Resumen de Arquitectura para la gestión de datos en un campus inteligente
William Eduardo Villegas Chiliquinga 
Introducción y Motivación En la actualidad, las tecnologías de la información y comunicación (TIC) se han convertido en herramientas invaluables en el desarrollo de la sociedad. Estas tecnologías están presentes en las empresas, la medicina, la educación, etc. Prácticamente la sociedad ha llegado a un punto en que el principal asistente en cada una de las actividades son las TIC. Esto ha permitido la globalización de todas las áreas donde estas son aplicadas. Las ventajas del uso de las TIC han permitido mejorar y automatizar los procesos en todo nivel, sea en una empresa, una ciudad, una universidad, un hogar, etc. Para hacerlo, las tecnologías se ajustan a las necesidades del usuario y son capaces de interactuar con él, incluso, están en capacidad de interactuar entre sí sin la intervención de un humano. ¿Pero cómo lo hacen y para qué? Las nuevas tecnologías ahora integran varios sistemas y plataformas que están en la capacidad de adquirir información de las personas y sus entornos, analizar esta información y tomar decisiones con base en los resultados del análisis. Estas decisiones se ven plasmadas, por ejemplo, en la mejora de las ventas de una empresa o en la mejora de los procesos de manufactura. Como estos, existen muchos ejemplos que son resultado de numerosas investigaciones que tienen como objetivo mejorar la calidad de vida de las personas en ecosistemas sostenibles.
Uno de estos ecosistemas que ha adquirido gran importancia recientemente son las ciudades inteligentes. El valor de las ciudades inteligentes se basa en satisfacer las necesidades de los miembros de su comunidad en armonía con la naturaleza. Esto involucra una mejor administración de los servicios como el transporte, la generación y consumo energético, la seguridad, la gobernabilidad, etc. Sin embargo, transformar una ciudad común en una ciudad inteligente requiere de muchos esfuerzos y recursos, tanto económicos como humanos. Ante este problema, es necesario contar con escenarios similares que incluso sirvan como un banco de pruebas para la implementación de tecnologías y que su implementación en entornos más grandes sea efectiva y con los recursos adecuados.
Desarrollo.
Las universidades, como generadoras de conocimiento, son las llamadas a realizar los procesos de implementación, pruebas y generación de nuevas tecnologías. Su ambiente, administración y organigrama estructural, sumada a extensas áreas que conforman sus campus, permite compararlas con pequeñas ciudades. Esto permite establecer una línea base donde se apliquen todos los componentes necesarios para transformarlos en campus inteligentes (smart campus).
Los campus inteligentes buscan mejorar la calidad de la educación a través de la convergencia de nuevas tecnologías. Es importante establecer que un campus universitario pone a disposición de los estudiantes y los miembros de la comunidad todas las condiciones para garantizar la calidad de la educación. Los campus inteligentes, al igual que las ciudades inteligentes, basan sus entornos en satisfacer las necesidades de sus miembros; para esto, es necesario crear procesos o sistemas que adquieran información sobre ellos. Es por esto, que el Internet de las cosas (IoT, acrónimo en inglés de Internet of Things) se convierte en uno de los componentes necesarios para la transformación de un campus tradicional. La información recolectada necesariamente debe convertirse en conocimiento para ejecutar acciones con base en este conocimiento. Estas acciones responden a una toma de decisiones efectiva y eficiente que satisfaga las necesidades de las personas. Para realizar el análisis de datos es necesario contar con una arquitectura que gestione un gran volumen de datos independientemente de su formato. La tecnología que ofrece estas capacidades es el big data, su integración al campus inteligente genera una estructura lo suficientemente robusta para soportar toda la carga del IoT y el análisis de datos requerido por los usuarios.
Estas tecnologías, en compañía de la computación en la nube (cloud computing), permiten a los miembros del campus inteligente desarrollar sus actividades en total armonía con los recursos y la naturaleza. Este trabajo de investigación está enfocado en proponer una arquitectura para la gestión de datos en un campus inteligente. Este enfoque trata todas las variables que incluyen en la educación universitaria. Descubrir estas variables, tratarlas y establecer sus relaciones entre sí, requiere de la integración de las tecnologías mencionadas incluso con modelos de inteligencia arti cial que permitan tomar acciones sobre los resultados del análisis de datos.
