Revista compuscientia 2013

2. Vol. 3 No. 1, Diciembre 2013 EQUIPO EDITORIAL Editor en Jefe Juan del Carmen Grados Vasquez, Laboratorio Nacional de Computac~ao Cient

3. ca Directores Nils Ever Murrugarra Llerena, University of Pittsburgh Jorge Carlos Valverde Rebaza, Universidade de S~ao Paulo Editores Fredy Carranza Atho, Bradar Industria SA - Embraer Defesa e Se-guran ca Rosa Virginia Encinas Quille, Universidade de S~ao Paulo Frank Dennis Julca Aguilar, Universidade de S~ao Paulo Marina Jeaneth Machicao Justo, Instituto de Fsica de S~ao Carlos Pedro Nelson Shiguihara Juarez, Universidade de S~ao Paulo Editores Asociados Joel Eduardo Sanchez Castro, Universidade de S~ao Paulo Gladys Marleny Hilasaca Mamani, Universidade de S~ao Paulo Victor Laguna Gutierrez, Yahoo! Edward Jorge Yuri Cayllahua Cahuina, Universidad Catolica San Pablo Karla Otiniano Rodrguez, Universidade Federal de Ouro Preto Boris Aguilar Huacan, Virginia Tech Miguel Angel Galarreta Valverde, Universidade de S~ao Paulo Rosario Alejandra Medina Rodrguez, Universidade de S~ao Paulo Paola Llerena Valdivia, Universidade de S~ao Paulo Lucy Choque Mansilla, Universidade de S~ao Paulo Guadalupe del Rosario Quispe Saji, Laboratorio Nacional de Computac~ao Cient

4. ca Asistentes Junior Fabian Arteaga, Universidade Estadual de Campinas Leandro Ticlia De La Cruz, Universidade de S~ao Paulo Ricardo Gonzalez Valenzuela, Universidade Estadual de Campinas Rosa Virginia Encinas Quille, Universidade de S~ao Paulo Luis Miguel Mostacero Zarate, Agronegocios Genesis S.A.C Revisores Yensi Vega Lujan, Universidad Nacional de Trujillo Yessenia Yari Ramos, E-Business Solution Jesus Pascual Mena Chalco, Universidade Federal do ABC Victor Laguna Gutierrez, Yahoo! Hector Vargas Poblete, Laboratorio Nacional de Computac~ao Cient

5. ca Giacomo Mc Evoy Valenzano, Laboratorio Nacional de Compu-ta c~ao Cient

6. ca Roco Milagros Zorrillo Coz, Laboratorio Nacional de Computac~ao Cient

7. ca Dise~no Karla Cano Rojas www.karlacano.com Direccion Sociedad de Estudiantes de Ciencia de la Computacion Urb. Los Portales II Etapa Mz. J Lt. 3 Trujillo, La Libertad, Peru Contacto compuscientia@seccperu.org c Sociedad de Estudiantes de Ciencia de la Computacion - SECC SECC autoriza la reproduccion total o parcial del conteni-do de este numero para uso personal o academico, siempre que se haga la citacion respectiva. Queda prohibida cual-quier distribucion que implique alguna ganancia o bene

8. - cio comercial. Para otros tipos de copias, volver a publi-car o postear en otros servidores, distribucion en listas, u otros, se requiere de un permiso expreso. Los artculos que aparecen

9. rmados en esta revista expresan las opiniones personales de sus autores.

10. Editorial La revista CompuScientia entiende la suma de esfuerzos colectivos de profesionales, que actuan en las areas de Ciencias de la Computacion, Tecnologas de la Informacion y a

11. nes, para desarrollar sus respectivas areas. La revista CompuScientia se suma al esfuerzo y pretende discutir, promover y posibilitar el desarrollo de la ciencia con enfoque en formacion cient

12. ca, y tiene como objetivo principal presentar las Ciencias de la Computacion y Tecnologas de la Informacion como agentes para el desarrollo sostenido del pas. Para esto, se publica resultados de investigaciones, entrevistas y opiniones en temas relacionados a las Ciencias de la Computacion y a

13. nes. Es un proyecto concebido en el 2010, para construir un vnculo de caracter cient

14. co, tecnologico y de opinion, y as refrendar de manera mas precisa la mision de la Sociedad de Estudiantes de Ciencias de la Computacion (SECC). Es decir, se trata de uno mas entre los numerosos desafos que tiene el SECC para con la sociedad. Hay una curva de aprendizaje en la gestion editorial de la revista, ya que es la 3o edicion online, por lo tanto aun tenemos di

15. cultades de atraer contribuciones y de implantar un reglamento de

16. nitivo de normas, ademas de atraer el envolvimiento de la comunidad actuante en las areas mencionadas, por eso instamos a Ud. lector que caso quiera contribuir con la revista el proximo a~no, es bienvenido!. No obstante, creemos que, con esta edicion, ademas de publicaciones cient

17. cas y tecnologi-cas, entrevistas y opiniones, estamos ofreciendo, tambien, a los jovenes estudiantes de pre y posgrado, profesionales y entusiastas de diferentes carreras de Computacion un importante estmulo para ingresar o continuar en estas fascinantes areas. La Comision Editorial de la Revista CompuScientia agradece a los alumnos, profesores, investigadores, anunciantes y a todos los que han contribuido para que esta edicion se transforme en realidad. Rio de Janeiro - Brasil Juan del Carmen Diciembre 2013 Grados Vasquez

18. Vol. 3 No. 1 http://seccperu.org/compuscientia CompuScientia Diciembre, 2013 CONTENIDO DESTACADOS Harald Andres Helfgott 5 Peruanas destacando en el mundo 6 ESTUDIANTES AHORA Sistema de Reconocimiento y Traduccion Au- tomatica de Texto Braille 9 Segmentacion de texto en imagenes aplicando la estructura de datos Disjoint-sets y K-means 12 Web Inteligente: Web Semantica 15 MOTIVATE! Las TICs y la Computacion en organizaciones internacionales: Aracely Quispe, peruana trabajando en la NASA 18 Cloud Computing para terrenales 21 Desarrollando y mejorando la radio virtual en el mundo con software libre? Proyecto Radio3HP 24 ENTREVISTA Entrevista con el Ph.D. Jintai Ding: Criptografa Pos-Cuantica 26 Entrevista a Katia Vega 30 Entrevista con el Ph.D. Renato Portugal 32 EDUCACION Y COMPUTACION Educacion Superior en Computacion 36 Dictado de la materia Computacion Evolutiva en pregrado 39 ACONTECIO EN EL SECC EAEC-SECICOMP 2013 42 Iniciacion en Ciencia de la Computacion 43 EVENTOS Congresos Nacionales e Internacionales en Computacion 44 ANUNCIOS Anunciantes 54 Codigo QR de CompuScientia. Coloca tu dispositivo movil sobre esta imagen y accede directamente a nuestro sitio web.

19. CompuScientia , Vol. 3 No. 1 DESTACADOS Diciembre, 2013 DESTACADOS Harald Andres Helfgott Matematico peruano propone demostracion de problema matematico formulado hace tres siglos. Joel Edu Sanchez Castro, S~ao Paulo Este 2013 puede ser el a~no en que el peruano Harald Andres Helfgott pa-se a la historia al haber publicado una demostracion a un problema ma-tem atico propuesto en el a~no 1742 por el matematico aleman Christian Gold-bach, el cual es considerado uno de los problemas no resueltos mas difci-les de la matematica. Este problema es conocido como la conjetura debil de Goldbach que plantea que todo numero natural impar mayor a 5 pue-de expresarse como suma de 3 nume-ros primos (que tiene unicamente dos divisores distintos: el mismo y el 1). Por ejemplo, 7 = 3+2+2, 9 = 3+3+3, etc. Quien es Harald Helfgott? Harald es un matematico que na-ci o en Lima el 25 de noviembre de 1977. Desde peque~no vivio en un am-biente matematico pues su padre Mi-chel Helfgott es matematico y su ma-dre Edith Seier es estadstica. Harald comento que la pasion por las ma-tem aticas provino desde su hogar ya que crecio entre libros, en un entorno que alentaba su interes. A los doce a~nos, Harald ya asista a diversas cate-dras en las universidades de San Mar-cos y Catolica. Tambien frecuentaba grupos de jovenes que se preparaban para competencias de matematicas. As descubrio que la competencia no era lo mas importante sino aprender con otros estudiantes que compartan sus intereses. A los 16 a~nos termino el colegio con bachillerato internacional y par-ti o a los Estados Unidos con una be-ca de pregrado para estudiar en la Universidad Brandeis, donde obtuvo un B.A. summa cum laude en Ma-tem aticas y Ciencias de la Compu-taci on. Posteriormente, estudio en la Universidad de Princeton donde ob-tuvo su PhD en Matematicas. Harald ha trabajado en centros de investiga-ci on importantes como la Universidad de Yale, Berkeley, Montreal y Bris-tol. En 2010, fue admitido en el pres-tigioso Centro Nacional para la In-vestigaci on Cient

20. ca en Francia, don-de trabaja actualmente. En esta tra-yectoria como investigador recibio di-ferentes premios entre los que resal-tan: Premio Philip Leverhulme, Pre-mio Whitehead (London Mathemati-cal Society) y Premio Adams (Cam-bridge). La conjetura de Goldbach La conjetura de Goldbach es uno de los problemas abiertos mas anti-guos en matematicas. En 1921, duran-te el famoso discurso de G.H. Hardy, para la Sociedad Matematica de Co-penhage, comento que probablemente la conjetura de Goldbach no es solo uno de los problemas no resueltos mas difciles de la teora de numeros, sino de todas las matematicas. El origen de este problema lo enun-ci o el matematico Christian Goldbach en una de las cartas enviadas a Leon-hard Euler, gran matematico del siglo XVIII. Ambos vivan en Rusia, uno en Moscu y el otro en San Petesbur-go, y mantenan comunicacion cons-tante. Goldbach escribio en una carta a Euler, el 7 de junio de 1742, sugirien-do que cualquier numero natural par mayor a 2 es la suma de dos numeros primos. 4 = 2 + 2 6 = 3 + 3 Euler sugera que el enunciado de-ber a ser correcto pero no tena la cer-teza. Este problema es conocido co-mo Conjetura fuerte de Goldbach, y es la que se suele mencionar solamen-te como Conjetura de Goldbach. Al mismo tiempo, se poda observar que haban numeros impares que no podan resultar de la suma de 2 nume-ros primos mas si de 3 (por ejemplo el 11), siendo este el enunciado de la conjetura debil de Goldbach. Vale la pena aclarar que se le lla-ma conjetura a un enunciado que no ha podido ser probado si es verdadero o falso. Una propiedad importante de esta, es que si la conjetura fuerte de Goldbach es correcta implicara que la conjetura debil tambien es correc-ta, pero hasta el momento no se ha podido veri

21. car la conjetura fuerte. La propuesta de Harald A seguir explicamos a grandes ras-gos, como Harald trabajo para encon-trar la prueba de la conjetura debil de Goldbach. Harald cuenta que un pri-mer paso fue presentado por Hardy y Littlewood, en 1923; quienes comen-zaron a usar el analisis de Fourier (metodo del circulo) en la teora de numeros. Ellos demostraron que la conjetura era cierta para numeros impares mas grandes que una cierta constante C no especi

22. cada, siempre que se asumiera la llamada Hipotesis Generalizada de Riemann que conti-nua siendo una conjetura y es parte de Los Siete Problemas del Milenio de la Fundacion Clay. Quince a~nos mas tarde, Vinogradov probo que esta hipotesis era innecesaria, es decir, que la conjetura era cierta para numeros mayores a una constante C no especi-

23. cada. Desafortunadamente, los numeros para los cuales fue probado la conjetu-ra eran numeros sumamente grandes, mas alla de la escala astronomica. Con el transcurso de los a~nos, diversos in-vestigadores (Borozdkin, 1956; Wang- Chen, 1989) han encontrado valores para la constante C cada vez meno-res. La constante mas peque~na encon-trada y presentada en 2002 por Liu- Wang fue de C = 2101346. En 2013, Helfgott y Platt mostraron que la con-jetura es cierta para numeros desde 5 hasta 8;875 1030 (este resultado fue encontrado usando el poder del Sociedad de Estudiantes de Ciencia de la Computacion - SECC 5 / 56

