El ecosistema actual de LLM’s presenta una variedad extraordinaria: desde los modelos generalistas como GPT-4o y Claude 3.5 Sonnet, hasta especializaciones técnicas como EXAONE 3.0 de LG AI (así es, la marca de televisores y electrodomésticos ha creado la división de LG AI Research que pone los lineamientos sobre IA en todas las líneas de la marca)  para investigación científica, pasando por soluciones open source como LLaMA 3.3 que permiten implementaciones locales y personalizadas (para dar mayor confianza cuando se trabaja con datos sensibles o confidenciales). Este crecimiento ha creado un panorama complejo donde la pregunta ya no es ¿cuál es el mejor modelo para poder usarlo? sino ¿cuál es el modelo correcto para cada caso de uso en específico? 

Hoy, en el AI Appreciation Month, desde Capitole les queremos ofrecer un alcance técnico profundo del ecosistema LLM actual, evaluando no solo las capacidades que todo el mundo ya sabe, sino también las limitaciones persistentes (como toda solución tecnológica) y los retos éticos que marcan el futuro de esta tecnología transformadora. 

1. La Evolución de los LLMs: De Cajas Negras a Cajas de Herramientas Especializadas 

Hasta hace poco, los LLM’s funcionaban como auténticas cajas negras, lo que significa que comprendíamos que en su interior se encontraban sistemas complejos cuyo funcionamiento interno resultaba opaco incluso para sus inventores. La arquitectura transformer, con sus billones de parámetros entrenados con grandes cantidades de datos, generaba resultados sorprendentes sin que pudiéramos entender completamente el funcionamiento de «la magia» que producía dichas capacidades emergentes. Este contexto ha cambiado drásticamente las reglas del juego durante los años 2024-2025. Los LLM’s actuales han avanzado hacia herramientas especializadas con competencias bien documentadas, limitaciones identificadas y casos de uso concretos claramente definidos. La industria y el ámbito de la ciencia y tecnología han fijado normas estandarizadas, métodos de evaluación rigurosos y marcos de interpretación que nos permiten entender no solo las habilidades de estos modelos, sino también su gestión y el motivo por el cual existen. 

Esta evolución es palpable en el ecosistema actual: aunque modelos como GPT-4o mantienen su versatilidad universal, hemos notado el surgimiento de especializaciones técnicas como EXAONE 3.0 para investigación científica, Codex para programación, y BioGPT para aplicaciones biomédicas. Según el Informe Stanford AI 2024, el 67% de las implementaciones recientes de LLM’s en empresas optaron por modelos especializados o fine-tuned en lugar de soluciones generalistas, lo que constituye un cambio esencial en las estrategias de adopción de IA. 

Los LLM’s desde 2022 hasta 2026 nos muestra tres eras claramente distintas: 

• La Era del Chat Inteligente (2022-2023) se caracterizó por la inolvidable llegada de ChatGPT y los primeros modelos de conversación, seguida de la aparición de modelos open source como LLaMA y Mistral.  

• La Era de la Multimodalidad (2023-2024) presentó las primeras capacidades multimodales con GPT-4 y Claude, ampliando las ventanas de contexto hasta 200K tokens y creando arquitecturas MoE eficaces como DeepSeek-R1.  

• Por último, la Era de la Autonomía (2025-2026) señala el cambio hacia agentes autónomos como Manus AI, con tendencias en auge hacia personalización sofisticada, especialización por dominio, democratización total, agentes de colaboración multi-LLM y optimización computacional. 

2. Capacidades de Análisis Documental: El Caso de Claude 3.5 y el Contexto Extendido 

El análisis de documentos constituye uno de los retos más significativos en los negocios en la actualidad. De acuerdo con él Instituto McKinsey Global, aproximadamente el 19% del tiempo que los trabajadores del conocimiento invierten en la búsqueda y recolección de información, mientras que el estudio de documentos complejos puede requerir entre 40 y 60 horas semanales en áreas como la ley y las finanzas. En sectores muy regulados, como el energético o el farmacéutico, los análisis detallados de la documentación reglamentaria pueden extenderse por meses, necesitando equipos especializados y generando costos operativos considerables. Por ejemplo, Claude 3.5 Sonnet de Anthropic ha transformado este escenario gracias a su amplia ventana de contexto de 200k tokens (similar a aproximadamente 150,000 palabras), la cual facilita la administración de documentos completos sin fragmentación.  

Su arquitectura avanzada basada en transformers integra métodos sofisticados de atención y memoria que preservan la consistencia semántica en largos textos, mientras que sus habilidades de razonamiento multimodal facilitan la exploración conjunta de texto, tablas, gráficos y esquemas en documentos complejos. En escenarios de uso reales, Claude 3.5 Sonnet tiene la capacidad de procesar y examinar documentos de hasta 500 páginas en alrededor de 3 minutos, extrayendo información crucial, detectando patrones y produciendo síntesis estructuradas con una precisión del 85 al 92% de acuerdo con benchmarks autónomos. Empresas como Klarna han señalado disminuciones del 75% en el tiempo de análisis de contratos, mientras que organismos jurídicos indican un ahorro de 40 a 60 horas por caso en la revisión de documentación normativa, modificando procedimientos que antes necesitaban equipos de analistas semanalmente.  

Estos avances en el análisis inteligente de documentos representan un cambio drástico en el enfoque en que las organizaciones gestionan información abundante. Por ejemplo, Claude 3.5 Sonnet, no solo está incrementando la eficiencia en las operaciones, sino también está democratizando el acceso a análisis de documentos complejos que antes requerían una especialización minuciosa, abriendo la posibilidad que equipos de menor tamaño administren volúmenes de información habitualmente reservados para grandes corporaciones. Aun así, hay que afirmar que sigue siendo crucial reconocer las limitaciones actuales como: 

• La exactitud fluctúa en función de la complejidad del dominio. 

• Las conclusiones de procesamiento pueden ser relevantes para grandes volúmenes de datos 

• La interpretación de los resultados todavía requiere de supervisión humana para garantizar exactitud en momentos críticos. 

3. Especialización vs. Versatilidad: Cómo Elegir el LLM Correcto por Caso de Uso 

La llegada de LLM’s especializados ha transformado fundamentalmente el paradigma de selección de modelos de IA. A pesar de que en el periodo 2022-2023 la interrogante principal era ¿Cuál es el mejor LLM? El ecosistema presente para el 2025 requiere una visión más sofisticada: ¿Cuál es el modelo perfecto para este caso de uso específico? Esta evolución refleja la madurez del mercado, donde la diferenciación ya no se basa únicamente en competencias globales, sino en la mejora de áreas, funciones y restricciones operaciones específicas. 

La selección estratégica de LLM’s requiere una evaluación constante basada en tres dimensiones fundamentales. 

1. Necesidades técnicas de rendimiento: precisión en parámetros específicos (MMLU para razonamiento general, HumanEval para código y GSM8K para matemáticas), capacidades multimodales y ventana de contexto requerida. 

2. Parámetros Operativos: latencia de respuesta (tokens por segundo), volumen máximo de transacciones, disponibilidad de APIs y opciones de implementación (cloud vs on-premise). 

3. Criterios financieros: costo por token, costo total de propiedad, escalabilidad de precios y ROI estimado en función del volumen de uso. 

Al aplicar este framework a casos de uso concretos, surgen patrones evidentes de optimización. GPT-4o se destaca en la interacción multimodal con los clientes de términos de razonamiento (MMLU: 87.2%) y habilidades visuales lo que respalda su precio de 5 a 9 dólares por millón de tokens para usos de gran valor. Para un análisis documental, Claude 3.5 Sonnet optimiza la relación entre costo y capacidad con su ventana de 200k tokens y una exactitud del 89% en las tareas de comprensión, de 6 a 12 dólares por millón de tokens. Para implementaciones que manejan datos sensibles, LLaMA 3.3 ofrece un rendimiento competitivo (MMLU:83.6%) con un control total de los datos mediante la implementación local, minimizando los gastos recurrentes tras la inversión inicial en infraestructura. 

Se nota claramente esta diversificación estratégica en la posición competitiva del ecosistema actual. En la anterior matriz de especialización versus versatilidad (eje horizontal) y modelos de propiedad versus libre acceso (eje vertical), se presentan cuatro cuadrantes distintivos. El panel superior derecho aloja modelos generalistas únicos como GPT-4o, Claude 3.5 Sonnet y Gemini 2.0 Flash, que aumentan la flexibilidad, pero requieren de APIs de naturaleza comercial. El panel inferior derecho ofrece alternativas de fuente libre versátiles como LLaMA 3.3 y Mistral Large, ofreciendo un extenso espectro funcional con un control total sobre la implementación. El panel superior izquierdo presenta soluciones especializadas únicas como Manus AI para agentes autónomos y Command R+ para análisis documental, creadas para casos de uso específicos.  Finalmente, la columna inferior izquierda contiene modelos especializados de libre acceso como EXAONE 3.0 para investigación científica y DeepSeek para usos técnicos, fusionando especialización con total transparencia. Esta segmentación corrobora que la elección ideal está sujeta tanto a los requerimientos funcionales particulares como a las limitaciones de apertura, seguridad y control operacional del entorno corporativo. 

