1. Introducción
Los videojuegos están presentes en la industria de desarrollo de software. El desarrollo de la inteligencia artificial del videojuego ha abordado poco a poco el desarrollo de los algoritmos y técnicas para la búsqueda del camino más corto, así como del control de movimiento de los personajes, ambos partes de la inteligencia artificial del mismo. El presente artículo pretende explicar algunos de los algoritmos usados en el desarrollo de videojuegos.

2. Descripción del problema
En la simulación de comportamientos de los personajes no manejados por el jugador: NPCs, enemigos, jefes finales, animales, etc. es importante mencionar que mientras que hubo avances en los últimos años parece que se ha llegado a un tope y la verdadera inteligencia de nuestros aliados y enemigos virtuales se ha estancado.

3. Solución
Por tanto se hace uso de la IA para romper con estos paradigmas, esencialmente se hace uso de algoritmos de búsqueda como el algoritmo A* , máquinas de estados para controlar los eventos que surgen en las simulaciones, redes neuronales que se encargan de generalizar patrones y finalmente, los algoritmos genéticos para la optimización de problemas no resueltos.

Con el videojuego Dune 2 (WESTWOOD STUDIOUS, 1992), Westwood creo un nuevo género que se convirtió en un éxito principalmente en los videojuegos de PC, este género, cambió la dinámica del juego basado en turnos por un juego en tiempo real, lo cual generaba presión en el tiempo de juego así como una mejor animación gráfica ampliando el mercado de este género a toda una nueva generación de jugadores.

Posteriormente se crearon dos de los videojuegos considerados precursores en la IA de los RTS, estos fueron: Warcraft: Orcs and Humans (BLIZZARD 2013) y Command and Conquer (WESTWOOD STUDIOUS, 1992); Ambos videojuegos son considerados sinónimos de algoritmos de Pathfinding o búsqueda de caminos A*, esto básicamente por ser el reto principal en esta clase de videojuegos (MILLINGTON, 2009). Ambos se caracterizan por utilizar escenarios basados en grillas, las cuales son pequeñas cuadrículas que representan sectores del mapa, tal y como se puede observar en la ilustración. Además, utilizaron un entorno de navegación estático, es decir que no varía en el tiempo; sin embargo, ya en los últimos años se ha desarrollado videojuegos RTS. Mapa de tiles en Warcraft: Orcs and Humans 18 entorno dinámico, como es por ejemplo Company of heros (Relic Entertainment, 2006); en este videojuego se producen cambios en la estructura del mapa en tiempo real, tal y como se muestra en la ilustración, esto implica que en dichos videojuegos una vez que se ha determinado el camino que debe seguir un agente, puede ver necesario replantear su camino en pleno desplazamiento, lo cual aumenta los costos de ejecución del algoritmos.

4. Conclusiones
El articulo determinó que son tres los mecanismos que más se utilizan para representar los mapas en videojuegos RTS de dos dimensiones: Las mallas de navegación, las grillas cuadriculadas y los puntos de paso o waypoints; como bien se ha mencionado en el estado del arte, cada uno ofrece sus ventajas y sus desventajas, las cuales se comparan de manera cualitativa en la tabla de comparación de técnicas para representar áreas de búsqueda.

Se observó que existen soluciones para distintos tipos de necesidades, así por ejemplo, el algoritmo de Dijkstra explora una mayor cantidad de nodos y por lo tanto siempre encuentra una solución óptima, aunque le tome un tiempo considerable conforme se incremente la cantidad de nodos a explorar. También se explicó los algoritmos de búsqueda primero el mejor como por ejemplo el algoritmo voraz y el A*.

5. Referencias
https://www.researchgate.net/publicatio ... ideojuegos

Resumen
En la actualidad, la mesa de partes de la Facultad de Ingeniería Industrial y de sistemas, que pertenece al área Secretariado académico y administrativo, se encarga principalmente del proceso de trámites académicos.
A lo largo de los años, mesa de partes ha trabajado con procedimientos semimanuales y de carácter presencial en un horario reducido para estudiantes (carácter presencial hasta antes del confinamiento). Actualmente la atención es vía correo electrónico, pero bajo los mismos procedimientos. En el contexto presencial se evidenciaba la demora de estos procesos al encontrarse tiempos de proceso de trámites académicos prolongados mayores a 2 y 6 meses y en consecuencia la insatisfacción del usuario.

