herramientas

El uso de la IA generativa empezó siendo visible, específico e intencional. Durante los primeros años, utilizarla era una decisión consciente que requería abrir una herramienta concreta, como ChatGPT o Midjourney. Esas herramientas ocupaban su propio espacio marcado y reconocible, separado del resto de productos. Escribir o ilustrar con IA o sin IA se materializaba en el hecho de abrir o no una herramienta concreta, un gesto que hacía imposible que nos olvidásemos o pasásemos por alto que estábamos utilizando IA.

La integración de los modelos de OpenAI en Microsoft 365 bajo la forma de Copilot y, poco después, de los modelos de Gemini en Google Workspace no han sido una experiencia homogénea. Lo hemos vivido como un proceso irregular, insatisfactorio por momentos, con mejoras progresivas y expectativas todavía a medio cumplir. Eso no quiere decir que no hayan marcado el camino para la transformación de toda nuestra estructura digital, que asume ya la IA como una capa natural de casi cualquier producto. Si esta tendencia prospera y realmente la IA llega a integrarse en todas partes, es posible que pierda visibilidad hasta el punto en que dejemos de mencionarla.

La segunda vida de las herramientas digitales con IA

Existen muchos ejemplos en los que la IA es ya una funcionalidad que se da por hecha. En el mundo de las plataformas de gestión de proyectos, sistemas como Notion, Asana, Trello o ClickUp han incorporado capas de IA que giran en torno a resumir estados de proyectos, priorizar tareas por criterios o transformar notas dispersas en los objetos formales de cada plataforma, como tareas y subtareas. Sin embargo, la interoperabilidad real para que una herramienta “entienda” la estructura de otra y pueda importarla sigue siendo un asunto pendiente. Si tu equipo usa una herramienta pero tu cliente usa otra, para sincronizar las tareas de un proyecto probablemente todavía dependas de exportaciones intermedias poco intuitivas con formatos CSV, Markdown o automatizaciones avanzadas. Los modelos de IA son especialmente buenos en interpretar información en un formato y trasladarla a otro, por lo que su aparición ha fomentado una cierta interoperabilidad funcional entre estos sistemas.

En el ámbito de la creación visual, herramientas como Photoshop, Canva o Figma han añadido funciones que permiten no solo generar imágenes, sino también pequeñas tareas cotidianas del mundo del diseño digital como rellenar espacios, expandir fondos, redimensionar, borrar objetos o sugerir paletas de color coherentes. En las hojas de cálculo como Excel o Google Sheets las fórmulas han empezado el camino hacia su extinción, sustituidas por las expresiones en lenguaje natural como “calcula el crecimiento mensual de esta serie y muéstralo en porcentaje en una columna nueva”, o “detecta qué productos tienen ventas más bajas que la media en el trimestre 1”.

Por supuesto, todas las herramientas anteriores incluyen ya editores basados en modelos de lenguaje que, con la misma naturalidad que el corrector, sugieren, reescriben y resumen cualquier texto. El resumen con IA es la capa más sencilla de implementar. En los gestores de correo electrónico empezó como opción “resumir este hilo”, y en poco tiempo pasó a ser un resumen automático al inicio del correo que ya está totalmente interiorizado en las versiones corporativas comerciales. En la práctica, esta función no siempre es necesaria y a veces roza lo redundante. No es raro encontrarnos con sistemas que proponen resumir textos muy breves o PDF en los que el propio anuncio de “resume este archivo con IA” nos interrumpe la lectura o la consulta del documento. La lógica de integración y la inversión de las plataformas en las funcionalidades IA nos han llevado a naturalizar capas que se activan por defecto y que también pueden introducir fricción, aunque es posible que esta sea sólo otra etapa de su progreso.

El lenguaje como programador de comportamiento

La habilidad técnica que habíamos acumulado hasta hoy, la de recordar opciones, menús desplegables y recorridos de las herramientas, se desplaza hacia una habilidad conceptual en el uso de la IA que tiene que ver con el prompting, pero también con otras capacidades: de poco sirve saber describir muy bien lo que se quiere si la acción es errónea o está mal planteada, si no sabemos anticipar ambigüedades, dividir un problema en partes o filtrar el resultado. Cuando lo anterior está resuelto, generalmente por la experiencia o el criterio profesional, entonces la habilidad o la soltura para escribir el prompt sí pueden marcar la diferencia.

El efecto cognitivo del prompting es interesante desde el punto de vista de que las personas no estamos acostumbradas a que el uso del lenguaje suponga la programación directa y vinculante de un comportamiento. En el lenguaje humano habitual, decir algo no garantiza que ocurra, y además, convivimos y contamos con la capacidad de desambiguación de los demás. En cambio, las capas de IA desencadenan acciones y transformaciones a través del lenguaje y eso nos obliga a desarrollar una forma de autoconciencia lingüística distinta, capaz de anticipar mejor las consecuencias de nuestras órdenes.

Sistemas agénticos impredecibles

La escalada de la complejidad llega con la IA agéntica, sistemas que van más allá de la creación de texto e imagen y ejecutan acciones como crear y eliminar archivos y carpetas, registrarse e iniciar sesión en productos y servicios, utilizar credenciales personales para ejecutar compras y pagos, o incluso, realizar trámites en nuestro nombre. OpenClaw es el ejemplo más representativo, un proyecto de software libre que permite crear asistentes autónomos para ejecutar tareas reales en un dispositivo, con acceso a todo el entorno digital si la persona propietaria se lo concede. Aunque es cierto que puede automatizar flujos y mantener el trabajo en marcha en nuestra ausencia, también introduce una capa de opacidad que nos hace más difícil seguir la pista de todo lo que está haciendo. Los sistemas agénticos toman por su cuenta las decisiones necesarias para lograr el objetivo programado, y pequeños errores iniciales pueden propagarse con consecuencias a veces irreversibles, como el borrado de información o el filtrado de datos. Hay personas que ya han narrado sus experiencias dando acceso a OpenClaw a su correo electrónico, y advierten de que estos bots pueden compartir datos personales e información privada con facilidad, no por maldad o rebeldía, sino por exceso de permisos en un sistema que requiere supervisión.

Los agentes, además, pueden comportarse de forma implacable para lograr sus objetivos y no tener en cuenta qué pueden romper por el camino. Por ejemplo, un agente conectado a un servicio público digital para realizar un trámite podría acabar enviando solicitudes masivas si cree que no consigue su objetivo, duplicando registros, completando formularios incorrectos o incluso afectando a la infraestructura pública. El desafío de ciberseguridad es mayor si el uso de estos agentes se generaliza.

En definitiva, la IA como copiloto universal, integrada en todas nuestras herramientas diarias, no es todavía una realidad en la práctica porque su despliegue sigue siendo desigual y dependemos de las líneas de pago o de las versiones contratadas. No obstante, el futuro del ecosistema digital parece marcado por que la IA deje de considerarse una tecnología diferenciada y se naturalice. Que una funcionalidad esté basada en IA puede ser un dato anecdótico dentro de unos años. Sin embargo, cuanto más transparente y natural se vuelva la interacción con sistemas generativos, más importante será mantener la cabeza fría y la conciencia de que seguimos trabajando con modelos probabilísticos, que aciertan y se equivocan con el mismo convencimiento.

Contenido elaborado por Carmen Torrijos, experta en IA aplicada al lenguaje y la comunicación. Los contenidos y los puntos de vista reflejados en esta publicación son responsabilidad exclusiva de su autor.
 

Vivimos rodeados de decisiones que, aunque no siempre lo parezca, tienen una dimensión geográfica: dónde se construyen viviendas, cómo se organizan las ciudades, qué zonas son más vulnerables a incendios o inundaciones, o incluso dónde se instalan servicios públicos esenciales. Detrás de muchas de estas decisiones hay datos. Datos que, cuando se representan sobre el territorio, nos permiten ver patrones, anticipar problemas y planificar mejor el futuro.

En este pódcast hablamos precisamente de eso, de los datos geográficos abiertos, con dos invitados que nos darán una visión tanto académica como de gestión pública.

• Paco Pellicer, Profesor Titular en el área de Geografía Física de la Universidad de Zaragoza.
• Fernando López, Director del Instituto Geográfico de Aragón (IGEAR).

Escuchar el pódcast completo

Resumen / Transcripción de la entrevista

1. ¿Por qué la geografía es fundamental para entender el mundo actual?

Fernando López: Básicamente la geografía lo que ayuda es a entender mejor las relaciones del hombre con el medio. Con lo cual, la geografía para nosotros, los profesionales de la geografía, entendemos que es el instrumento fundamental para solucionar problemas complejos.

Paco Pellicer: Nuestras relaciones con el territorio y con las personas se realizan muchas veces a través de instrumentos geográficos que hasta hace poco eran un poco extraños y ahora todos los llevamos en el bolsillo.

2. Cuando hablamos de datos geográficos abiertos, ¿de qué estamos hablando exactamente?

Fernando López: Por normativa europea, nacional y autonómica, los datos están en formato abierto para que todo el mundo pueda acceder. Los datos tienen que ser accesibles, interoperables y de acceso gratuito, a ser posible. No hay que olvidar que no hace más de quince años el Instituto Geográfico Nacional (IGN) ofrecía datos geográficos con coste económico. Hoy en día, son datos abiertos porque son accesibles y son gratuitos. Como lo hacemos en prácticamente la mayoría de las instituciones de las comunidades autónomas que gestionamos información geográfica. Nosotros decimos, como broma, que salvo el alma (estamos trabajando en ello), todo lo demás se puede georreferenciar. Por tanto, todos son datos geográficos y tenemos la obligación de darlos de forma abierta, accesible y de forma absolutamente sencilla para el ciudadano, para la administración y para los investigadores.

Paco Pellicer: Como dice Fernando, esto es una auténtica revolución que se ha producido en las dos últimas décadas, porque no podemos ir mucho más lejos. Yo recuerdo cuando me iniciaba en la investigación que conseguí información de fotografías aéreas de 1956 que había que pedirlo al servicio geográfico del Ejército, con unos permisos especiales dedicados a la investigación y pagándolas...

Hoy tenemos multitud de información fantástica validada por organismos oficiales y que son datos contrastados, verificados, científicamente correctos. El poder acceder a ellos, en directo, de forma gratuita, disponer de toda esta información adaptada a tus necesidades es una auténtica revolución. Y esto nos hace que, junto con los dispositivos móviles y demás, la geografía se nos haya metido en el bolsillo y que sea imprescindible para muchas actividades de la vida, desde desplazarnos o saber dónde hay un determinado recurso o riesgo.

3. ¿Qué herramientas o plataformas facilitan el acceso y uso de datos geográficos abiertos?

Fernando López: Desde la parte administrativa, en cumplimiento de la normativa europea tenemos obligación de la directiva INSPIRE para mantener infraestructuras de datos espaciales. Deben estar disponibles para la ciudadanía en diferentes formatos, bien sean servicios de mapas o sean servicios de capas o sean servicios de conjuntos de datos.

Pero, algunas comunidades hemos ido más allá y esa información la hemos relacionado entre ellas siguiendo la teoría de grafos y hemos ido a lo que hemos llamado en Aragón “infraestructura de conocimiento espacial” donde la información está relacionada.

Y, por lo tanto, a estas infraestructuras ya no solo se les puede pedir datos, sino que se le puede hacer preguntas, porque en realidad el objetivo final de la información geográfica, como la entendemos la mayor parte de los geógrafos y desde luego en el Instituto la entendemos así, es que nosotros tenemos que ayudar a tomar mejores decisiones. Es decir, no estamos simplemente para ser una biblioteca en el sentido amplio de la información geográfica, sino que tenemos que realizar geo análisis territoriales, desarrollar aplicaciones, proponer soluciones para que los responsables de la toma de decisiones se equivoquen lo menos posible.