La implementación de esta diversificación ha originado tácticas de diversos modelos que incrementan el retorno de inversión de la empresa. En lugar de apoyarse en un modelo universal, las entidades líderes crean ecosistemas especializados donde cada modelo se optimiza para circunstancias de uso específicas. Por ejemplo, según el gráfico anterior, Mistral Small 3 se centra en la realización de análisis en tiempo real con eficiencia computacional, escasa latencia y respuestas inmediatas. GPT-4o gestiona las interacciones con los clientes mediante la generación de contenido, el análisis del contexto y la capacidad de adaptación multimodal. LLaMA 3.3 asegura la privacidad de datos sensibles con un control absoluto y ejecución local. Command R+ mejora el análisis documental con exactitud factual, obtención de datos y manejo de documentos. Esta estrategia de múltiples modelos produce un 40% más de retorno de inversión en comparación con las implementaciones de un solo modelo, evidenciando que la especialización estratégica sobrepasa la versatilidad universal en entornos corporativos.  
 
Esta técnica de selección fundamentada en pruebas exige un proceso de evaluación estructurado. Primero, es necesario establecer de manera precisa los requerimientos técnicos, operativos y financieros específicos del caso de uso. En segundo lugar, definir indicadores de éxito medibles y límites mínimos de desempeño. En tercer lugar, llevar a cabo ensayos piloto con los aspirantes seleccionados utilizando datasets que representen el ambiente de producción. Finalmente, es necesario calcular el costo total de propiedad previsto para los 12-24 meses, que incluye los gastos de integración, capacitación de equipos y mantenimiento. 

Por lo tanto, el principio esencial se mantiene: la optimización estratégica sobrepasa la maximización de capacidades globales, y la elección fundamentada en datos concretos del entorno corporativo. 

4. Mapeo del Ecosistema: Análisis Comparativo de LLMs Líderes en 2025 

En el cuadro de a continuación, hemos tratado de ordenar la tormenta de la IA generativa en el 2025. Se puede ver los gigantes propietarios que marcan el ritmo en la carrera, los disruptores que afinan la relación entre variables de coste y prestaciones y finalmente las opciones open source que democratizan el acceso y control de los datos. Para cada modelo mostramos su nota MMLU (métrica de medición de la comprensión de los LLM), precio por millón de tokens y la ventaja competitiva que lo hace brillar en un caso de uso en específico.  

Como se puede observar en la tabla, la elección del LLM más adecuado ya no se basa en establecer el récord Guinness de parámetros, sino en balancear tres aspectos cruciales: el rendimiento real de la tarea, el costo operativo y las necesidades empresariales. Así pues, la estrategia más adecuada suele ser la del multimodal: fusionar tu ejército de batalla apropiado para cada tarea particular y de esta manera incrementar el ROI, la resistencia y la velocidad de iteración. 

5. Tendencias 2025-2026: Personalización, Open Source y Agentes Autónomos 

 
Ahora, el panorama se muestra mucho más claro con tres tendencias clave, cada una con consecuencias distintas para su respectiva adopción de negocios. 

• La personalización a través de Fine-tuning y RAG se ha transformado en el principal factor de diferenciación competitiva. Empresas como Bloomberg (BloombergGPT), Morgan Stanley (GPT adaptado para el manejo de patrimonio) y Salesforce (Einstein GPT) evidencian que los modelos básicos son únicamente el inicio. El auténtico valor proviene de la adaptación a áreas específicas: fine-tuning para conductas especializadas y RAG para la incorporación de conocimientos de propiedad. De acuerdo con Forrester 2024, el 73% de implementaciones exitosas en empresas contienen algún grado de personalización, con un ROI medio 340% más alto que las implementaciones genéricas. 

• La especialización vertical está dividiendo el mercado en modelos optimizados para áreas específicas. Qwen 2.5 controla mercados asiáticos con comprensión cultural nativa, EXAONE 3.0 lidera investigación científica con una precisión del 94% en tareas técnicas, y Harvey AI se especializa en servicios legales con la validación de 200+ compañías a escala global. Esta tendencia sugiere que el futuro se encuentra en modelos que eligen la versatilidad mundial en áreas específicas, creando barreras de entrada tanto técnicas como de datos. 

• La democratización de la fuente abierta está impulsando la convergencia de capacidades. LLaMA 3.3 llega al 83.6% en MMLU (en comparación con el 87.2% de GPT-4o), mientras que Mixtral 8x22B iguala modelos de propiedad en tareas concretas. Hugging Face informa sobre 500M+ descargas mensuales de modelos de fuente abierta, lo que señala una adopción en masa. Esta convergencia disminuye las ventajas competitivas fundamentadas en habilidades técnicas tangibles, reorientando la competencia hacia ecosistemas, servicios y especialización horizontal. 

El alineamiento de estas tendencias indica un futuro en el que el triunfo de los negocios en Inteligencia Artificial se basará menos en el acceso a modelos sofisticados (que se vuelven cada vez más comodotizados) y más en la habilidad para personalizar, especializar e incorporar estas tecnologías en procesos laborales concretos. Las entidades capaces de ajustar modelos base a sus particulares contextos conservarán ventajas competitivas duraderas 

6. Conclusiones: Implementación Estratégica de LLMs en la Empresa 

El océano de LLM’s 2025 ha avanzado desde la búsqueda del modelo más adecuado hacia un modelo de optimización estratégica basado en casos de uso específicos. Este progreso demanda una metodología para la selección e implementación de negocios: 

• Estructura de decisión definida: El análisis estructurado mediante criterios técnicos (benchmarks específicos), operativos (latencia, throughput, implementación) y económicos (TCO, ROI, escalabilidad) elimina la subjetividad en la selección de los modelos. Las organizaciones que apliquen técnicas basadas en evidencia prevalecerán de forma constante sobre las que se sustentan en la intuición o en las tendencias del mercado. 

• Especialización como ventaja competitiva: La fusión de habilidades globales entre modelos de propiedad y de fuente abierta transforma la distinción hacia la especialización vertical y la personalización. El futuro está en manos de las organizaciones que manejen fine-tuning, RAG y la adaptación de modelos base a contextos corporativos singulares, generando obstáculos de entrada basados en datos y experticia específica. 

• Democratización y puesta en marcha: La disminución de obstáculos técnicos y financieros simplifica el acceso a habilidades avanzadas de IA, pero potencia la relevancia de la estrategia de implementación. El triunfo de la empresa estará condicionado a la habilidad para incorporar LLM’s en los flujos de trabajo actuales, manejar la transformación organizacional y cultivar habilidades internas de IA. 

En Capitole, acompañamos esta transformación traduciendo avances tecnológicos en valor empresarial tangible. La revolución LLM apenas comienza, y las organizaciones que adopten enfoques estratégicos, basados en evidencia y centrados en casos de uso específicos liderarán la próxima década de innovación en IA. 

The post De Turing a los Agentes Autónomos: Análisis del Ecosistema LLM 2025  appeared first on Capitole.

Entre los distintos ERP disponibles en el mercado, SAP se distingue por ser una de las mejores opciones, abarcando de forma muy directa y efectiva tres puntos clave:

Automatización de procesos de negocio

La automatización de procesos de negocio ofrece una mejora de la eficiencia al eliminar de errores humanos y permitir una mayor dedicación de los recursos a tareas que aporten mayor valor. Los procesos susceptibles de ser revisados y automatizados en SAP pueden formar parte de las siguientes áreas: Finanzas, Logística, Recursos humanos, Producción, Compras y Ventas.

Ventajas principales de la automatización de procesos:

• Escalabilidad sin aumento significativo de costes: Las organizaciones puede ofrecer mayor volumen de operaciones sin necesidad de incrementar recursos humanos.

• Trazabilidad y cumplimiento normativo: Cada transacción se queda registrada en el sistema en tiempo real lo que facilita las tareas de auditorías y generación de reportes e informes regulatorios.

Un ejemplo cuantitativo puede ser el siguiente:

Empresa XXX perteneciente al sector de la fabricación llevo a cabo una implementación S/4HANA Cloud con módulos FI-GL (Contabilidad Financiera – General Ledger) y CO (Contabilidad de costes) redujo sus tiempos de cierre financieros mensuales de dos semanas a una, lo que se traduce en una reducción de tiempos de cerca del 50%.

Flujos de trabajo inteligentes

El ERP que ofrece SAP no se encarga únicamente de ejecutar procesos, sino que realiza una mejora continua de los flujos de trabajo aplicando automatización, inteligencia artificial y aprendizaje continuo, con el objetivo de poder adelantarse a problemas y situaciones para mejorar la toma de decisiones. En el siguiente listado se detallan alguno de estos módulos y servicios específicos:

• SAP AI Core

• Smart Business Service

• SAP Predictive Analytics

• SAP Conversational AI

En relación a esta funcionalidad se destacan tres aspectos:

• Gestión de inventario: SAP Predictive Analytics procesa históricos de ventas y variables externas para predecir demandas. A continuación, se incluye un flujo básico de reaprovisionamiento inteligente:

• Recopilación diaria de datos de ventas y stock en SAP S/4HANA Public Cloud.

• Modelo predictivo para el cálculo de demanda para el siguiente periodo de tiempo.

• Si la previsión supera el stock mínimo, Smart Business Service genera alerta.

• Aprovisionamiento automático: se crea orden de compra en SAP MM (Material Management, módulo de compras) y se envía a proveedor.

• Recepción y registro automático de mercancía en el almacén SAP WM (Warehouse Management, módulo gestión de almenen).

• Actualización en tiempo real muestra nivel de stock actualizado.

• Cuentas a pagar: SAP AI Core detecta patrones erróneos o poco usuales para proponer revisiones automáticas en facturas.