24. CompuScientia , Vol. 3 No. 1 DESTACADOS Diciembre, 2013 computador y algoritmos e

25. cientes). Sin embargo, se observa que el vaco que se encuentra entre estos dos valo-res es gigante, es decir, 8;8751030 es mucho menor que 2 101346. Enton-ces, si alguien prueba que la conjetura es valida para numeros mayores a una constante C 1030, la conjetura sera probada completamente. El hallazgo excepcional de Harald fue probar que la conjetura es valida para numeros mayores a una constante C 1029. Empezar desde cero Harald comenzo a pensar en el pro-blema de la Conjetura de Goldbach a

26. nales del 2005, y comenzo a tra-bajar en la demostracion para todos los numeros impares desde el comien-zo de 2006. Desde entonces hasta es-te a~no estuvo investigando el proble-ma, al mismo tiempo que hacia otros artculos y cumpla con sus obligacio-nes de investigador. Harald comenta que buscaba re-sultados teoricos, cualitativos y no pe-que~ nas mejoras a resultados ya en-contrados. Entonces planteo la reso-luci on comenzando desde cero, aun-que, obviamente inspirado en ideas de sus predecesores. Harald explica que para comprobar este problema tu-vo que mejorar diferentes tecnicas de varias areas, algunas de ellas aplica-das. Como por ejemplo encontrar co-tas explcitas en funciones parabolicas cilndricas, estos resultados podran ayudar a la investigacion de esas ra-mas aplicadas, y que es probable que los especialistas en esa area puedan mejorar su trabajo. Veri

27. cacion de la prueba La prueba propuesta aun se encuen-tra en revision, pero la respuesta de la comunidad matematica ha sido muy positiva, ya que el enfoque usado era publico y los trabajos anteriores de Harald le dieron cierta credibilidad. Una vez que las dos pruebas, Ma-jor arcs for Goldbach's theorem [4] y Minor arcs for Goldbach's pro-blem [5], sean enviadas a una revis-ta especializada, los revisores podran demorar un a~no o mas veri

28. cando-las [2]. Por otro lado, se supone que al probar la conjetura debil de Goldbach esta contribuira para probar la conje-tura fuerte. Sin embargo, Harald a

29. r-ma que los metodos usados para esta prueba no son aplicables a la conjetu-ra fuerte. Este problema sera mucho mas difcil de probar y necesitara un cambio completo de enfoque para pro-barlo. Harald siendo condecorado por el Ministerio de Educacion Desde que se dio a conocer la prue-ba del problema, Harald ha sido entre-vistado por diversos medios de comu-nicaci on y galardonado por diferentes instituciones nacionales. En agosto de 2013 fue reconocido como Profesor honorario de la Universidad Nacio-nal Mayor de San Marcos en merito a sus logros y su contribucion a la uni-versidad a traves del dictado de con-ferencias y seminarios. El mismo mes fue distinguido como Embajador de los Aprendizajes por el Ministerio de Educacion [1]. Este texto fue redactado a partir de varias fuentes encontradas en in-ternet [7, 3, 6]. Referencias [1] Ministerio de educacion, Harald helfgott recibira del minedu distincion como embajador de los aprendizajes, http://tinyurl.com/kpvvo9o. Consulta: 21 de octubre del 2013. [2] ElComercio.pe, Harald helfgott: La veri

30. cacion de mi prueba podra llevar un a~no o mas, http://tinyurl.com/mtvcvkj. Consulta: 21 de octubre del 2013. [3] Filarmonia, Entrevista al matematico peruano harald helfgott, http://tinyurl.com/ llldqzc. Consulta: 21 de octubre del 2013. [4] H. A. Helfgott, Major arcs for Goldbach's theorem, May 2013, http://arxiv.org/ abs/1305.2897. [5] , Minor arcs for Goldbach's problem, May 2013, http://arxiv.org/ abs/1205.5252. [6] Portal madri+d, Entrevista al matematico peruano harald helfgott, http://tinyurl.com/ ncmdzxc. Consulta: 21 de octubre del 2013. [7] Website personal, H. A. Helfgott, http://www.math.ens.fr/ ~helfgott/. Consulta: 21 de octubre del 2013. DESTACADOS Peruanas destacando en el mundo Katia Canepa Vega y Leissi Casta~neda Leon, mujeres de Ciencias de la Computacion que|en termi-nos coloquiales| la saben hacer! Es con orgullo que presentamos en esta edicion de Compuscientia 2013, a dos peruanas de Ciencias de la Computacion que la saben hacer! Quien diga que la belleza no va de la mano con la tecnologa se equivoca, y para demostrarlo basta un simple abrir y cerrar de ojos Katia Canepa es graduada en In-genier a de Sistemas e Informatica de la Universidad Nacional Mayor de San Marcos (Lima, Peru), con maestra en Ciencias de la Computacion en la Pon-tif cia Universidad Catolica de Rio de Janeiro (PUC-RIO) (Rio de Janeiro, Sociedad de Estudiantes de Ciencia de la Computacion - SECC 6 / 56

31. CompuScientia , Vol. 3 No. 1 DESTACADOS Diciembre, 2013 Brasil) y actualmente alumna de doc-torado en esta misma casa de estudios. Katia viene trabajando en una area emergente de la computacion vestible (wearable computing) al cual han denominado como Beauty tech-nology [4, 6]. Katia indica que esta tecnologa consiste en aprovechar cier-tos productos o accesorios de belleza que permitiran usar nuestro cuerpo como un nuevo dispositivo de entra-da. Beauty technology: una tecnologa emergente [5] Su proyecto de doctorado consis-te en una plataforma computacional que capta las ordenes de sus usua-rios, enviadas a traves de ciertos dis-positivos (maquillaje, u~nas, pesta~nas, entre otros accesorios) embebidos en componentes electronicos (conducto-res y sensores), y las convierten en modos de interactuar con los objetos en el medio ambiente. De esta forma, son in

32. nitas las posibilidades de in-teracci on, como por ejemplo: cambiar la imagen de una presentacion o una pista musical, levitar objetos, realizar compras en el supermercado, escanear un ticket de metro [4]. El grupo de pesquisa de Katia muestra que la ten-dencia con este tipo de tecnologas es que podremos interactuar, cada vez mas, con objetos que estan embebidos con micro controladores. Katia gano el 1er lugar en el TEI 2013 design challenge El proyecto mas reconocido fue lla-mado de superheroes, en el cual Ka-tia muestra sus super poderes al controlar objetos con un simple par-padear. Este sistema emplea maqui-llaje conductivo (plata, nquel, entre otros) aplicada a manera de pesta~nas postizas, de tal forma que los movi-mientos de las pesta~nas funcionen co-mo interruptores, enviando se~nales a traves de un radio Zigbee [8] dirigidas a un receptor para ser decodi

33. cadas como una accion en espec

34. co. Katia en la XVI Mostra-PUC, mostrando su proyecto de u~nas inteligentes [5] Katia tambien trabajo en otro pro-yecto de u~nas postizas inteligentes, las cuales son integradas con unos dimi-nutos chips RFID [7], cuyas ventajas son su bajo costo, bajo consumo de energia y que no se requiere vision o contacto fsico directo entre emisor y receptor, como es el caso de los lecto-res de infrarrojos. El proyecto de Beauty technology, ya esta rindiendo sus frutos, pues gano diversos premios de reconoci-miento mundial. Katia Vega recibio el primer lugar en el TEI 2013 design challenge, realizado en Barcelona [2]. Katia tambien obtuvo el tercer lu-gar Latin-American School on Soft-ware Engineering (ELA-ES 2013), y recientemente gano el primer lugar en la categora de proyectos de doctorado del Mostra PUC 2013, ambos realiza-dos en Rio de Janeiro, Brasil. As como Katia esta cosechando grandes logros, no muy lejos otra com-patriota tambien nos enorgullece. En la segunda parte de este artculo pre-sentamos a Leissi Casta~neda. ...No tener miedo a ser rechazado y considerar siempre cualquier concurso, o envo de trabajos, como una experiencia... Leissi Casta~neda Leon recibio el grado de Ingeniera Informatica en la Universidad Nacional de Trujillo (UNT) (Trujillo, Peru) en el 2009. Posterior a ello, en el 2010, ingreso a la Universidad de S~ao Paulo (USP) (S~ao Paulo-Brasil). En el 2012 reci-bi o el grado de magster y actualmen-te continua sus estudios de doctorado ambos en la misma universidad. Leissi ya haba destacado desde los primeros ciclos durante su forma-ci on en la UNT, y no tardo mucho para destacar en su maestra. Leis-si obtuvo el segundo lugar en el XX Concurso Latinoamericano de Tesis de Maestras (CLTM), este es un even-to anual que se realiza dentro de la Conferencia Latinoamericana en In-form atica (CLEI) [1] y que en el 2015 sera realizada en el Peru. Leissi (a la derecha) obtuvo el 2do lugar en el CLEI 2013 Su trabajo de maestra trata sobre la deteccion de objetos en vdeos. Los problemas que aborda, principalmen-te, estan relacionados con desventa-jas que existen en los metodos actua-les para detectar imagenes de vdeo de camaras estaticas y dinamicas, las cuales son usadas, por ejemplo, en la seguridad y la asistencia para con-ductores respectivamente. Dos de las principales desventajas son: los meto-dos actuales consideran solo imagenes obtenidas por un unico tipo de cama-ra para entrenar los detectores; y los multiples modelos para cada lnea de seguimiento de un objeto. Para mitigar estas desventajas, Leissi propuso un modelo usando una fase de aprendizaje o-line. Este mo-delo consiste en la combinacion de diversos modelos basados en partes deformables originalmente propuesto por Felzenszwalb, et. al. [3]. Los re-sultados obtenidos muestran el buen Sociedad de Estudiantes de Ciencia de la Computacion - SECC 7 / 56

35. CompuScientia , Vol. 3 No. 1 DESTACADOS Diciembre, 2013 http://juaninf.blogspot.com desempe~no del modelo propuesto, su-perando a otros resultados de la lite-ratura. Ella dejo un mensaje para todos sus compatriotas al pedir su recomen-daci on para enviar trabajos a dicho concurso: ... Es basicamente no te-ner miedo a ser rechazado, sino con-siderar siempre cualquier concurso, o sumision de trabajos en general como una experiencia. Siempre van a exis-tir personas que se interesen en lo que haces, o que conocen del area y te pue-den dar buenos consejos, ideas, sobre tu trabajo realizado, eso es muy pero muy bueno. Referencias [1] CLEI 2013, XXXIX Latin American Computing Conference, http://clei2013.org.ve/en/. Consulta: 22 de octubre del 2013. [2] TEI 2013, 7th International Conference on Tangible, Embedded and Embodied Interaction, http://www. tei-conf.org/13/. Consulta: 22 de octubre del 2013. [3] Pedro F. Felzenszwalb, Ross B. Girshick, David McAllester, and Deva Ramanan, Object detection with discriminatively trained part-based models, IEEE Trans. Pattern Anal. Mach. Intell. 32 (2010), no. 9, 1627{1645. [4] Katia Canepa Vega, Beauty technology, http://katiavega. com/. Consulta: 22 de octubre del 2013. [5] , Sitio facebook o

36. cial, https://www.facebook.com/ beautytechie. Consulta: 22 de octubre del 2013. [6] Katia Canepa Vega and Hugo Fuks, Beauty technology, http:// tinyurl.com/lzhkgy7. Consulta: 22 de octubre del 2013. [7] Wikipedia, RFID: Radio frequency identi

37. cation, http:// es.wikipedia.org/wiki/RFID. Consulta: 22 de octubre del 2013. [8] , Zigbee, http://es. wikipedia.org/wiki/ZigBee. Consulta: 22 de octubre del 2013. Sociedad de Estudiantes de Ciencia de la Computacion - SECC 8 / 56

38. CompuScientia , Vol. 3 No. 1 ESTUDIANTES AHORA! Diciembre, 2013 ESTUDIANTES AHORA! Sistema de Reconocimiento y Traduccion Automatica de Texto Braille Se usaron tecnicas de Vision Arti