Por lo tanto, todas estas infraestructuras son las herramientas que hoy día están ayudando a que efectivamente haya aplicaciones que mejoren la toma de decisiones territoriales, que es fundamental.

Paco Pellicer: Sí, hay muchas plataformas en las que se puede acceder a estos datos. A escala nacional, el IGN; a escala regional aquí en Aragón, pues tenemos el ICEAragón, que es fundamental para buena parte de nuestros trabajos. Pero también tenemos el Sistema de Información Territorial de la Confederación Hidrográfica del Ebro, por citar algunas fuentes, que hay muchas más... También en el propio Ayuntamiento tienen una plataforma que ofrece mucha información.

Y, así como, Fernando hablaba desde la Administración, a mí me gustaría de forma complementaria hablar desde la sociedad civil. Y es que este fenómeno lo que nos lo que produce es una importantísima democratización y facilita la participación en la gestión de cualquier evento de frente a cualquier desafío de nuestra vida moderna.

Nos permite que la población civil interactúe de manera corresponsable con la Administración. La sociedad civil alcanza un punto de madurez muy importante porque estamos trabajando, la Administración y la sociedad civil, con los mismos datos. Esto aumenta la corresponsabilidad de la sociedad civil. Muchas veces cuando hay un problema le echamos a las administraciones y nos quedamos tan anchos. Eso es completamente falso. La sociedad civil tenemos un papel muy relevante y en la medida en la que estamos trabajando en un plano de igualdad, en cuanto que estamos manejando los mismos datos validados por las administraciones que nos dan seguridad a la sociedad civil.

En definitiva, la sociedad civil puede ofrecer su particular manera de ver ese fenómeno, el que estemos tratando, por ejemplo, inundaciones. La Administración tiene los mismos datos que tenemos la sociedad civil y nosotros podemos ver si soy regante si me afecta a una propiedad o lo que sea. Y yo tengo esa información y puedo proponer también a la Administración otras soluciones o podemos de forma colegiada o asociativa, pues participar y dar nuestras ideas también a la Administración. Esto es enormemente democrático, enormemente interesante en la geografía. En este caso, a través de todos estos instrumentos, nos está haciendo una sociedad mucho más avanzada.

4. Para aterrizarlo en lo práctico: ¿cómo se utiliza la geoinformación en la ordenación del territorio?

Fernando López: En la administración tenemos múltiples casos como la gestión de medio ambiente, de la agricultura, de las redes energéticas, etc. Con mejor o menor acierto, porque como yo comparto con Paco totalmente este efecto democratizador de la difusión de la información geográfica.

La sociedad civil no siempre está de acuerdo con las decisiones de la Administración. Pero al compartir información se puede debatir y se puede interpelar a la Administración a que tome mejores decisiones. Nosotros interactuamos absolutamente con todos los departamentos, incluso con aquellos que parece que no tienen nada que ver con la información geográfica. Por ejemplo, con la gente del ámbito de la salud pública, nuestros MIR se forman con el Atlas de Salud Pública, lo utilizan como elemento de formación, porque ahí hemos incluido toda la información de determinantes de mortalidad, de morbilidad por zonas sanitarias, por áreas sanitarias.

Por poner anécdotas un poco menos clásicas, por ejemplo, la semana que viene empieza el plazo de solicitud de plazas escolares en Aragón y la única herramienta válida para la medición de distancias para la puntuación para obtener plazas escolares en los centros, pues es la herramienta del Instituto Geográfico de Aragón.

O, por ejemplo, el próximo 12 de agosto tenemos un eclipse solar total donde mejor se va a ver, sobre todo en el sur de Zaragoza y en la provincia de Teruel. El propio Estado español estima que pueden acudir unos cuatro millones de personas al territorio aragonés. Esperemos que no porque es inviable absorber en dos o tres días a cuatro millones de personas en esta comunidad autónoma. Pero hay que colocarlos en algún sitio con seguridad. ¿Qué es lo que se ha hecho en los grupos de trabajo en los que estamos interministeriales interdepartamentales? Coger al Instituto Geográfico y decirle: “por favor, dime cuáles son las áreas adecuadas combinando pendientes, combinando sombras, combinando seguridad, combinando salidas, combinando abastecimiento de agua, posibles servicios sanitarios y dame al menos una docena de lugares donde se puedan acumular diez o doce mil personas durante dos o tres días prestándole servicios".

Al final, como decía al principio de la entrevista, la información geográfica propone soluciones o aporta informaciones para problemas tremendamente complejos como este que acabo de poner encima de la mesa. La geografía está directamente implicada en el intento de que las cosas salgan bien.

Paco Pellicer: Un ejemplo que puede ilustrar también lo que acaba de explicarnos Fernando es que tenemos una exposición ahora que se llama Zaragoza Mapa en la que Zaragoza se ha dividido hemos dividido la ciudad por manzanas y hemos introducido una serie de datos: edad de la construcción de la casa, los habitantes que la ocupan y el nivel de renta, procedencia geográfica, etc. Esto nos da garantías de anonimato y nos ofrece mucha información.

Si aplicamos una serie de filtros y vamos agrupando información, podemos ver el mapa de vulnerabilidad de la ciudad, es decir, dónde viven las personas más vulnerables, que necesidades tienen, etcétera.

Y, por otra parte, como estamos con el fenómeno del cambio climático, la isla de calor, etcétera, tenemos una red de sensores en los que se está tomando datos precisos, con una periodicidad muy estrecha de las temperaturas que se dan en los distintos puntos. Si cruzamos las temperaturas en los momentos extremos con el mapa de vulnerabilidad estamos viendo cuáles son las partes de la ciudad que más sufren ese fenómeno, que a lo mejor no solamente son los pobres sino también los ricos.

Al final nos hace un mapa en el que nos marca por dónde podemos intervenir, por ejemplo, para hacer un parque nuevo. Si vemos una zona densamente poblada, vulnerable y queremos mejorar ese espacio y tenemos terrenos que nos ha dejado pues un cambio de uso en la ciudad, ahí podemos desarrollar un parque equipado en el que te podemos tener desde servicios escolares, servicios sanitarios, deportivos, infraestructura verde en el sentido medioambiental, pero también infraestructura social, porque estamos introduciendo también la población que ahí vive.

5. ¿Qué tendencias marcarán el futuro de los datos geográficos abiertos? ¿Cómo afectarán tecnologías emergentes como los gemelos digitales o la inteligencia artificial?

Fernando López: Pues la verdad es que a mí es un tema que me preocupa enormemente porque lo vivo a diario. Institucionalmente, tenemos que estar al día de lo que suponen todas las innovaciones respecto a la información geográfica y va a una velocidad que las administraciones son imposibles de soportar.

Como decía Paco, se ha conseguido que la geografía esté en el bolsillo de la gente a través de su smartphone pero vivimos un momento contradictorio porque la geografía en la enseñanza media y en la enseñanza primaria prácticamente ha desaparecido.

Pero el futuro es realmente desbordante. La inteligencia artificial la estamos utilizando ya. Hay que utilizarla con extremada precaución, porque la inteligencia artificial, al fin y al cabo, es un algoritmo, que tiene sus sesgos y sus tendencias en función de quien lo entrena y de cómo se entrena.

Entonces estamos ante retos en que la Administración va a tener que crear sus propios algoritmos de inteligencia artificial que solo se abastezcan de información oficial contrastada, como decía Paco. O sea que no puedan beber de otras fuentes que no sean fuentes oficiales y que además las reglas de juego del algoritmo sean las reglas jurídico-administrativas de la Administración. Este es un gran reto que nosotros, desde el IGEAR nos hemos planteado.

Y otro gran reto es el de los gemelos digitales. Yo tengo mis discrepancias con algunos gemelos digitales que no dejan de ser copias de seguridad en la nube y poco más. Un verdadero gemelo digital geográfico debe simular, tanto hacia adelante como hacia atrás, proyectos sobre el territorio que realmente nos den simulaciones reales de lo que puede ocurrir, de lo que puede impactar, de lo que puede suceder con la experiencia, de lo que ha ocurrido en el pasado.

Además, hay que introducir la tecnología BIM, la sexta dimensión. Es decir, tenemos una serie de retos que, solo para estar informado, no digo formado, solo para estar informado de todo lo que hay y de todas las posibilidades de lo que se puede hacer ya es complejo.

Pero también es muy ilusionante, siempre y cuando no perdamos de vista que todos los resultados de estas tecnologías tienen que tener delante y detrás a un experto que sepa interpretar los resultados. Como caigamos en el error de que la máquina, la inteligencia, el gemelo, ya es darle al botón y hacerlo, lo haremos muy mal, fracasaremos estrepitosamente. Tiene que haber antes, durante y después un técnico que supervise el proceso y que al final haga la interpretación de las herramientas.

Nos van a ayudar a que crezcamos en velocidad. Ahora, nosotros lanzamos geoprocesos que antes duraban entre tres semanas y cuatro semanas y ahora mismo tenemos un servidor que nos lo hace en tres horas, lo que hacía antes, casi en cuatro semanas. Es una grandísima herramienta, pero al final del proceso quién lo interpreta y valida que eso es correcto y permite dar la solución razonable es el técnico, es el experto, el geógrafo u otras profesiones que están en equipos multidisciplinares.

Por tanto, ilusionante, pero también a la vez preocupante y tiene costes altamente elevados que no sé cuánta gente va a poder soportar para estar en vanguardia.

Paco Pellicer: Coincido plenamente con Fernando. Uno de los de los desafíos es precisamente la calidad de los datos. Todos nos damos cuenta de los fakes que estamos padeciendo continuamente, hasta el punto de que se produce una incertidumbre en el que no sabes si algo es real. Hace falta que sean personas con una formación muy avanzada y que den garantías de ese trabajo, que trabajen en la Administración, donde se produce una independencia también de otros poderes del mundo en el que nos están distorsionando.

Es importante que haya una Administración que con seguridad y con una calidad técnica muy grande, esté validando todos esos datos para ofrecerlos y saber que cuando tú vas al Ebro vas a tener información fidedigna. Eso es importantísimo.

La IA es un caballo magnífico, me parece adorable. Pero un caballo sin jinete nos lleva a la ruina. Por eso hace falta hacerse algunas preguntas que son eternas: ¿A dónde vamos? ¿Para qué? ¿Quiénes somos? Nos podemos dejar llevar por la capacidad, la rapidez, etc. Todo eso es envidiable. Pero si no se hacen las preguntas adecuadas, las respuestas pueden ser perfectamente erróneas. Por mucho que haya multitud de datos. Yo en esto sí que reclamo formación y carácter científico de los datos.

Si no sabemos lo que queremos, si no sabemos a dónde vamos, pues nos lleva a ninguna parte. Entonces, el hacer preguntas inteligentes es muy importante. De ahí la investigación, muchas veces básica, además de la investigación aplicada, de la que soy muy partidario. Pero esta información básica inicial de los conceptos, de rigor en las metodologías y demás, es fundamental.

Formación, formación, formación… y geografía.

AutoML, augmented analytics y la explosión generativa han abierto la puerta. La pregunta es si estamos preparados para lo que entra por ella.

Durante décadas, la inteligencia artificial fue un territorio acotado. Construir un modelo de machine learning exigía conocimientos estadísticos profundos, dominio de lenguajes de programación especializados y acceso a infraestructura de cálculo que solo las grandes corporaciones y los centros de investigación podían permitirse. La IA era, en la práctica, un club con una barrera de entrada considerable.