• Recursos humanos. SAP Conversational AI implementa chatbots internos para la realización de consultas acerca de nóminas, ausencias, formaciones. Por otro lado, Smart Business Service aplica sistemas de inteligencia artificial para analizar patrones de rotación de plantilla, así como sugerir planes de retención.

Integración en tiempo real

Uno de los pilares fundamentales en la implementación de este ERP es la disponibilidad total de datos en tiempo real lo que ofrece:

• Visibilidad completa y transparente: el sistema facilita la consulta y generación de indicadores de rendimiento (KPIs) de cualquier área en cualquier momento.

• Coordinación eficiente entre departamentos: todas alas áreas que componen la empresa comenzaran a compartir mismo lenguaje y datos actualizados.

• Conexión con sistemas auxiliares (CRM, IoT, sistemas externos, plataformas de venta,…):

• Integración de datos de proveedores y clientes en los procesos de compra y venta.

• Sincronización de datos de sensores y líneas de producción.

• Actualización inmediata de stock.

Además, SAP Business Technology Plataform (SAP BTP) actúa como integración con servicios de Inteligencia Artificial y analítica avanzada, lo que permite:

• Desarrollar funcionalidades personalizadas para negocios concretos sin modificar el core del sistema.

• Conectar con soluciones de terceros mediante API o eventos,

• Aprovechar servicios como SAP Data Intelligence, SAP Analytics Cloud o SAP HANA Cloud.

En relación a las opciones de despliegue de SAP S/4HANA, a día de hoy estas son las posibilidades disponibles:

• S/4HANA Public Cloud: esta opción es la indicada para compañías que buscan un Time-to-Value rápido y menor responsabilidad en la gestión de infraestructuras.

• S/4HANA Private Cloud: esta solución está más recomendada a empresas de mediano tamaño que quieran tener un balanceado la flexibilidad y el control de IT.

• S/4HANA On-Premise: modelo diseñado para grandes corporaciones con normativa estrictas de datos y políticas internas de infraestructuras.

Como base a todos estos servicios se presenta SAP BTP, tal y como se ha mencionado anteriormente, como una capa de integración e innovación.

Escalabilidad y Coste Total de Propiedad (TCO)

A pesar de que el coste de implementación de SAP S/4HANA puede ser el más elevado, el análisis del TCO a lo largo de 5-7 años muestra con la inversión se amortiza a través de mejoras en productividad y ahorro en la operativa. Se describen los elementos basicos que componen el coste total de propiedad (con siglas, TCO):

• Licencia. Diferenciamos:
• Modelo SaaS (Public/Private Cloud): tarifa periódica por usuario o módulo incluyendo soporte básico y actualizaciones automáticas.
• On-Premise: pago anual de licencias fijas (por usuario o modulo) y mantenimiento anual (en torno al 20% del coste de licencia).
• Implementacion. Se incluyen:
• Servicios de consultoría: Configuración de sistema, pruebas unitarias, migración de datos y capacitación de usuarios.
• Costes variables según complejidad de la implementación: número de países, integración con otros sistemas, requisitos legales, …
• Infraestructura
• Public Cloud: gestionada por SAP o proveedor cloud.
• Private Cloud/On-Premise: hardware on-premise, licencias de bases de datos, energía y refrigeración. Costes de renovación cada 4-5 años.
• Mantenimiento y soporte
• SaaS: soporte SAP incluido y actualizaciones automáticas.
• On-Premise/Private Cloud: equipo TI interno o partner realiza actualizaciones via contratos adicionales.
• Formación y cambio organizativo
• Planificacion y gestión de la formación inicial y continua para usuarios.
• Plan de gestión del cambio para adaptación.
• Ahorro y amortización
• Mejoras en eficiencia
• Reducción de errores
• Ahorro en mano de obra
• Visibilidad y toma de decisions

Comparativa con ERPs competidores

En este apartado se presenta una tabla comparativa de aspectos básicos de SAP S/4HANA frente a sus competidores Oracle NetSuite, Microsoft Dynamics 365 y Odoo.

Conclusión

SAP S/4HANA Cloud (o en cualquiera de sus modalidades) no es solo un repositorio de datos, es la plataforma que permite a las empresas:

• Reducir drásticamente sus tiempos de cierre financiero (hasta un 47 %) y errores contables (-25%).

• Mejorar niveles de servicio al cliente.

• Disminuir inventarios promedio (–25 %) y costos de transporte (–20 %),

• Anticiparse a la demanda y automatizar reaprovisionamientos con modelos predictivos.

• Garantizar cumplimiento normativo en un 100 % y evitar multas.

En definitiva, SAP S/4HANA, junto con SAP BTP y su estrategia de nube híbrida, se presenta como una de las soluciones más completas y escalables para afrontar los desafíos empresariales del mañana, garantizando un retorno de inversión cuantificable y sostenible a largo plazo.

The post SAP S/4HANA ERP: Soluciones Empresariales Escalables para el Futuro appeared first on Capitole.

Desde la introducción del ERTMS en Europa, hace más de 30 años, la CCS TSI, ha tenido varias versiones oficiales, destacando las Commission Regulation (EU) 2016/919 of 27 May 2016 y sus ammendments, o 2012/88/EU: Commission Decision of 25 January 2012 y ammendments.

Pero la última versión (introducida en verano de 2023 vía Commission Implementing Regulation (EU) 2023/1695 of 10 August 2023) puede considerarse la mayor revolución de la señalización ferroviaria europea desde la implementación del ERTMS debido a la introducción de dos sistemas que están llamados a traer un cambio total en el sector. La Conducción Autónoma del Tren (ATO por sus siglas en inglés) y, sobre todo, el FRMCS (Future Railway Mobile Communication System) reflejan el compromiso de la UE con la automatización y digitalización del transporte ferroviario.

ATO – hacia la automatización ferroviaria

La CCS TSI 2023/1695 incluye el set de especificaciones ATO con el objetivo de lograr la interoperabilidad para ATO GoA1/2, es decir, la conducción automática del tren, incluyendo paradas en estaciones, pero con supervisión activa del maquinista para tareas específicas como el cierre de puertas o la gestión de emergencias.

Se introduce así el tercer sistema dentro del ERTMS, complementario a los ya existentes ETCS y GSM-R.

La automatización de las operaciones ferroviarias implica una mejora del servicio para los usuarios, al permitir una mayor precisión en la ejecución de las rutas gestionadas, pero también un ahorro para los operadores ferroviarios, al hacer un uso más eficiente de la energía y sistemas de frenado del tren.

FRMCS – el habilitador del tren digital

La introducción del FRMCS como segundo sistema Clase A sienta las bases legales para la implementación de un sistema de telecomunicaciones moderno y flexible que permita satisfacer las demandas del sector ferroviario en un futuro cada vez más cercano.

Debido al cada vez menor soporte que los fabricantes ofrecen a los equipos GSM/2G y a la imposibilidad de un sistema basado en tecnología 2G de satisfacer los flujos de datos que requieren las aplicaciones ferroviarias del futuro, la obsolescencia de los equipos GSM-R la cual se espera para el año 2030-2035 hacen de la implementación y transición al FRMCS, una realidad urgente a la que habrá de enfrentarse todo fabricante y administrador de infraestructura que no quiera perderse el mayor salto tecnológico de las telecomunicaciones ferroviarias en lo que llevamos de siglo.

Avances como el uso de tecnología 5G frente al 2G del GSM-R, anchos de banda ligeramente más amplios en la banda de 900 MHz junto al añadido de la banda no empareja en 1900 MHz, y métodos de transmisión más eficientes (OFDM vs. TDMA) entre muchos otros factores, hacen del FRMCS el habilitador necesario para el futuro ferroviario digital.

Conclusión

La introducción del ATO y del FRMCS marca un hito en la evolución de la señalización ferroviaria, impulsando la interoperabilidad, la automatización y la digitalización en el transporte ferroviario europeo. Estos avances no solo refuerzan el compromiso de la Unión Europea con la modernización del sector, sino que también abren la puerta a un futuro más eficiente, seguro y sostenible para el transporte ferroviario. Con la transición hacia el FRMCS como una prioridad urgente, los fabricantes y administradores de infraestructuras ferroviarias deben adaptarse a esta nueva realidad tecnológica si desean seguir siendo competitivos en un entorno cada vez más digitalizado. Como actores clave en este proceso, las empresas del sector deben estar preparadas para adoptar estas tecnologías disruptivas, garantizar una transición fluida y liderar el cambio hacia un futuro ferroviario más conectado y automatizado.

The post El futuro del ferrocarril europeo: Cómo la CCS TSI 2023 está impulsando la automatización y la digitalización appeared first on Capitole.

Como sabéis, en Capitole tenemos presencia en diferentes industrias. Muchos de nosotros estamos en proyectos de tratamiento de datos, en puestos de Data Science / Desarrollo /DevOps y trabajamos tanto en servidores físicos como en máquinas en la nube en AWS, Azure u otros servicios. Para nosotros es muy importante trabajar de manera eficiente y seguir buenas prácticas en el desarrollo, dejando una buena imagen de nuestra empresa allí donde vamos y un trabajo bien hecho, que facilite las cosas a los clientes finales del producto desarrollado.

En este artículo, compartimos algunas de las reflexiones que hemos ido adquiriendo con el tiempo, a modo de tips para organizar el código. Son trucos sencillos que pueden ahorrar mucho tiempo y malentendidos en el día a día del equipo de desarrolladores.

Pruebas unitarias

Sé que pruebas tu código; si no… ¿cómo sabes que funciona?