39. cial para producir una herramienta que permita reconocer carac-teres de un Libro Braille, y representarlos en caracteres ASCII. Guevara Honores, Sara, Trujillo, Peru Lulichac Rojas, Eduardo, Trujillo, Peru Salda~na Altamirano, Keven, Trujillo, Peru El reconocimiento optico de caracte-res (ROC) es un proceso dirigido a la digitalizacion de textos, cuyo objeti-vo es identi

40. car a traves de una ima-gen, smbolos o caracteres de un deter-minado alfabeto. El Lenguaje Braille es un codigo tactil de lecto-escritura que utilizan las personas con discapa-cidad visual, inventado por el frances Luis Braille en 1870 [6]. Una pagina escrita en codigo Braille es representa-da por un conjunto de puntos Braille (malla Braille). En el Reconocimiento del Texto Braille se busca detectar la malla Braille, para clasi

41. car los pun-tos y despues reconocerlos. El Objetivo de este trabajo es desarrollar una herramienta que au-tomatice el proceso de reconocimien-to y traduccion de caracteres Braille a caracteres ASCII; esta herramien-ta sera util para el aprendizaje y en-se~ nanza del sistema Braille, en reim-presi on en espa~nol de libros importan-tes, entre otros. Representacion del Lenguaje Braille En el sistema Braille cada caracter es representado por una matriz de seis puntos (tres

42. las y dos columnas) [6]. Fig. 1: Dimensiones de celda Braille (

43. gura extrada de Bellido [2]). Las dimensiones de esta matriz no son universales, tal como se aprecia en la Figura 1, su altura y anchura pue-den variar [2]. Los puntos de una ma-triz estan separados por una distancia espec

44. ca. Observando la Figura 2: la distancia vertical (a) entre centros de puntos contiguos mide entre 2.40mm y 2.75mm, la distancia horizontal (b) mide entre 2.40mm y 2.75mm. En-tre los puntos de matrices diferentes tambien existe una distancia espec

45. - ca. La distancia vertical entre centros de puntos identicos de lneas contiguas (c) mnimo de 10.00mm y un maxi-mo de 11.26mm. La Distancia hori-zontal entre centros de puntos identi-cos de lneas contiguas (d) mnimo de 6.00mm y un maximo de 6.91mm [2]. Fig. 2: Parametros dimensionales (

46. gura extrada de Bellido [2]). Cada uno de los puntos de una cel-da Braille es asociado con un numero del 1 al 6. Dependiendo de que pun-tos se coloquen en relieve, tenemos un caracter distinto. En total tendremos 64 combinaciones posibles, incluyen-do el caracter blanco como signo de espacio. Mediante estas combinacio-nes pueden escribirse todas las letras, numeros y signos de puntuacion, para facilitar la lectura tactil, mediante las yemas de los dedos.[6]. La escritura Braille clasica utiliza 6 puntos, pero el bajo numero de com-binaciones obliga a representar algu-nos caracteres con secuencias especia-les. Modernamente, se ha empezado a utilizar un Sistema Braille de 8 pun-tos o Braille computarizado, donde no existen secuencias especiales [5]. Sin embargo nuestro sistema es capaz de funcionar solo con la escritura clasica que utiliza 6 puntos. Detalles del Proyecto En la

47. gura 3 mostramos un ujogra-ma que contiene las tareas que se im-plementaron para desarrollar el pre-sente proyecto. Fig.3: Flujograma de Proyecto. 1. Adquisicion de la imagen: Las imagenes del documento (libro Braille escrito por una sola cara), que usare-mos se adquirieron por medio de un escaner, como se muestra en la Figura 4. Sociedad de Estudiantes de Ciencia de la Computacion - SECC 9 / 56

48. CompuScientia , Vol. 3 No. 1 ESTUDIANTES AHORA! Diciembre, 2013 Fig.4: Parte de una pagina Braille. 2. Pre-procesamiento: La imagen RGB es convertida a escala de grises, luego se aplica un

49. ltro de realce para resaltar los puntos, pues algunos pue-den estar borrosos[4]. Fig.5: Mascara de Realce usada (extrada de Gonzales et al. [4]). Procedemos a aplicar el

50. ltro Pro-medio/ Rango, cuyo rango sera entre 0 y 210. Este

51. ltro hara que no se tomen los pxeles claros de la hoja, quedando las partes oscuras de los puntos Braille en color gris, y el fondo de la hoja de color negro. El Algoritmo 1 muestra como aplicar el

52. ltro de Promedio/- Rango a un pixel: Entrada: Matriz imagen M[][] posicion de pixel x posicion de pixel y Salida : Pixel

53. ltrado valpix Rmin 0; Rmax 210; div 0; sum 0; prom 0; Cf 3; // convoluc filas Cc 3; // convoluc colum. for i 1 to Cf do for j 1 to Cc do sum M[x][y] + sum; y y+1; end x x+1; end prom sum / Cf x Cc for i 1 to Cf do for j 1 to Cc do Div Div + 1 if (M[x][y] prom-Rmin) and (M[x][y] prom+Rmax) then div div + 1 end end return valpix=div; Algorithm 1: Filtro Promedio/- Rango. Finalmente utilizamos binariza-ci on en la imagen tratada para sepa-rar los objetos de interes (puntos) del resto de la imagen (fondo). El tipo de binarizacion utilizado, es de tipo glo-bal, el metodo utilizado para hallar el umbral es el ISODATA [1]. La Figura 6 es el resultado del proceso de bina-rizaci on. Fig.6: Figura 4 Binarizada. 3. Segmentacion: Se deben separar las celdas Braille (matrices de 6 pun-tos), pues cada celda representa un ca-racter distinto. Se uso una mascara del tama~no de una celda Braille, te-niendo en cuenta el rango de dimen-siones en una celda Braille (Figura 1) en milmetros y ademas el Calculo de la cantidad de pxeles que representa una cierta cantidad de milmetros, el cual se halla con la ecuacion (1) [3]. f(x) = DPIRES x 25;4 (1) Donde: DPIRES es la resolucion (cantidad de pxeles por pulgada) de la imagen. x es la distancia en milmetros. 25;4 es la cantidad de milmetros que representa una pulgada. Una celda Braille abarca un caracter Braille, la mascara en pxe-les representa el tama~no de la celda Braille (

54. gura 7). Fig.7: Mascara de una celda Braille. Para detectar la malla Braille, te-nemos que segmentar la imagen en l- neas Braille, y para eso se busca al-gunas posiciones de referencia usando los siguientes algoritmos: Busqueda de la columna referen-cial: Recorremos la imagen de arriba hacia abajo y buscamos el primer pi-xel que pertenezca a un punto Brai-lle. La posicion y de este pxel, resalta la columna inicial de las lneas Braille (Figura 8). Busqueda de la Primera Fila de la Lnea Braille: Recorriendo de izquier-da a derecha buscamos el primer pixel que pertenezca a un punto Braille. La posicion x de este pixel nos indica la primera

55. la de la lnea Braille (Figura 8). Fig.8: Busqueda de la primera

56. la de la lnea Braille Segmentacion de celdas Braille en una Lnea Braille: A partir de la po-sici on vertical y horizontal de la pri-mera lnea Braille, segun el tama~no de la mascara de celda Braille se seg-menta la primera celda. Para hallar la cantidad de pxeles de separacion en-tre celdas se tuvo en cuenta el rango de dimension del codigo Braille y la ecuacion (1). Moviendo la mascara se segmentan mas celdas, continuando si y solo si siguen existiendo pxeles per-tenecientes a un punto Braille (Figura 9). Fig.9: Segmentacion de celdas Braille. Busqueda de nueva Lnea Braille: Sabiendo la posicion x de la primera

57. la de la lnea Braille segmentada y la cantidad de pxeles de la altura de la celda, se suma a la posicion x de una celda Braille, obteniendo la ubicacion en una nueva lnea Braille. Se realiza nuevamente la segmentacion de cel-das y busqueda de nueva lnea Braille, proceso que terminara cuando la po-sici on x sea la ultima

58. la de la imagen. 4. Descripcion: Para diferenciar un caracter de otro, se usa la tecnica de Descriptor por Region, el cual se ob-tiene del analisis de caractersticas in-ternas del objeto [4]. El alfabeto que reconocera el programa, estara forma-do por los caracteres: a-z, a-u, 1-9, y smbolo numeral. Los descriptores son vectores de tama~no 6 cuyos elementos tendran valores 0 o 1. Por ejemplo, en la

59. gura 10 tenemos el caracter n en Braille dado por una matriz 3x2. El descriptor para la letra n sera el vec-tor: v = f1; 1; 0; 1; 1; 0g. Sociedad de Estudiantes de Ciencia de la Computacion - SECC 10 / 56

60. CompuScientia , Vol. 3 No. 1 ESTUDIANTES AHORA! Diciembre, 2013 Fig.10: Caracter n en Braille. Se debe obtener los descriptores de todas las celdas Braille que se seg-mentaron. Se recorren los casilleros de cada celda y si el numero de pxeles blancos es mayor que 20 (representa un punto Braille), se coloca '1', caso contrario se coloca '0'. 5. Reconocimiento: Se identi

61. - can los caracteres Braille, emplean-do busqueda por exactitud. Para ca-da descriptor de celda Braille se busca uno igual en los descriptores del alfa-beto. Img. de Caract. Caract. Prueba en Img. Reconoc. 1 38 36 2 47 47 3 41 40 4 45 44 5 34 30 6 35 35 Tab.1: Precision de reconocimiento. Resultados y Conclusiones Se logro desarrollar una herramien-ta que permite reconocer caracteres Braille y traducirlos a caracteres AS-CII a partir de una imagen escaneada. Se trabajaron con imagenes reales obtenidas por un escaner convencio-nal, de un libro con paginas de escri-tura simple (una sola cara). Se usaron algoritmos de Vision Ar-ti

62. cial, los cuales son simples de im-plementar. Se obtuvieron mejores resultados con imagenes sin defectos(puntos bo-rrosos) y sin ruido (sal y pimienta). La exactitud fue de 99.97 %. (Tabla 1). Referencias [1] Maribel Arroyave Giraldo, Alejan-dro Restrepo Martnez, and Fran-cisco Vargas Bonilla, Incidencia de la segmentacion en la obtencion de region de interes en imagenes de palma de la mano, Revista Tecno Logicas (2011), no. 27, 119{138. [2] Jose Mara Bellido, Sistema braille, Manual de Se~naletica Corporativa del Ayuntamiento de Vitoria-Gasteiz, vol. 27, June 2013. [3] Hector Ferraro and Claudia Ce-cilia Russo, Reconocimiento automatico de texto braille, XII Congreso Argentino de Ciencias de la Computacion, vol. 27, June 2013. [4] Ana M Gonzalez, F Alba, et al., Tecnicas y algoritmos basicos de vision arti

63. cial, UNIVERSIDAD DE LA RIOJA, SERVICIO DE PUBLICACIONES (2006). [5] F. Martn Rodrguez, Ocr parrafo texto braille, Ph.D. thesis, Univer-sidad de Vigo, June 2013. [6] Mara Jesus Frutos Sastre, Normativa para la inclusion de textos en braille en envases de cartoncillo de medicamentos fabricados industrialmente, Edi-torial Paraninfo, 2012. Sara Guevara Honores Estudiante de la carrera profesional de Ingeniera Informatica de la Universidad Nacional de Trujillo - Peru. Se desempe~na como desarrolladora en SONDA S.A. y sus ramas de interes son: Vision e Inteligencia Arti

64. cial, y Redes de Computadoras. Email: sara.guevara@sonda.com.pe Eduardo Lulichac Rojas Estudiante de la carrera profesional de Ingeniera Informatica de la Universidad Nacional de Trujillo - Peru. Interesado en la investigacion sobre Vision Computacional, Inteligencia Arti

65. cial, Redes de Computadoras y otros. Email: lulichaceduardo@gmail.com Keven Salda~na Altamirano Estudiante de la carrera profesional de Ingeniera Informatica de la Universidad Nacional de Trujillo - Peru. Actualmente se desempe~na como desarrollador Front-End y Back-End. Interesado en Redes, Computacion Gra

66. ca e Inteligencia Arti

67. cial. Email: kevincmasmas@gmail.com Sociedad de Estudiantes de Ciencia de la Computacion - SECC 11 / 56