Conclusiones Las organizaciones buscan aprovechar la información que se genera diariamente de la interacción con sus clientes definiendo cuáles son sus intereses y necesidades. El mismo concepto se puede replicar en el campo educativo y, de esta manera, brindar una educación más e ciente basada en las características o patrones presentados por cada individuo.
Este trabajo incluye nuevos conceptos que pueden considerarse como un componente que ayuda a mejorar la educación mediante el uso de las TIC. Este estudio permite analizar e identi car las arquitecturas de análisis de datos en función de las necesidades de un campus universitario, considerando, como base principal, el volumen, las múltiples fuentes y la variedad de los datos.
Para abordar el problema de la educación y los campus universitarios, ha sido necesario realizar un análisis específico de las características estos campus. Un campus universitario es un conjunto de infraestructuras, como aulas, bibliotecas, laboratorios, facultades, sistemas informáticos, etc., donde la comunidad universitaria puede desarrollar actividades para su aprendizaje. Pero el estudio no se centra únicamente en la infraestructura, sino que hace uso de las tecnologías para garantizar la calidad de la educación al ofrecer servicios orientados en satisfacer las necesidades de cada persona.
La clave de la educación en las universidades está en los nuevos modelos educativos que, a través del análisis de datos, buscan descubrir cómo aprenden los estudiantes y generan ambientes propicios que se adaptan a esas necesidades. Una vez que se define que cada estudiante tiene necesidades especí cas y que estas pueden medirse en variables, es posible crear un campus inteligente que aprenda sobre sus miembros generando un ciclo que ayude a superar estos problemas.
Los campus universitarios generalmente comparten una infraestructura genérica, basada en un modelo cliente-servidor y su estructura organizativa responde de manera similar a la de una gran empresa. Estos componentes deben ser analizados, reutilizados y actualizados para crear un campus inteligente. Un campus inteligente aporta varias mejoras a la gestión de un campus tradicional en temas como la seguridad, el manejo de recursos, el aprendizaje, etc. Si consideramos cuestiones técnicas, es importante mencionar que independientemente, un campus universitario a través de una plataforma de BI puede analizar los datos académicos de los estudiantes y tomar decisiones que contribuyan al aprendizaje. Sin embargo, un análisis a mayor escala no es suficiente por el elevado número de variables que incluyen aspectos sociológicos, académicos y financieros. La inclusión de variables sacri ca el almacenamiento y el procesamiento, por lo que la aplicación de tecnologías como el big data se presenta como una solución que garantiza la inclusión de diversas fuentes y un procesamiento efectivo que mejora considerablemente la toma de decisiones.
Referencias Bibliográficas.
Atzori, L., Iera, A., y Morabito, G. (2010). The Internet of Things: A survey. Computer Networks, 54 (15), 2787_2805. doi: 10.1016/j.comnet.2010.05.010 (citado en 3) Bascopé, M., Perasso, P., y Reiss, K. (2019). Systematic review of education for sustainable development at an early stage: Cornerstones and pedagogical approaches for teacher professional development. Sustainability, 11 (3), 719. doi:10.3390/su11030719 (citado en 3) Bean, J. P. (1983). The application of a model of turnover in work organizations to the student attrition process. The review of higher education, 6 (2), 129_148. (citado en 7) Christozov, D. (2017). Business analytics as a tool to transforming information into an Informing System: The case of the on-line course registration system. Informing Science, 20, 167_178. doi: 10.28945/3764 (citado en 8) Cohen, J., y Acharya, S. (2013). Towards a more secure Apache Hadoop HDFS infrastructure: Anatomy of a targeted advanced persistent threat against HDFS and analysis of trusted