Pero he aquí la cuestión: ¿llevas un registro de las pruebas que realizas? De lo contrario, ¿cómo se puede confiar en tu código?

¡Bienvenido al asombroso mundo de las pruebas unitarias! Esta es una de esas cosas que puede no parecer divertida al principio, pero una vez que hayas experimentado el desgaste de largas horas invertidas en depuración de código, y luego las horas y esfuerzo ahorrados gracias a las pruebas de tu código, por arte de magia se convierte en diversión y una necesidad.

Quiero enseñarte la sentencia assert, un tipo de prueba conocido como “inline tests”. Estas pruebas son útiles para comprobar si la entrada y la salida de tus funciones son correctas.

Mostraré un ejemplo. Digamos que estás trabajando con un vector de probabilidades, y quieres proyectar a 0 o 1 dependiendo de un umbral. Esta función cubre la funcionalidad:

def project_to_zero_or_one(probabilities, threshold):

# definimos el array vacío

projections = np.empty_like(probabilities)

# proyecciones

projections[probabilities < threshold] = 0

projections[probabilities >= threshold] = 1

return projections

¿Pero qué pasa si hay NaNs (valores nulos) en tu vector de entrada? ¿Y si una de las entradas es <0 o >1 (recuerda que no existe una probabilidad fuera de este rango)? ¿Y si la entrada es una matriz y no un vector?

Sería interesante que el código me dijera si algo así está ocurriendo, para notificarme de que hay algo mal en alguna parte que tengo que arreglar antes de que sea demasiado tarde. Para esto incluimos las sentencias de assert que nos pueden alertar en esos casos:

def project_to_zero_or_one(probabilities, threshold):

# comprobamos inputs

assert probabilities.ndim == 1, «El Input debe ser un vector!»

assert np.isnan(probabilities).sum() == 0, «El Input contiene valores NaN!»

assert np.sum(probabilities > 1) == 0, f»Hay probabilidades> 1!»

assert np.sum(probabilities < 0) == 0, f» Hay probabilidades < 0!»

# definimos el array vacío

projections = np.empty_like(probabilities)

# proyecciones

projections[probabilities < threshold] = 0

projections[probabilities >= threshold] = 1

return projections

Una práctica que me gusta seguir es extraer todas las sentencias assert de la función principal. Esto es particularmente útil cuando tienes otras funciones que utilizan el mismo argumento, como las probabilidades, lo que te permite reutilizar el código.

def _check_probabilities(probabilities):

assert probabilities.ndim == 1, ‘Input debe ser un vector!’

assert np.isnan(probabilities).sum() == 0, ‘Input contiene valores NaN!’

assert np.sum(probabilities > 1) == 0, ‘ Hay probabilidades > 1!’

assert np.sum(probabilities < 0) == 0, ‘ Hay probabilidades < 0!’

Formateadores y estilizadores de código

Puede que aún no te des cuenta, pero seguramente, en cualquier cliente de Capitole, pasarás la mayor parte de tu tiempo de trabajo leyendo código en lugar de escribiéndolo. Ya sea cuando trabajes en equipo y revises el código de tus compañeros, o cuando intentes resolver un problema buscando una respuesta en StackOverflow, o incluso cuando vuelvas a depurar código que escribiste hace meses. En todas esas situaciones, leerás mucho código.

Por eso, es importante escribir código de forma coherente y uniforme. Esto incluye decisiones como la longitud máxima de las líneas, líneas vacías entre definiciones de funciones y convenciones sintácticas como “vector[:-1]” o “vector[: -1]”  (solo cambia un espacio intermedio). Pueden parecer pequeños detalles, pero tienen un impacto significativo en la legibilidad del código. La gran pregunta es: ¿pueden automatizarse todas estas pequeñas decisiones? Pues sí.

• Un formateador de código es una herramienta que modifica automáticamente el diseño y el estilo del código fuente para que se adhiera a un conjunto específico de reglas o directrices de formato. Recomiendo encarecidamente Black.

• Por otro lado, un estilizador de código es una herramienta que ayuda a los desarrolladores a aplicar un estilo de codificación específico o un conjunto de directrices a su código. Aunque son similares a los formateadores de código, los estilizadores de código son más flexibles y sugieren cambios en el código en lugar de modificarlo directamente. Por ejemplo, pueden sugerir cambiar el nombre de las variables o eliminar las bibliotecas no utilizadas. Recomiendo flake8.

Estructura de código como paquete

¿Tienes problemas para importar tus propios módulos de Python? ¿Te suena el error ModuleNotFoundError: No module named ‘my_python_file’ ¿te resulta familiar la sensación de no saber si tienes los módulos instalados, la inseguridad de dónde se encuentran, o si estás usando los directorios correctos? Puede que haya llegado el momento de mejorar la estructura de tu código.

Siempre que empieces un nuevo proyecto, estructura tu código de la siguiente manera:

my_project/

├── src/

│ ├── __init__.py

│ ├── my_module.py

│ └── my_folder/

│ ├── __init__.py

│ └── my_other_module.py

├── data/

│ ├── raw/

├── scripts/

│ ├── my_script.py

├── setup.py

└── README.md

Algunas cosas a tener en cuenta:

• Cuando Python importa un paquete, busca el archivo __init__.py en el directorio del paquete y ejecuta cualquier código dentro de él.
• setup.py es un script Python que se utiliza para definir los metadatos y dependencias de un paquete Python. Lo más simple que puede ser es:

from setuptools import setup, find_packages

setup(

name=’my_package’,

packages=find_packages(),

)

También se pueden especificar dependencias, autores, versiones, etc:

from setuptools import setup, find_packages

setup(

name=’my_package’,

version=’0.1′,

author=’John Doe’,

author_email=’john.doe@example.com’,

description=’A simple Python package’,

packages=find_packages(),

install_requires=[

‘numpy>=1.16.0’,

‘pandas>=0.23.4’,

],

)

Una vez que tus carpetas tengan este aspecto (y estés en tu entorno virtual) ejecuta: pip install -e ruta/para/mi_proyecto/. Esto instalará tu paquete en modo editable. Esto hace que cuando modificas código, el paquete instalado se actualiza automáticamente, y no necesitas reinstalar nada.

Conclusión

En resumen, una buena estructura y prácticas de codificación no solo mejoran la eficiencia en el desarrollo, sino que también facilitan la colaboración y el mantenimiento del código a largo plazo.

• La práctica de testing (de forma ordenada y consistente) es imprescindible para garantizar, de manera confiable y controlada, que el código cumple correctamente con las funcionalidades definidas.
• El uso de estilizadores y formateadores de código son hábitos esenciales para homogeneizar criterios en cualquier equipo de desarrollo. La clave está en escribir código que sea fácilmente comprensible, reproducible y adaptable, lo que beneficiará tanto a ti como a tus compañeros de equipo y clientes.
• La estructura de tu propio código como paquete es una buena práctica que facilitará el poder compartir y publicar el código a futuro y la instalación en modo editable ahorra mucho tiempo, ya que se actualiza automáticamente.

La eficiencia en el código es, en última instancia, eficiencia en los resultados.

The post Consejos para el desarrollo de código: Pruebas unitarias, formateadores y estilizadores de código y estructura de código como paquete appeared first on Capitole.

La integración de la inteligencia artificial (IA) con las metodologías ágiles está marcando el comienzo de una nueva era de innovación y eficiencia. Aprovechando el poder de la IA, los equipos ágiles pueden optimizar procesos, tomar decisiones más informadas y ofrecer un valor excepcional a sus clientes.

Entendiendo la Sinergia

Las metodologías ágiles, con su enfoque iterativo, mejora continua y retroalimentación constante del cliente, encajan perfectamente con la evolución acelerada de la IA. En este contexto, es esencial diferenciar entre dos tipos principales de IA: la IA Generativa y la IA Predictiva.

• IA Generativa: Modelos como el procesamiento de lenguaje natural y herramientas de generación de contenido permiten crear nuevos materiales y soluciones innovadoras.
• IA Predictiva: Utilizando algoritmos de aprendizaje automático clásico, analiza datos históricos para realizar predicciones y proporcionar información valiosa.

Estas tecnologías permiten a la IA procesar grandes volúmenes de datos, potenciar capacidades humanas, automatizar tareas repetitivas y ofrecer insights clave para la toma de decisiones.

Áreas Clave Donde el Aprendizaje Automático Mejora las Prácticas Ágiles

1. Análisis predictivo para una mejor planificación: Los algoritmos de aprendizaje automático analizan datos históricos para prever tendencias futuras, ayudando a asignar recursos de manera óptima y a realizar estimaciones más precisas.
2. Mitigación de riesgos: Al identificar posibles cuellos de botella con antelación, los equipos pueden ajustar planes y asignar recursos proactivamente.
3. Pruebas autogestionadas: Los marcos de pruebas basados en aprendizaje automático se adaptan automáticamente a los cambios de código, garantizando calidad continua y reduciendo el tiempo en pruebas de regresión.
4. Desarrollo acelerado: Los modelos de aprendizaje automático pueden generar funciones completas a partir de descripciones en lenguaje natural, acelerando los ciclos de desarrollo.
5. Calidad de código mejorada: Herramientas impulsadas por aprendizaje automático detectan problemas en el código, sugieren mejoras y aplican refactorizaciones automáticamente.
6. Autocompletado inteligente: Herramientas avanzadas de autocompletado sugieren fragmentos de código necesarios según el contexto, mejorando la productividad de los desarrolladores.

