jueves, 25 de octubre de 2012

Cuadro comparativo Big 6

2da Revision del Manejo de la Informacion

BUSQUEDA :

Por el año 1950, Alan Turing, un matemático británico, propuso un experimento: En un cuarto (A) y en un cuarto (B) estarían una máquina y un hombre, afuera una persona estaría haciendo una serie de preguntas que responderían indistintamente los ocupantes de los cuartos A y B. Las preguntas serán por algún teletipo para que no se detecten declinaciones de voz.

Cuando la persona que pregunta, no sepa distinguir quien es la máquina y quién es el hombre, entonces se habrá conseguido una máquina inteligente.
Alan Turing aventuraba a decir que dicha máquina se conseguiría realizar en unos 50 años. Pues bien, han pasado ya poco más de 50 años desde que lo mencionó y no se ha logrado superar la prueba.

La Inteligencia Artificial (IA), también conocida, aplicada o involucrada a términos como Robótica, Autómatas, Sistemas Expertos, etcétera, es una disciplina que envuelve a varias ramas de estudio: la ingeniería, la computación, la psicología, la física, la medicina, la filosofía, la teología y lo que se acumule.

http://www.tuobra.unam.mx/publicadas/020821090354.html.

Dos de las contribuciones más importantes de Turing a la IA fueron el diseño de la primera computadora capaz de jugar ajedrez y, más importante que esto, el establecimiento de la naturaleza simbólica de la computación.
El trabajo de Turing, quien falleció prematuramente, fue continuado en los Estados Unidos por John Von Neumann durante la década de los cincuentas. Su contribución central fue la idea de que las computadoras deberían diseñarse tomando como modelo al cerebro humano. Von Neumann fue el primero en "antropomorfizar" el lenguaje y la concepción de la computación al hablar de la "memoria", los "sensores", etc., de las computadoras. Construyó una serie de máquinas utilizando lo que a principios de los cincuentas se conocía sobre el cerebro humano, y diseñó los primeros programas almacenados en la memoria de una computadora.
Sin embargo, esta línea de investigación pronto encontró serias limitaciones. La concentración en la imitación de la constitución físico-química del cerebro, no permitió ver, a Von Neumann y sus seguidores, que la analogía sería mucho más eficiente si se estudiaran las funciones del cerebro, es decir, sus capacidades como procesador de información.
Corresponde a McCulloch, a mediados de los cincuentas, formular una posición radicalmente distinta al sostener que las leyes que gobiernan al pensamiento deben buscarse entre las reglas que gobiernan a la información y no entre las que gobiernan a la materia. Esta idea abrió grandes posibilidades a la IA. En esta línea, Minsky (1959), uno de los padres fundadores de la IA, modificó su posición y sostuvo que la imitación del cerebro a nivel celular debería ser abandonada.

Es más o menos en esta época que ocurre un evento que organizaría y daría un gran impulso al desarrollo de la IA: el congreso en Darthmouth (1956). En este congreso, en el que se reunieron los padres fundadores de la disciplina, se llegó a la definición de las presuposiciones básicas del núcleo teórico de la IA:
1. El reconocimiento de que el pensamiento puede ocurrir fuera del cerebro, es decir, en máquinas
2. La presuposición de que el pensamiento puede ser comprendido de manera formal y científica
3. La presuposición de que la mejor forma de entenderlo es a través de computadoras digitales
Desde fines de los cincuentas la investigación en IA se expande y se multiplica en direcciones diversas. La capacidad simbólica de las computadoras es estudiada, entre otros, por Shanon (1950) y por Newell, Shaw y Simon (1958) quienes diseñan el primer programa inteligente basado en su modelo de procesamiento de información. Este modelo de Newell, Shaw y Simon habría de convertirse pronto en la teoría dominante en psicología cognoscitiva.

A principios de los sesentas, la IA comienza una fase distinta de su desarrollo. En 1962, McCarthy y Raphael inician sus trabajos sobre el diseño y la construcción de un robot móvil que llamarían "Shakey". La diferencia fundamental entre este robot y los programas en computadora utilizados hasta ahora por la IA, es que "Shakey" tendría que enfrentar el reto de interactuar con el mundo real en términos de espacio, tiempo, movimiento, etc.