68. CompuScientia , Vol. 3 No. 1 ESTUDIANTES AHORA! Diciembre, 2013 ESTUDIANTES AHORA! Segmentacion de texto en imagenes aplicando la estructura de datos Disjoint-sets y K-means La complejidad computacional del algoritmo K-means clustering en el proceso de segmentacion es una limitante para trabajar con imagenes de gran tama~no, por lo que se propone el uso de la estructura de datos Disjoint-sets para moderar la informacion a ser procesada. Berthin Sandino Torres Calla~naupa, Cusco La busqueda y reconocimiento de tex-to en imagenes constituye un campo activo de investigacion en el area de Procesamiento de Imagenes. La nece-sidad de digitalizar la informacion ha llevado a desarrollar diversas meto-dolog as cuyo desempe~no experimen-tar a cambios favorables o adversos segun el tipo de problema al que se enfrente. Del mismo modo, la masi

69. - cacion del uso del Internet, ya sea me-diante correos electronicos o redes so-ciales como medios para compartir in-formaci on, ha logrado que actualmen-te tengamos nuevos problemas para afrontar. Es por ello, que nace la ne-cesidad de etiquetar, organizar y cate-gorizar la informacion presente. Una fotografa, como matriz de pxeles, almacena datos que al ser interpretados se convierten en infor-maci on. Uno de los casos fuertemen-te estudiados es el uso de las apli-caciones Optical Character Recogni-tion (OCR, http://bit.ly/GXU0Td, http://bit.ly/16fmqy1), que bus-can extraer el texto que contiene la imagen. Para llevar a cabo dicho pro-ceso, las imagenes son sometidas a una fase de segmentacion la cual

70. l-trar a todo el background de la imagen y almacenara unicamente lo requeri-do. Estado del Arte La segmentacion de texto en image-nes, como parte espec

71. ca del proble-ma de segmentacion en general, cuen-ta con una diversidad de enfoques pro-puestos cada uno enfocado de acuerdo a las caractersticas del input. La Fig. 1 muestra una clasi

72. cacion de meto-dos para este tipo de segmentacion. Fig. 1: Metodos de segmentacion de texto. La segmentacion basada en el contorno aplica

73. ltros (stroke

74. lter, wavelet, high variance, etc.) y prin-cipios geometricos (orientacion, esca-la, etc.), mientras que la segmenta-ci on basada en colores busca apro-vechar caractersticas relacionadas al color que exhiben los pxeles (histo-gramas, entropa, textura, etc.). Dentro de los metodos basados en colores, encontramos la segmenta-ci on que usa un threshold que to-mar a un imagen en escala de grises y la

75. ltrara para obtener una en blan-co y negro, donde el blanco signi

76. - que el background y el negro el tex-to, o viceversa. En la mayora de ca-sos, este metodo es usado para mane-jar imagenes que hayan sido genera-das por un procesador de texto. Los metodos mas signi

77. cativos de este en-foque son: Otsu's method y Niblack's method.[2] Luego, se tiene la segmen-taci on basada en Machine Lear-ning (ML) que a su vez puede di-vidirse como: Supervisado, donde se busca una funcion a partir de un trai-ning data set que luego recibira pxe-les para clasi

78. carlos como texto o no-texto; y no supervisado, cuya tarea es encontrar una similitud entre los pxeles para formar grupos y lue-go determinar que grupo (o grupos) corresponde al texto. A pesar de que los enfoques de ML muestran un mejor desempe~no, el empleo de los mismos representan un gran uso en la capacidad de calculo debido a la complejidad computacio-nal que tienen. Considerando el ca-so del algoritmo no supervisado K-means (KM), este posee una comple-jidad O(ndK), donde n representa el numero de datos y d el numero de ite-raciones para buscar los K clusters. Si usasemos este enfoque con una imagen de 800 600 pxeles, donde n repre-senta el numero de pxeles, d = 10 y K = 3, aproximadamente llevaramos a cabo 14;4106 operaciones (sin con-siderar la complejidad de operaciones matematicas y accesos a memoria), as que si tomasemos en cuenta que un computador puede llevar a cabo 18106 operaciones por segundo, pa-ra imagenes de mayor dimension (p. ej. 2048 1536, 3072 2048), la fa-se de segmentacion podra durar hasta 10 segundos de procesamiento. Enfoque propuesto El principal problema al tratar con fo-tograf as de gran tama~no mediante el KM es la complejidad debido al valor que tomara el parametro n, se plan-tea el uso de la estructura de datos Disjoint-sets (DS) con el objetivo de reducir el numero de colores que luego seran pasados como parametro para la segmentacion. Gracias a la estructura DS, nues-tra complejidad para el proceso de segmentacion en imagenes cualesquie-ra sera O(n lg n= lg lg n+c0dK), siendo c0 el numero de componentes (o colo-res) que formaran parte de la imagen. Disjoint-sets Es una estructura de datos que permite agrupar elementos en subcon-juntos disjuntos llamados componen-tes. La estructura, tiene como

79. nali-dad llevar a cabo dos tipos de ope-raciones. La primera, Union que jun-tar a dos componentes y la segunda, Find que buscara el componente a la cual pertenece un elemento dado. Sociedad de Estudiantes de Ciencia de la Computacion - SECC 12 / 56

80. CompuScientia , Vol. 3 No. 1 ESTUDIANTES AHORA! Diciembre, 2013 Haciendo uso del algoritmo Union- Find junto con al enfoque weighted quick-union aplicado con path com-pression se puede obtener una com-plejidad O(n lg n), donde lg n es el numero de veces necesitados pa-ra que la funcion lg de un numero alcance el valor de 1. Para efectos practicos podemos usar la cota supe-rior O(n lg n= lg lg n).[1] Una imagen esta compuesta por un conjunto de pxeles, cada pixel pue-de ser visto como un elemento del con-junto y un grupo de pxeles adyacentes que comparten caractersticas simila-res pueden ser representados por un componente. Dicho esto, dada una imagen co-mo un conjunto de pares ordenados (x; y) y una funcion : (x; y) ! Rw que representa el color del pi-xel en la posicion P = (x; y), don-de w dependera del modelo de color que se este usando, de

81. nimos la tarea de agrupar varios pxeles adyacentes siempre y cuando estos se encuentren dentro de un rango establecido de to-lerancia de variacion. Con ello pode-mos crear componentes de acuerdo a la cercana de colores. Por lo tanto, para un pixel en la posicion P = (x; y) se debe compro-bar si sus vecinos (con distancia de Manhattan igual a uno) pueden o no formar parte de la misma componen-te. Para lo cual, se trabajara con los pxeles en las posiciones: (x; y 1), (x 1; y); (x + 1; y); (x; y + 1). Sin embargo, no es necesario comprobar con todos los vecinos, dado que, deter-minar si la componente en la posicion (x; y) puede o no unirse a la compo-nente (x; y 1), es igual a decir que (x; y1) compruebe si (x; (y1)+1) puede formar parte de la misma com-ponente; solo es necesario comprobar con los vecinos (x; y+1) y (x+1; y). Ahora, se debe buscar una for-ma de determinar si dos componen-tes adyacentes pueden unirse, para lo cual, se hace uso de una funcion UF((C1); (C2)) que calcule la distan-cia entre los colores de las componen-tes, donde C1 y C2 seran las posiciones de los pxeles representativos de cada componente y (Ci) indica el color de Ci. Si el valor es menor o igual a un ' pre-de

82. nido, se puede a

83. rmar que ambas componentes pueden unirse. Finalmente, es necesario tomar en cuenta el modelo de color a ser usa-do, porque se puede encontrar casos donde la representacion de los colores sea un problema. En la Fig. 2, con-siderando el modelo RGB, se observa una gran variacion en el valor de R (red) de los cuadros de la izquierda y del medio, como tambien una varia-ci on del valor B (blue) de los cuadros del medio y de la derecha; por ello, el modelo RGB nos limita a establecer un ' para cada color (R, G y B) de manera independiente, mientras que, con el modelo HSV se puede limitar cada valor a distintos rangos. Fig. 2: Contra-ejemplo de uso del modelo RGB. Una particularidad del modelo HSV es la presencia de 3 parametros que representan: a) Hue (H); que vara de 0 a 360 y permite manejar los co-lores en un rango de secciones circula-res. b) Saturation (S); que vara de 0 a 100 y maneja la cantidad de color. c) Value (V); que vara de 0 a 100 y ma-neja la intensidad de luz. De esta for-ma, se puede establecer un rango para H, uno para S y otro para V, permi-tiendo determinar con mayor certeza si dos componentes pueden o no unir-se. El algoritmo para formar las com-ponentes dada una imagen de W H (width, height) sera: 1mX [] = {0, 1}, mY [] = {1, 0}; 2para mv = 1 hasta 2 3 para x = 1 hasta W-mX[mv] 4 para y = 1 hasta H-mY[mv] 5 inicio 6 C1= Find (x, y) 7 C2= Find (x+mX[mv], y+mY[mv ]) 8 si (UF((C1); (C2)) = ') 9 Union (C1 , C2) 10 fin Alg. 1: Formar componentes. K-means clustering Dentro del aprendizaje automatico no supervisado, yace la necesidad de aso-ciar informacion que mantenga cierto parentesco. En el problema de segmentacion, nuestro objetivo es enfocarnos en agrupar pxeles de tal forma que po-damos reducir el rango que cada pi-xel toma como valor. Una vez que se tenga un rango manejable, es factible llevar a cabo calculos para determi-nar el color (o colores) del patron que se este buscando. De modo que, ca-da pixel es clasi

84. cado de acuerdo a las caractersticas de color que posee sin considerar restricciones de locali-zaci on, o algun otro tipo de ajuste de parametro como en los enfoques su-pervisados. En el caso de la segmentacion de texto, este metodo es independiente al lenguaje; el tipo, tama~no, y estilo de la fuente; y no recibe in uencia nega-tiva de los pxeles adyacentes. Sin em-bargo, esta ultima caracterstica pue-de o no cumplirse satisfactoriamente debido a la agrupacion de componen-tes que se realizo con el Alg. 1. Gran parte dependera del valor ' y la fun-ci on UF que se de

85. na. De este modo, el algoritmo sera el siguiente: 1Inicializar aleatoriamente K centroides 1; 2; : : : ; K 2repetir d veces 3inicio 4 para i = 1 hasta c' 5 ci = ndice del cluster (de 1 a K) cuyo centroide es mas cercano a Ci 6 7 para k = 1 hasta K 8 k = X i2Sk Ci jSkj 9fin Alg. 2: K-means. donde Sk es el subconjunto de todos los ndices de las componentes asignadas al cluster k y k representa la posicion del centroi-de del k-esimo cluster. Hasta este punto, se puede formar K clusters. La Fig. 3(a) presenta una con

86. guracion de puntos sobre los cua-les se obtienen 3 clusters, mientras que las Fig. 3(b, c y d) muestran 3 di-ferentes salidas del KM donde ya no reciben la totalidad de puntos, si no un conjunto reducido que estara con-formado por los puntos representati-vos de las componentes obtenidas del DS. Esto genera un problema, porque dentro del algoritmo para designar los nuevos centroides (lnea 7, Alg. 2) se toma en consideracion el numero de puntos que fueron asignados al iesi-mo cluster. Mientras que, al trabajar con los resultados del DS solo se con-siderar a el numero de componentes. Sociedad de Estudiantes de Ciencia de la Computacion - SECC 13 / 56

87. CompuScientia , Vol. 3 No. 1 ESTUDIANTES AHORA! Diciembre, 2013 (a) (b) (c) (d) Fig. 3: Diferentes resultados local optimum del KM. Suponiendo que se trabaje con 5 puntos (P1; P2; : : : ; P5) que pertene-cen a un cluster k, y mediante el Alg. 1 se obtienen 2 componentes C1 y C2 conformadas por los pun-tos fP1; P2; P3g y fP4; P5g respec-tivamente. Al tratar de formar los clusters, la primera parte del Alg. 2 (lneas 5 y 6) no se vera afectada por la condicion de cercana para for-mar las componentes en el DS; mien-tras que, en la segunda parte (lnea 8) sera alterada por uk = C1+C2 2 , en lugar de la original uk = P1+P2++P5 5 . Para corregir este hecho, se hace uso de un arti