Consideraciones para Integrar Aprendizaje Automático en Equipos Ágiles

• Asegúrate de que los datos sean precisos, limpios y cumplan con las normativas de privacidad.
• Garantiza la transparencia y aplicabilidad de los modelos de aprendizaje automático para fomentar confianza y responsabilidad.
• Actualiza y reentrena regularmente los modelos para alinearlos con requisitos y datos en constante evolución.
• Promueve la colaboración entre expertos en aprendizaje automático y desarrolladores para una integración fluida.

Diferencias entre Aprendizaje Automático e Inteligencia Artificial en Ágil

Aunque a menudo se utilizan indistintamente, la IA y el aprendizaje automático tienen diferencias clave:

• Aprendizaje automático (ML): Subconjunto de la IA que se centra en algoritmos que permiten a las máquinas aprender de datos sin programación explícita.
• Inteligencia artificial (IA): Campo más amplio que abarca diversas técnicas, incluyendo el ML, para simular inteligencia humana.

Aplicaciones de la IA en Entornos Ágiles

1. Generación de historias de usuario: La IA puede crear borradores iniciales de historias de usuario a partir de requisitos de negocio, acelerando la creación del backlog.
2. Automatización de casos de prueba: Los modelos de IA generan automáticamente casos de prueba basados en cambios de código, reduciendo significativamente el tiempo de pruebas manuales.
3. Predicción de cronogramas: La IA predictiva analiza datos históricos para prever tiempos de entrega y riesgos potenciales.
4. Mejora de la calidad del código: Herramientas de IA detectan defectos, sugieren mejoras y automatizan revisiones, mejorando la calidad general del software.
5. Documentación automatizada: La IA generativa crea documentación técnica y reportes de progreso precisos y actualizados, reduciendo el esfuerzo manual.
6. Colaboración mejorada: Herramientas colaborativas impulsadas por IA, como asistentes virtuales, optimizan la comunicación y el intercambio de conocimientos en equipos distribuidos.
7. Toma de decisiones mejorada: Insights generados por IA permiten decisiones más informadas sobre backlogs, asignación de recursos y mitigación de riesgos.

Ingeniería de Prompts: Maximizando la Interacción con IA

Para aprovechar al máximo la IA en proyectos ágiles:

• Sé específico: Define claramente el resultado deseado.
• Proporciona contexto: Incluye información de fondo para ayudar a la IA a entender la tarea.
• Define el rol de la IA: Especifica cómo debe contribuir (por ejemplo, como scrum master experto).
• Identifica el público objetivo: Adapta la respuesta de la IA a las necesidades del usuario final.
• Establece un objetivo claro: Asegúrate de que la IA comprenda el propósito.
• Determina el tono y estilo: Decide si el tono debe ser formal, persuasivo o narrativo.
• Experimenta y ajusta: Refina continuamente los prompts para mejorar los resultados.

Conclusión: El Futuro Ágil con IA Generativa

La combinación de Agile e IA está transformando nuestra forma de trabajar, desbloqueando nuevos niveles de innovación y mejora continua.

En Capitole, lideramos la transformación digital, ayudando a nuestros clientes a optimizar sus procesos ágiles con soluciones impulsadas por IA generativa. Si deseas maximizar el valor de tus equipos ágiles con herramientas de IA, contáctanos. Estamos aquí para acompañarte en este emocionante viaje hacia el futuro del trabajo.

Fuentes:

• TensorFlow: https://www.tensorflow.org/
• Papers with Code: https://paperswithcode.com/
• Machine Learning is Fun: https://medium.com/@ageitgey/machine-learning-is-fun-80ea3ec3c471  
• https://github.com/mananahmed/sepoy-twitter-archive
• Agile Alliance: https://www.agilealliance.org/
• Scaled Agile Framework (SAFe): https://scaledagileframework.com/
• arXiv: https://arxiv.org/
• Scikit-learn: https://scikit-learn.org/
• Google AI Blog: https://ai.google/latest-news/
• PyTorch: https://pytorch.org/

The post Agile impulsado por IA: El futuro del trabajo appeared first on Capitole.

Adopción estratégica de la IAGen

Uno de los riesgos más habituales para product managers y product owners es que no puedan desarrollar sus labores en su sentido más extenso y acaben siendo meros proxi de requisitos de negocio al equipo de desarrollo. Muchas veces porque no pueden, no les dejan o porque no tienen tiempo. Por otro lado, la maldita deuda técnica o los bugs, en bastantes ocasiones, arrebatan parte de la capacidad del equipo si no se ha hecho una adecuada reserva en la planificación.

Para product managers y product owners, la IAGen es una herramienta clave para:

1. Identificar patrones complejos: Analizar grandes volúmenes de datos y tendencias de mercado.
2. Generar información estructurada: Apoyarse en diversas fuentes para elaborar materiales detallados en menos tiempo.
3. Centrarse en la escucha activa: Liberar tiempo para actividades de alto valor como la iteración y el feedback del usuario.

De la mano de la IAGen podrán tomar el liderazgo y retroalimentar a stakeholders para la generación de nuevas features y funcionalidades que añadan verdadero valor al usuario. Además, emplearla como herramienta nos permite obtener nuevos escenarios de uso o automatismos que mejoren la calidad del producto y eviten contingencias que afecten a parte o la totalidad de los usuarios del mismo.

La eficiencia en la adopción de la IAGen comienza con el dominio del prompting engineering. La calidad de los resultados depende de la claridad de nuestra comunicación con las herramientas. Modelos como el de Sara Tamsin (Contexto – Tarea – Instrucción – Clarificación – Refinamiento), o el marco RISEN de Kyle Barner (Role – Instructions – Steps – End goal/Expectation – Narrowing/Novelty) pueden ser guías prácticas para estructurar prompts efectivos. Para más información sobre ingeniería de prompts puedes consultar la extensa documentación de OpenAI.

Casos de uso básicos de la IAGen para la optimización del roadmap

1. Análisis predictivo: Anticipa el impacto de las futuras funcionalidades mediante algoritmos basados en datos históricos. Puedes pedir a la herramienta de IAGen que utilice fuentes especializadas, informes y estudios para obtener las conclusiones que necesitas. También, que analice encuestas a usuarios, que detecte patrones, etc.
2. Automatización del backlog: Redacción eficiente de épicas e historias de usuario utilizando herramientas como ChatGPT.
3. Elaboración de story mapping: Organización visual de historias de usuario para facilitar la planificación de sprints.

Caso avanzado: Creación de un roadmap completo con IA

Si nos planteamos un caso de uso de un nivel más profundo, algo útil es hacer que la herramienta de IA que elijas, por ejemplo, ChatGPT, que es la más extendida, sepa realmente todo el contexto y conocimiento que tu puedas tener de tu rol actual para usarla como un verdadero copiloto. Pueden existir dos posibilidades de empezar a ponerlo en práctica según la situación de cada uno:

1. Empiezas un nuevo modelo de negocio: Si eres un PO que creas un MVP.
2. Evolucionas un producto existente: Estás mejorando e implementando nuevas funcionalidades o procesos.

En cualquiera de los casos, lo que vamos a hacer es usar un chatGPT personalizado o, alternativamente, un documento de texto en construcción que vaya guardando toda la información y que adjuntemos repetidamente con los prompts durante el proceso para que lo tome como fuente de información de referencia.

Paso 1: Definir la visión del producto

Solicita a la IA una visión de producto, proporcionando contexto y objetivos. Refinarás hasta obtener un vision statement sólido, funcionalidades clave y propuestas de valor únicas.

Paso 2: Identificar las Personas objetivo

La IA puede generar perfiles detallados de usuarios potenciales. Para ello, pídele que tome en cuenta la información generada y que adjuntas, y, en segundos, tendrás entre cuatro y cinco target personas con necesidades, intereses y preferencias bien definidas.

Paso 3: Generar Jobs to be Done (JTBD)

Basado en las personas que has incluido al documento, con su nombre, descripción, necesidades, etc., solicita a la IA que identifique los JTBD, alineándolos con las funcionalidades del producto.

Paso 4: Creación de epics y user stories

A partir de los JTBD, solicita que genere épicas y sus criterios de aceptación, desglosándolas posteriormente en historias de usuario detalladas. (Recuerda ir guardando esta información en documento y cada vez que le pidas algo lo referencias y adjuntas en el prompt).

Paso 5: Story mapping y roadmap completo

Con todas las user stories, pide a la IAGen un mapa de entregas parciales. En minutos, tendrás un roadmap estructurado, listo para ser ajustado según las especificidades del producto.

Introducir en el día a día esta técnica aumenta la productividad y te hace más especializado y meticuloso como product owner. Pero ello, no será suficiente sin ser consciente de lo rápido que evoluciona esta tecnología y de las novedades que aparecen continuamente.

Claves para maximizar el valor de la IAGen en la gestión de productos

1. Capacitación continua: Mantente a ti y al equipo al día con las últimas funcionalidades y mejores prácticas.
2. Evaluación constante: Revisa el impacto de la IAGen periódicamente para detectar áreas de mejora.
3. Equilibrio inteligente: La IAGen complementa el juicio humano; úsala como apoyo, no como sustituto.

Capitole apuesta por la formación constante y permite a cada miembro del equipo mantenerse a la vanguardia tecnológica. Aprovechar estas oportunidades es clave para ser más productivo y avanzar hacia una gestión de producto verdaderamente estratégica. Capitole, además, te puede ayudar a sacar el máximo partido a la definición de tu roadmap, con y sin IA Generativa ya que somos expertos en esta área.