Con el tiempo, esa barrera se ha ido erosionando en oleadas sucesivas. Primero con el AutoML, que automatizó la construcción de modelos. Después con el augmented analytics, es decir, la analítica de datos que usando IA puso la analítica avanzada en manos de perfiles de negocio, menos técnicos. Y, ahora, con la universalización de la IA generativa sucede un tercer acto que lo cambia todo porque cualquier persona con una idea y acceso a Internet puede crear agentes, skills y flujos de trabajo inteligentes sin escribir una línea de código.

No obstante, como ha sucedido con otros desarrollos tecnológicos, la universalización de la IA nos obliga, como sociedad, a repensar algunas cuestiones. En este post, repasamos algunas de ellas.

AutoML: el primer acto de la universalización

El concepto de AutoML (Automated Machine Learning) surgió como respuesta al cuello de botella que existía por la escasez de científicos de datos capaces de construir modelos de calidad. Para entender su valor, conviene recordar lo que implica el proceso tradicional de machine learning:

1. Recopilar y limpiar datos.

2. Seleccionar las variables relevantes (feature engineering).

3. Elegir entre decenas de algoritmos posibles según el tipo de problema que queremos resolver (por ejemplo, predecir, clasificar o detectar patrones) o buscando un mejor comportamiento del modelo.

4. Ajustar sus hiperparámetros. Por ejemplo, configurar en una red neuronal, el número de capas o de neuronas que tiene.

5. Validar los resultados con métricas estadísticas.

Cada una de esas etapas requiere criterio técnico especializado. Lo que el AutoML hace es automatizar la mayor parte de ese pipeline, permitiendo que el usuario se concentre en definir el problema y aportar los datos.

Plataformas como Google AutoML, Amazon SageMaker Canvas o Azure Machine Learning permiten, por ejemplo, que un responsable de logística suba un histórico de envíos y obtenga un modelo predictivo de tiempos de entrega sin necesidad de saber qué es un gradient boosting o cómo se calibra una red neuronal. El sistema prueba combinaciones de algoritmos, optimiza parámetros y devuelve el modelo con mejor rendimiento. El experto aporta lo que ningún algoritmo puede automatizar: el conocimiento del dominio y el contexto del negocio.

Según datos de la industria, el sector del AutoML ha pasado de 2,34 mil millones de dólares en 2025 a una proyección de 3,43 mil millones en 2026, con un crecimiento anual cercano al 47%. Este crecimiento viene acompañado de una rápida adopción empresarial, con muchas organizaciones incorporando ya estas capacidades o planificando su despliegue a corto plazo. Lo que hace una década era investigación de frontera, hoy es una funcionalidad estándar en las principales plataformas cloud.

Augmented analytics: la analítica que se explica sola

Si el AutoML democratizó la creación de modelos, el augmented analytics hizo lo propio con la extracción de insights, es decir, con la obtención de conclusiones de valor. La idea central es que las herramientas de analítica incorporen inteligencia artificial en cada fase del proceso, desde la preparación de los datos hasta la visualización de resultados, para que el usuario no necesite ser un analista experto para obtener conclusiones accionables.

En la práctica, esto se traduce en capacidades concretas, como, por ejemplo:

• Detección automática de anomalías en los datos.

• Generación de explicaciones en lenguaje natural sobre por qué una métrica ha cambiado.

• Recomendaciones proactivas de análisis que el usuario no había solicitado pero que el sistema identifica como relevantes.

Pensemos en un director comercial que consulta su cuadro de mandos y, en lugar de tener que cruzar tablas manualmente, recibe una alerta que dice: «Las ventas en la región sur han caído un 12% este trimestre, correlacionado con un aumento del 8% en los tiempos de entrega del proveedor X». Eso es augmented analytics: un análisis que va más allá de la mera visualización de datos, donde la herramienta también los interpreta y los contextualiza.

Gartner lleva tiempo señalando cómo la IA está transformando a los consumidores de contenido analítico en creadores de ese mismo contenido. Dicho de otro modo: la línea que separaba a quienes hacían los informes de quienes los leían se está difuminando. Además, la consultora prevé que para 2027, el 75% del contenido analítico nuevo utilizará IA generativa para ofrecer inteligencia contextual.

Ahora bien, el propio Gartner introduce un matiz que merece atención: el 60% de las organizaciones no lograrán materializar el valor de sus casos de uso de analítica aumentada debido a marcos de gobernanza de datos deficientes. Por eso es tan relevante contar con una sólida gobernanza de datos antes de implementar modelos de IA.

La explosión generativa: agentes y skills al alcance de todos

El tercer acto llegó con la IA generativa. Algunos de los modelos más conocidos son ChatGPT, Claude o Gemini que pusieron la inteligencia artificial en el bolsillo de millones de personas como herramienta de consulta y, además, que abrieron algo cualitativamente distinto: la posibilidad de crear con IA.

Plataformas como n8n, Make o los propios entornos de Anthropic y OpenAI permiten hoy diseñar agentes inteligentes: programas que razonan, consultan fuentes, toman decisiones y ejecutan acciones mediante interfaces visuales. Un usuario no técnico puede configurar un agente funcional en un rango de entre 15 y 60 minutos, sin escribir código. Se pueden construir skills especializadas, encadenar herramientas, conectar API y orquestar flujos de trabajo que hace tres años habrían requerido todo un equipo de ingeniería para su desarrollo.

Hoy en día quienes construyen IA ya no son exclusivamente ingenieros; son responsables de marketing que automatizan la generación de contenido, gestores de operaciones que crean asistentes para su equipo o consultores que diseñan flujos de análisis personalizados. La creación de inteligencia artificial se ha convertido, para un segmento creciente de profesionales, en una extensión natural de su trabajo.

Los retos de universalizar sin trivializar

Más allá de las oportunidades, esta apertura tecnológica tiene un reverso que conviene no subestimar. Cuando la barrera de entrada es baja, entra más talento y más ideas, pero también entra más riesgo. Y los riesgos de que personas no expertas creen sistemas de IA operan en varios planos simultáneamente.

• El primero es la seguridad: conectar modelos de lenguaje a herramientas externas y encadenar agentes multiplica vulnerabilidades que ya son problemáticas en modelos aislados. La mayoría de los creadores técnicos no conocen el riesgo que puede haber en utilizar contenido con instrucciones maliciosas en el proceso de entrenamiento del agente. Un agente mal configurado que accede a datos sensibles puede convertirse en una puerta trasera involuntaria.

• El segundo es la gobernanza: crear un agente es fácil; asegurar que opera dentro de límites éticos y normativos, no tanto. ¿Quién es responsable cuando un agente construido por un analista de marketing toma una decisión que afecta a clientes? ¿Bajo qué marco se audita un flujo de trabajo que nadie documentó porque la herramienta no lo exigía? La regulación avanza más lenta que la tecnología, y el vacío normativo es especialmente pronunciado en el ámbito de los agentes autónomos.

• El tercero, quizá el más sutil, es la ilusión de comprensión: las interfaces no-code son extraordinariamente eficaces para ocultar la complejidad subyacente. Un usuario puede construir un agente que funciona sin entender por qué funciona, lo que significa que tampoco entenderá por qué falla cuando falle. Y fallará. La diferencia entre un sistema robusto y uno frágil reside a menudo en decisiones de diseño que las plataformas visuales no hacen visibles: el tratamiento de casos extremos, la gestión de errores, la calibración de la incertidumbre.

Universalizar con los ojos abiertos

A pesar de todo, la universalización de la IA es, en balance, una buena noticia. Ampliar el número de personas capaces de crear soluciones inteligentes multiplica la capacidad de innovación. Y, todo ello se traduce directamente en aplicaciones útiles.

Pero que algo sea fácil de construir no lo convierte en fácil de operar con responsabilidad. El reto de los próximos años va más allá de lo técnico (mejorar la seguridad de los agentes, desarrollar frameworks de gobernanza o cerrar vulnerabilidades). El desafío también es educativo porque necesitamos que quienes crean IA, aunque no sean ingenieros, comprendan lo suficiente de lo que están creando como para anticipar sus fallos, respetar sus límites y asumir sus consecuencias.

La verdadera democratización consiste en dar herramientas junto con la comprensión mínima para usarlas bien. Y eso es lo que se debe garantizar para que el uso de la IA sea algo universal.

Contenido elaborado por Juan Benavente, ingeniero superior industrial y experto en Tecnologías ligadas a la economía del dato. Los contenidos y los puntos de vista reflejados en esta publicación son responsabilidad exclusiva de su autor.

Antes de realizar una visualización de datos es importante entender dos cuestiones. Por un lado, qué es exactamente lo que se tiene entre manos, es decir, el tipo de datos, su formato y otras características relevantes; y, por otro lado, qué es lo que se quiere visualizar, el objetivo de la representación gráfica que se va a realizar.

En el caso concreto de los datos geográficos se abren posibilidades narrativas enormes porque las visualizaciones permiten mostrar distribuciones territoriales, identificar patrones espaciales, comparar regiones o trazar la evolución de un fenómeno en el tiempo y en el espacio. Para sacar partido a esas posibilidades, es importante tener presente que el archivo puede:

• Contener coordenadas en diferentes sistemas de referencia.
• Representar fenómenos que requieren tipos de mapas muy concretos.

Dedicar unos minutos a entender esas características antes de elegir una herramienta es, en realidad, el camino más corto hacia un resultado útil y riguroso. En este post repasamos, paso a paso, cómo se debe trabajar el dato geográfico y qué herramientas existen para representarlo gráficamente.

Antes de trazar cualquier mapa: formato, escala y proyección

El primer escollo a la hora de trabajar con datos geoespaciales suele ser el formato. Los datos georreferenciados llegan en presentaciones muy diversas: desde un simple CSV con columnas de latitud y longitud, hasta formatos más especializados como GeoJSON (ideal para intercambiar geometrías en entornos web), Shapefile (SHP, el estándar histórico de los sistemas de información geográfica), o formatos científicos como NetCDF y GRIB (pensados para datos climáticos y meteorológicos en cuadrículas). Saber en qué formato están los datos y cuál es el más adecuado para cada herramienta ahorra mucho tiempo y evita errores de importación.

El segundo aspecto crítico es el sistema de referencia de coordenadas (CRS). No todas las coordenadas hablan el mismo idioma. El sistema WGS84 es el que usan los GPS y la mayoría de servicios web de mapas; el UTM, en cambio, trabaja en metros y es más preciso para cálculos de distancias o áreas. Mezclar datos en sistemas distintos sin reproyectarlos (es decir, sin convertir las coordenadas de un sistema de referencia a otro) produce desplazamientos y geometrías que no encajan.

El tercer elemento a considerar antes de elegir una herramienta es el tipo de representación que mejor comunica los datos. No es lo mismo mostrar puntos de interés, que trazar trayectorias, elaborar un mapa de coropletas (con áreas coloreadas según un valor estadístico), o construir modelos de elevación digital o visualizaciones en 3D. Cada tipo de dato y cada pregunta analítica tiene su representación cartográfica más apropiada.

Con esos tres factores claros (formato, proyección y tipo de mapa) llega el momento de elegir la herramienta.

Herramientas básicas: exploración sin instalación

Para quienes se acercan por primera vez a la visualización de datos geográficos, o para quienes necesitan explorar un conjunto de datos de forma rápida sin entrar en configuraciones complejas, existen opciones accesibles que funcionan directamente desde el navegador o con instalación mínima. Son ideales para una primera toma de contacto con los datos y para comunicar resultados a audiencias no técnicas.

Kepler.gl es probablemente la mejor opción para quienes quieren obtener mapas interactivos de calidad sin escribir una sola línea de código. Es una herramienta web gratuita y de código abierto que permite arrastrar y soltar archivos en formatos como CSV, GeoJSON o Shapefile y obtener visualizaciones de forma inmediata.