Gráfico 1: Tiempos estimados de proceso de trámites académicos Finalmente, esto se refleja en la satisfacción del usuario de este servicio. El estudio mostró que más del 70% de la población se encuentra insatisfecha en relación al servicio de trámites académicos que ofrece mesa de partes.

Por tanto, se planteó que la aplicación de Inteligencia Artificial a través de un chatbot reducirá el tiempo de procesos de trámites académicos en la Facultad de Ingeniería Industrial y de Sistemas.
La siguiente tesis se enfoca en el diseño del Chatbot para la mejora del servicio de atención en el trámite de solicitudes académicas en la facultad de Ingeniería Industrial y de Sistemas de la Universidad Nacional de Ingeniería Lima - Perú, se tomará como caso de estudio el área de mesa de partes que brinda el soporte en el trámite documentario en la facultad.

Descripción
Este estudio está limitado al diseño de una herramienta web (chatbot integrado a Facebook), donde se realizará consultas sobre información de la mesa de partes y/o sobre un trámite en particular, de la misma forma se realizarán solicitudes de los trámites, donde el chatbot realizará de manera interna una búsqueda de información, el cual estará conectado con la base de datos del sistema donde se registran las solicitudes, con un banco de preguntas almacenado que realizará al usuario, empezará de manera básica y poco a poco irá desarrollando mayor atención y solución de requerimientos e incidentes. El desarrollo de este proyecto será creado a través de la herramienta de código abierto Rasa en el ambiente Linux y se mostrará al usuario a través de una integración con Facebook Messenger.

Gráfico 8: Diagrama de flujo del chatbot asistente para la mesa de partes Modelo Rasa NLU Rasa Core Stories Rasa Core Domain Resultados
Prueba de caso de uso Información sobre mesa de partes en terminal Rasa Shell Interfaz gráfica a través de la integración con Facebook Messenger Conclusiones
Los resultados y conclusiones no solo benefician al personal de mesa de partes sino a los estudiantes y egresados de la facultad, lo cual ayudará como base a que también se pueda implementar para otras áreas que buscan mejorar el servicio, simplificar las operaciones que demandan mucho tiempo.

Actualmente hay mucho entusiasmo con respecto a los chatbots y la IA conversacional en general. Las tecnologías a menudo se comparan entre sí para encontrar la que mejor se adapte a una organización o tarea. En este artículo, nos centraremos en utilizar una opción de código abierto denominado Rasa.


1. Descripción general de la arquitectura Rasa
El siguiente diagrama proporciona una descripción general de la arquitectura de código abierto de Rasa. Los dos componentes principales son la comprensión del lenguaje natural (NLU) y la gestión del diálogo.
NLU es la parte que maneja la clasificación de intenciones, la extracción de entidades y la recuperación de respuestas. Se muestra a continuación como la canalización de NLU porque procesa las expresiones del usuario mediante un modelo de NLU que genera la canalización entrenada.
El componente de gestión del diálogo decide la siguiente acción en una conversación en función del contexto. Esto se muestra como Políticas de diálogo en el diagrama.


2. Rasa modelos
Modelos generativos
Es un modelo bastante avanzado, se usa muy poco porque requiere algoritmos complejos. Son difíciles de construir y desarrollar. El entrenamiento de este bot requiere de mucho tiempo y esfuerzos, creando millones de ejemplos.
Se basa en un modelo de aprendizaje profundo para crear respuestas durante una conversación. Sin embargo, nunca se sabe qué va a responder el bot.

Modelos basados en la recuperación
Es un modelo de arquitectura mucho más fácil de construir y también más confiable. Claro, las respuestas no son 100% precisas, pero se pueden conocer los tipos de respuestas y asegurarse de que el chatbot no envíe respuestas inapropiadas o incorrectas.
Actualmente, es el modelo más usado. Varios algoritmos y API están disponibles para que los desarrolladores creen chatbots en este modelo arquitectónico. Es un tipo de bot que considera tanto el mensaje como el contexto para dar con el tipo de respuesta.