Estamos ante una revolución silenciosa que redefine el rol del product owner. Integrar la IAGen no es una opción, sino una necesidad para quienes buscan liderar la innovación. El futuro del desarrollo de productos se escribe hoy, y la IAGen es el lápiz que trazará las líneas más brillantes.

The post Optimización del roadmap de producto con herramientas de IAGen appeared first on Capitole.

La transformación digital es el proceso por el cual una organización adopta nuevas tecnologías en todas sus operaciones.

Precisamente, esta es una de las áreas en las Capitole ofrece conocimientos avanzados y experiencia en entornos digitales, con el objetivo de impulsar avances y mejoras sustanciales en cada área y nivel de las empresas.

¿Qué es la gestión del cambio y cómo se integra a la transformación digital?

La Gestión del Cambio, o Change Management, es una disciplina fundamental en cualquier organización que aspire a la mejora continua. Puede aplicarse en eventos específicos dentro de las empresas, como cuando se producen cambios en la estructura y cultura organizacional o se implementan nuevas tecnologías y metodologías de trabajo.

En este artículo nos enfocamos especialmente en la relevancia de la gestión del cambio dentro de los equipos de desarrollo de software.

Los principales objetivos de la gestión del cambio son:

• Minimizar la resistencia al cambio por parte de usuarios finales.
• Reducir los impactos negativos en los equipos de trabajo.
• Promover el compromiso de todos los involucrados.
• Dar mayor reconocimiento al trabajo de los equipos.

Con esto, destacamos como la gestión del cambio se enfoca principalmente en el aspecto humano de la transformación digital.

Componentes clave de la gestión del cambio

Existen diferentes modelos de gestión del cambio, como el modelo de Lewin, el modelo ADKAR y el modelo de transición de Bridges. Todos ellos consideran aspectos clave para asegurar el éxito de la iniciativa.

1. Comunicación efectiva

Una estrategia de gestión del cambio debe explicar claramente los motivos, beneficios y expectativas del cambio. Todo en función de transmitir transparencia y construir una base de confianza.

Aquí es importante aprovechar los recursos que ofrecen herramientas como Slack o Teams, las cuales promueven un trabajo más colaborativo y que beneficia al cambio.

1. Capacitación y apoyo

También es clave asegurar que los colaboradores tengan claro cómo el cambio impacta cada uno de sus roles y que tengan a su disposición herramientas efectivas para adaptarse a él.

En este punto, es clave organizar formaciones para los equipos involucrados en el cambio y que sirvan para que la adopción de las nuevas tecnologías sea mucho más efectiva.

1. Participación y feedback

Un modelo de gestión del cambio debe invitar a los equipos a expresar sus inquietudes y propuestas. Esto puede hacerse a través de foros y eventos recurrentes que promuevan los beneficios de las nuevas tecnologías o modelos de trabajo adoptados.

1. Evaluación y ajustes

Es muy importante medir el impacto del cambio, evaluar los resultados y ajustar, en todo momento, la estrategia según se identifiquen nuevas necesidades.

¿Cómo la gestión del cambio puede apoyar a los equipos de desarrollo?

La gestión del cambio dentro de un equipo de desarrollo de software no se centra únicamente en adoptar nuevas tecnologías, sino también en integrar nuevas formas de colaboración, así como en transformar la mentalidad y la cultura organizacional. Todo esto busca mantener al equipo alineado con las mejores prácticas de la industria.

Con la rápida evolución del desarrollo de software, es fundamental que las herramientas, los marcos de trabajo (frameworks) y las metodologías se mantengan constantemente actualizados.

Una estrategia de gestión del cambio no solo promueve mejores prácticas dentro de los equipos de desarrollo, sino que también impacta positivamente en el usuario final.

Sin embargo, sin una estrategia adecuada de gestión del cambio, es posible que surja resistencia entre los involucrados. ¿Por qué?

1. Desconocimiento o falta de capacitación

Cuando los colaboradores o usuarios no comprenden por qué se están implementando nuevas herramientas o procesos, o si no han recibido la capacitación adecuada, pueden sentir que este cambio complicará su trabajo.

1. Pérdida de eficiencia a corto plazo

Adoptar una nueva tecnología implica una curva de aprendizaje. Inicialmente, las personas pueden sentirse menos productivas y dudar de si el cambio traerá beneficios.

1. Falta de visibilidad y reconocimiento

Los miembros del equipo pueden sentir que su trabajo no es lo suficientemente valorado si no se comunica de manera acertada el impacto del cambio. Esto termina por afectar también la percepción de los usuarios finales, quienes podrían desconocer los beneficios de las nuevas funcionalidades o mejoras en sus productos.

Como diseñadora UX/UI, mi rol en la gestión del cambio es clave para crear una transición visual, atractiva y funcional que facilite la adopción de nuevas herramientas o procesos por parte de los usuarios finales. Además, contribuye a que los desarrolladores se sientan respaldados y valorados durante el proceso.

Casos Prácticos de contenido UX/UI en la Gestión del Cambio

Imagina que la empresa ha desarrollado una nueva plataforma de software que reemplazará a la anterior. Este cambio afectará tanto a los desarrolladores como a los usuarios finales. Un proceso de Gestión del Cambio efectivo puede incluir:

• Video de presentación: Un video que introduzca la nueva plataforma, explicando de forma visual sus beneficios y las mejoras respecto a la anterior.
• Tutoriales guiados: Crear un set de tutoriales cortos que explican cómo utilizar las nuevas funcionalidades y que acompañen al usuario en su primera experiencia con la plataforma.
• Espacios de retroalimentación: Implementar en la interfaz una opción donde los usuarios puedan dejar su feedback sobre la plataforma, lo cual ayuda a mejorar la percepción del cambio y a hacer ajustes en tiempo real.

Beneficios de una buena Gestión del Cambio

1. Mayor productividad: Con una transición gestionada correctamente, los desarrolladores pueden familiarizarse rápidamente con las nuevas herramientas o metodologías y reducir el impacto en su productividad.
2. Reducción de la resistencia al cambio: Una buena Gestión del Cambio minimiza la resistencia al permitir que los desarrolladores y usuarios comprendan y valoren las mejoras.
3. Visibilidad y reconocimiento: A través del contenido UX/UI, el trabajo de los desarrolladores se hace visible, lo cual es motivador y contribuye a un ambiente de trabajo positivo.
4. Adopción sostenible: Cuando se comunica y capacita correctamente a los usuarios finales, la adopción de las nuevas herramientas o funcionalidades es más duradera y efectiva.

Conclusión

La Gestión del Cambio es un proceso esencial en los equipos de desarrollo de software, especialmente cuando implica la adopción de nuevas herramientas, tecnologías y metodologías de trabajo.

Desde la perspectiva de una diseñadora de contenido UX/UI, el rol en la Gestión del Cambio es estratégico, ya que facilita una comunicación visual que ayuda a los desarrolladores a adaptarse y permite que los usuarios finales adopten de manera efectiva las nuevas funcionalidades.

En Capitole, acompañamos a las organizaciones en transiciones efectivas y adaptables para distintos equipos de trabajo, promoviendo mejores prácticas en busca de una transformación digital orientada al futuro.

The post Change Management: Gestión del cambio y su valor en los equipos de desarrollo appeared first on Capitole.

Pero ¿qué es exactamente un LLM? ¿Cómo funciona esta tecnología y cuáles son sus limitaciones? ¿Qué usos tiene esta tecnología en el mundo de la empresa? En el siguiente artículo vamos a dar respuestas a estas preguntas:

¿Qué es exactamente un Large Language Model ?

Un LLM es un modelo de lenguaje natural formados por redes neuronales profundas. Sus redes neuronales se han entrenado con grandes cantidades de datos.

La aplicación al lenguaje natural de modelos estadísticos y de predicción no es algo nuevo.

En los años 80 y 90 con los n-gramas y los modelos ocultos de Markov se desarollo la aplicación de matemática probabilística al lenguaje, dando lugar a una variedad de herramientas y métodos para crear modelos matemáticos más flexibles basados en datos.

Pero no ha sido hasta hace poco cuando sea ha consolidado verdaderamente esta tecnología con el descubrimiento del Transformer por expertos de Google, presentado en el famoso paper “Attention is all you need”, El Transformer es una red neuronal que intenta imitar la atención que ponemos los humanos al contexto de una palabra o conjunto de palabras en un cuerpo de texto. Vamos a verlo con un ejemplo:

Al leer el párrafo anterior establecemos una relación entre las palabras coco – perro – patas – jugar. Si sólo leemos la última frase (A Coco le gusta jugar al pilla-pilla), no sabemos si Coco es un perro o una persona. Sin embargo, gracias a nuestra capacidad de atención tenemos en cuenta el contexto del párrafo completo. Así es como el Transformer calcula las relevancias entre las diferentes palabras de un texto.

Este descubrimiento dio paso a ChatGPT3, un chatbot basado en el modelo fundacional Generation Pretrained Model 3 (GPT-3) que revolucionó al mundo, convirtiéndose en el chatbot con más crecimiento de usuario activos de la historia. Compuesto por una red neuronal con 175 mil millones de parámetros, es capaz de generar texto, entender el lenguaje y responder a preguntas de manera sorprendente.

Estas capacidades como la comprensión lectora, inferencia lógica o incluso tareas más avanzadas para una máquina, por ejemplo, explicar por qué un chiste es gracioso, estarían al alcance de los modelos más densos.

