alvarado-Raya, H. E. 2017. Peach seedling growth with mycorrhiza and vermicompost. TECNOCIENCIA Chihuahua 11(2):48-57.
Resumen curricular del autor y coautores
MIGUEL ROYO LEÓN. Ingeniero en Sistemas Computacionales en Software por la Facultad de Ingeniería de la Universidad Autónoma
de Chihuahua (UACH) en 2006. Obtuvo la Maestría en Ingeniería en Sistemas Computacionales por la misma Facultad en 2010. Se
ha desempeñado en la industria en roles de Ingeniero de Soporte, Administrador de Sistemas, y Desarrollador de Software. En 2014
inicia estudios doctorales en Ciencias Computacionales en la Universidad de Texas en El Paso. Es Académico Asociado A en la
Facultad de Ingeniería de la UACH desde 2015. Ha impartido cursos de Programación, Algoritmos e Investigación. Ha colaborado en
7 artículos de revistas arbitradas, 4 capítulos de libro, 3 artículos de congresos arbitrados y 4 posters. Ha colaborado en proyectos de
investigación relacionados con Ciencias de la Tierra y Autismo.
Sus intereses
de investigación son
la enseñanza
de
la
computación,
el desarrollo de software, y la web semántica.
D
YNHORA
D
ANHEYDA
R
AMÍREZ
O
CHOA
. Ingeniero en Sistemas Computacionales en Hardware por la Facultad de Ingeniería de la Universidad
Autónoma de Chihuahua (UACH) en 2004. Obtuvo la Maestría en Ingeniería en Sistemas Computacionales por la misma Facultad
en 2010. Se ha desempeñado como técnico de videoconferencia en la Coordinación General de Tecnologías de la Información de la
UACH. Es maestra de tiempo completo en la Universidad Tecnológica de Chihuahua (UTCH) desde 2006, y pertenece al Cuerpo
Académico de Tecnologías de Seguridad Informática.
ALFONSO JOSÉ BARROSO BARAJAS. Ingeniero en Sistemas Computacionales en Software por la Facultad de Ingeniería de la Universidad
Autónoma de Chihuahua (UACH) en 2004. Obtuvo la Maestría de Sistemas Informáticos por la Facultad de Contaduría y Administración
de la misma UACH en 2013. Se desempeñó en la industria como desarrollador de software contable. Es Profesor de Tiempo Completo
de la Universidad Tecnológica de Chihuahua (UTCH), y pertenece al Cuerpo Académico de Tecnologías de Seguridad Informática. Es
profesor de asignatura en la Facultad de Ingeniería de la UACH, impartiendo cursos de Programación. Desde 2017 se desempeña
como CTO de la empresa PPAP Manager, una empresa de desarrollo de sistemas de gestión de calidad.