3. Algoritmos de entrenamiento
Para cada tipo de pregunta debe existir un patrón único, para así dar con la respuesta adecuada. Con mucha combinación en los patrones, crea una estructura jerárquica. Los algoritmos sirven para reducir los clasificadores y generar la estructura más manejable. Es lo que los científicos informáticos llaman enfoque “reduccionista”.

La multinacional Naive Bayes es el algoritmo clásico para la clasificación de texto y PLN(Procesamiento de lenguaje natural). El algoritmo se organiza de la siguiente manera:

Ejemplo de conjunto de entrenamiento de muestra:
Clase: saludo
- "¿Cómo estás?"
- "Buenos días"
- "hola"

Ejemplo de clasificación de oraciones de entrada:

Entrada: "Hola buenos días"
Término: "hola" (sin coincidencias)
Término: "buenos" (clase: saludo)
Término: "días" (clase: saludo)
Clasificación: saludo (puntuación = 2)

Con la ayuda de la ecuación, se encuentran coincidencias de palabras para algunas frases de ejemplo en cada clase. Si notas el puntaje del ejemplo, es la que identifica la clase con las coincidencias más altas en el término.
Pero las limitaciones de esta puntuación índica es que no garantiza que sea la coincidencia perfecta.

Redes neuronales artificiales


Las redes neuronales son una forma de calcular la interacción utilizando conexiones ponderadas que se toman a partir de repeticiones mientras se entrena los datos. Con cada repetición se mejora la precisión del mensaje de salida.
Al igual que con el ejemplo anterior, cada oración se divide en palabras diferentes, pero cada palabra se usa como entrada para las redes neuronales. Las conexiones ponderadas se calculan luego mediante diferentes iteraciones a través de los datos de entrenamiento miles de veces. El algoritmo mejora con cada interacción hasta que la respuesta es más precisa.
Este tipo de algoritmo es comparable a un código. Por ejemplo, cuando hay una muestra comparativamente pequeña, donde las oraciones de entrenamiento tienen 200 palabras diferentes y 20 clases, entonces eso sería una matriz de 200 × 20.
Pero también hay que tener en cuenta que cuando el tamaño de la matriz aumenta n veces se puede generar gran cantidad de errores. Es por eso que la velocidad de procesamiento debe ser muy alta.

Para mayor información pueden ir al siguiente link:
https://rasa.com/docs/rasa/arch-overview

Una corriente de resaca oculta en las aguas poco profundas; una lancha rápida demasiado cerca de la costa; un nadador fuera de su profundidad. Estos son solo algunos de los peligros que los socorristas de la playa vigilan constantemente para mantener seguros a los bañistas. Pero el ahogamiento sigue siendo un problema importante; según la Organización Mundial de la Salud, hubo 320.000 ahogamientos en todo el mundo en 2016, lo que la convierte en la tercera causa más alta de muerte relacionada con lesiones.
Ahora, una startup israelí dice que tiene una solución. Sightbit ha creado un salvavidas de inteligencia artificial, también llamado Sightbit, que ayuda a los salvavidas humanos a vigilar la playa e identificar peligros potenciales, dice el cofundador y director ejecutivo de la compañía, Netanel Eliav.
El sistema basado en cámaras monitorea el medio ambiente, evalúa los riesgos y detecta peligros, compartiendo información en tiempo real con los socorristas de servicio, para que puedan actuar temprano para prevenir accidentes fatales, dice Eliav.

Salvavidas de IA

El trabajo de un salvavidas es prevenir incidentes alrededor de una piscina, en la playa o en el agua, y responder en caso de emergencia. Pero un salvavidas no puede vigilar todo todo el tiempo, y así es como ocurren los accidentes, dice Eliav. "Aproximadamente el 90% del trabajo de cualquier salvavidas consiste en escanear y solo tratar de ir un paso por delante", dice.