88. cio para tener lo siguien-te: uk = 3 P1+P2+P3 3 + 2 P4+P5 2 5 . Si cCi fuera igual la media aritmeti-ca de todos los puntos Pj que perte-necen a la componente i, se obtiene: uk = 3cC1+2cC2 5 . Entonces, alterando la lnea 7 del Alg. 2 por: k = X i2Sk jCij cCi Q (2) donde Q = X i2Sk jCij evita que el resultado

89. nal sufra varia-ciones drasticas a causa de las compo-nentes formadas. Una caracterstica

90. nal (y opcio-nal) que podemos aprovechar, es el numero de componentes c0 que obtu-vimos del Alg 1. Considerando el ob-jetivo del KM, de

91. nido mediante: mn XK i=1 X j2Si kmeans((Pj); (i)) (3) cuya

92. nalidad es buscar un resul-tado que sea un optimo local con respecto a una funcion de distor-si on J(c1; c2; : : : ; cc0 ; 1; 2; : : : ; K). Se puede correr el Alg. 2 t veces de forma que, en cada iteracion se cal-cule el valor de J y al

93. nal solo que-dar a escoger la con

94. guracion de clus-ters con el menor valor de J (Alg. 3). Por lo cual, la complejidad

95. nal sera O(c0dKt) donde t vara de 50 a 1000 (Machine Learning, Semana 8 - Clus-tering) 1repetir t veces 2inicio 3 correr Algoritmo2 4 J(c1; c2; : : : ; cc0 ; 1; 2; : : : ; k) = 1 c0 c0X j=1 kmeans((Pj ); (cj )) 5fin Alg. 3: K-means Cost Function. Conclusiones El modelo HSV puede presentar un mejor rendimiento que el mo-delo RGB en algunos casos, pero se tiene que considerar la com-plejidad de conversion y tam-bi en si se trabajara con nume-ros enteros o punto otante.(p. ej. Modelo RGB, 120146 com-ponentes, Modelo HSV, 302112 componentes). Durante las pruebas, se ob-serv o que mediante el Alg. 1 puede llegar a reducir hasta en un 80% el numero de compo-nentes de una imagen sin mucha perdida de informacion con res-pecto al color (Imagen original, Imagen procesada). ' tomo valores en base a prue-ba y error. Se podra automati-zar el valor de ' de acuerdo a la distribucion de colores de cada imagen. El valor K depende de las ca-racter sticas de la imagen. Alter-nativamente se puede elegir un K grande y luego juntar clusters cercanos. Para determinar el cluster que represente el color del texto, en la practica se trabaja con el va-lor mas alto o mas bajo en la escala de grises.[3]. Ejemplos de resultados de segmentacion con imagenes que contienen texto http://bit. ly/16oWAb1 El enfoque presentado puede ser extendido a un proceso de seg-mentaci on en general http:// bit.ly/15YZ7f8. Referencias [1] Stephen Alstrup, Inge Gortz, and Rauhe. Union-

96. nd with cons-tant time deletions. In Automata, Languages and Programming, vo-lume 3580 of Lecture Notes in Computer Science, pages 78{89. Springer Berlin Heidelberg, 2005. [2] Mehmet Sezgin and Bulent San-kur. Survey over image th-resholding techniques. Journal of Electronic Imaging, 13(1):146{ 168, 2004. [3] Yan Song and Anan Liu. A no-vel image text extraction met-hod based on k-means clustering. In ICIS 08. Seventh IEEE/ACIS International Conference on, pa-ges 185{190, 2008. Berthin Sandino Torres Calla~naupa Estudiante j C.P. Ingeniera informatica y de Sistemas - UNSAAC. E-mail: berthin.torres@outlook.com Sociedad de Estudiantes de Ciencia de la Computacion - SECC 14 / 56

97. CompuScientia , Vol. 3 No. 1 ESTUDIANTES AHORA! Diciembre, 2013 ESTUDIANTES AHORA Web Inteligente: Web Semantica Actualmente, el concepto de Web Semantica es ampliamente utilizado, no solo en ambientes de investigacion academica, sino tambien en iniciativas de gobiernos y empresas privadas. Este artculo explica una introduccion a la Web Semantica, un ejemplo de aplicacion y las futuras tendencias. Flor Karina Mamani Amanqui, Brasil Con los avances de la tecnologa, la Web es una de las formas mas difun-didas de obtener datos cient

98. cos para la adquisicion de nuevos conocimien-tos. Cada da mas personas tienen ac-ceso a esos datos mediante diferentes equipos como los smartphones, tablets y computadores. Sin embargo, esa amplia disponi-bilidad de datos genera un gran volu-men de informacion en todas las areas de conocimiento. Para que estos da-tos sean utiles, es necesario que sean correctamente analizados y organiza-dos. De esta forma, las herramientas de busqueda de informacion recupe-rar an los datos que los usuarios real-mente necesitan. Actualmente, existe una nueva tecnologa que asocia signi

99. cado a da-tos en la Web y es conocida como la Web 3.0 o Web Semantica. La Web Semantica, es una progresion evolu-tiva de la World Wide Web. Se fun-damenta en que los computadores en-tiendan toda la informacion disponi-ble en la Web, asociando signi

100. cados e integrando informaciones [2]. De esta manera, los computadores podran realizar gran parte del tra-bajo que los usuarios vienen realizan-do hoy manualmente, esto a traves de la creacion de una gran cantidad de servicios inteligentes, como agentes de busqueda, agentes de software, maqui-nas so

101. sticadas de

102. ltraje de informa-ci on, Servicios Web, entre otros[4]. El objetivo de la Web Semanti-ca es lograr que los computadores en-tiendan el signi

103. cado de la informa-ci on disponible en la Web actual, de all proviene la palabra Semantica. En el caso de seres humanos, enten-der una se~nal o una palabra no es una tarea extraordinaria, nuestro cerebro asocia los conceptos que acumulamos a lo largo de los a~nos, por lo tan-to nuestra interpretacion semantica es proporcionada por estructuras neu-rales. Sin embargo, para los compu-tadores actuales, el entendimiento no esta relacionado a la compresion hu-mana, pero s a la inferencia y de-ducci on. De acuerdo con lo ante-rior, Berners-Lee a

104. rmo que la Web Semantica es una extension de la Web actual que proporciona un signi

105. ca-do bien de

106. nido a cada informacion dentro de la Web, permitiendo que los computadores y personas trabajen en cooperacion [1]. Entre las diferentes tecnologas de la Web Semantica, la busqueda semantica y las ontologas permiten que el conocimiento sea organizado en espacios conceptuales de acuerdo con su signi

107. cado. Esa organizacion per-mite que las busquedas por informa-ci on sean capaces de realizar la selec-ci on y el

108. ltraje de informacion basa-do en la semantica de los terminos de busqueda y de los tems buscados. A continuacion son presentados al-gunos conceptos importantes para la Web Semantica: Ontologas: son modelos conceptua-les que capturan y explican el vo-cabulario utilizado en las aplicacio-nes semanticas. Sirven como base pa-ra garantizar una comunicacion libre de ambiguedades. Es decir, ontologas son una expresion de comunicacion de la Web Semantica. El objetivo de laWeb Semantica es permitir que los computadores reali-cen el procesamiento de toda la infor-maci on de laWeb actual. Por lo tanto, es necesario utilizar lenguajes de co-di

109. cacion que permitan la publicacion de ontologas en un formato que capa-cite a los computadores para procesar las informaciones automaticamente. Los dos lenguajes estandares son RDF (Resource Description Frame-work) y OWL (Ontology Web Langua-ge). RDF permite proporcionar infor-maci on descriptiva simple sobre los re-cursos web (sujeto, predicado y obje-to) y OWL es un lenguaje para de

110. nir ontologas que a su vez permitan de-

111. nir los terminos utilizados para des-cribir y representar un area espec

112. ca del conocimiento. Busquedas Semanticas: son busquedas inteligentes que mejoran la precision de la busqueda por com-prender la intencion del usuario y el signi

113. cado contextual de los terminos usados, como ellos aparecen en laWeb o dentro de un sistema cerrado, para generar resultados relevantes. Bene

114. cios de la Web Semantica Los bene

115. cios mas resaltantes de la implementacion de la Web Semantica son explicados a continuacion: Comercio Electronico: el co-mercio electronico entre vende-dores y consumidores es la for-ma predominante de comercio en la Web. Un ejemplo es la consulta de precios a diversos proveedores. Los consumidores en internet realizan compara-ci on de precios a traves de vi-sitas a los sites y despues ellos mismos comparan precios. Este proceso generalmente lleva mu-cho tiempo, pues no siempre se cumplen las condiciones en una misma unidad de medida. La Web Semantica auxilia en el desarrollo de agentes que real-mente interpreten la informa-ci on en forma de ontologas lo-grando que: (i) La informacion sea extrada correctamente en un formato unico que permite ser comparado con los requisitos de usuario. (ii) La informacion relacionada con la reputacion del proveedor pueda ser obteni-da en otros sitios que realicen una clasi

116. cacion independiente de la con

117. abilidad de los pro-veedores online. (iii) Agentes so-

118. sticados (programas inteligen-tes) puedan comparar precios en sites y realizar propuestas en nombre de los usuarios. Administracion de Conoci-miento: el area de administra-ci on de conocimiento engloba tareas de adquisicion, disponibi-lizaci on y mantenimiento de ba-ses de datos. A medida que los Sociedad de Estudiantes de Ciencia de la Computacion - SECC 15 / 56

119. CompuScientia , Vol. 3 No. 1 ESTUDIANTES AHORA! Diciembre, 2013 sistemas de informacion van lle-gando a una edad media sur-ge una nueva actividad, admi-nistrar el conocimiento para dar soporte a la utilizacion del gran contenido de los datos de las em-presas. La mayor parte de esa informacion esta disponible de manera poco estructurada. El objetivo de laWeb Semantica es permitir sistemas de gerencia-miento de conocimiento mucho mas avanzados. Haciendo uso de ontologas y logica de descrip-ci on se pretende obtener un ni-vel de integracion de datos supe-rior a los utilizados actualmen-te en bases de datos (Wikipedia, DBpedia, entre otros ). Mecanismos de busqueda: la busqueda por informacion basa-da en palabras claves sera reem-plazada por consultas so

120. stica-das. Herramientas de busqueda inteligentes seran utilizadas pa-ra la veri

121. cacion de consistencia de nueva informacion. Web Semantica en la Biodiversidad: Un ejemplo de aplicacion En el area de Biodiversidad existe una gran cantidad de datos generados por diferentes instituciones, los datos son colectados en varios lugares, en dife-rentes formatos y patrones. Especialistas en Biodiversidad rea-lizan diferentes tipos de actividades como analisis de datos sobre especies colectadas, habitat y relaciones con otros seres vivos. Estas actividades re-quieren de herramientas de busqueda inteligentes que ayuden la identi

122. ca-ci on de especies y de su habitat. En funcion del crecimiento de esta informacion, utilizamos diversas tec-nolog as de Web Semantica para or-ganizar los datos de insectos, peces y mamferos presentes en la region amazonica de Brasil. Por lo tanto, se empleo una ontologa de Biodiver-sidad denominada OntoBio. OntoBio fue desarrollada por el Instituto de In-vestigaci on de la Amazona de Brasil (INPA)1. El objetivo principal de OntoBio es conceptualizar de forma clara los aspectos considerados en el proceso de colecta de especies, tales como: nom-bre cient

123. co, taxonoma, lugar donde fue colectado, localizacion geogra

124. ca del habitat actual, entre otros. En la Figura 1, se representa como OntoBio ayuda a organizar y compar-tir la informacion entre diferentes ins-tituciones relacionadas a Biodiversi-dad en la Web. Cada concepto es rela-cionado a una clase, por ejemplo, to-dos los tipos de ecosistema estan re-lacionados a la clase Ecosystem, di-cha clase tiene una localizacion espa-cial (classe SpatialLocation) dentro de la region amazonica de Brasil. De esta manera, otras instituciones de investi-gaci on de Biodiversidad en el mundo pueden utilizar todas las clases de