Hacia mediados de los sesentas la IA se convierte en un área en la que se interesan e interactúan especialistas de diversas disciplinas: lógicos, psicólogos, matemáticos, lingüistas, filósofos, etc. Uno de los grandes temas de IA en esta década fue el estudio del lenguaje. En la mayoría de los estudios iniciales sobre lenguaje, se atacó el problema de diseñar una máquina que fuera capaz de traducir de un idioma a otro.

http://biblioteca.itam.mx/estudios/estudio/estudio10/sec_16.html

Es considerada una rama de la computación y relaciona un fenómeno natural con una analogía artificial a través de programas de computador. La inteligencia artificial puede ser tomada como ciencia si se enfoca hacia la elaboración de programas basados en comparaciones con la eficiencia del hombre, contribuyendo a un mayor entendimiento del conocimiento humano. Si por otro lado es tomada como ingeniería, basada en una relación deseable de entrada-salida para sintetizar un programa de computador. "El resultado es un programa de alta eficiencia que funciona como una poderosa herramienta para quien la utiliza."
A través de la inteligencia artificial se han desarrollado los sistemas expertos que pueden imitar la capacidad mental del hombre y relacionan reglas de sintaxis del lenguaje hablado y escrito sobre la base de la experiencia, para luego hacer juicios acerca de un problema, cuya solución se logra con mejores juicios y más rápidamente que el ser humano

.http://bvs.sld.cu/revistas/san/vol2_2_98/san15298.htm

La Sociedad Mexicana de Inteligencia Artificial (SMIA) es una sociedad científica cuya misión es promover el cultivo y la aplicación de la inteligencia artificial en la República Mexicana. Agrupa tanto a profesionales como a académicos del área, a quienes ofrece un marco organizacional y de gestión que les permite compartir y difundir sus proyectos de investigación, docencia, vinculación o difusión de la disciplina. Agrupa también, a través de sus capítulos nacionales, a estudiantes de nivel licenciatura o posgrado cuyos intereses los orienten a cultivar alguna de las áreas de la la inteligencia artificial.
Para difundir la producción de sus miembros, tanto en el ámbito de la investigación o desarrollo, como en el de la divulgación, la SMIA tien a su cargo diversas publicaciones y organiza anualmente el Congreso Internacional Mexicano de Inteligencia Artificial (MICAI), entre otras actividades.
http://www.smia.org.mx/
El Máster Universitario (de investigación) en Inteligencia Artificial por la Universidad Politécnica de Madrid* (MUIA), organizado e impartido por el Departamento de Inteligencia Artificial (DIA), forma parte de la oferta de postgrado de la Facultad de Informática de la Universidad Politécnica de Madrid.

El MUIA proviene de la adaptación al Espacio Europeo de Educación Superior del Máster de Investigación en Inteligencia Artificial. Si quieres preinscribirte pulsa aquí.

Para la obtención del título del MUIA el alumno debe de superar 60 créditos ECTS, de los cuales 35 corresponden a asignaturas optativas semestrales, 10 créditos corresponden a seminarios, y 15 créditos están asociados a la Tesis Fin de Máster.

Las asignaturas y seminarios del plan de estudios están estructurados en un total de 9 materias, seis de ellas correspondientes a distintas disciplinas dentro de la Inteligencia Artificial: Análisis de Decisiones, Minería de Datos, Computación Natural, Computación Lógica, Representación del Conocimiento y Modelos de Razonamiento, Robótica y Percepción Computacional; a las que se añade una materia de Fundamentos de la Investigación, otra de Áreas de Aplicación, y la correspondiente a Seminarios de profesores visitantes externos, de reconocido prestigio internacional, que impartirán contenidos avanzados o especializados.

La oferta de plazas actual para alumnos de nuevo ingreso es de 45 (Curso académico 2012-13). El título da cabida a dos perfiles de alumnos: El alumno interesado en la especialización en una o varias disciplinas concretas de la Inteligencia Artificial, que tenderá a cursar todas las asignaturas y seminarios de ciertas materias de su interés; y el alumno que busca una visión más global, es decir, la obtención de conocimientos generales sobre las diferentes materias que integran el MUIA, cursando asignaturas en todas ellas.

Las lenguas utilizadas son el español y el inglés (las asignaturas y seminarios están ofertados en una de dichas lenguas). Además, la oferta en lengua inglesa hace posible que cualquier alumno extranjero pueda cursar el máster en su totalidad en inglés.

