Módulo 4 Misión 1: Arquitectura de Bots

 

Introducción 

"Bienvenidos a la Misión 1 del Módulo 4. En esta entrega exploramos cómo la arquitectura de un bot puede emular una red de decisiones lógicas estructuradas. Para ello, hemos diseñado ProfBot-UP, un asistente especializado que automatiza la validación de expedientes docentes bajo los parámetros del Artículo 183 del Estatuto Universitario. A través de este desarrollo, comprobamos cómo la programación de reglas condicionales estrictas transforma la evaluación institucional en un proceso ágil, preciso y eficiente para la Dirección de Concursos."


Como parte del curso de IA Generativa de FATLA, elaboré el sistema ProfBot‑UP, diseñado para asistir en la asignación de categorías del escalafón docente según el Artículo 183 del Estatuto de la Universidad de Panamá. La idea central y la estructura lógica del bot fueron desarrolladas con apoyo de Gemini y después con el refinamiento de Copilot, lo que permitió establecer un flujo de validación preciso y coherente con las normativas institucionales.

Se exploraron diversas alternativas de implementación, incluyendo una versión para WhatsApp mediante APIs externas. No obstante, la ausencia de un número dedicado y las limitaciones de acceso a herramientas como ChatGPT Pro dificultaron su ejecución. También se probó GEMS, pero presentó inconsistencias en la interpretación de los criterios reglamentarios. Finalmente, se implementó una versión web con Gemini Notebook, lo que permitió obtener un prototipo funcional, estable y capaz de aplicar correctamente la lógica del escalafón. Este proyecto evidencia el potencial de la IA generativa para fortalecer la transparencia y reducir errores en procesos administrativos universitarios.


Comentarios

Publicar un comentario

Entradas más populares de este blog

Sistematización de experiencia 1-IIA Tarea 1".

Imagen
La Inteligencia Artificial en la palma de la mano: Un análisis de evidencias cotidianas. En la era actual, la Inteligencia Artificial (IA) ha dejado de ser una promesa tecnológica para convertirse en un motor invisible que impulsa nuestra interacción digital cotidiana. Como parte de mi formación en el curso de IA Generativa de FATLA, me he propuesto documentar cómo esta tecnología redefine nuestras capacidades diarias a través de mi smartphone. En este espacio, presento tres evidencias concretas sobre la aplicación de la IA en la traducción de lenguaje, la visión por computadora y la edición creativa. A través de este ejercicio de rastreo y captura, analizo cómo la transición de procesos manuales hacia el aprendizaje automático no solo optimiza nuestra eficiencia, sino que transforma profundamente nuestra participación en la Sociedad de la Información. A continuación, comparto el material visual y la explicación técnica que sustentan este análisis. Figura 1: Traducción simultánea en Wh...
Leer más

Sistematizacion de experiencia 1-IIA Tarea 2

Imagen
  Auditoría de Campo (Investigación) Interacción con el Asistente de Google, se le hizo vervalmente una pregunta,  identificó la pregunta y la respondió correctamente. Análisis de Algoritmos de Predicción: YouTube, Netflix y Amazon En esta sección, se presentan tres evidencias del despliegue de sistemas de recomendación basados en inteligencia artificial, los cuales operan mediante el análisis masivo de datos y el reconocimiento de patrones de consumo. En la captura de YouTube , observamos el filtrado colaborativo que prioriza contenido basado en mi tiempo de permanencia y suscripciones; en Netflix , la interfaz evidencia cómo la IA agrupa metadatos para sugerir títulos bajo la lógica de "Porque viste...", estableciendo una conexión semántica entre géneros; finalmente, la captura de Amazon demuestra el uso de modelos predictivos que transforman mi historial de navegación en sugerencias comerciales personalizadas. Estas capturas validan cómo los algoritmos de aprendizaje aut...
Leer más

Módulo 2: Calidad de Datos y Explicabilidad - Tarea 3.

Imagen
Ética de Datos y Transparencia Algorítmica: El Desafío de la Caja Negra Introducción: En las entregas anteriores del Módulo 2, analizamos cómo estructurar el Machine Learning para optimizar procesos como el triaje de correspondencia y cómo simplificar las variables mediante la reducción dimensional. Sin embargo, la ingeniería de algoritmos está incompleta si no se analiza desde una perspectiva ética. En esta tercera fase, abordamos los dos pilares que definen a la Inteligencia Artificial socialmente responsable: la equidad en la recopilación de datos y la transparencia o explicabilidad técnica. 📊 Fase 1: Recopilación y Sesgo (La Procedencia de la Información) El principio fundamental del aprendizaje automático dictamina que un algoritmo es tan bueno como los datos con los que se entrena. Cuando existe una mala selección en la muestra inicial, el sistema hereda, automatiza y amplifica la falta de equidad en sus resultados. El origen de este problema radica en la procedencia de...
Leer más