computing based countermeasures. En Network and System Security. NSS 2013. Lecture Notes in Computer Science (Vol. 7873, pp. 735_741). Berlin. doi: 10.1007/978-3-642-38631-2_64 (citado en 15) Corrales, D. C., y Corrales, J. C. (2016). Sequential classi_ers for network intrusion detection based on data selection process. En IEEE International Conference on Systems, Man, and Cybernetics (SMC) (pp. 1827_1832). (citado en 9) Donoso, S., y Schiefelbein, E. (2009). Análisis de los modelos explicativos de retención de estudiantes en la universidad: una visión desde la desigualdad social. Estudios pedagógicos (Valdivia), 33 (1), 7_27. doi: 10.4067/s0718-07052007000100001 (citado en 4, 6) Gairín, J., Triado, X. M., Feixas, M., Figuera, P., Aparicio-Chueca, P., y Torrado, M. (2014). Student dropout rates in Catalan universities: Pro_le and motives for disengagement. Quality in Higher Education, 20 (2), 165_182. doi: 10.1080/13538322.2014.925230 (citado en 4) Ghazi, M. R., y Gangodkar, D. (2015). Hadoop, mapreduce and HDFS: A developers’ perspective. Procedia Computer Science, 48, 45_50. doi:10.1016/j.procs.2015.04.108 (citado en 14, 15) Kamilaris, A., Pitsillides, A., Prenafeta-Bold, F. X., y Ali, M. I. (2017). A Web of Things based eco-system for urban computing - towards smarter cities. En International conference on telecommunications (pp. 1_7). doi:10.1109/ICT.2017.7998277 (citado en 14) Kimball, R., Ross, M., y Kimball, R. (2009). The data warehouse toolkit: the complete guide to dimensional modeling (John Wiley ed.). New York, NY: Wiley. (citado en 8) Kortuem, G., Bandara, A. K., Smith, N., Richards, M., y Petre, M. (2013). Educating the Internet of Things Generation. Computer, 46 (2), 53_61. doi: 10.1109/MC.2012.390 (citado en 4) Naciones Unidas. (2015). Objetivos de desarrollo sostenible. Descargado 2019- 11-04, de https://www.un.org/sustainabledevelopment/es/objetivos-de-desarrollo-sostenible/ (citado en 3) Nie, X. (2013). Constructing Smart Campus Based on the Cloud Computing Platform and the Internet of Things. En Proceedings of the 2nd international conference on computer science and electronics engineering (ICCSEE 2013) (pp. 1576_1578). Atlantis Press. doi: 10.2991/iccsee.2013.395 (citado en 14) Palacios-Pacheco, X., Villegas-Ch, W., y Luján-Mora, S. (2019). Application of Data Mining for the Detection of Variables that Cause University Desertion. En Communications in computer and information science (Vol. 895, pp. 510_520). doi:10.1007/978-3-030-05532-5 (citado en 4, 6, 27, 151) Petersen, K., Vakkalanka, S., y Kuzniarz, L. (2015). Guidelines for conducting systematic mapping studies in software engineering: An update. Information and Software Technology, 64, 1_18. doi: 10.1016/j.infsof.2015.03.007 (citado en 18) Pompei, L., Mattoni, B., Bisegna, F., Nardecchia, F., Fichera, A., Gagliano, A., y Pagano, A. (2018). Composite Indicators for Smart Campus: Data Analysis Method. En IEEE International Conference on Environment and Electrical Engineering (pp. 1_6). IEEE. doi: 10.1109/EEEIC.2018.8493893 (citado en 3) Ray, P. P. (2016). A survey of IoT cloud platforms. Future Computing and Informatics Journal, 1 (1-2), 35_46. doi: 10.1016/j.fcij.2017.02.001 (citado en 5) Salmerón-Manzano, E., y Manzano-Agugliaro, F. (2018). The higher education sustainability through virtual laboratories: The Spanish University as case of study. Sustainability, 10 (11), 4040. doi: 10.3390/su10114040 (citado en 4) Shanahan, J., y Dai, L. (2017). Large Scale Distributed Data Science from scratch using Apache Spark 2.0. En Proceedings of the 26th International Conference on World Wide Web Companion (pp. 955_957). doi:10.1145/3041021.3051108 (citado en 14) Turner, M., Bailey, J., Linkman, S., Budgen, D., Pearl Brereton, O., y Kitchenham, B. (2008). Systematic literature reviews in software engineering _ A systematic literature review. Information and Software Technology, 51 (1), 7_15. doi: 10.1016/j.infsof.2008.09.009 (citado en 18) Uskov, V. L., Bakken, J. P., y