Aunque el máster tiene carácter presencial, los seminarios correspondientes al segundo semestre se podrán cursar por videoconferencia. De la misma manera, la tesis fin de máster también se podrá defender por videoconferencia.

El MUIA constituye el periodo de formación asociado al Programa de Doctorado en Inteligencia Artificial por la UPM, que supone la adaptación al Espacio Europeo de Educación Superior del programa de doctorado que se venía impartiendo hasta el curso académico 2009-10. Dicho programa ha sido distinguido con MENCIÓN HACIA LA EXCELENCIA por el Ministerio de Educación durante los cursos académicos 2011-12, 2012-13 y 2013-14.

Finalmente, destacar que en los últimos cursos académicos, el Máster U. en Inteligencia Artificial ha concurrido y obtenido financiación para la movilidad de profesores visitantes por el Ministerio de Ciencia e Innovación.

Investigación en el Departamento de Inteligencia Artificial

El Departamento de Inteligencia Artificial (DIA) pertenece la Facultad de Informática (FI) de la Universidad Politécnica de Madrid (UPM). La FI es considerada como el mejor centro de estudios de educación superior en Informática de España por séptimo año consecutivo según el ranking del diario "El Mundo. La UPM es considerada como la tercera mejor Universidad de España según el mismo estudioy se encuentra entre las más prestigiosas escuelas de directivos del mundo según la clasificación que elabora MINES Paris Tech).

El DIA destaca a nivel nacional por su productividad y calidad investigadora. Participa en proyectos de investigación financiados con fondos de la UE (ACTION Grid, ACGT, IST, Movility DRIVE, HCM/TMR,...), nacionales (INEM, CAM, CYCIT, DGICYT, ISCIII), o por otras organizaciones y compañías españolas. Especial mención merecen la coordinación y participación en proyectos de investigación integrados dentro del VI y VII Programa Marco y la colaboración con empresas vía el programa CENIT (España Virtual, Mio!) o AVANZA (Tratamiento 2.0).

Según el estudio realizado en 2009 por el Instituto de Estudios Documentales sobre Ciencia y Tecnología (IEDCYT), el Centro de Ciencias Humanas y Sociales (CCHS) y el Consejo Superior de Investigaciones Científicas (CSIC) sobre Indicadores de Producción Científica de la Comunidad de Madrid en el periodo 2004-2008, el DIA aparece como el Departamento de la UPM con mayor número de publicaciones científicas de impacto en dicho periodo.

Dentro del DIA se integran 12 grupos de investigación dedicados a las siguientes áreas:

Aprendizaje Automático
Bioinformática
Biología de Sistemas
Computación Biomolecular y Biología Sintética
Computación Evolutiva
Grid Semántico
Informática Biomédica
Ingeniería del Conocimiento
Ingeniería Lingüística
Ingeniería Ontológica
Interacción Hombre-Máquina Inteligente
Internet del Futuro
Lenguajes de Alto Nivel y Procesamiento Paralelo
Minería de Datos
Modelos de Elección Bajo Racionalidad Acotada
Modelos de razonamiento
Modelos Lógicos
Nanoinformática
Neurociencia
Programación Lógica (PL) y PL con Restricciones
Recuperación de Información
Redes Bayesianas
Redes Neuronales
Sistemas de Ayuda a la Decisión
Teoría de la Utilidad Multiatributo
Toma de Decisiones en Grupo
Visión por Computador y Robótica
Web Semántica

Actualmente, más de 50 alumnos colaboran en dichos grupos mediante becas oficiales.

Varios profesores del departamento colaboran con el Instituto Madrileño de Estudios Avanzados del Software (IMDEA Software), que tiene como ejes la investigación de excelencia de software a nivel "precompetitivo", la transferencia de conocimiento de esa investigación y la educación y training.

http://www.dia.fi.upm.es/masteria

3a Revision Big 6

¿Crees que en el futuro la Inteligencia Artificial sustituya el trabajo humano?