125. - nidas en la ontologa OntoBio dentro de la Web, pueden compartir informa-ci on de colectas, habitat, entre otras informaciones. Otro ejemplo que esta-mos realizando es relacionar todas las informaciones de OntoBio con DBPe-dia. DBPedia es un proyecto para la extraccion de datos de Wikipedia pa-ra proponer una version general de la Web Semantica. Fig. 1: Ontologa de Biodiversidade (OntoBio) El editor de ontologas Protege 4.0 2 fue utilizado para editar la ontologa OntoBio en el lenguaje OWL. Este lenguaje permite tener triple-tas de datos de toda la informacion de Biodiversidad dividida en sujeto (S), propiedad (P) y objeto (O). Nosotros utilizamos OntoBio para crear una herramienta de busqueda semantica aplicada al entorno de Biodiversidad. Por ejemplo, si un usuario busca por ambiente acuatico el programa en-tender a el signi

126. cado de cada termino y durante la busqueda, sabra que los registros de datos se re

127. eren a ros, la-gos u oceanos; pero no explcitamente ambiente acuatico, que es de interes del usuario. Este tipo de busqueda sera imposible de realizar utilizando solamente la comparacion de cadenas realizada en los motores de busqueda actuales. Nuestro motor de busqueda semantica utiliza un lenguaje padron denominado SPARQL3. SPARQL es un lenguaje de con-sulta de ontologas, la sintaxis de SPARQL es similar al lenguaje de consulta SQL. Nosotros utilizamos SPARQL para generar consultas den-tro de OntoBio. Los especialistas en Biodiversidad pueden identi

128. car una especie utili-zando el sistema de clasi

129. cacion de se-res vivos. Esa clasi

130. cacion esta com-puesta por una jerarqua (reino, cla- 1http://www.inpa.gov.br/ 2http://protege.stanford.edu/download/protege/4.2/ 3http://www.w3.org/TR/rdf-sparql-query/ Sociedad de Estudiantes de Ciencia de la Computacion - SECC 16 / 56

131. CompuScientia , Vol. 3 No. 1 ESTUDIANTES AHORA! Diciembre, 2013 se, orden, familia, genero, especie) que muestra los antecesores de cada orga-nismo y las relaciones entre ellos. La siguiente consulta (Listing 1) fue desarrollada en el lenguaje SPARQL y tiene como resultado mos-trar toda la informacion almacenada referente a una colecta en la Amazona de Brasil. Por ejemplo, consultando la ontologa OntoBio podemos cono-cer la institucion que realizo la colec-ta (ResearchInstitution), el metodo de colecta (MethodCollect), nombre del determinador de la colecta (NameDe-termCollect), entre otras informacio-nes almacenadas en la ontologa Onto- Bio. Adicionalmente, los especialistas en Biodiversidad podran recuperar in-formaci on relevante de cada colecta y de especies que estan en extincion. s e l e c t ? c o l l e c t ? Re s e a r c h I n s t i t u t i o n ?MethodCol lect ?NameDetermCollect where f ? c o l l e c t : mediat ionIns tVinculo ? Re s e a r c h I n s t i t u t i o n . ? c o l l e c t : i sClasAsColTipCol e ta ?MethodCol lect . ? c o l l e c t : mediatColRespColeta ?NameDeterminateCol lect . g Alg. 4: Consulta SPARQL para obtener informacion de una colecta Actualmente, estamos en la etapa de realizar nuevos experimentos con personal especialista en biologa, es-pec

132. camente en plantas, insectos, pe-ces y mamferos con el objetivo de crear casos de uso que puedan contri-buir en nuestro trabajo. Futuro de la Web Semantica De acuerdo con Jim Hendler (precur-sor de la Web Semantica), en el futu-ro cada sitio y aplicacion en la Web contara con su propia ontologa de terminos [3]. Existira por lo tanto, un gran numero de peque~nos componen-tes ontologicos que seran compuestos, en gran parte, por enlaces entre cada site. De lo expuesto, se entiende que en un futuro, el desarrollo de onto-log as sera de la misma forma en que se da actualmente el desenvolvimiento de paginas Web. El resultado sera un gran numero de ontologas, construi-das y mantenidas por personas, enti-dades o instituciones independientes. Con el creciente numero de libros, cur-sos universitarios y tutoriales ofreci-dos en la area de Web Semantica, se podra indicar que hoy, desenvolver ontologas no es mas difcil que desen-volver paginas HTML. Finalmente, esperamos que este artculo sirva de base para futuras investigaciones relacionadas con Web Semantica y ontologas. El ejemplo presentado de Web Semantica en la Biodiversidad podra ser aplicado en el Peru, considerando que nuestro pas tiene una extraordinaria variedad de recursos vivos y de ecosistemas que necesitan ser presentados y comparti-dos con el mundo. Referencias [1] Tim Berners-Lee, James Hendler, and Ora Lassila, The semantic web, Scienti

133. c American 284 (2001), no. 5, 34{43. [2] Harold Boley, Said Tabet, and Gerd Wagner, Design rationale of ruleml: A markup language for semantic web rules, 2001, pp. 381{ 401. [3] Aditya Kalyanpur, Bijan Parsia, Evren Sirin, Bernardo Cuenca Grau, and James A. Hendler, Swoop: A web ontology editing browser, J. Web Sem. 4 (2006), no. 2, 144{153. [4] Flor Mamani, Kleberson Serique, Franco Lamping, Jose dos San-tos, Andrea Albuquerque, and Dilvan Moreira, Implementing an architecture for semantic search systems for retrieving information in biodiversity repositories, http://sbbd2013.cin.ufpe. br/Proceedings/artigos/pdfs/ sbbd_shp_21.pdf, 2013, Acces-sed: 2013-10-06. Flor Karina Mamani Amanqui Ingeniero de Sistemas por la Universidad Catolica de Santa Mara. Actualmente estudian-te de maestra en Sistemas Web y Multimedia en la Universidad de S~ao Paulo, Brasil. Sus areas de investigacion estan relacionadas con la aplicacion de tecnologas Web: Web Semantica, Ontologas, Busquedas Semanticas, Linked Data, Integracion y Recuperacion de Informacion. D. Sc. Dilvan de Abreu Moreira Post Doctorado en la Universidad de Standford en el area de Informatica Biomedica. Actualmente profesor de la Universidad de S~ao Paulo. Sus areas de invetigacion estan enfocadas en la aplicacion de tecnologas Web, en especial las de Web Semantica, en problemas de area Biomedica y de Bioinformatica. Sociedad de Estudiantes de Ciencia de la Computacion - SECC 17 / 56

134. CompuScientia , Vol. 3 No. 1 MOTIVATE! Diciembre, 2013 MOTIVATE! Las TICs y la Computacion en organizaciones internacionales: Aracely Quispe, peruana trabajando en la NASA La computacion y las nuevas tecnologas son cada vez mas necesarias para contrarrestar problemas del mundo y prevenir problemas futuros. Rosa Encinas, S~ao Carlos, SP, Brasil Organizaciones internacionales como la CIA, DEA, NASA, ESA, ROSCOS-MOS, CCCP, etc. estan relacionadas con la seguridad, inteligencia y/o in-vestigaci on [2]. Para cumplir e

135. cien-temente con esos servicios, es necesa-rio el uso de herramientas tecnologi-cas que ayuden con sus objetivos, ya sea para visualizar o procesar datos complejos relacionados a nanotecno-log a, aeronautica, genetica, meteoro-log a, entre otros. Un ejemplo de es-tas herramientas son las super compu-tadoras de la NASA. En la Fig. 1 (a) presentamos un dise~no hipotetico, extrado de SCaN-NASA [4] [3], sobre una arquitectu-ra de comunicacion que ha dise~nado la NASA. Esa arquitectura consta de objetos arti

136. ciales y naturales. Los ar-ti

137. ciales son, principalmente, satelites en orbita alrededor de planetas y de satelites naturales. Los objetos natu-rales son satelites como la Luna, Fo-bos, Deimos, etc. Debemos recordar que un satelite es un objeto que orbita alrededor de algun otro, por ejemplo, la tierra puede ser considerado como un satelite natural debido a que orbita alrededor del Sol. Por otro lado, un satelite arti

138. cial tiene como mision principal enviar in-formaci on a la tierra mediante los ins-trumentos que tiene incorporado, es-tos tienen una funcion espec

139. ca pa-ra cada mision. Los medios de trans-misi on de datos entre los satelites y la tierra son: enlaces por microondas, enlaces opticos y una red de servi-cios integrados ofrecida por la NASA (NASA Integrated Services Network - NISN) |ver Fig. 1(a). La NISN, pro-porciona una red de telecomunicacio-nes de alto rendimiento a grandes dis-tancias para la transmision efectiva de datos, video y voz. Para la gestion de la informacion que se transmite, son necesarios recur-sos informaticos de alta gama, tales EnlacesLporLmicroondas EnlacesLópticos RedLdeLserviciosLintegradosL deLlaLNASAL(NISN) Saturno ..... ..... ..... Neptuno Urano Plutón Júpiter Luna Mercurio Venus Sol SCaN Marte CSME NISN LAMP LOLA LROC CRaTER Mini-RF LEND Diviner LRO Imágenes LRO (a) (b) (c) (d) (e) Fig. 1: Arquitectura de comunicacion hipotetica de la Agencia Espacial Estadounidense |Fuente: Imagen adecuada de SCaN-NASA [4] [3]. como: el NAS (NASA Advanced Su-percomputing) y el NCCS (NASA Center for Climate Simulation), es-tos dan soporte en: sistemas (ejm. NAS |Pleiades, Endeavour, etc.); al-macenamiento (ejm. NAS |ofrece una capacidad de 115 petabytes); net-working (ejm. NAS |10 Gigabit Et-hernet, ancho de banda maximo dis-ponible de 1,6 TB por segundo, etc); visualizacion y analisis (ejm. NAS |Hyperwall-2). Sin tecnologa necesaria, la NASA no podra aprovechar la abundante in-formaci on que tiene para la toma de decisiones a favor de la investigacion y la sociedad. Por lo tanto, la Compu-taci on y las Tecnologas de Informa-ci on y Comunicaciones (TICs) tienen vital importancia dentro de diversas organizaciones internacionales. A continuacion presentamos la descripcion de una tecnologa de la NASA el Lunar Reconnaissance Or-biter (LRO) y una entrevista com Aracely Quispe, una cient

140. ca perua-na que trabaja en la NASA dentro de la mision LRO. Orbitador de reconocimiento lunar (LRO) LRO es un satelite en orbita desde junio del 2009 |ver Fig. 1(b) desti-nada a la exploracion de la Luna. El LRO esta compuesto por 6 herramien-tas: CRaTER, DLRE, LAMP, LEND, LOLA y LROC |ver Fig. 1 (c) y un Mini-RF Technology Demostration. A traves de esas herramientas se obtie-nen gran cantidad de datos, tales co-mo mapas de temperatura de da y noche, imagenes a color de alta reso-luci on |ver Fig. 1 (d), datos globa-les geodesicos y albedo de la Luna. Los datos

141. nales del LRO al, igual que otras misiones de la NASA son almacenados en el Sistema Planeta-rio de Datos (Planetary Data System - PDS)[1], as como los archivos de Sociedad de Estudiantes de Ciencia de la Computacion - SECC 18 / 56

142. CompuScientia , Vol. 3 No. 1 MOTIVATE! Diciembre, 2013 datos antiguos, actuales, y los datos de laboratorio. Este sistema de da-tos esta disponible para cient