• Para qué se usa: exploración visual de grandes volúmenes de datos de movilidad, distribución espacial y patrones geográficos.
• Formatos compatibles: CSV, GeoJSON, Shapefile y JSON.
• Punto fuerte: ofrece múltiples tipos de capas —puntos, arcos, hexbinning, contornos— con una interfaz visual intuitiva y resultados visualmente muy cuidados, sin necesidad de instalar nada.

Google Earth es otra opción accesible para la exploración inicial. Es gratuita pero no es de código abierto, y los datos cargados pueden ser procesados por Google. Su versión web permite importar archivos KML/KMZ y es útil para contextualizar información sobre imágenes satelitales.

• Para qué se usa: contextualización de datos sobre imágenes satelitales y exploración geográfica visual.
• Formatos compatibles: KML y KMZ.
• Punto fuerte: la calidad y actualización de su base de imágenes satelitales la convierte en una herramienta de referencia para situar datos en su contexto territorial real. Para análisis rigurosos o publicación institucional, conviene valorar alternativas más abiertas.

Nivel intermedio: librerías Python para análisis y publicación

Cuando la exploración inicial da paso al análisis y a la necesidad de reproducir, automatizar o integrar los mapas en flujos de trabajo más amplios, existen librerías de Python que pueden ser una buena opción. Su uso requiere conocimientos básicos de programación, pero a cambio permiten un control mucho mayor sobre cada aspecto de la visualización y facilitan la integración con otras herramientas de análisis de datos.

Cartopyes una librería que se integra con Matplotlib y está orientada a la representación de datos científicos y climáticos. Su gran fortaleza es el manejo de proyecciones cartográficas, con soporte para decenas de sistemas de referencia.

• Para qué se usa: generación de mapas de publicación con datos científicos, especialmente climáticos y atmosféricos en formato de cuadrícula.
• Formatos compatibles: NetCDF, GRIB y cualquier fuente compatible con Matplotlib.
• Punto fuerte: control fino sobre proyecciones y elementos cartográficos, ideal cuando la deformación introducida por la proyección tiene impacto directo en la interpretación de los datos.

Folium ocupa un nicho diferente: genera mapas web interactivos basados en Leaflet.js directamente desde código Python, sin necesidad de conocer JavaScript. Es especialmente cómoda para producir visualizaciones que se integran en notebooks de Jupyter o en páginas web.

• Para qué se usa: creación de mapas interactivos para publicación web o presentación en notebooks, con marcadores, capas y pop-ups.
• Formatos compatibles: GeoJSON, CSV y fuentes de datos de pandas y GeoPandas.
• Punto fuerte: combina la comodidad de Python con la interactividad de Leaflet.js, permitiendo generar visualizaciones web completas con muy pocas líneas de código. Su principal limitación es el rendimiento con conjuntos de datos muy grandes.

Nivel avanzado: mapas web con control total

Si el objetivo es construir aplicaciones cartográficas integradas en entornos web propios, con capacidad para manejar grandes volúmenes de datos y ofrecer una experiencia de usuario fluida, es necesario dar un paso más. Las herramientas de este nivel requieren conocimientos de desarrollo web, pero ofrecen a cambio un control prácticamente ilimitado sobre el comportamiento y el aspecto del mapa.

OpenStreetMap (OSM) no es exactamente una herramienta de visualización, sino la base de datos geográfica colaborativa más grande del mundo, con licencia abierta (ODbL). Su ecosistema incluye herramientas como Overpass Turbo para consultar y extraer datos, y sus teselas cartográficas son la base sobre la que se construyen muchos mapas web.

• Para qué se usa: obtención de datos geográficos abiertos y uso como mapa base en proyectos web.
• Formatos compatibles: OSM XML, PBF y GeoJSON mediante exportación.
• Punto fuerte: es la fuente de datos geográficos abiertos más completa y actualizada del mundo. Para proyectos comprometidos con la apertura de datos, usar OSM como base es la opción más coherente con esos principios.

MapLibre GL JS es una librería JavaScript de código abierto que permite construir mapas web interactivos de alto rendimiento mediante teselas vectoriales.

• Para qué se usa: desarrollo de aplicaciones cartográficas web con personalización completa del estilo, capas de datos dinámicas y filtros interactivos.
• Formatos compatibles: teselas vectoriales (MVT), GeoJSON y fuentes de teselas raster.
• Punto fuerte: rendimiento muy superior al de las librerías basadas en SVG o canvas clásico, con capacidad para manejar grandes geometrías de forma fluida y una personalización visual casi ilimitada.

Nivel profesional: sistemas de información geográfica

Cuando el análisis espacial va más allá de la visualización y requiere operaciones complejas sobre los datos como reproyecciones, análisis de redes, interpolaciones, edición de geometrías o producción cartográfica de precisión, la herramienta adecuada es un sistema de información geográfica (SIG) de escritorio. Este tipo de software está diseñado específicamente para el trabajo riguroso con datos geoespaciales y ofrece capacidades que ninguna solución web puede igualar.

QGIS es el SIG de escritorio de referencia en el mundo del código abierto. Gratuito, multiplataforma y con una comunidad muy activa, cubre prácticamente cualquier necesidad de análisis y producción cartográfica.

• Para qué se usa: análisis espacial complejo, edición de capas, reproyecciones, generación de mapas de calidad para impresión o publicación digital y automatización de flujos de trabajo geoespaciales.
• Formatos compatibles: Shapefile, GeoJSON, GeoTIFF, PostGIS, WMS, WFS y decenas más.
• Punto fuerte: la combinación de potencia analítica, flexibilidad y coste cero de licencia lo convierte en la opción de referencia para organismos que trabajan regularmente con datos geoespaciales. La curva de aprendizaje es real, pero la inversión se amortiza con rapidez.

ArcGIS, desarrollado por Esri, es la plataforma SIG comercial más utilizada en entornos profesionales e institucionales. Ofrece capacidades avanzadas de análisis, edición y publicación de mapas, y su ecosistema en la nube facilita la colaboración y la gestión de portales de datos geográficos.

• Para qué se usa: análisis espacial avanzado, gestión de infraestructuras de datos geoespaciales y publicación de portales cartográficos institucionales.
• Formatos compatibles: todos los estándares del sector, con integración nativa con servicios de Esri.
• Punto fuerte: ecosistema muy maduro con soporte técnico profesional y amplia implantación en el sector público. Su modelo de licencias tiene un coste elevado que lo pone fuera del alcance de muchos equipos. Se menciona aquí por su relevancia en el sector, siendo QGIS la alternativa abierta que cubre la mayoría de necesidades sin coste de licencia.

Figura 1. Visualiza datos abiertos geográficos. Fuente: elaboración propia - datos.gob.es

Ninguna de estas herramientas es mejor que las demás en términos absolutos: cada una responde bien a un tipo de tarea, un perfil de usuario y un contexto de uso. No obstante, en este post seleccionamos algunas de las más utilizadas según el nivel de conocimiento técnico de cada perfil profesional:

• Para exploración rápida y comunicación de datos: Kepler.gl
• Para visualización geográfica accesible y exploración 3D del territorio: Google Earth
• Para análisis científico reproducible en Python: Cartopy y Folium
• Para desarrollo web con cartografía avanzada: MapLibre GL JS
• Para cartografía base abierta y proyectos que requieren datos libres y editables: OpenStreetMap
• Y para análisis espacial y producción cartográfica: QGIS

En todos los casos, el punto de partida es siempre el mismo: conocer los datos, entender su estructura y asegurarse de que el mapa que se va a construir es el que mejor comunica lo que esos datos tienen que decir. La herramienta, al final, es solo el último paso de un proceso que empieza mucho antes.

La regulación europea de Datos de Alto Valor (HVD, High-Value Datasets), establecida por el Reglamento de Ejecución (UE) 2023/138, consolida el papel de las APIcomo infraestructura esencial para la reutilización de la información pública, convirtiendo su disponibilidad en una obligación legal y no solo en una buena práctica tecnológica.

Desde el 9 de junio de 2024, los organismos públicos de todos los Estados miembros están obligados a publicar los conjuntos de datos clasificados como HVD de forma gratuita, en formatos legibles por máquina y accesibles mediante API. Las seis categorías reguladas son: datos geoespaciales, observación de la Tierra, medio ambiente, estadística, información empresarial y movilidad.

Este marco no es meramente declarativo. Los Estados miembros deben reportar a la Comisión Europea el estado de cumplimiento cada dos años, incluyendo enlaces persistentes a las API que dan acceso a dichos datos. La situación de España en materia de transparencia, datos abiertos y provisión sistemática de API puede consultarse en los indicadores publicados por el Open Data Maturity Report.

En la práctica, esto significa que las API son el puente entre la norma y la realidad. La regulación no solo dice qué datos deben abrirse, sino que obliga a hacerlo de forma que puedan integrarse automáticamente en aplicaciones, estudios o servicios digitales. Por eso, revisar las API públicas disponibles en España es una forma concreta de entender cómo se está aplicando este marco en el día a día.

Inventario de API públicas en España

INE — API JSON (Tempus3)

El Instituto Nacional de Estadística ofrece una API REST que expone toda la base de datos de difusión Tempus3 en formato JSON, que incluye series estadísticas oficiales sobre demografía, economía, mercado laboral, industria, servicios, precios, condiciones de vida y otros indicadores socioeconómicos que incluye series estadísticas oficiales sobre demografía, economía, mercado laboral, industria, servicios, precios, condiciones de vida y otros indicadores socioeconómicos.

Para realizar llamadas, la estructura debe seguir el patrón https://servicios.ine.es/wstempus/js/{idioma}/{función}/{input}. El parámetro tip=AM permite obtener metadatos junto con los datos, y tv filtra por variables específicas. Por ejemplo, para obtener las cifras de población por provincia, basta con consultar la operación correspondiente (IOE 30243) y filtrar por la variable geográfica deseada.

No requiere autenticación ni API key: cualquier petición GET bien formada devuelve datos directamente.

Ejemplo en Python — obtener la serie de población residente con metadatos:

import requests

url = ("https://servicios.ine.es/wstempus/js/ES/"

       "DATOS_TABLA/t20/e245/p08/l0/01002.px?tip=AM")

response = requests.get(url)

data = response.json()
for serie in data[:3]:  # primeras 3 series

    nombre = serie["Nombre"]

    ultimo = serie["Data"][-1]

    print(f"{nombre}: {ultimo['Valor']:,.0f} ({ultimo['NombrePeriodo']})")

    TOTAL EDADES, TOTAL, Ambos sexos: 39,852,651 (1998)

    TOTAL EDADES, TOTAL, Hombres: 19,488,465 (1998)

    TOTAL EDADES, TOTAL, Mujeres: 20,364,186 (1998)

AEMET — OpenData API REST

La Agencia Estatal de Meteorología expone sus datos a través de una API REST, documentada con Swagger UI (herramienta de código abierto que genera documentación interactiva), datos meteorológicos observados y predicciones oficiales, incluyendo temperatura, precipitación, viento, alertas y fenómenos adversos.

A diferencia del INE, AEMET requiere una API key gratuita, que se obtiene proporcionando un correo electrónico en el portal opendata.aemet.es. Una API key funciona como un tipo de “contraseña” o identificador: sirve para para que el organismo pueda saber quién está usando el servicio, controlar el volumen de peticiones y garantizar un uso adecuado de la infraestructura.

Un aspecto técnico relevante es que AEMET implementa un modelo de doble llamada: la primera petición devuelve un JSON con una URL temporal en el campo datos, y una segunda petición a esa URL recupera el dataset real. El rate limit es de 50 peticiones por minuto.