Pandey, A. (2016). Smart University Taxonomy: Features, Components, Systems. En Smart education and e-learning (Vol. 59, pp. 3_14). doi: 10.1007/978-3-319-39690-3 (citado en 4, 13) Valdiviezo-Díaz, P., Cordero, J., Reátegui, R., y Aguilar, J. (2015). A business intelligence model for online tutoring process. En IEEE Frontiers in Education Conference (FIE) (Vol. 2014, pp. 1_9). doi: 10.1109/FIE.2015.7344385 (citado en 9) Villegas-Ch, W., y Luján-Mora, S. (2016). Análisis de las herramientas de minería de datos para la mejora del E-learning en Plataformas LMS. En TIC actualizadas para una nueva docencia universitaria (pp. 761_774). McGraw-Hill. (citado en 9) Villegas-Ch, W., y Luján-Mora, S. (2017a). Analysis of data mining techniques applied to LMS for personalized education. En IEEE World Engineering Education Conference (EDUNINE) (pp. 85_89). doi:10.1109/EDUNINE.2017.7918188 (citado en 5, 26, 135) Villegas-Ch, W., y Luján-Mora, S. (2017b). Systematic Review of Evidence on Data Mining Applied to LMS Platforms for Improving E-Learning [Proceedings Paper]. En I. Chova, LG and Martinez, AL and Torres (Ed.), International technology, education and development conference (pp. 6537_6545). (citado en 26, 139) Villegas-Ch, W., Luján-Mora, S., y Buenaño-Fernandez, D. (2017). Data mining toolkit for extraction of knowledge from LMS. En ACM International Conference Proceeding Series (Vol. Part F1346, pp. 31_35). doi:10.1145/3175536.3175553 (citado en 5, 26, 143) Villegas-Ch, W., Luján-Mora, S., y Buenaño-Fernandez, D. (2018, jan). Towards the Integration of Business Intelligence Tools Applied to Educational Data Mining. En IEEE World Engineering Education Conference (EDUNINE) (pp. 1_5). IEEE. doi:10.1109/EDUNINE.2018.8450954 (citado en 5, 9, 19, 27, 147) Villegas-Ch, W., Luján-Mora, S., Buenaño-Fernandez, D., y Palacios-Pacheco, X. (2018). Big data, the next step in the evolution of educational data analysis.
En Advances in intelligent systems and computing (Vol. 721, pp. 138_147). doi: 10.1007/978-3-319-73450-7_14 (citado en 27, 33, 35) Villegas-Ch, W., Molina-Enriquez, J., Chicaiza-Tamayo, C., Ortiz-Garcés, I., y Luján-Mora, S. (2019, oct). Application of a Big Data Framework for Data Monitoring on a Smart Campus. Sustainability, 11 (20), 5552. doi:10.3390/su11205552 (citado en 11, 26, 33, 105) Villegas-Ch, W., Palacios-Pacheco, X., Buenaño-Fernandez, D., y Luján-Mora, S. (2019). Comprehensive learning system based on the analysis of data and the recommendation of activities in a distance education environment. International Journal of Engineering Education, 35 (5), 1316_1325. (citado en 5, 25, 33, 47) Villegas-Ch, W., Palacios-Pacheco, X., y Luján-Mora, S. (2019a). Application of a Smart City Model to a Traditional University Campus with a Big Data Architecture: A Sustainable Smart Campus. Sustainability, 11 (10), 2857. doi:10.3390/su11102857 (citado en 5, 7, 14, 17, 26, 33, 75) Villegas-Ch, W., Palacios-Pacheco, X., y Luján-Mora, S. (2019b). Arti_cial intelligence as a support technique for university learning. En IEEE World Conference on Engineering Education (EDUNINE) (pp. 1_6). doi: 10.1109/EDUNINE.2019.8875833 (citado en 27, 155) Villegas-Ch, W., Palacios-Pacheco, X., Ortiz-Garcés, I., y Luján-Mora, S. (2019). Management of educative data in university students with the use of big data techniques. Revista Ibérica de Sistemas e Tecnologias de Informação (E19), 227_238. (citado en 11, 25, 33, 61) Yaqoob, I., Ahmed, E., Hashem, I. A. T., Ahmed, A. I. A., Gani, A., Imran, M., y Guizani, M. (2017). Internet of Things Architecture: Recent Advances, Taxonomy, Requirements, and Open Challenges. IEEE Wireless Communications, 24 (3), 10_16. doi: 10.1109/MWC.2017.1600421 (citado en 3) Yashiro, T., Kobayashi, S., Koshizuka, N., y Sakamura, K. (2013). An Internet of Things (IoT) architecture for embedded appliances. En IEEE Region 10 Humanitarian Technology Conference (pp. 314_319). doi: 10.1109/R10-HTC.2013.6669062 (citado en 5)