Para más información, clic en el siguiente enlace:
https://edition.cnn.com/travel/article/ ... uBkMI0JcGA

Con el crecimiento exponencial en el mercado de dispositivos móviles durante la última década, los chatbots se están convirtiendo en una opción cada vez más popular para interactuar con los usuarios, y su popularidad y adopción se están extendiendo rápidamente. Estos dispositivos móviles cambian la forma en que nos comunicamos y permiten un aprendizaje siempre presente en varios entornos.
Este estudio examinó los chatbots educativos para Facebook Messenger para apoyar el aprendizaje. El directorio web independiente se examinó para evaluar los chatbots para este estudio, lo que resultó en la identificación de 89 chatbots únicos. Cada chatbot se clasificó por idioma, tema y plataforma del desarrollador. Finalmente, evaluamos 47 chatbots educativos utilizando la plataforma Facebook Messenger con base en el proceso de jerarquía analítica contra los atributos de calidad de enseñanza, humanidad, afecto y accesibilidad. Descubrimos que los chatbots educativos en la plataforma Facebook Messenger varían desde el nivel básico de enviar mensajes personalizados hasta recomendar contenido de aprendizaje. Los resultados muestran que los chatbots que forman parte de la aplicación de mensajería instantánea aún se encuentran en sus primeras etapas para convertirse en asistentes de enseñanza de inteligencia artificial. Los hallazgos brindan consejos para que los maestros integren los chatbots en la práctica del aula y aconsejan qué tipos de chatbots pueden probar.

Para más información, clic en el siguiente enlace:
https://www.sciencedirect.com/science/a ... 1520300622

Talend unos de los principales proveedores globales de soluciones de integración e integridad de datos en la nube, ha anunciado que L’Oréal, la multinacional francesa y líder mundial en cosmética, está utilizando Talend para potenciar el lago de datos del departamento de Investigación e Innovación (R&I) en un entorno IaaS privado en Microsoft Azure. Con Talend, los equipos de I+D de L’Oréal pueden ingerir su variedad de datos científicos, de IoT y de marketing, para impulsar el análisis y la innovación de nuevos productos.

Para mayor información dar click al enlace a continuación:
https://bigdatamagazine.es/talend-ayuda ... -cosmetica

El nombre del robot será Kiwi, y se adaptará a las necesidades de cada niño. Ha sido desarrollado por un equipo de la Universidad del Sur de California y en las pruebas iniciales se ha colocado este singular robot que tiene forma de pájaro en la casa de 17 niños con autismo.

Este robot lleva en sus casas un mes y con el han podido jugar a juegos de matemáticas utilizando como temática el espacio. Cuando realizan el ejercicio correctamente el robot les felicita, mientras que cuando se equivocan el robot les da un consejo para mejorar. A medida que el niño juega con el robot este va modificando su algoritmo para adaptarse a las necesidades individuales de cada caso...

Click en el siguiente enlace para mayor información:
https://bigdatamagazine.es/un-robot-con ... n-autismo

A medida que la tecnología avanza, la IA también, brindándonos nuevas experiencias e interacciones con el mundo, esto también se expandió a las aplicaciones móviles.

En este articulo se mencionará algunas de las aplicaciones móviles que utilizan inteligencia artificial. Entre ellas tenemos FaceApp, ELSA, Swiftkey, Microsoft Pix Camera y otros.

Click en el link para mayor información:
https://www.ionicgamers.com/estas-son-l ... s-conocer/

Los datos y el aprendizaje automático pueden ayudar a mover la aguja para las marcas, pero a menudo es un desafío para los especialistas en marketing saber por dónde empezar, y qué es realidad frente a ficción. En esta charla en la Conferencia BRITE '19, Catherine Williams, científica principal de datos de la compañía de publicidad y análisis de AT&T

Click en el video para ver la conferencia magistral completa brindada por Catherine Williams:

El presente articulo presenta la creación de dos Entornos Virtuales Inteligentes (EVI) con Redes Neuronales Artificiales (RNA). En un EVI se realiza el diagnóstico de problemas visuales como astigmatismo, miopía e hipermetropía. El otro se enfoca, en la percepción y el razonamiento de señales de advertencia en un entorno laboral.

En el desarrollo, se hace primero una caracterización de las Redes Neuronales Artificiales y luego se hace una simulación de ellas; de acuerdo a los resultados obtenidos, se selecciona una arquitectura de red (Perceptrón Multicapa) y ésa es la que se implementa en los EVI.

Click en el siguiente enlace para mayor información:
https://scielo.conicyt.cl/scielo.php?sc ... 4000500015