Ejemplo en Python — datos climatológicos diarios (doble llamada):

import requests

API_KEY = "tu_api_key_aqui"

headers = {"api_key": API_KEY}

# 1ª llamada: obtener URL temporal de datos

url = ("https://opendata.aemet.es/opendata/api/"

       "valores/climatologicos/diarios/datos/"

        "fechaini/2025-01-01T00:00:00UTC/"

       "fechafin/2025-01-10T23:59:59UTC/"

        "todasestaciones")

resp1 = requests.get(url, headers=headers).json()

# 2ª llamada: descargar el dataset real

datos = requests.get(resp1["datos"], headers=headers).json()

for estacion in datos[:3]:

    print(f"{estacion['nombre']}: "

           f"Tmax={estacion.get('tmax','N/A')}°C, "

           f"Prec={estacion.get('prec','N/A')}mm")

CITFAGRO_88_GAITERO: Tmax=8,8°C, Prec=0,0mm

ABANILLA: Tmax=14,8°C, Prec=0,0mm

LA RODA DE ANDALUCÍA: Tmax=15,7°C, Prec=0,2mm

CNIG / IDEE — Servicios OGC y OGC API Features

El Centro Nacional de Información Geográfica publica datos geoespaciales oficiales —cartografía base, modelos digitales del terreno, redes hidrográficas, límites administrativos y otros elementos topográficos— mediante servicios interoperables. Estos han evolucionado desde WMS/WFS hacia los estándares OGC API (Features, Maps y Processes), implementados con software abierto como pygeoapi.

La ventaja principal de OGC API Features frente a WFS es el formato de respuesta: en lugar de GML (pesado y complejo), los datos se sirven en GeoJSON y HTML, formatos nativos del ecosistema web. Esto permite consumirlos directamente desde bibliotecas como Leaflet, OpenLayers o GDAL. Los datasets disponibles incluyen direcciones de Cartociudad, hidrografía, redes de transporte y nomenclátor geográfico.

Ejemplo en Python — consultar features geográficas vía OGC API:

import requests

# OGC API Features - Nomenclátor Geográfico Básico de España

base = "https://api-features.idee.es/collections"

collection = "falls" # Cascadas

url = f"{base}/{collection}/items?limit=5&f=json"

resp = requests.get(url).json()

for feat in resp["features"]:

    props = feat["properties"]

    coords = feat["geometry"]["coordinates"]

    print(f"{props['nombre']}: ({coords[0]:.4f}, {coords[1]:.4f})")

None: (-6.2132, 42.8982)

Cascada del Cervienzo: (-6.2572, 42.9763)

Cascada el Xaral: (-6.3815, 42.9881)

Cascada de Rexiu: (-7.2256, 42.5743)

Cascada de Santalla: (-7.2543, 42.6510)

MITECO — Portal de Datos Abiertos (CKAN)

El Ministerio para la Transición Ecológica mantiene un portal basado en CKAN que expone tres capas de acceso: la CKAN Action API para búsqueda de metadatos y datasets, el Datastore API (OpenAPI) para consultas en vivo sobre recursos tabulares, y endpoints RDF/JSON-LD conformes con DCAT-AP y GeoDCAT-AP. En su catálogo pueden encontrarse datos sobre calidad del aire, emisiones y cambio climático, agua (estado de masas y planificación hidrológica), biodiversidad y espacios protegidos, residuos, energía y evaluación ambiental.

Entre los datasets destacados figuran las áreas protegidas de la Red Natura 2000 masas de agua, y proyecciones de emisiones de gases de efecto invernadero.

Ejemplo en Python — buscar datasets:

import requests

BASE = "https://catalogo.datosabiertos.miteco.gob.es/catalogo"

# Buscar datasets que contengan 'natura 2000'

busqueda = requests.get(

    f"{BASE}/api/3/action/package_search",

    params={"q": "natura 2000", "rows": 3},

).json()

for ds in busqueda["result"]["results"]:

    print(f"{ds['title']} ({ds['num_resources']} recursos)")

Espacios Protegidos de la Red Natura 2000 (13 recursos)

Base de datos de los espacios protegidos Red Natura 2000 de España (CNTRYES) (1 recursos)

Espacios Protegidos de la Red Natura 2000 - API - Datos Alto Valor (1 recursos)

Comparativa técnica

Figura 1.Tabla comparativa de las API de diferentes organismos públicos que se presentan en este post. Fuente: elaboración propia - datos.gob.es. 

La disponibilidad de API públicas no es solo una cuestión de conveniencia técnica. Desde la perspectiva de datos, estas interfaces habilitan tres capacidades críticas:

• Automatización de pipelines: la ingesta periódica de datos públicos puede orquestarse con herramientas estándar (Airflow, Prefect, cron) sin intervención manual ni descargas de ficheros.
• Reproducibilidad: las URL de las API actúan como referencias estáticas a fuentes autoritativas, lo que facilita auditorías y trazabilidad en proyectos de analítica.
• Interoperabilidad: el uso de estándares abiertos (REST, OGC API, DCAT-AP) permite cruzar fuentes heterogéneas sin depender de formatos propietarios.

El ecosistema de API públicas en España presenta distintos niveles de desarrollo según el organismo y el ámbito sectorial. Mientras que entidades como el INE y AEMET disponen de interfaces consolidadas y bien documentadas, en otros casos el acceso se articula a través de portales CKAN o servicios OGC tradicionales. La regulación relativa a los High Value Datasets (HVD) está impulsando la adopción progresiva de estándares REST, si bien el grado de implantación evoluciona a ritmos diferentes. Para los profesionales de datos, estas API constituyen ya una fuente plenamente operativa cuya integración en arquitecturas de datos resulta cada vez más habitual en entornos analíticos y de ingeniería.

La visualización de datos no es una disciplina reciente. Desde hace siglos, las personas han utilizado gráficos, mapas y esquemas para representar información compleja. Ejemplos clásicos como los mapas estadísticos del siglo XIX o los gráficos utilizados en la prensa muestran que la necesidad de “ver” los datos para entenderlos ha existido siempre.

Durante mucho tiempo, la creación de visualizaciones requería conocimientos especializados y acceso a herramientas profesionales, lo que limitaba su producción a perfiles muy concretos. Sin embargo, la revolución digital y tecnológica ha transformado profundamente este panorama. En la actualidad, cualquier persona con acceso a un ordenador y a datos puede crear visualizaciones. Las herramientas se han democratizado, muchas de ellas son gratuitas o de código abierto, y el trabajo de visualización se ha extendido más allá del diseño para integrarse en ámbitos como la estadística, la ciencia de datos, la investigación académica, la administración pública o la educación.

Hoy en día, la visualización de datos es una competencia transversal que permite a la ciudadanía explorar información pública, a las instituciones comunicar mejor sus políticas y a los reutilizadores generar nuevos servicios y conocimientos a partir de los datos abiertos. En este post presentamos algunas de las opciones más accesibles y utilizadas en visualización de datos.

Un ecosistema amplio y diverso de herramientas

El ecosistema de herramientas de visualización de datos es amplio y diverso, tanto en funcionalidades como en niveles de complejidad. Existen opciones pensadas para una primera exploración de los datos, otras orientadas al análisis en profundidad y algunas diseñadas para crear visualizaciones interactivas o narrativas digitales complejas.

Esta variedad permite adaptar la visualización a distintos contextos y objetivos: desde comprender un conjunto de datos de forma preliminar hasta publicar gráficos interactivos, paneles de control o mapas en la web.

La encuesta anual de la Data Visualization Society refleja esta diversidad y muestra cómo el uso de determinadas herramientas evoluciona con el tiempo, consolidando algunas opciones ampliamente conocidas y dando paso a nuevas soluciones que responden a necesidades emergentes. Estas son algunas de las herramientas que se mencionan en la encuesta, ordenadas según perfiles de uso.

Para la elaboración de este listado se ha tenido en cuenta los siguientes criterios:

• Grado de uso y madurez de la herramienta.
• Acceso libre, gratuito o con versiones abiertas.
• Utilidad para proyectos relacionados con datos públicos.
• Prioridad a herramientas abiertas o con versiones gratuitas.

Herramientas sencillas para empezar

Estas herramientas se caracterizan por contar con interfaces visuales, una curva de aprendizaje baja y la posibilidad de crear gráficos básicos de forma rápida. Son especialmente útiles para comenzar a explorar conjuntos de datos abiertos o para actividades de divulgación.

• Excel: es una de las herramientas más extendidas y conocidas. Permite realizar gráficos básicos y primeras exploraciones de datos de forma sencilla. Aunque no está diseñada específicamente para la visualización avanzada, sigue siendo una puerta de entrada habitual al trabajo con datos y su representación gráfica.
• Google Sheets: funciona como una alternativa gratuita y colaborativa a Excel. Su principal ventaja es la posibilidad de trabajar de forma compartida y publicar gráficos sencillos en línea, lo que facilita la difusión de visualizaciones básicas.
• Datawrapper: muy utilizada en comunicación pública y periodismo de datos. Permite crear gráficos claros, mapas y tablas interactivas sin necesidad de conocimientos técnicos. Es especialmente adecuada para explicar datos de forma comprensible a un público amplio.
• RAWGraphs: herramienta de software libre orientada a la exploración visual. Permite experimentar con tipos de gráficos menos habituales y descubrir nuevas formas de representar datos. Resulta especialmente útil en fases exploratorias.
• Canva: aunque su enfoque es más divulgativo que analítico, puede ser útil para crear piezas visuales sencillas que integren gráficos básicos con elementos de diseño. Es adecuada para la comunicación visual de resultados, no tanto para el análisis de datos.

Herramientas de análisis y exploración de datos

Este grupo de herramientas está orientado a perfiles que desean ir más allá de los gráficos básicos y realizar análisis más estructurados. Muchas de ellas son abiertas y están ampliamente consolidadas en el ámbito del análisis de datos.

• R: lenguaje de programación libre muy utilizado en estadística y análisis de datos. Dispone de un amplio ecosistema de paquetes que permiten trabajar con datos públicos de forma reproducible y transparente.
• Ggplot2: librería de visualización del lenguaje R. Es una de las herramientas más potentes para crear gráficos rigurosos y bien estructurados, tanto para análisis como para comunicación de resultados.
• Python (Matplotlib y Plotly): Python es uno de los lenguajes más utilizados en análisis de datos. Matplotlib permite crear gráficos estáticos personalizables, mientras que Plotly facilita la creación de visualizaciones interactivas. Juntas ofrecen un buen equilibrio entre potencia y flexibilidad.
• Apache Superset: plataforma de código abierto para análisis de datos y creación de paneles de control. Tiene un enfoque más institucional y escalable, lo que la hace adecuada para organizaciones que trabajan con grandes volúmenes de datos públicos.

Este bloque resulta especialmente relevante para reutilizadores de datos abiertos y perfiles técnicos intermedios que buscan combinar análisis y visualización de forma sistemática.

Herramientas para visualización interactiva y web

Estas herramientas permiten crear visualizaciones avanzadas para su publicación en entornos web. Aunque requieren mayores conocimientos técnicos, ofrecen una gran flexibilidad y posibilidades expresivas.

• D3.js: es uno de los referentes en visualización web. Se basa en estándares abiertos y permite un control total sobre la representación visual de los datos. Su flexibilidad es muy alta, aunque también lo es su complejidad.

En este ejercicio práctico puedes ver cómo se utiliza esta librería

• Vega y Vega-Lite: lenguajes declarativos para visualización que simplifican el uso de D3. Permiten definir gráficos de forma estructurada y reproducible, ofreciendo un buen equilibrio entre potencia y simplicidad.
• Observable: entorno interactivo muy ligado a D3 y Vega. Es especialmente útil para crear ejemplos educativos, prototipos y visualizaciones exploratorias que combinan código, texto y gráficos.
• Three.js y WebGL: tecnologías orientadas a visualizaciones avanzadas y en tres dimensiones. Su uso es más experimental y suele estar vinculado a proyectos de divulgación o investigación visual.