143. cos que no estan familiarizados con los expe-rimientos originales. Peruana Aracely Quispe parte de la NASA Despues de una breve descripcion del LRO, presentamos una entrevista a Aracely Quispe que trabaja en la NA-SA con este orbitador, y le pedimos que nos cuente algunas de sus expe-riencias. Aracely Quispe, estudio Ingeniera de Sistemas en Peru. En seguida, decidio es-tudiar una segunda carrarera profesional en Ingeniera As-tron autica en Capitol College, Maryland - USA. Tambien realizo una maestra en In-genier a Astronautica en la misma universidad (especializado en Ciencias y Tecnologa). Sus grados de espe-cializaci on son: Ingeniera Tecnologi-ca Espacial e Ingeniera Tecnologica Electrica en Prince George's Commu-nity College, Maryland - USA. Ac-tualmente forma parte del equipo de ingenieros de la mision LRO de la NA-SA, en el centro de vuelos espaciales GODDARD ubicado en Maryland - USA. En la Tabla 1 presentamos al-gunos de sus premios y reconocimien-tos. A seguir presentamos la entrevis-ta realizada. Premios y/o reconocimientos Reconocimiento por la mision LRO-NASA: Por comandar exitosamen-te la aeronave LRO en situaciones crticas y haber apoyado al equipo de ciencias a lograr sus metas y ob-jetivos. Estudiante honorada por la Aso-ciaci on Internacional de Estudiantes Phi Kappa, USA. Reconocida por el Consulado Pe-ruano en Washintong D.C. como ejemplo a los jovenes peruanos en EE.UU. Podra describirnos en forma ge-neral los aspectos o tareas mas im-portantes del proceso de comandar una aeronave espacial? A.Q.: Este proceso se basa en mane-jar el satelite a traves de sistemas de computadoras (implementados en dife-rentes plataformas de sistemas operati-vos), y comandos especiales dise~nados para permitir su comunicacion. Existen mas tecnologas en conjunto que permi-ten un alto rendimiento en el cuidado de la aeronave y su telemetra. Fig. 3: Aracely en Space Flight Center Goddard (Visitor Center), Maryland - USA |Fuente: Aracely Quispe Neyra. Mediante que tecnicas o metodos manipulan este satelite? A.Q.: Mediante sistemas de comuni-caciones, el cual requiere de antenas localizadas en diferentes ubicaciones geogra

144. cas. Usamos antena S-Band para telemetra y comandos, y K-Band antena para capturar a tierra los datos de ciencias del satelite LRO. Que tipo de tecnologa utilizan pa-ra realizar sus operaciones? A.Q.: Tecnologa de punta, tanto pa-ra los equipos de hardware y software, en los sistemas de tierra y aeronave. Altas frecuencias de comunicacion, y tambien medidas de seguridad a la informacion, las cuales cuidan la te-lemetr a que llega a tierra de manera constante. Cuan importante fue para usted haber estudiado Ingeniera de Sis-temas, que hasta el momento es una de las carreras mas cercanas a Cien-cias de la Computacion en el Peru? A.Q.: La educacion en el Peru me ayudo parcialmente a culminar mi segunda carrera en Ingeniera As-tron autica en USA. Creo que podemos invertir mas en investigar y en desa-rrollar con nuestros estudiantes, antes que manejar y seguir modelos ya esta-blecidos. Siempre digo que el estudio es la mejor llave de superacion |las carreras de ingeniera a nivel universal ayudan a innovar, pero el estudiante es el que tiene el compromiso de seguir descubriendo, aprendiendo y aportan-do segun su vision profesional. Que esfuerzos y logros te llevaron hasta la NASA? A.Q.: Son varios, en primer lugar creo que el amor a DIOS y el creer con con-vicci on que as como muchos, yo tambien estaba dotada de talento para perseguir una carrera prometedora y con total exi-to fuera de Peru. As como tambien mi perseverancia y mi compromiso como es-tudiante y como profesional, ademas de la ambicion de ser competente en la in-dustria aeroespacial. El deporte sin du-da tambien cumplio un rol psicologico muy importante en mi formacion tan-to academica como personal. Puesto que creo que la disciplina es un factor cru-cial para perseverar en cualquier area o ambito de estudio. El haber sido una estudiante destaca-da y becada por la Fundacion Nacional de Ciencias en USA, pertenecer a la Asociacion Internacional de Honores Phi Theta Kappa y poder ser un ejemplo y orgullo para los que valoran mi esfuer-zo y trabajo; como lo son mi familia, los ni~nos, y jovenes del Peru y latinoamerica. Puedes hablarnos un poco sobre la investigacion que estas realizando a cerca de los glaciares del Peru? A.Q.: Como Investigadora y parte de mi trabajo de tesis en mi maestra he realiza- Sociedad de Estudiantes de Ciencia de la Computacion - SECC 19 / 56

145. CompuScientia , Vol. 3 No. 1 MOTIVATE! Diciembre, 2013 do un estudio de investigacion cient

146. ca sobre la desglaciacion del nevado Quelc-caya en el Cusco, esta investigacion es de-nominada: Decadal Time Scale Changes in the Area of Quelccaya Ice Cap from Landsat -7 Satellite Imagery. En este estudio se viene investigando el descenso glaciar en este nevado desde el a~no 1975 al 2012, usando imagenes satelitales de alta resolucion de hasta 15 metros de altura de un satelite de NASA llamado LANDSAT-7, junto a diversas aplicaciones de software enfocados al ma-peo y analisis espectral y geogra

147. co. A su momento se ha encontrado un retro-ceso glaciar en area de aproximadamente 31Km2 en los ultimos 37 a~nos |el cual esta en proceso de publicacion. Un estudiante de Ciencias de la Computacion en Peru tendra opor-tunidad de trabajar en la NASA? A.Q.: Por supuesto, Ciencias de la Computacion es una carrera muy prome-tedora que les permitira ser parte de nue-vos equipos de trabajo para desarrollar las multiples herramientas y tecnologa que requiere la NASA para futuras mi-siones en el espacio o cualquier agencia aeroespacial enfocadas en software y tec-nolog a. A su vez a manejar los diversos sistemas de computacion y comunicacion los cuales estan implementados en pla-taformas de sistemas UNIX, Windows y otros. Y, Que requisitos necesitara? A.Q.: Los requisitos principales seran: Tomar la investigacion como un punto esencial para desarrollar e implemen-tar herramientas que permitan integrar subsistemas dentro de sistemas globales, aplicando la ingeniera de sistemas. Inte-grar la tecnologa y herramientas que ya existen para innovar y aumentar la efecti-vidad y calidad de los sistemas que se les asignen. Y tambien tener el conocimiento de Seguridad en la Informacion, un tema que hoy en da preocupa al mundo, sin embargo esta abriendo mucho campo y necesidad laboral en esta industria. Cuanta diferencia existe entre el nivel academico de las instituciones peruanas y las de Estados Unidos? A.Q.: En EE.UU. usamos y aplicamos mas la Tecnologa y las Ciencias. Ma-tem atica y Fsica son areas importantes para poder manejar sistemas o satelites que orbitan en el espacio, el cual requie-re que la currcula en ingeniera tome mas clases en estas areas, as como tambien en electronica avanzada. El sistema de edu-caci on en el Peru, en lo personal, me ha ayudado en mi formacion academica, pe-ro tambien he tenido que seguir los re-quisitos de la currcula en EE.UU para obtener mi grado de master en Ciencias en Ingeniera Astronautica. Y, Cuanto Te costo adaptarte al nivel academico de EE.UU. y en particular a la NASA? A.Q.: Me costo s, especialmente por el idioma, pero por lo academico considero que parcialmente tena ya lo requerido para continuar mi segunda carrera. Participas o te gustara participar en eventos peruanos que promue-van la investigacion? A.Q.: S, tengo muchos eventos en la cual he sido invi-tada y cada vez que visito Peru gustosa-mente asisto y participo. Algunas otras las realizo por video conferencia. La in-vestigaci on es mi pasion y me identi

148. co mucho en el area, y por ende en su difu-si on. He sido invitada como expositora en feria EXPOTIC 2013 lo cual realice vo-luntariamente por tres das consecutivos en Junio 2013. Fig. 4: Aracely en eventos {Fuente: Aracely Q. N. Si tuvieras la oportunidad de cambiar o mejorar la produccion academica en el Peru, que suge-rir as? A.Q.: Inculcara un mejor plan en la investigacion entre los estudiantes. Que se toquen mas areas de estudio donde no solo se conozca de las ciencias, inge-nier a y tecnologa, si no que se aplique a diversos modelos que se manejan en todo el mundo y que son una necesidad para poder competir en cualquier pas o proyecto. Solicitara que todas las uni-versidades ofrezcan un sistema educativo de calidad veri

149. cada y aceptada por los estandares ISO. Y tambien que se exija seriamente el dominio hablado y escrito de un segundo idioma como el ingles para poder informarnos con facilidad so-bre las investigaciones mas recientes. Y as tambien tener mas oportunidades de cali

150. car para las diversas becas y entre-namientos que ofrece EE.UU, Canada y Europa y que por falta de informacion y del conocimiento lamentablemente se pierden. Cuan lejos estamos de tener una institucion como la NASA en Peru? A.Q.: No sabra responder que tan lejos, pero s puedo decir que el Peru esta te-niendo un crecimiento remarcable y en-tre ello se que estamos a punto de ad-quirir nuestro primer satelite terrestre, y eso es un inicio crucial para la nacion en terminos de seguridad nacional y de in-vestigaci on. Sin duda ello abrira las puer-tas a mas investigacion y porque no de-cirlo, a crear este tipo de carreras en el Peru como ingeniera Astronautica, Ae-ron autica, y Aeroespacial y por ende a una base aeroespacial futura. Fig. 5: En la UNMSM-Peru con mujeres TEC |Fuente: Aracely Q. Que opinas de que a nivel mundial, las mujeres estan cada vez mas in-mersas en el mundo de la tecnologa y computacion? A.Q.: En verdad, esto ya no creo que es ni debera ser mas un estereotipo, de que solo los hombres pueden so-bresalir en estas areas de estudio. Y eso se esta viendo re ejado en diver-sos pases del mundo y considero que el Peru es uno de ellos. Las mujeres podemos realizar y lograr cosas remar-cables tambien en estas areas y lo mas importante es que es grati

151. cante saber del aporte que podemos hacer a la so-ciedad y en mi caso a la humanidad a traves de nuestro conocimiento, expe-riencia y trabajo. Sin duda, esto no es competitividad entre genero sino mas bien es un crecimiento y contribucion a traves de la tecnologa, ingeniera y ciencias. En mi caso pertenezco a la Socie-dad de Ingenieras Mujeres en USA (SWE { Society of Women engi-neers), en donde mensualmente ve-mos diferentes temas de interes y de contribucion en estos temas a

152. nes. Realizamos conferencias y nos abri-mos nuevos horizontes en esta area de Sociedad de Estudiantes de Ciencia de la Computacion - SECC 20 / 56

153. CompuScientia , Vol. 3 No. 1 MOTIVATE! Diciembre, 2013 estudio enfocado a como crecer pro-fesionalmente y la remarcable labor que las mujeres estan realizando en America. Cuales son tus expectativas de aqu a 5 a~nos?Quiza seguir traba-jando en la NASA? A.Q.: Son varias: seguir trabajando en mi doctorado enfocado al dise~no de satelites y al estudio en ciencias de la tie-rra; culminar mi libro que publicare el proximo a~no, donde hablo de los factores mas importantes que me han ayudado a lograr mis metas venciendo las diversas adversidades, a pesar de haber proveni-do de una familia humilde y haber es-tudiado en colegios de zona rural. Quie-ro a traves de ello motivar a los jovenes peruanos a que aun sabiendo que nada es facil en cualquier carrera universita-ria, siempre hay opciones para encontrar los recursos que nos ayuden a culminar con exito nuestras metas y ese fue mi ca-so. Tambien formare parte de una expedi-ci on para dos documentales de temas en-focados en aplicar ingeniera astronautica para analizar sistemas terrestres. Y, Pensaste en viajar al espacio? A.Q.: Lo del espacio podra ser a largo plazo, no es algo que desee hacer por aho-ra, a lo contrario por ahora me motiva mas enfocarme a contribuir a la comuni-dad cient

154. ca desde tierra, a traves de mi investigacion, implementacion y manejo de las diversas tecnologas que NASA maneja; con el

155. n de aportar a futuros descubrimientos que son una seria ne-cesidad por las personas de diferentes partes del mundo. Como ejemplo pue-de ser que actualmente como una parte de mi trabajo en la Mision LRO (El orbitador que estudia-mapea la Luna) contribuyo al estudio y al entendimiento de los rayos cosmicos y radiacion lunar y ver as de que manera esto nos puede ayudar o afectar a corto o largo plazo. Estos son unos de mis temas de interes a corto plazo. Finalmente, Que podras decirles a los lectores que desean estudiar Ciencias de la Computacion o ra-mas a