Bueno en realidad si la inteligencia al paso de los años va cada vez mas aumentando si nos damos cuenta ya algunos paises como China, E.U entre otros tiene ya robots los cuales le ayudan a las personas a realizar las actividades que les tocaba a ellas en su persona por eso cada vez la tecnologia en el mundo va aumentando gracias a la Inteligencia Artificial y alos nuevos descubrimientos cientificos

¿Como le hice, escribir proceso?

bueno sencillamente con el proceso del manejo de la informacion el cual consiste en 5 pasos y son:
*BUSQUEDA:resumenes
*SELECCION: ornenar los links
*VALIDACION: cual es la informacion que sirve y utilizamoz y cual no sirve y la desechamos
¨*ORDENAMIENTO: es el esquema de la Inteligencia Artificial pues es la imagen de la foto que subimos
*RECUPERACION: es es el cuestionario con las preguntas fundamentales que nos ayudaron a saber la respuesta de la pregunta que se nos proporciono

ordenamiento

Añadir leyenda

Recuperacion

RECUPERACION:

¿Cuales son las suposiciones subyacentes acerca de la inteligencia?
¿Cuáles son las técnicas útiles para la resolución de problemas en IA?
¿A qué nivel de detalle se trata de modelar la inteligencia humana?
¿Cómo se puede saber que se ha tenido éxito en el desarrollo de un sistema inteligente?

SOLUCION A LAS PREGUNTAS

La Hipótesis del Sistema Físico de Símbolos

Un sistema físico de símbolos está formado por un conjunto de entidades básicas (llamadas símbolos), las cuales son patrones físicos que pueden ocurrir como componentes de otro tipo de entidad llamada expresión o estructura de símbolos. Una estructura de símbolos está compuesta de un número de instancias de símbolos, relacionados en alguna forma física. Además de estas estructuras, el sistema también contiene una colección de procesos que operan sobre las expresiones, para producir otras: procesos de creación, modificación, reproducción y destrucción.

Un sistema físico de símbolos es una máquina que produce, a través del tiempo, una colección evolutiva de estructuras de símbolos.

Hipótesis: Un sistema físico de símbolos tiene los medios necesarios y suficientes para actuar en general de forma inteligente.

Importancia de la Hipótesis
Representa una importante teoría acerca de la naturaleza de la inteligencia humana.
Constituye la base sobre la que se fundamenta la creencia de que es posible construir programas que pueden realizar tareas inteligentes como las que hacen las personas.

Problemas y Técnicas en Inteligencia Artificial

Desde el punto de vista de ingeniería, la mayor parte del trabajo requerido para construir sistemas de IA, está basado en el desarrollo de adecuadas representaciones de conocimiento y sus correspondientes estrategias de manipulación. No se puede manipular conocimiento a menos que esté adecuadamente representado. En consecuencia, las siguientes tres preguntas claves pueden guiarnos en el estudio de la IA.

¿Qué es el conocimiento?

¿Cómo se puede representar el conocimiento?

¿Cómo se podría manipular el conocimiento?

A continuación, se dan respuestas parciales a estas preguntas planteadas. En los capítulos posteriores se presenta un estudio más formal y detallado acerca del conocimiento, su representación y manipulación.

Conocimiento

Puede ser definido como el conjunto de hechos y principios acumulados por la humanidad, o el acto, hecho o estado de conocer. Es la familiaridad con el lenguaje, conceptos, procedimientos, reglas, ideas, abstracciones, lugares, costumbres y asociaciones, unida a la habilidad de utilizar estas nociones en forma efectiva para modelar diferentes aspectos del universo que nos rodea.

Los conceptos de conocimiento e inteligencia están íntimamente ligados. La inteligencia requiere de la posesión y acceso al conocimiento. Conocimiento no debe ser confundido con datos o información. El conocimiento incluye y requiere del uso de datos e información. Además, combina relaciones, dependencias, y la noción del saber con datos e información.

A veces es también útil o más aun necesario distinguir entre conocimiento y otros términos como creencia e hipótesis.

Esencialmente, se define como creencia a toda expresión que tiene significado, que es coherente y puede ser representada. En consecuencia una creencia puede ser verdadera o falsa. Hipótesis se define como una creencia justificada que no se conoce sea verdadera. Una hipótesis es una creencia que está respaldada por cierta evidencia, pero todavía puede resultar falsa. Finalmente, se puede también decir que conocimiento es una creencia justificada como verdadera.

Otros términos relacionados con el conocimiento y que son ocasionalmente empleados son epistemología y metaconocimiento. Epistemología es el estudio de la naturaleza del conocimiento, mientras que metaconocimiento es conocimiento acerca del conocimiento, esto es, conocimiento acerca de lo que se conoce.