En este apartado conviene destacar que, aunque las barreras técnicas son mayores, estas herramientas permiten crear experiencias interactivas ricas que pueden resultar muy eficaces para comunicar datos públicos complejos.

Herramientas de cartografía y datos geoespaciales

La visualización geográfica es especialmente relevante en el ámbito de los datos abiertos, ya que una gran parte de la información pública tiene una dimensión territorial. En este campo, el software libre tiene un peso destacado y está muy alineado con el uso en administraciones públicas.

• QGIS: referente en software libre para sistemas de información geográfica (GIS). Es ampliamente utilizado en administraciones públicas y permite analizar y visualizar datos espaciales con gran detalle.
• ArcGIS: muy extendido en el ámbito institucional. Aunque no es software libre, su uso está muy consolidado y forma parte del ecosistema habitual de muchas organizaciones públicas.
• Mapbox: plataforma orientada a la creación de mapas web interactivos. Es muy utilizada en proyectos de visualización online y permite integrar datos geográficos en aplicaciones web.
• Leaflet: librería de código abierto muy popular para crear mapas interactivos en la web. Es ligera, flexible y ampliamente utilizada en proyectos de reutilización de datos abiertos geográficos.

Este conjunto de herramientas facilita la representación territorial de los datos y su reutilización en contextos locales, regionales o nacionales.

En conclusión, la elección de una herramienta de visualización depende en gran medida del objetivo que se persiga. No es lo mismo aprender y experimentar que analizar datos en profundidad o comunicar resultados a un público amplio. Por ello, resulta útil reflexionar previamente sobre el tipo de datos disponibles, el público al que se dirige la visualización y el mensaje que se quiere transmitir.

Apostar por herramientas accesibles y abiertas permite que más personas puedan explorar, interpretar y comunicar datos públicos. En este sentido, visualizar datos es también una forma de acercar la información a la ciudadanía y fomentar su reutilización.

En 2010, tras el devastador terremoto de Haití, cientos de organizaciones humanitarias llegaron al país dispuestas a ayudar. Se encontraron con un obstáculo inesperado: no había mapas actualizados. Sin información geográfica fiable, coordinar recursos, localizar comunidades aisladas o planificar rutas seguras era casi imposible. 

Ese vacío marcó un antes y un después: fue el momento en que la comunidad global de OpenStreetMap (OSM) demostró su enorme potencial humanitario. Más de 600 voluntarios de todo el mundo se organizaron y comenzaron a mapear Haití en tiempo récord. Este hecho impulsó el proyecto Humanitarian OpenStreetMap Team. 

¿Qué es Humanitarian OpenStreetMap Team? 

Humanitarian OpenStreetMap Team, conocida por el acrónimo HOT, es una organización internacional sin ánimo de lucro dedicada a mejorar la vida de las personas mediante datos geográficos precisos y accesibles. Su labor está inspirada en los principios de ​OSM​, el proyecto colaborativo que busca crear un mapa digital abierto, gratuito y editable por cualquiera. 

La diferencia con OSM es que HOT se orienta específicamente a contextos donde la falta de datos afecta de manera directa a la vida de las personas: se trata de aportar datos y herramientas que permitan tomar decisiones más informadas en situaciones críticas. Es decir, aplica los principios del software y datos abiertos al mapeo colaborativo con impacto social y humanitario. 

En este sentido, el equipo de HOT no sólo produce mapas: también facilita las ​herramientas, las ​capacidades técnicas e impulsa nuevas formas de trabajo para distintos actores que necesitan datos espaciales precisos. Su labor va desde la respuesta inmediata cuando ocurre un desastre hasta programas estructurales que fortalecen la resiliencia local ante desafíos como el cambio climático o la expansión urbana. 

Cuatro zonas geográficas prioritarias 

Aunque HOT no se limita a un único país o región, sí ha establecido áreas prioritarias donde sus esfuerzos de mapeo tienen un mayor impacto debido a la existencia de brechas significativas en los datos o a necesidades humanitarias urgentes. Actualmente trabaja en más de 90 países y organiza sus actividades a través de cuatro ​​Hubs de Mapeo Abierto (centros regionales) que coordinan iniciativas según las necesidades locales: 

• Asia-Pacífico: los desafíos incluyen desde desastres naturales frecuentes (como tifones y terremotos) hasta el acceso a zonas rurales remotas con poca cobertura cartográfica.
• África Oriental y Meridional: esta región enfrenta múltiples crisis entrelazadas (sequías, movimientos migratorios, deficiencias en infraestructura básica) por lo que contar con mapas actualizados es clave para la planificación sanitaria, la gestión de recursos y la respuesta a emergencias.
• África Occidental y Norte de África: en esta zona, HOT impulsa actividades que combinan el fortalecimiento de capacidades locales con proyectos tecnológicos, promoviendo la participación activa de comunidades en la creación de mapas útiles para su entorno.
• América Latina y el Caribe: con frecuencia afectada por huracanes, terremotos y riesgos volcánicos, esta región ha visto una adopción creciente de mapeo colaborativo tanto en respuesta a emergencias como en iniciativas de desarrollo urbano y resiliencia climática. 

La elección de estas zonas prioritarias no es arbitraria: responde a contextos en los que la falta de datos abiertos puede limitar respuestas rápidas y efectivas, así como la capacidad de gobiernos y comunidades para planificar su futuro con información fiable. 

Herramientas de código abierto desarrolladas por HOT 

​​Una parte esencial del impacto de HOT reside en las herramientas y plataformas de código abierto que facilitan el mapeo colaborativo y el uso de datos espaciales en escenarios reales. ​Para ello se desarrolló una Cadena de Valor de Mapeo E2E, la cual es la metodología central que permite a las comunidades pasar de la captura de imágenes y el mapeo al impacto. Esta cadena de valor respalda todos sus programas, garantizando que el mapeo sea un proceso transformador, basado en datos abiertos, educación y poder comunitario.​​​ 

​​Estas herramientas no sólo apoyan el trabajo de HOT, sino que están disponibles para que cualquier persona o comunidad las utilice, adapte o amplíe. En concreto se han desarrollado herramientas para crear, acceder, gestionar, analizar y compartir datos de mapas abiertos. ​Puedes explorarlas en el Centro de Aprendizaje, un espacio de formación que ofrece desarrollo de capacidades, fortalecimiento de habilidades y un proceso de acreditación para personas y organizaciones interesadas.​​ A continuación se describen estas herramientas:    ​ 

• Drone Tasking Manager (DroneTM) 

Permite planificar vuelos de drones para obtener imágenes aéreas actualizadas de alta resolución, algo fundamental cuando las imágenes comerciales son demasiado costosas. De esta forma, cualquier persona con acceso a un dron -incluidos modelos de bajo coste y de uso común-, puede contribuir a un repositorio global de imágenes libres y abiertas, lo que democratiza el acceso a datos geoespaciales críticos para la respuesta ante desastres, la resiliencia comunitaria y la planificación local. 

La plataforma coordina a múltiples operadores y genera planes de vuelo automatizados para cubrir áreas de interés, lo que facilita la captura de imágenes 2D y 3D con precisión y eficiencia. Además, incluye planes de formación y promueve la seguridad y el cumplimiento de regulaciones locales, apoyando la gestión de proyectos, la visualización de datos y el intercambio colaborativo entre pilotos y organizaciones. 

Figura 1. Captura Drone Tasking Manager (DroneTM). Fuente: Equipo Humanitario de OpenStreetMap (HOT).

• Open Aerial Map (OAM) 

Es una plataforma de código abierto que ofrece acceso a una biblioteca comunitaria de imágenes aéreas con licencia abierta, obtenidas desde satélites, drones u otras aeronaves. Cuenta con una interfaz sencilla donde se puede hacer zoom sobre un mapa para buscar imágenes disponibles. OAM permite tanto descargar como contribuir con nuevas imágenes, ampliando así un repositorio global de datos visuales que cualquiera puede usar y trazar en OpenStreetMap. 

Todas las imágenes alojadas en OpenAerialMap están licenciadas bajo CC-BY 4.0, lo que significa que son de acceso público y pueden ser reutilizadas con atribución, facilitando su integración en aplicaciones de análisis geoespacial, proyectos de respuesta ante emergencias o iniciativas de planificación local. OAM se apoya en la Open Imagery Network (OIN) para estructurar y servir estas imágenes. 

• Tasking Manager 

Facilita el mapeo colaborativo en OpenStreetMap. Su propósito principal es coordinar a miles de voluntarios de todo el mundo para añadir datos geográficos de forma organizada y eficiente. Para ello, divide un proyecto de mapeo grande en pequeñas “tareas” que pueden completarse rápidamente por personas que trabajan de forma remota. 

El funcionamiento es sencillo: los proyectos se subdividen en cuadrículas, cada una asignable a un voluntario para que trace elementos como calles, edificios o puntos de interés en OSM. Cada tarea es validada por mappers experimentados para asegurar la calidad de los datos. La plataforma muestra claramente qué zonas aún necesitan mapeo o revisión, evitando duplicaciones y mejorando la eficiencia del trabajo colaborativo. 

Figura 2. Captura Tasking Manager. Fuente: Equipo Humanitario de OpenStreetMap (HOT).

• fAIr 

Utiliza inteligencia artificial para asistir el proceso de mapeo en OpenStreetMap con fines humanitarios. A través de modelos de computer vision, fAIr analiza imágenes satelitales o aéreas y sugiere la detección de elementos geográficos como edificios, caminos, cursos de agua o vegetación a partir de imágenes libres como las de OpenAerialMap. La idea es que los voluntarios puedan usar estas predicciones como asistencia para mapear más rápido y con mayor precisión, sin realizar importaciones masivas automatizadas, integrando siempre el juicio humano en la validación de cada elemento. 

Una de las características más destacadas de fAIr es que la creación y entrenamiento de los modelos de IA está en manos de las propias comunidades mapeadoras: los usuarios pueden generar sus propios conjuntos de entrenamiento ajustados a su región o contexto, lo que ayuda a reducir sesgos de los modelos estándar y hace que las predicciones sean más relevantes para las necesidades locales. 

• Field Tasking Manager (Field-TM) 

Es una aplicación móvil y web que facilita la coordinación de campañas de mapeo directamente en el terreno. Field-TM se usa junto con OpenDataKit (ODK), una plataforma de recolección de datos en Android que permite introducir información sobre el terreno usando los propios dispositivos móviles. Gracias a ella, los voluntarios pueden introducir información geoespacial verificada por observación local, como la finalidad de cada edificio (si es una tienda, un hospital, etc.). 

La aplicación proporciona una interfaz para asignar tareas, seguir el avance y asegurar la consistencia de los datos. Su propósito principal es mejorar la eficiencia, organización y calidad del trabajo de campo al enriquecerlo con información local, así como reducir duplicidades, evitar zonas no cubiertas y permitir un seguimiento claro del progreso de cada colaborador en una campaña de mapeo. 

• ChatMap 

Transforma conversaciones de aplicaciones de mensajería instantánea (como WhatsApp) en mapas interactivos. En muchas comunidades, especialmente en zonas propensas a desastres o con poca alfabetización tecnológica, las personas ya utilizan apps de chat para comunicarse y compartir su ubicación. ChatMap aprovecha esos mensajes exportados, extrae datos de ubicación junto con textos, fotos y videos, y los representa automáticamente sobre un mapa, sin necesidad de instalaciones complejas o conocimientos técnicos avanzados. 

Esta solución funciona incluso en condiciones de conectividad limitada o sin conexión, basándose en la señal GPS del teléfono para registrar ubicaciones y almacenarlas hasta que se pueda subir la información. 

Figura 3. Captura de ChatMap. Fuente: Equipo Humanitario de OpenStreetMap (HOT).

