^{El Encuentro de Ingenierías 2022, con más de 80 charlas con temáticas de las distintas áreas de esta disciplina, algunas de ellas con ponentes internacionales, convocó a estudiantes de las modalidades escolarizada, no escolarizada, abierta y online.}

“El ingeniero es aquella persona que ejerce el ingenio, ingeniería es la disciplina o profesión del ingeniero y la evolución de los teléfonos celulares son un ejemplo sencillo que nos muestra lo ingeniosos que son los ingenieros”, dijo la Dra. Rosa María Cantón Croda, decana de ingenierías, durante la inauguración del Encuentro de Ingenierías 2022. 

Posterior al resguardo causado por la crisis sanitaria del 2019, acompañados por la Dra. Rosa María Cantón Croda, decana de ingenierías, y el Dr. Mariano Sánchez Cuevas,
vicerrector académico de la UPAEP; se inauguró de manera presencial y virtual el encuentro de ingenierías UPAEP 2022.

Estudiantes de todas las ingenierías de las distintas modalidades de la UPAEP y colaboradores de la misma, junto con la presencia de estudiantes, profesores y directivos de la Universidad de Cristóbal Colón, tuvieron la oportunidad de reunirse en dicho evento para abordar temas constructivos y crear un punto de encuentro del quehacer profesional del ingeniero para fortalecer la formación de toda la comunidad ingenieril, tanto de internos como de externos, punto con el que coincidió la Dra. Cantón.

La decana destacó la inmensa intervención del ingeniero en distintos sectores, mencionando que los avances tecnológicos y científicos se ven fuertemente ligados por el apoyo de las ingeniería. Aunado a esto, mencionó el compromiso de la UPAEP por formar ingenieros capaces de resolver y proponer soluciones, punto que reforzó el Dr. Mariano
Sánchez, felicitando la iniciativa del evento de carácter interdisciplinar que refleja dicho compromiso.

Convirtiendo la estadística en imágenes y mapas 

La primera ponencia del Encuentro fue presentada por el Dr. Emilio Porcu, profesor de estadística en la Khalifa University en Abu Dhabi, quien conversó sobre los retos actuales en el Data Science con especial énfasis hacia su intersección con la estadística espacio temporal.

Para iniciar su ponencia, dio una breve introducción en la que mencionó que a diferencia de lo que quizá podríamos creer, los primeros textos escritos no hablan de filosofía ni religión o política, sino que hablan de transacciones de ciencia de datos, lo cual muestra el interés del ser humano por almacenar, elaborar y sintetizar datos.

Después de abordar distintos puntos de vista, en la definición del Data Science, mencionando que puede definirse como un universo que tiene en su centro los datos apoyado de tres partes, como son el machine learning, computer science y stadistics, el Dr.Porcu, aterriza, la definición incorporando tres componentes de complejidad: The 3D’s, que se conforma por Data Structure, Data Domain y Data Cardinality.

La estructura de los datos (Data Structure), tradicionalmente,se organiza en tablas, sin embargo, actualmente dichos datos pueden organizarse en objetos geométricos o funciones, en el sentido que cada dato vive en un espacio de funciones que matemáticamente se puede formalizar. 

En cuanto al dominio de los datos (Data Domain), se observa la creación de gráficos de series temporales, es decir el dibujo de trayectorias de datos dispuestos en el tiempo.

Otra manera de apreciar el dominio de los datos está en la estadística espacial, donde los datos o cada dato tiene una localización en el espacio, lo cual posteriormente generó una
representación más denominada espacio tiempo, que puede mostrar el cambio de una variable mediante distintas imágenes a lo largo del tiempo.

Respecto a la carnalidad de los datos (Data Cardinality), esta se refleja en la gran N, que son el número de observaciones para cada unidad estadística y, en la gran P, refiriéndose al hecho de se tienen muchísimas variables, y por ende muchísimas observaciones que causan “problemas”, debido al aumento de la complejidad de la solución.

En su definición, también explica la importancia de tomar en cuenta el enfoque ontológico, epistemológico, la teoría, la metodología y los métodos. Esto se puede resumir diciendo que es necesario identificar el problema real, aplicar el conocimiento, que desemboca en definir el enfoque teórico para enfrentar nuestro problema y en elegir qué procedimiento e instrumento se debe utilizar.

Dicho todo lo anterior, no cabe duda de que al hablar de Data Science, se deben cuidar todos los aspectos de la vida del dato; cómo capturarlo, procesarlo, mantenerlo, analizarlo y comunicarlo. Por ello, ser un Data Scientist, que es diferente a un Data Analyst y Data Engineer, implica una mayor complejidad ya que requiere de conocimiento de estadística, de matemática, de programación. El Data Science requiere de entender la estructura de los datos, su dominio, el tipo de problema numérico y saber cómo procesarlo y extraer los valores de dichos datos.

Después de lo mencionado con anterioridad, el Dr. Emilio Porcu comenzó a hablar del Spatial Data Science; su experiencia con la intersección entre el Data Science y la estadística espacial. En el Spatial Data, se utilizan unas funciones de covarianza que dependen de la distancia entre puntos, cuya determinación resulta altamente compleja y puede causar errores muy grandes al no ser elegida correctamente.

Así mismo, platicó acerca de algunas aplicaciones del Spatial Data Science. La aplicación de estos sistemas está en integrar modelos probabilísticos a modelos determinísticos.

Una de estas aplicaciones es para el análisis de la variación del clima debido al rol que este juega en nuestra vida cotidiana tanto en aspectos económicos como de salud. Otra aplicación más reciente es la relacionada con el interés por realizar análisis geoespaciales de salud debido al Covid-19, analizando cómo las variables ambientales han condicionado la evolución del coronavirus. Otros usos de Spatial Data Science, es para optimizar la llegada de los hospitales en tiempo de pandemia. En algunos casos, se transforman los datos geográficos en tablas tetracóricas.

Finalmente, mencionó algunos de los retos a futuro de la estadística espacial y el Data Science. El primer reto se refiere al cambio de ideas o al planteamiento filosófico que el analista de datos tiene que adoptar al enfrentar problemas de análisis de datos. El segundo, son los datos con estructuras complejas como el Data Gathering (la recolección de datos), el Data Representation y Data Visualization, es decir la representación y visualización de los datos. El tercer desafío es la determinación del espacio y la distancia, y, el cuarto desafío es cómo definir el rol asimptótico en un contexto espacio-temporal, frente a la presencia de nuevos espacios.