¿Significa esto el fin para los seres humanos? ¿Acaso la IA nos quitará nuestros trabajos ya que todo podrá ser automatizado por estos modelos?. Aún no, opina el Chief AI Scientist de Meta, de los líderes de opinión Yann Lecun en esta entrevista; los LLMs tienen varias limitaciones que les hacen poco fiables si no van acompañados de las necesarias arquitecturas de software.

¿Cuáles son sus limitaciones?

Una de las mayores limitaciones que tienen los LLMs es que no son capaces de generar datos que estén fuera del set de entrenamiento. Por ejemplo, si preguntas a ChatGPT quien es Steve Jobs, te sabrá contestar quién es el famoso empresario. Sin embargo, si le preguntas sobre las últimas ventas que se han realizado en el departamento comercial de tu empresa, no será capaz de darte una respuesta acertada. Esto ocurre porque los LLMs no tienen acceso directo a la información más actualizada que ocurre en el mundo.

Pero si a estos Chatbots, conectados con LLMs, les damos acceso al contexto adecuado, serían capaces de responder acertadamente a cualquier tipo de pregunta gracias a su poder de redacción y comprensión lingüística.

Es por ello que recientemente ha surgido una nueva arquitectura de software que consigue resolver el problema antes mencionado. Se llama Retrieval Augmented Generation (RAG) y conecta una base de datos con un motor de búsqueda que contiene todo lo relevante para el usuario. De esta forma el LLM podrá tener acceso a la información en la que no fue entrenado.

Esto convierte el problema de la falta de contexto de los LLMs en un problema de gestión y búsqueda de la información, cuyas soluciones llevan tiempo estudiándose y desarrollándose en el sector de la información.

La infraestructura que describe una arquitectura RAG esta normalmente formada por:

• Un pipeline de ingesta de datos, o Ingestion Pipeline que inyecta y fragmenta los documentos en diferente partes, comúnmente denominadas chunks. Este pipeline nos ayudará a implementar diferentes estrategias de fragmentado de documentos dependiendo de los datos que contengan.
• El pipeline conectará con un embedding model o modelo de encaje léxico para vectorizar o des vectorizar los datos de entrada y salida de la base de datos. Estos modelos convierten los fragmentos de documentos en representaciones numéricas sofisticadas.
• Por último, una base de datos vectorial, que almacena e indexa la información para su posterior recuperación. La métrica más común para buscar y responder de forma acertada a las consultas del usuario es mediante la similitud coseno.

Por lo tanto, al basar las respuestas en datos actualizados, RAG reduce las posibilidades de generar información incorrecta en forma de alucinaciones, por la tendencia que tienen a responder siempre a las preguntas. Además, se podría investigar hacer fine-tuning o reentreno del modelo para áreas de conocimiento específico (como podría ser apps con conocimiento de prácticas mineras o logística de productos de moda). Actualizar la base de datos puede ser suficiente en casos de uso generales pero existe literatura científica que indican que el fine-tuning del LLM puede aumentar la precisión de la aplicación potenciada con RAG.

Sin embargo, también es importante identificar algunas desventajas:

• La eficacia de la arquitectura RAG depende en gran medida de la calidad de la configuración del motor de búsqueda, así como de una buena estrategia de preprocesamiento de documentos: elegir el modelo de embedding correcto.
• El mensaje contextual de los LLMs es limitado: la cantidad de texto con instrucciones y ejemplos prácticos para que la IA lleve a cabo su función. De acuerdo con la literatura científica cuando el tamaño del contexto aumenta, la capacidad de atención a las acciones que llevan a cabo los modelos disminuye. Por lo tanto, tendremos que redactar los mensajes siguiendo las recomendaciones expertas de prompt engineering para asegurarnos de que todo es interpretado y nada se escapa a la atención del LLM.
• Existe una notable dificultad de evaluación: evaluar una aplicación RAG es difícil debido a la naturaleza no determinista o aleatoria de los LLMs que hace que la calidad de la información generada sea variable si la aplicación no es ajustada correctamente. Ante la dificultad para aplicar métricas tradicionales, se requiere de una continua evaluación y monitorización de estas aplicaciones.

En conclusión, la combinación de Large Language Models (LLMs) con la arquitectura de Retrieval-Augmented Generation (RAG) ha marcado un avance en el área de Natural Language Processing mitigando algunas de las limitaciones clave de los LLMs, como por ejemplo las alucinaciones y el acceso a información actualizada. RAG mejora la precisión de los LLMs al integrar un motor de búsqueda, sin necesidad de incurrir en costes de reentrenamiento del LLM. Sin embargo, el éxito de esta solución depende de la robustez del motor de búsqueda de la base de datos vectorial y la disponibilidad de información relevante.

Los LLMs pueden automatizar tareas repetitivas, mejorar la atención al cliente y facilitar la creación de contenido, permitiendo a tu equipo enfocarse en decisiones estratégicas. No obstante, no todas las tareas se benefician de los LLMs. Para análisis profundos o decisiones basadas en datos muy específicos, RAG puede complementar el modelo proporcionando un contexto actualizado.

Si quieres saber más acerca de cómo estas tecnologías pueden transformar tu negocio, contacta con nosotros en Capitole. Nuestro equipo te ayudará a identificar las aplicaciones más efectivas para optimizar tu operación diaria y aprovechar al máximo la inteligencia artificial, así como desarrollar modelos predictivos.

Ignacio Rodríguez Burgos
Tech Lead Consultant at Capitole

The post ¿Qué son los LLMs? ¿Cuáles son sus limitaciones? appeared first on Capitole.

Si has experimentado alguno de estos problemas, este artículo es para ti.

En Capitole tenemos presencia en diferentes industrias. Muchos de nosotros estamos en proyectos de tratamiento de datos, en puestos de Data Science/Desarrollo/Devops y trabajamos tanto en servidores físicos como en máquinas en la nube en AWS, Azure u otros servicios en la nube. Para nosotros es muy importante trabajar de manera eficiente y seguir buenas prácticas en el desarrollo, dejando una buena imagen de nuestra empresa allí donde vamos y un trabajo bien hecho, que facilite las cosas a los clientes finales del producto desarrollado.

En este artículo, compartiremos algunas de las reflexiones que hemos ido adquiriendo con el tiempo, a modo de tips para organizar el código. Son trucos sencillos que pueden ahorrar mucho tiempo y malentendidos en el día a día del equipo de desarrolladores.

De Jupyter/Databricks notebooks a scripts

La mayoría de nosotros empezamos a programar en cuadernos (Jupyter/Databricks…). Lo entiendo: es simple, se puede probar rápidamente un nuevo código, averiguar la sintaxis, visualizar rápidamente los gráficos, etc. Pero a medida que te vuelves más competente en Python deberías pasar a escribir scripts.

¿Por qué? Hay muchas buenas razones, pero la más importante es que te obliga a estructurar mejor tu código. En un script no hay celdas, todo el código se ejecuta secuencialmente, y si necesitas funciones extra puedes escribir otros scripts y usarlos como módulos (un módulo no es más que un archivo .py donde tienes funciones y clases para su uso posterior).

Entonces, ¿qué es un script?

Un script es simplemente un archivo .py que hace algo. Déjame mostrarte la estructura básica de un script con un ejemplo: analyze.py.

*De manera resumida, if __name__ == «__main__»: permite ejecutar código cuando el archivo se ejecuta como script, pero no cuando se importa como módulo. Para ejecutarlo como un script simplemente escribe python analyze.py en la terminal. Para usarlo como módulo, en un nuevo archivo .py, escribe import analyze, y tendrás acceso a las 3 funciones definidas sin ejecutar el código dentro de la sentencia if.

Código legible

Imagina que empiezo a escribir lo siguiente: «lasbuenas prácticasdecodi ficación SON

unaDElashabilidadeSSSs                           Más importAnTes QUE            desarrOllarás                                               como científicoDeDatos.»

Probablemente has entendido lo que quería decir, pero has tenido que hacer un esfuerzo para ello. La legibilidad es un concepto crítico. Tu código debe ser legible y fácil de entender para cualquiera, incluso para ti mismo dentro de seis meses. En mi opinión, este rasgo es lo que diferencia a un principiante de un profesional.

Nombres de variables

“Sólo hay dos cosas difíciles en Informática: invalidar la caché y nombrar las cosas.”

– Phil Karlton

Os facilito el siguiente vídeo para aprender a nombrar variables (estos conceptos también aplican a los nombres de las funciones).

Funciones

Asumo que sabes lo que es una función y su sintaxis en Python. Lo importante aquí es cómo usarlas con eficacia y nombrarlas correctamente. Las funciones deben usarse para estructurar tu código correctamente. Si tus funciones tienen más de 100 líneas de largo, probablemente hay algo mal. Divídelas en funciones más pequeñas que tengan sentido.

Consejos para nombrar tus funciones:

1. Nombres descriptivos: El nombre debe describir lo que hace la función de forma clara y concisa.
2. Verbos de acción: Los nombres de las funciones deben utilizar verbos para indicar lo que hace la función.
3. Convención de nomenclatura snake_case.
4. Evita las abreviaturas: Las abreviaturas pueden hacer que los nombres de las funciones sean difíciles de entender.

Indentación

Si necesitas más de 3 niveles de indentación, deberías arreglar tu programa. Puedes leer el estilo de codificación del núcleo Linux preferente y tomarlo como referencia. Este vídeo muestra la importancia de este punto.

Comentarios

En un mundo ideal, no necesitarías comentarios. Si los nombres de tus variables y funciones son concisos y autoexplicativos, y tu programa está diseñado de manera que se divide en funciones lógicas que son fáciles de seguir, tu código debería ser fácilmente legible, y no se necesitarían comentarios.

Sin embargo, vivimos en un mundo imperfecto donde las mejores decisiones no siempre son obvias, y donde a veces tenemos que sacrificar la legibilidad por el rendimiento. Por estas razones, recomiendo escribir comentarios. Sugiero dividir las funciones (o el código) en pequeños trozos, cada uno acompañado de un comentario en la parte superior explicando lo que estás haciendo y por qué.

Entornos virtuales

Si has estado involucrado en varios proyectos simultáneamente sin usar entornos virtuales, conoces la lucha. Cada vez que necesitas una biblioteca, simplemente escribes pip install <nueva_librería>, y si ahora ejecutas pip list, verás una lista enorme de librerías que ni siquiera recuerdas haber instalado. El dolor es aún mayor si trabajas en un equipo en el que nadie utiliza entornos virtuales o si estás involucrado en varios proyectos simultáneamente: encontrarte con bloqueos de código sin motivo aparente, dificultad para ejecutar el código para los nuevos miembros del equipo, etc.

La solución a estos problemas es un entorno virtual. Para Python, recomiendo virtualenv. Crea un entorno en el que puedes instalar bibliotecas completamente independientes del resto de tu sistema. Para instalarlo, simplemente ejecuta pip install virtualenv, y para aprender a usarlo, escribe tldr virtualenv. Para eliminar un entorno virtual, simplemente elimina la carpeta que creaste inicialmente. Ten en cuenta que el proceso de activación de un entorno virtual es ligeramente diferente para Windows y Linux.

Recuerda que puedes tener tantos entornos virtuales como quieras. No tengas miedo de crear y eliminar entornos según sea necesario.

Yo suelo crear dos para cada proyecto: uno para desarrollo y otro para producción.

Conclusión

En resumen, una buena estructura y prácticas de codificación no solo mejoran la eficiencia en el desarrollo, sino que también facilitan la colaboración y el mantenimiento del código a largo plazo. Migrar de notebooks a scripts bien organizados, escribir funciones claras y concisas, usar nombres descriptivos, y aprovechar herramientas como entornos virtuales son hábitos esenciales para cualquier equipo de desarrollo. La clave está en escribir código que sea fácilmente comprensible, reproducible y adaptable, lo que beneficiará tanto a ti como a tus compañeros de equipo y clientes. La eficiencia en el código es, en última instancia, eficiencia en los resultados.

The post Estructura, legibilidad y eficiencia en el desarrollo de código appeared first on Capitole.

¿Qué es el Design Thinking?

El Design Thinking es una metodología centrada en el usuario que fomenta la innovación y la resolución de problemas a través de un enfoque creativo y colaborativo. Este proceso se divide en cinco fases:

1. Empatizar: Comprender las necesidades y problemas del usuario.
2. Definir: Clarificar el problema a resolver.
3. Idear: Generar una amplia gama de ideas y posibles soluciones.
4. Prototipar: Crear versiones simples y funcionales de las ideas seleccionadas.
5. Testear: Evaluar y refinar las soluciones a través de pruebas con usuarios reales.

Para llevar a cabo cada una de estas etapas existen una gran variedad de herramientas muy concretas como el mapa de empatía y el viaje del usuario que ayudan a los facilitadores a llevar al equipo hacia un buen resultado en todo el proceso.

Design Thinking y Tecnología

La integración del Design Thinking con la tecnología permite desarrollar soluciones innovadoras y eficientes que transforman los procesos empresariales y la experiencia del usuario. Esta combinación se ha convertido en un motor crucial para la creación de productos y servicios digitales.

Beneficios del Design Thinking en el Desarrollo Tecnológico

1. Foco en el Usuario: Al centrarse en el usuario, el Design Thinking asegura que las soluciones tecnológicas sean intuitivas y útiles. Esto es esencial para el desarrollo de aplicaciones, software y otros productos digitales.
2. Agilidad y Flexibilidad: La metodología permite iterar rápidamente, lo que es fundamental en el entorno tecnológico, donde las necesidades y tendencias cambian constantemente.
3. Innovación Sostenible: Facilita la creación de soluciones innovadoras que no solo resuelven problemas actuales sino que también anticipan futuras necesidades.

Aplicación del Design Thinking en el Sector Asegurador

Planteemos un escenario en el que una compañía de seguros desea mejorar la experiencia de sus clientes en la utilización de su plataforma digital. Con este ejemplo buscamos explicar cómo el Design Thinking podría aplicarse en este contexto.

1. Empatizar: La compañía de seguros comienza realizando entrevistas y encuestas con clientes para entender sus frustraciones y necesidades al usar la plataforma de seguros. Descubren que los usuarios encuentran complicados ciertos procesos, como la presentación de reclamos y la consulta de pólizas.
2. Definir: Con base en la información recopilada, se define el problema central como «simplificar y optimizar la interfaz de la plataforma digital para mejorar la experiencia del usuario».
3. Idear: Se organizan sesiones de brainstorming con el equipo de desarrollo y los usuarios clave para generar ideas sobre cómo mejorar la interfaz. Se proponen múltiples soluciones, desde cambios en la navegación hasta la incorporación de asistentes virtuales.
4. Prototipar: Se desarrollan prototipos de baja fidelidad para probar las ideas más prometedoras. Se crean versiones simplificadas de la interfaz que permiten a los usuarios interactuar con las nuevas funcionalidades.
5. Testear: Los prototipos se prueban con un grupo selecto de clientes. Se recopila feedback detallado, lo que permite realizar ajustes y mejoras antes de la implementación final.

Tecnología al Servicio del Design Thinking

En la implementación de este proyecto, se podrían utilizar herramientas tecnológicas avanzadas que permiten:

Analítica de Datos: Comprender mejor las necesidades y comportamientos de los usuarios

La analítica de datos se convierte en una herramienta indispensable para el Design Thinking. A través del análisis de grandes volúmenes de datos, se pueden obtener insights valiosos sobre el comportamiento y las preferencias de los usuarios.

Ejemplo: En el desarrollo de la plataforma de seguros, se recomienda usar herramientas de analítica para rastrear cómo los usuarios interactúan con la plataforma. Se identifican patrones en el uso, como las funcionalidades más utilizadas y los puntos donde los usuarios abandonan el proceso. Esta información permite enfocar los esfuerzos de diseño en áreas específicas que necesitan mejoras.

Prototipado Digital: Crear y probar rápidamente nuevas ideas y funcionalidades

El prototipado digital es crucial para materializar ideas de manera rápida y eficiente. Herramientas como Sketch, Figma y Adobe XD permiten crear prototipos interactivos que se pueden probar con usuarios reales antes de la implementación final.

Ejemplo: Durante el proceso de rediseño de la plataforma de seguros, se podría emplear Figma para crear prototipos interactivos. Estos prototipos permiten a los usuarios experimentar con las nuevas funcionalidades y proporcionar feedback inmediato. Gracias a esto, se pueden iterar y mejorar los diseños de manera ágil y efectiva.

Plataformas de Colaboración: Facilitar el trabajo en equipo y la comunicación efectiva

Las plataformas de colaboración son esenciales para mantener una comunicación fluida y eficiente entre todos los miembros del equipo. Herramientas como Slack, Trello y Miro permiten la gestión de proyectos, la asignación de tareas y la colaboración en tiempo real.

Ejemplo: Durante el proyecto con la compañía de seguros, se podría utilizar Slack para la comunicación diaria, Trello para la gestión de tareas y Miro para las sesiones de brainstorming y mapeo de ideas. Estas herramientas facilitan la colaboración entre diseñadores, desarrolladores y stakeholders, asegurando que todos estén alineados y trabajando hacia los mismos objetivos.

Resultados Esperados

Los resultados esperados de implementar el Design Thinking en la plataforma digital de la compañía de seguros incluyen:

1. Mejora en la Usabilidad: La simplificación de la interfaz y la optimización de los procesos clave como la presentación de reclamos y la consulta de pólizas deberían resultar en una experiencia de usuario más intuitiva y satisfactoria.
2. Incremento en la Satisfacción del Cliente: Una plataforma más fácil de usar debería aumentar la satisfacción de los clientes, reduciendo las quejas y mejorando la percepción general de la compañía.
3. Reducción de Consultas al Soporte Técnico: Con procesos más claros y una interfaz más amigable, se espera una disminución en las consultas al soporte técnico, liberando recursos para otras tareas.
4. Mayor Adopción de la Plataforma Digital: Una experiencia mejorada debería incentivar a más clientes a utilizar la plataforma digital para gestionar sus pólizas y reclamos, aumentando la adopción y el uso de las herramientas digitales de la compañía.

Si eres un profesional apasionado por la innovación, la tecnología y la creatividad, en Capitole te ofrecemos la oportunidad de desarrollar tus habilidades en Design Thinking a través de proyectos desafiantes. Podrás trabajar en iniciativas que no solo te desafiarán, sino que también te permitirán crecer profesionalmente.

Si tu empresa está buscando implementar soluciones innovadoras y mejorar su proceso creativo, no dudes en contactarnos. En Capitole, estamos listos para ayudarte a transformar tu negocio y alcanzar nuevos niveles de éxito.

Alejandra Arocha
Agile Coach y Scrum Master

The post Design Thinking: Innovación y Tecnología appeared first on Capitole.