• Export Tool 

Facilitar el acceso y descarga de datos geoespaciales actualizados de OpenStreetMap en formatos útiles para análisis y proyectos. A través de esta plataforma web se puede seleccionar un área de interés en el mapa, elegir qué datos se quieren (como carreteras, edificios o servicios) y descargar esos datos en múltiples formatos, como GeoJSON, Shapefile, GeoPackage, KML o CSV. Esto permite usar la información en un software SIG (Sistemas de Información Geográfica) o integrarla directamente en aplicaciones personalizadas. También se pueden exportar todos los datos de una zona o descargar datos asociados a un proyecto concreto del Tasking Manager. 

La herramienta está diseñada para ser accesible tanto a analistas técnicos como a personas que no son expertas en SIG: en cuestión de minutos se pueden generar extractos personalizados de OSM sin necesidad de instalar software especializado. También ofrece una API y métricas de calidad de datos. 

• uMap 

Es una plataforma de creación de mapas interactivos de código abierto que permite a cualquier persona visualizar, personalizar y compartir datos geoespaciales fácilmente. Sobre una base de mapas de OpenStreetMap, uMap deja añadir capas personalizadas, marcadores, líneas y polígonos, administrar colores e íconos, importar datos en formatos comunes (como GeoJSON, GPX o KML) y elegir licencias para los datos, sin necesidad de instalar software especializado. Los mapas creados pueden incrustarse en sitios web o compartirse mediante enlaces. 

​​La herramienta ofrece plantillas y opciones de integración con otras herramientas de HOT, como ChatMap y OpenAerialMap, para enriquecer los datos en el mapa.​​​

Figura 4. Herramientas de código abierto de HOT para mapear con impacto social. Fuente: Equipo Humanitario de OpenStreetMap (HOT).

Todas estas herramientas están a disposición de las comunidades locales de todo el mundo. Desde HOT también se ofrece formación para fomentar su uso y mejorar el impacto de los datos abiertos en las respuestas humanitarias. 

​​​​¿Cómo puedes sumarte al impacto de HOT?​​​ 

​​​HOT se construye junto a una comunidad global que impulsa el uso de datos abiertos para fortalecer la toma de decisiones y salvar vidas. Si representas a una organización, universidad, colectivo, agencia pública o iniciativa comunitaria y tienes una idea de proyecto o interés en una alianza, el equipo de HOT está abierto a explorar colaboraciones. Puedes escribirles a partnerships@hotosm.org.​​ 

Cuando las comunidades tienen acceso a datos precisos, herramientas abiertas y el conocimiento para generar información geoespacial de forma continua, se convierten en agentes informados, listos para tomar decisiones en cualquier situación. Están mejor preparadas para identificar riesgos climáticos, responder ante emergencias, resolver problemas locales y movilizar apoyo. El mapeo abierto, por tanto, no solo representa territorios: empodera a las personas para transformar su realidad con datos que pueden salvan vidas. 

Una de las misiones de la inteligencia artificial contemporánea es ayudarnos a encontrar, ordenar y digerir información, especialmente con la ayuda de los grandes modelos de lenguaje. Estos sistemas han llegado cuando más necesitamos gestionar un conocimiento que producimos y compartimos en masa, pero que después nos cuesta abarcar y consumir. Su valor radica en encontrar rápidamente las ideas y los datos que necesitamos, con el fin de que podamos dedicar nuestro esfuerzo y tiempo a pensar o, lo que es lo mismo, empezar a subir la escalera con uno o dos peldaños de ventaja.

Los sistemas basados en IA nos ayudan a navegar cualquier ecosistema de conocimiento, algo que es útil tanto en la investigación académica como en los estudios de tendencias en el mundo de la empresa. Las herramientas de IA analítica pueden analizar miles de papers para mostrarnos qué autores colaboran entre sí o cómo se agrupan los temas, creándonos a demanda un mapa interactivo y filtrable de la literatura. La IA generativa, la gran esperada, puede partir de una pregunta de investigación y devolvernos subcontenido útil como una síntesis o un contraste de enfoques. La primera nos muestra el terreno sobre el mapa, mientras que la segunda nos sugiere por dónde podemos avanzar.

Herramientas prácticas

Empezando por las más analíticas y dejando las mixtas o generativas para el final, recorremos cuatro herramientas prácticas para la investigación que integran la IA como funcionalidad, y una bola extra.

1. Inciteful

Es una herramienta basada sobre todo en la conexión entre autores, temas y artículos, que nos muestra redes de citas y nos permite crear el grafo completo de la literatura en torno a un tema. Como punto de partida, Inciteful nos pide el título o la URL de un paper, aunque también podemos simplemente buscar por nuestro tema de investigación. También existe la posibilidad de introducir los datos de dos artículos, para que nos enseñe cómo se conectan entre sí.

Figura 1. Captura de pantalla en Inciteful: pantalla inicial de búsqueda y conexión entre papers.

Figura 2. Captura de pantalla en Inciteful: red de nodos con artículos y autores.

2. Scite

En Scite, la integración de la IA es más evidente y práctica: ante una pregunta, crea una única respuesta resumen combinando la información de todas las referencias. La herramienta analiza la semántica de los papers para extraer cuál es la naturaleza de cada cita: cuántas citas lo apoyan (símbolo del check), lo cuestionan (interrogación) o solo lo mencionan (barra). Esto nos permite algo tan valioso como añadir contexto a las métricas de impacto de un artículo en nuestra bibliografía.

Figura 3. Captura de pantalla en Scite: pantalla inicial de búsqueda.

Figura 4. Captura de pantalla en Scite: valoración de las citas de un artículo.

3. Research Rabbit

Además de integrar las funcionalidades de las anteriores, se trata de un producto digital muy completo que no solo permite navegar de paper en paper en forma de red visual, sino que también hace posible establecer alertas sobre un tema o un autor al que seguimos y crear listas de papers. Además, el propio sistema sugiere qué otros papers te pueden interesar, todo en el estilo de un sistema de recomendación como los de Spotify o Netflix. También permite hacer listas públicas, como en Google Maps, y trabajar de forma colaborativa con otros usuarios.

Figura 5. Captura de pantalla en Research Rabbit: lista personalizada de artículos.

4. Elicit

Cuenta con el aval del gobierno británico, la Universidad de Stanford o la NASA, y está basada al cien por cien en IA generativa. Su funcionalidad estrella es la capacidad de hacer preguntas directas a un paper o a una colección de artículos, y finalmente obtener un informe dirigido a cuestiones concretas con todas las referencias. Aunque, en realidad, la característica más sorprendente es la capacidad de mejora de la pregunta inicial del usuario: la herramienta evalúa de forma instantánea la calidad de la pregunta y realiza sugerencias para hacerla más precisa o interesante.

Figura 6. Captura de pantalla en Elicit: sugerencias de mejora para la pregunta inicial.

Bola extra: Consensus

Lo que empezó como un humilde GPT personalizado dentro de la versión Plus de ChatGPT ha terminado siendo todo un producto digital para la investigación. A partir de una pregunta, intenta sintetizar el consenso científico en torno a esa temática, indicando si hay acuerdo o discrepancia entre los estudios. De una manera sencilla y visual muestra cuántos apoyan una afirmación, cuántos la ponen en duda y qué conclusiones predominan, además de proporcionar un pequeño informe para obtener una orientación rápida.

Figure 7. Screenshot on Consensus: impact metrics from a question.

El botón de la profundidad

En los últimos meses ha aparecido una nueva funcionalidad en las plataformas de los grandes modelos de lenguaje comerciales enfocada a la investigación en profundidad. En concreto, se trata de un botón con este mismo nombre, “investigación en profundidad” o “deep research”, que ya podemos encontrar en ChatGPT, versión Plus (con peticiones limitadas) o Pro, y en Gemini Advanced, aunque prometen que gradualmente se irá abriendo al uso gratuito y permiten algunas pruebas sin coste.

Figura 8. Captura de pantalla en ChatGPT Plus: botón Investigación en profundidad.

Figura 9. Captura de pantalla en Gemini Advanced: botón Deep Research.

Esta opción, que debemos activar antes de lanzar el prompt, funciona como un atajo: el modelo genera un informe sintético y organizado sobre el tema, reuniendo información clave, datos y contexto. Antes de iniciar la investigación, es posible que el sistema nos haga alguna pregunta adicional para centrar mejor la búsqueda.

Figura 10. Captura de pantalla en ChatGPT Plus: preguntas para acotar la investigación

Debemos tener en cuenta que, una vez resueltas estas dudas, el sistema inicia un proceso que puede tardar mucho más que una respuesta normal. En concreto, en ChatGPT Plus puede requerir hasta 10 minutos. Una barra de progreso nos va indicando el avance.

Figura 11. Captura de pantalla en ChatGPT Plus: inicio de la investigación y barra de progreso

Lo que obtenemos ahora es un informe completo, considerablemente preciso, incluyendo ejemplos y enlaces que nos pueden poner rápidamente en la pista de lo que estamos buscando.

Figura 12. Captura de pantalla de ChatGPT Plus: resultado de la investigación (fragmento).

Cierre

Las herramientas diseñadas para aplicar la IA a favor de la investigación no son infalibles ni definitivas, pueden todavía incurrir en errores y alucinaciones, pero no es menos cierto que la investigación con IA ya es un proceso radicalmente distinto a la investigación sin ella. La búsqueda asistida consiste, como prácticamente todo cuando hablamos de IA, en no desdeñar por imperfecto lo que puede ser útil, dedicar algo de tiempo a probar nuevos usos que pueden ahorrarnos muchas horas más adelante, y centrar su papel en lo que sí puede hacer para mantener nuestro enfoque en los siguientes pasos..

Contenido elaborado por Carmen Torrijos, experta en IA aplicada al lenguaje y la comunicación. Los contenidos y los puntos de vista reflejados en esta publicación son responsabilidad exclusiva de su autor.

La creciente complejidad de los modelos de aprendizaje automático y la necesidad de optimizar su rendimiento lleva años impulsando el desarrollo del AutoML (Automated Machine Learning). Esta disciplina busca automatizar tareas clave en el ciclo de vida del desarrollo de modelos, como la selección de algoritmos, el procesamiento de datos y la optimización de hiperparámetros.

El AutoML permite a los usuarios desarrollar modelos de manera más sencilla y rápida. Se trata de un enfoque que facilita el acceso a la disciplina, haciéndola accesible a los profesionales con menos experiencia en programación y acelerando los procesos para aquellos que cuentan con más experiencia. Así, para un usuario con conocimientos profundos de programación, el AutoML también puede ser interesante. Gracias al auto machine learning, este usuario podría aplicar automáticamente las configuraciones técnicas necesarias, como definir variables o interpretar los resultados de manera más ágil.

En este post, abordaremos las claves de estos procesos de automatización y recopilaremos una serie de herramientas de código abierto gratuitas y/o con modelo freemium, que te pueden servir para profundizar en el AutoML.

Aprende a crear tu propio modelado de aprendizaje automático

Como se indicaba anteriormente, gracias a la automatización, el proceso de entrenamiento y evaluación de modelos en base a herramientas de AutoML es más rápido que en un proceso de machine learning (ML) habitual, si bien las etapas para la creación de modelos son similares.

En general, los componentes clave del AutoML son:

1. Preprocesamiento de datos: automatiza tareas como la limpieza, transformación y selección de características de los datos.
2. Selección de modelos: examina una variedad de algoritmos de machine learning y elige el más adecuado para la tarea específica.
3. Optimización de hiperparámetros: ajusta automáticamente los parámetros de los modelos para mejorar su rendimiento.
4. Evaluación de modelos: proporciona métricas de rendimiento y valida modelos utilizando técnicas como la validación cruzada.
5. Implementación y mantenimiento: facilita la implementación de modelos en producción y, en algunos casos, su actualización.