El conocimiento puede ser de tipo procedimental, declarativo o heurístico. Conocimiento procedimental es aquel conocimiento compilado que se refiere a la forma de realizar una cierta tarea (el saber como hacerlo). Por ejemplo, los pasos necesarios para resolver una ecuación algebraica son expresados como conocimiento procedimental.

Por otro lado, el conocimiento declarativo es conocimiento pasivo, expresado como sentencias acerca de los hechos del mundo que nos rodea (el saber que hacer). La información personal en una base de datos es un típico ejemplo de conocimiento declarativo. Tales tipos de datos son piezas explícitas de conocimiento independiente.

El conocimiento heurístico es un tipo especial de conocimiento usado por los humanos para resolver problemas complejos. El adjetivo heurístico significa medio para descubrir. Está relacionado con la palabra griega heuriskein que significa descubrir, encontrar. Se entiende por heurístico a un criterio, estrategia, método o truco utilizado para simplificar la solución de problemas. El conocimiento heurístico usualmente se lo adquiere a través de mucha experiencia.
Representación del Conocimiento

Dado que el conocimiento es importante y primordial para el comportamiento inteligente, su representación constituye una de las máximas prioridades de la investigación en IA. El conocimiento puede ser representado como imágenes mentales en nuestros pensamientos, como palabras habladas o escritas en algún lenguaje, en forma gráfica o en imágenes, como cadenas de caracteres o colecciones de señales eléctricas o magnéticas dentro de un computador. En nuestro estudio de IA, consideraremos las representaciones escritas y sus correspondientes estructuras de datos utilizadas para su almacenamiento en un computador. La forma de representación que se escoja dependerá del tipo de problema a ser resuelto y de los métodos de inferencia disponibles.

Una representación del conocimiento puede ser un esquema o dispositivo utilizado para capturar los elementos esenciales del dominio de un problema. Una representación manipulable es aquella que facilita la computación. En representaciones manipulables, la información es accesible a otras entidades que usan la representación como parte de una computación.

Debido a la variedad de formas que el conocimiento puede asumir, los problemas involucrados en el desarrollo de una representación del conocimiento son complejos, interrelacionados y dependientes del objetivo. El términos generales, se debe tratar que el conocimiento esté representado de tal forma que:

Capture generalizaciones.

Pueda ser comprendido por todas las personas que vayan a proporcionarlo y procesarlo.

Pueda ser fácilmente modificado.

Pueda ser utilizado en diversas situaciones aún cuando no sea totalmente exacto o completo.

Pueda ser utilizado para reducir el rango de posibilidades que usualmente debería considerarse para buscar soluciones.

El conocimiento declarativo puede ser representado con modelos relacionales y esquemas basados en lógica. Los modelos relacionales pueden representar el conocimiento en forma de árboles, grafos o redes semánticas. Los esquemas de representación lógica incluyen el uso de lógica proposicional y lógica de predicados.

Los modelos procedimentales y sus esquemas de representación almacenan conocimiento en la forma de cómo hacer las cosas. Pueden estar caracterizados por gramáticas formales, usualmente implantadas por sistemas o lenguajes procedimentales y sistemas basados en reglas (sistemas de producción).

Las representaciones declarativas son usualmente más expansivas y costosas, en el sentido que la enumeración puede ser redundante e ineficiente. Sin embargo, la modificación de las representaciones declarativas es usualmente muy fácil; simplemente se agrega o se elimina conocimiento. Las representaciones procedimentales, en cambio, pueden ser más compactas, sacrificando flexibilidad. Representaciones prácticas pueden incluir elementos tanto declarativos (listado de hechos conocidos), como procedimentales (un conjunto de reglas para manipular los hechos).

Manipulación del conocimiento
Existen tres paradigmas que los investigadores han utilizado tradicionalmente para la resolución de problemas de IA:
*Programación Heurística.- Está basado en el modelo de comportamiento humano y su estilo para resolver problemas complejos. Existen diversos tipos de programas que incluyen algoritmos heurísticos. Varios de ellos son capaces de aprender de su experiencia.

*Redes Neuronales Artificiales.- Es una representación abstraída del modelo neuronal del cerebro humano. Las redes están formadas por un gran número de elementos simples y por sus interconexiones. Una red neuronal artificial puede ser simulada o ser real. Al elemento procesador de la red, se lo denomina neurona artificial.
*Evolución Artificial.- Su modelo está basado en el proceso genético de evolución natural, propuesto por Charles Darwin. Se utilizan sistemas simulados en computador que evolucionan mediante operaciones de reproducción, mutación y cruce (Algoritmos Genéticos).

Cada paradigma comprende una colección de métodos, configuraciones y técnicas desarrolladas para manipular el conocimiento. En general, una técnica de IA está caracterizada por incluir los siguientes componentes:

*Procesos de Búsqueda.- Proporciona una forma de resolver problemas para los cuales no hay un método más directo, así como también se constituye en un marco de trabajo dentro del cual cualquier técnica directa puede ser incorporada.
*Uso del Conocimiento.- Proporciona una forma de resolver problemas explotando las estructuras de los objetos involucrados.
*Abstracción.- Proporciona una forma de separar rasgos importantes y variaciones, de los tantos que no tienen importancia.

La manipulación del conocimiento involucra además la selección de objetos, entidades y rasgos que son claves para las representaciones. Al nivel más bajo de representación del conocimiento, estas entidades pueden consistir de simples datos de entrada, por ejemplo: grabaciones cuantizadas y digitalizadas de audio, datos de una imagen, valores captados por un sensor, información de interruptores o hechos elementales. Estos bloques constructivos de la representación se los denomina comúnmente primitivas. La representación escogida para las primitivas, puede determinar las capacidades del sistema, el éxito, la corrección y sus posibilidades de expansión.

En lo sucesivo, este tutorial se centrará en el estudio de las aplicaciones de la programación heurística, para el desarrollo de sistemas de IA

El Nivel del Modelo de Inteligencia

En primer lugar, un proyecto de IA, debe definir lo más exactamente posible, lo que desea lograr:

Desarrollar programas que realicen las tareas de la misma forma en que lo realizan las personas.

Desarrollar programas que simplemente realicen las tareas de la forma que parezca más sencilla.

Los programas que se enmarcan en el primer caso, tratan de modelar el comportamiento humano, para ejecutar las siguientes tareas:

Probar teorías psicológicas del comportamiento humano.

Capacitar a los computadores para entender el razonamiento humano.

Capacitar a los humanos para que comprendan a los computadores.

Explotar el conocimiento que es posible obtener de la gente.

En el segundo caso, están agrupados los programas de IA de índole más práctica, que sin ser rigurosos en la modelación del comportamiento humano, tratan de proporcionar soluciones aceptables.

Criterios de Evaluación en I. A.

Cada campo necesita criterios para evaluar el éxito alcanzado. En general, es muy difícil determinar si una máquina o un sistema tiene inteligencia o puede pensar. Al respecto se han sugerido algunas pruebas entre las que se destaca la de Alan Turing (1912-1954). En 1950 ideó una prueba para reconocer comportamientos inteligentes, esta prueba dice lo siguiente:

Si la ejecución de un sistema de IA puede convencernos de que su comportamiento es el que tendría un humano, entonces el sistema es verdaderamente inteligente.

En una forma más práctica, para saber si un trabajo de investigación en IA ha tenido éxito, debe hacerse tres preguntas claves:

*¿Está definida con claridad la tarea?
*¿Existe un procedimiento ya instrumentado que efectúe la tarea? Si no existe, es que deben haber muchas dificultades escondidas en algún lugar.
* ¿Existe un conjunto de regularidades o restricciones identificables a partir de las cuales el procedimiento implantado obtiene su validez? De no ser así, el procedimiento no pasaría de ser un juguete, tal vez capaz de un desempeño superficial impresionante en ciertos ejemplos seleccionados con cuidado, pero incapaz de impresionar con un desempeño profundo y de resolver problemas más generales.

Para determinar si una aplicación de IA ha tenido éxito, deben plantearse preguntas adicionales como las siguientes:

¿Resuelve la aplicación un problema real?

¿Crea la aplicación una nueva oportunidad?

Eventualmente, las respuestas a las preguntas planteadas, deberán ser complementadas con pruebas típicas de verificación y validación de sistemas: eficacia en el desempeño, eficiencia operativa, facilidad de uso, flexibilidad, portabilidad, etc.