156. nes? A.Q.: Son carreras altamente promete-doras, carreras de hoy y de siempre, no del futuro porque son ahora mismo una necesidad de aporte a la humanidad en general. A traves de la tecnologa y cien-cias manejamos no solo empresas, si no sectores de desarrollo en un pas. Estas carreras no solo son complementadas, si no tambien requeridas entre diferentes areas de estudio; por ello requieren de in-vestigaci on y actualizacion constante. En mi opinion, son carreras destacadas y de mucho aporte, y la necesidad de su cono-cimiento cada da va en ascenso. Finalmente Agradecemos a Aracely Quispe por su colaboracion, compartiendo su expe-riencia con nosotros, que de seguro va a motivar a muchos a seguir sus obje-tivos y metas. Como hemos visto la Computacion y las TICs tienen muchos campos de accion y son indispensables en una or-ganizaci on, dependiendo de la mag-nitud de esta. Las organizaciones in-ternacionales, enfocadas en software y tecnologa necesitan de la compu-taci on y las TICs, para seguir desa-rrollando nuevas tecnologas, hacien-do investigacion, etc. como es el ca-so de la NASA, donde Aracely Quispe trabaja. Referencias [1] Planetary data system, http://pds.nasa.gov/, 2013. [2] Talk:list of space agencies, http://bit.ly/1dM8vZc, 2013. [3] Chin G. et al., Lunar reconnaissance orbiter overview: the instrument suite and mission, Space Science Reviews 129 (2007), no. 4, 391{419. [4] NASA, Space communications and navigation, http://1.usa.gov/1kcCZRH, 2013. Rosa Virginia Encinas Quille Recibio el grado de Bachiller en Ingeniera de Sistemas en la Universidad Nacional del Altiplano (Puno, Peru), de la promocion 2007. Realizo estudios de maestra en Gerencia de Tecnologas de Informacion y Comunicaciones en la misma Universidad, promocion 2009. Actualmente, esta culminando una maestra en Ciencias de la Computacion en la Universidad de S~ao Paulo (GBDI-ICMC-USP, S~ao Carlos, Brasil).http://www.icmc.usp. br/~encinas/ MOTIVATE Cloud Computing para terrenales El termino cloud computing involucra diversas tecnologas y aspectos. A traves de este artculo me propongo despejar el clima tecnologico para ayudar a visualizar y comprender mejor de que se trata esta computacion en la nube. Finalmente, explicare un caso de implementacion de un cloud privado en la Universidad Catolica San Pablo basado en la plataforma Eucalyptus. Rudy Godoy, Arequipa Los ultimos a~nos el termino cloud computing se ha difundido de mane-ra acelerada. La de

157. nicion de cloud computing del National Institute of Standards and Techonology - NIST [1] se~nala: Cloud computing is a model for enabling ubi-quitous, convenient, on-demand network access to a shared pool of con

158. gu- Sociedad de Estudiantes de Ciencia de la Computacion - SECC 21 / 56

159. CompuScientia , Vol. 3 No. 1 MOTIVATE! Diciembre, 2013 rable computing resources (e.g., networks, servers, storage, applications, and services) that can be ra-pidly provisioned and re-leased with minimal ma-nagement eort or service provider interaction. Segun esta de

160. nicion, son carac-ter sticas esenciales del cloud compu-ting: On-demand self-service que se re

161. ere a la capacidad de reser-var capacidades de computo sin la intervencion humana con ca-da proveedor del servicio, Broad network access que se re

162. ere la capacidad de acceso esta disponible a traves de la red, independiente del compu-tador o dispositivo que se use para acceder, Resource pooling que se re

163. ere a que los recursos de compu-to estan dispuestos de manera que puedan servir a multiples clientes asignandolos de manera dinamica, Rapid elasticity que se re

164. ere a que las capacidades de computo se pueden asignar y liberar de forma elastica, y Measured service que implica que los usuarios de estos servi-cios pueden controlar y optimi-zar el uso de recursos a traves de las capacidades de metricas. Adicionalmente, existen modelos de servicio en cloud los cuales son: Software as a Service (SaaS), Plat-form as a Service (PaaS), e Infrastruc-ture as a Service (IaaS). Finalmente, se tienen los Deployment Models que son: Private cloud, Community cloud, Public cloud, Hybrid cloud y los cua-les describiremos en detalle posterior-mente. La primera parte del artculo esta orientada a explicar los modelos de servicio y los modelos de despliegue el cloud. Se busca explicar con ejemplo concretos cada uno de estos aspectos y las tecnologas involucradas. En la segunda parte del artculo se aborda el caso de la implementacion de un entorno cloud privado en la Univer-sidad Catolica San Pablo, Arequipa. Esta plataforma implementa el mode-lo de servicio IaaS. Modelos de despliegue Los modelos de despliegue se re

165. e-re a las diferentes formas en las que se puede desplegar una infraestructu-ra de cloud computing. Estas son: Public Cloud Se denomina Public Cloud a las plataformas de cloud que estan dispo-nibles de manera publica, lo cual per-mite que cualquier persona u organi-zaci on las emplee para sus necesidades computacionales, usualmente median-te un pago previo. Amazon Web Services Este modelo de despliegue es ope-rado por un proveedor del servicio quien, usualmente por medio de un pago, permite a sus clientes el uso de su infraestructura en demanda. Entre los proveedores mas reconocidos tene-mos a Amazon Web Services (AWS), lder en la industria y el primero en ofrecer la computacion en la nube de manera comercial. Ademas de es-to, AWS tambien ha implementado un API (Application Programming Inter-face) para este servicio y otros que tambien ofrece bajo la modalidad de en demanda. Otro proveedor de pla-taforma cloud publico es Azure, ope-rado por Microsoft. Esta plataforma data del a~no 2010 y ademas de so-portar las propias tecnologas de Mi-crosoft, tambien lo hace con entornos basados en Linux. Finalmente, estan proveedores como Rackspace, etc. Private Cloud Se denomina Private Cloud a las plataformas cloud que se implementan en un entorno privado en el que sola-mente los que cuentan con acceso a este pueden hacer uso de tal platafor-ma. Se puede equiparar esta presenta-ci on de cloud a los servicios basados en tecnologas de Internet, denominados Intranet. Eucalyptus Esta presentacion del cloud per-mite a las organizaciones contar con productos y tecnologas equiparables a las que estan disponibles en servi-cios de cloud publico, preservando la con

166. dencialidad y seguridad de la in-formaci on que se gestiona en la orga-nizaci on. En el caso del cloud privado no existen proveedores del servicio, pues-to que cada organizacion implementa su propia infraestructura de servicio. Sin embargo, s existen tecnologas que hacen posible la implementacion de tales plataformas. Entre los pro-ductos que permiten este tipo de im-plementaciones tenemos: Eucalyptus, OpenStack, CloudStack, etc. La ma-yor a de estos productos se desarrollan bajo un modelo open-source. Hybrid Cloud Se denomina Hybrid Cloud a una forma de uso de tanto de una private cloud en conjunto con infraestructu-ra de public cloud. Esta presentacion del cloud no es de por s una forma de despliegue sino se puede ver como un modelo de arquitectura cloud que intenta aprovechar lo mejor de ambas presentaciones. El Hybrid Cloud es una apuesta para las organizaciones que pensando en mantener la privacidad y seguridad de la informacion que gestionan, quie-ren emplear tecnologas y capacidades que ofrece el cloud computing de ma-nera que puedan efectuar sus procesos y servicios de la mejor forma para bien de sus clientes internos y externos. Modelos de servicio Los modelos de servicio en cloud computing son las diferentes formas en las que se puede hacer uso de la plata-forma, en sus distintos niveles o capas en la arquitectura de software como son: sistema operativo, middleware de aplicacion, aplicaciones de usuario

167. - nal. Sociedad de Estudiantes de Ciencia de la Computacion - SECC 22 / 56

168. CompuScientia , Vol. 3 No. 1 MOTIVATE! Diciembre, 2013 Modelos de servicio cloud Infrastructure as a Service Infrastructure as a Service(IaaS) se enfoca en la virtualizacion de la infraestructura de computacion. Esta infraestructura se re

169. ere a los recur-sos de computacion que se encuentran usualmente en un centro de datos, co-mo son redes, computadores, almace-namiento. Este modelo de servicio principal-mente esta orientado a arquitectos de red o plataforma. Ellos de

170. niran sobre esta la arquitectura del servicio y la distribucion de los recursos de compu-to, as como la forma en la que los usuarios

171. nales de estos recursos los utilizaran. Platform as a Service Platform as a Service (PaaS) esta orientado principalmente a desa-rrolladores de aplicaciones para usua-rio

172. nal. Bajo este modelo los desa-rrolladores de aplicaciones pueden ele-gir la forma en como se despliegan las aplicaciones y los recursos de computo y stack de la aplicacion, as como des-de aspectos como la disponibilidad, escalabilidad, continuidad de negocio, etc. Un caso de uso comun es cuando se crea un producto de software. En lu-gar de contratar un hosting, con

173. gu-rar el sistema operativo con los com-ponentes necesarios para ejecutar la aplicacion, gestionar la seguridad, etc. el equipo accede a este tipo de servi-cios en donde de

174. ne los recursos de computo que necesita inicialmente, el stack de componentes para ejecutar la aplicacion, el almacenamiento de da-tos y procede a desplegar la aplica-ci on. La aplicacion se con

175. gura au-tom aticamente y se sirve inmediata-mente. Una de las caractersticas intere-santes de este tipo de servicios es que se integra perfectamente con el con-junto de herramientas que los desa-rrolladores usan en su da a da. Por ejemplo, el servicio hace una copia del repositorio de control de versiones y cada vez que recibe un push (en git) efectua el despliegue de una nueva ver-si on de la aplicacion. De este modo, el equipo de desarrollo puede incluir estos procesos en el ciclo de vida del software. Este tipo de servicio es ofertado generalmente en modo publico, sin embargo, tambien existen alternativas para emplearlo en modo privado. En-tre los principales proveedores de es-te tipo de servicio tenemos a Heroku, que fue el pionero en el mercado junto con Engine Yard, Google App Engine, y recientemente Openshift Online de RedHat, que tambien ofrece una ver-si on para uso en entornos privados. Software as a Service Software as a Service (SaaS) es un modelo de distribucion de softwa-re que aprovecha las capacidades de Internet para llegar a un gran nume-ro de clientes. Es una alternativa al tradicional modelo de distribucion de aplicaciones para desktop o dispositi-vos moviles en donde el cliente adquie-re el software o una licencia que le da derecho a usarlo en uno o mas dispo-sitivos. Este modelo de servicio esta orien-tado a cualquier persona que requiera hacer uso de un determinado softwa-re para sus

176. nes particulares. Aqu es donde la oferta de aplicaciones es abundante. El usuario de este servicio principalmente hace uso de la aplica-ci on cuando lo necesite y desde donde lo necesite. Esto le permite gran e-xibilidad puesto que no esta atada a algun equipo, licencia o costo

177. jo. Entre las ventajas para el desa-rrollador de la aplicacion que se ofre-ce bajo este modelo se pueden men-cionar: capacidad de efectuar mejora continua del producto, la cual bene-

178. cia a todos sus usuarios, capacidad de mejorar la aplicacion gracias a las metricas y analytics, ofrecer un mejor nivel de soporte, etc. Google Mail o Gmail, Google Apps (incluyendo la suite de o

179. cina), Atlas-sian JIRA OnDemand, Trello, Sales-force, Mixpanel, Marketo, AppDyna-mics, SAP Business By Design, son algunos de las aplicaciones distribui-das bajo el modelo SaaS. Hay que se~nalar que este modelo no esta ne-cesariamente vinculado a un modelo de negocio en particular o al pago por el servicio. Existen aplicaciones bajo este modelo que no tienen costo. Sin embargo, el modelo mas difundido es el cobro de un monto

180. jo por mes o anual con variaciones que dependen del numero usuarios o uso de recur-sos. Un cloud privado en la UCSP Una de los bene

Revista compuscientia 2013

Recomendados

Recomendados

Más contenido relacionado

Similar a Revista compuscientia 2013

Similar a Revista compuscientia 2013 (20)

Último

Último (11)

Revista compuscientia 2013