Todos estos elementos ofrecen, en su conjunto, una serie de ventajas como las que vemos en la imagen

Figura 1. Fuente: elaboración propia.

Ejemplos de herramientas de AutoML

A pesar que el AutoML puede llegar a ser muy útil, es importante destacar algunas de sus limitaciones como el riesgo de overfitting (cuando el modelo se ajusta demasiado a los datos de entrenamiento y no generaliza bien el conocimiento), la pérdida de control sobre el proceso de modelado o la interpretabilidad de ciertos resultados.

No obstante, a medida que el AutoML continúa ganando terreno en el ámbito del aprendizaje automático, diversas herramientas han surgido para facilitar su implementación y uso. A continuación, exploraremos algunas de las herramientas de AutoML de código abierto más destacadas:

H2O.ai, versátil y escalable, ideal para empresas

H2O.ai es una plataforma de AutoML que incluye modelos de deep learning y machine learning como XGBoost (biblioteca de machine learning diseñada para mejorar la eficiencia de los modelos) y una interfaz de usuario gráfica. Esta herramienta se utiliza en proyectos a gran escala y permite un alto nivel de personalización. H2O.ai incluye opciones para modelos de clasificación, regresión y series temporales, y se destaca por su capacidad para manejar grandes volúmenes de datos.

Aunque H2O facilita el acceso al machine learning a no expertos, sí son necesarios algunos conocimientos y experiencia en ciencia de datos para sacarle el máximo partido a la herramienta. Además, permite realizar un gran número de tareas relacionadas con el modelado que normalmente requerirían muchas líneas de código, facilitando la tarea del analista de datos. H2O ofrece un modelo freemium y también cuenta con una versión comunitaria de código abierto.

TPOT, basado en algoritmos genéticos, buena opción para experimentar

TPOT (Tree-based Pipeline Optimization Tool) es una herramienta gratuita y de código abierto para el aprendizaje automático con Python que optimiza los procesos mediante programación genética.

Esta solución busca la mejor combinación de preprocesamiento de datos y modelos de aprendizaje automático para un conjunto de datos específico. Para ello, utiliza algoritmos genéticos que le permiten explorar y optimizar diferentes pipelines, transformación de datos y modelos. Se trata de una opción más experimental que puede resultar menos intuitiva, pero ofrece soluciones innovadoras.

Además, TPOT está construido sobre la popular biblioteca scikit-learn, así que los modelos generados por TPOT se pueden utilizar y ajustar con las mismas técnicas que se usarían en scikit-learn.

Auto-sklearn, accesible para usuarios de scikit-learn y eficiente en problemas estructurados

Como TPOT, Auto-sklearn está basada en scikit-learn y sirve para automatizar la selección de algoritmos y la optimización de hiperparámetros en modelos de aprendizaje automático en Python.

Además de ser una opción gratuita y de código abierto, incluye técnicas para manejar datos ausentes, una funcionalidad muy útil a la hora de trabajar con conjuntos de datos del mundo real. Por otro lado, Auto-sklearn ofrece una API sencilla y fácil de usar, lo que permite a los usuarios iniciar el proceso de modelado con pocas líneas de código.

BigML, integración mediante API REST y modelos de precios flexibles

BigML es una plataforma de aprendizaje automático consumible, programable y escalable que, como el resto de herramientas mencionadas, facilita la resolución y automatización de tareas de clasificación, regresión, pronóstico de series de tiempo, análisis de clústeres, detección de anomalías, descubrimiento de asociaciones y modelado de temas. Cuenta con una interfaz intuitiva y un enfoque hacia la visualización que facilita la creación y gestión de modelos de ML, incluso para usuarios con pocas nociones de programación.

Además, BigML tiene una API REST que posibilita la integración con diversas aplicaciones y lenguajes, y es escalable para manejar grandes volúmenes de datos. Por otro lado, ofrece un modelo de precios flexible basado en el uso, y cuenta con una comunidad activa que actualiza regularmente los recursos didácticos disponibles.

La siguiente tabla muestra una comparativa entre estas herramientas:

Figura 2. Tabla comparativa de herramientas de autoML. Fuente:elaboración propia.

Cada herramienta tiene su propia propuesta de valor, y la elección dependerá de las necesidades específicas y del entorno en el que trabaje el usuario.

Estos son algunos ejemplos de herramientas gratuitas y de código abierto que puedes explorar para adentrarte en el AutoML. Te invitamos a compartir tu experiencia con estas u otras herramientas en la sección de comentarios.

Si estás buscando herramientas para ayudarte en el procesamiento de datos, desde datos.gob.es ponemos a tu disposición el informe “Herramientas de procesado y visualización de datos”, así como los siguientes artículos monográficos:

• Las herramientas de análisis de datos más populares
• Las herramientas de depuración y conversión de datos más populares
• Las herramientas de visualización de datos más populares
• Las herramientas de visualización geoespacial más populares
• Las herramientas de análisis de redes más populares

La Directiva INSPIRE (Infrastructure for Spatial Information in Europe) establece las reglas generales para el establecimiento de una Infraestructura de Información espacial en la Comunidad Europea basada en las Infraestructuras de los Estados miembro. Aprobada por el Parlamento Europeo y el Consejo el 14 de marzo de 2007 (Directiva 2007/2/CE), esta entró en vigor el 25 de abril de 2007.

INSPIRE permite encontrar, compartir y utilizar con más facilidad los datos espaciales de diferentes países. La información está disponible a través de un portal online  desde el que se pueden encontrar desglosados en distintos formatos y temáticas de interés.

Para asegurar que estos datos sean compatibles e interoperables en un contexto comunitario y transfronterizo, la Directiva exige que se adopten Normas de Ejecución comunes (Implementing Rules) específicas para las siguientes áreas:

• Metadatos
• Conjuntos de datos
• Servicios de red
• Uso compartido de datos y servicios
• Servicios de datos espaciales
• Monitoreo e informes

La implementación técnica de estas normas se realiza mediante las Guías Técnicas o Directrices (Technical Guidelines), documentos técnicos basados en estándares y normas internacionales.

Inspire e interoperabilidad semántica

Estas normas se consideran decisiones o reglamentos de la Comisión y, por lo tanto, son de obligado cumplimiento en cada uno de los países de la Unión. La transposición de esta Directiva al ordenamiento jurídico español se desarrolla a través de la Ley 14/2010 de 5 de julio, la cual hace referencia a las infraestructuras y los servicios de información geográfica de España (LISIGE) y el portal IDEE, ambos son el resultado de la implementación de la Directiva INSPIRE en España.

En INSPIRE juega un papel decisivo la interoperabilidad semántica. Gracias a esta, existe un lenguaje común en los datos espaciales, pues la integración del conocimiento solo es posible cuando se logra una homogenización o entendimiento común de los conceptos que constituyen un dominio o área de conocimiento. Así, en INSPIRE, la interoperabilidad semántica es la encargada de asegurar que el contenido de la información intercambiada sea entendido de la misma manera por cualquier sistema.

Por ello, en la implementación de los modelos de datos espaciales en INSPIRE, en formato de intercambio GML, podemos encontrar los codelist que son una parte importante de las especificaciones de datos de INSPIRE y contribuyen sustancialmente a la interoperabilidad.

En general, una codelist o lista de códigos contiene varios términos cuyas definiciones son universalmente aceptadas y comprendidas. Las listas de códigos favorecen la interoperabilidad de los datos y constituyen un vocabulario compartido por una comunidad. Incluso pueden ser multilingües.

Las listas de códigos INSPIRE se administran y mantienen comúnmente en Registro Inspire Central Federado (ROR) que proporciona capacidades de búsqueda, de modo que tanto los usuarios finales como las aplicaciones cliente pueden acceder fácilmente a los valores de la lista de códigos como referencia.

Los registros son necesarios porque:

• Proporcionan los códigos definidos en las Directrices Técnicas (Guidelines), Reglamentos y Especificaciones técnicas necesarios para implementar la Directiva
• Permiten referencias inequívocas de los elementos
• Proporcionna identificadores únicos y persistentes para los recursos
• Permiten una gestión y control de versiones coherentes de los diferentes elementos

Las listas de códigos utilizados en INSPIRE se mantienen en:

• El Registro Inspire Central Federado (ROR)
• El registro de listas de códigos de un estado miembro
• El registro de listas de un tercero externo reconocido que mantiene una lista de códigos específica de dominio.

Para agregar una nueva lista de códigos, tendrá que configurar su propio registro o trabajar con la administración de uno de los registros existentes para publicar su lista de códigos. Este puede ser un proceso bastante complicado pero una nueva herramienta nos ayuda en esta labor.

Re3gistry es una solución de código abierto reutilizable y publicado bajo licencia EUPL, que permite a las empresas y organizaciones administrar y compartir \"códigos de referencia\" a través de URI persistentes, asegurando que los conceptos se referencian inequívocamente en cualquier dominio y facilitando la gestión de estos recursos gráficamente durante todo su ciclo de vida.

Financiado por ELISE, ISA2 es una solución reconocida por los europeos en el Marco de interoperabilidad como una herramienta de apoyo.Ilustración 3 Imagen de la interface de Re3gister.

Ilustración 3: Imagen de la interface de Re3gister

Re3gistry está disponible tanto para Windows como para Linux y ofrece una Interfaz Web fácil de usar para agregar, editar y administrar los registros y códigos de referencia. Además, permite la gestión del ciclo de vida completo de los códigos de referencia (basado en la norma ISO 19135: 2005 Procedimientos integrados para el registro de códigos de referencia)

La interfaz de edición también proporciona un indicador para permitir que el sistema exponga el código de referencia en el formato que permite su integración con RoR, de esta manera, eventualmente se puede importar en la federación de registro INSPIRE. Para esta integración, Reg3gistry hace una exportación en un formato basado en las siguientes especificaciones:

• El vocabulario del Catálogo de datos del W3C (DCAT) que se utiliza para modelar el registro de entidades (dcat:Catalog).
• El Sistema de Organización Simple del Conocimiento (SKOS) del W3C que se utiliza para modelar el registro de entidades (skos:ConceptScheme) y el elemento (skos:Concept).

Otras características destacables de Re3gistry

• Modelos de datos altamente flexibles y personalizables
• Soporte de contenido en varios idiomas
• Soporte para el control de versiones
• API RESTful con negociación de contenido (incluido el descriptor OpenAPI 3)
• Búsqueda de texto-libre
• Formatos soportados: HTML, ISO 19135 XML, JSON
• Los formatos de servicio se pueden agregar o personalizar fácilmente (formatos predeterminados: JSON e ISO 19135 XML)
• Múltiples opciones de autentificación
• Elementos gobernados externamente a los que se hace referencia a través de URIs
• Soporte de formato de federación de registro INSPIRE (opción para crear automáticamente el formato RoR)
• Fácil exportación y reindexación de datos (SOLR)
• Guías para usuarios, administradores y desarrolladores
• Fuente RSS

En definitiva, Re3gistry  proporciona un punto de acceso central donde las etiquetas y descripciones de los códigos de referencia son fácilmente accesibles tanto para humanos como para máquinas, al tiempo que fomenta la interoperabilidad semántica entre organizaciones ya que permite:

• Evitar errores comunes como faltas de ortografía, ingresar sinónimos o completar formularios en línea.
• Facilitar la internacionalización de las interfaces de usuario proporcionando etiquetas multilingües.
• Garantizar la interoperabilidad semántica en el intercambio de datos entre sistemas y aplicaciones.
• El rastreo de los cambios a lo largo del tiempo a través de un sistema de control de versiones bien documentado.
• Aumentar el valor de los códigos de referencia, si se reutilizan y referencian ampliamente.

Más acerca de Re3gistry: