TECNOLÓGICO DE ESTUDIOS SUPERIORES DE
CHIMALHUACÁN
Unidad I.- Introducción
PRÁCTICA 1.- Ejemplos de aplicación de la ingeniería del
conocimiento en sistemas inteligentes
ASIGNATURA: INGENIERIA DEL CONOCIMIENTO
HERNANDEZ VARGAS ALEXSANDRO
GRUPO:8ISC21
DOCENTE: ZITA CONCEPCIÓN ALVAREZ CRUZ
1
CONTENIDO
1- Inforfafia de la reciacion entre S.I.A, I.A.,
Ingeniería del software, Ingeniería del conocimiento y
Sistemas expertos ............................................................3
2- Aplicación de la IA en los siguientes ámbitos ...........4
AGRICULTURA Y GANADERÍA ..........................4
AUTOMOTRIZ ............................................................6
SECTOR FINANCIERO .............................................8
EDUCACIÓN ESPECIAL .........................................10
MAQUETING ............................................................12
SALUD.........................................................................13
CONCLUCIONES: ....................................................15
REFERENCIAS BIBLIOGRÁFICAS: ....................16
2
1- Inforfafia de la reciacion entre S.I.A, I.A., Ingeniería del software, Ingeniería del conocimiento y Sistemas expertos
3
2- Aplicación de la IA en los siguientes ámbitos
AGRICULTURA Y GANADERÍA
Nombre del proyecto: GC4SHEEP — Plataforma Cloud de Datos Federados con Capa de
Inteligencia Artificial para la mejora genética y reproductiva del
ovino lechero nacional.
Problema que resuelve: Mejorar la fertilidad y la eficiencia reproductiva en explotaciones
de ovino lechero mediante intercambio seguro de datos y modelos
predictivos (p. ej. selección de sementales, mejora de la viabilidad
del semen, optimización de inseminaciones y manejo
reproductivo).
Región geográfica de España (ámbito nacional; participan asociaciones y explotaciones
aplicación: de comunidades como Castilla y León, Navarra, Aragón, Cataluña,
Madrid, Castilla-La Mancha y Andalucía
Metodología de desarrollo Desarrollo de una plataforma cloud federada (SHEEP CLOUD)
empleada: tipo datalake con capa de IA.
Recopilación federada y anonimizada de datos de las
asociaciones/ganaderías; preprocesado (agregación/clustering),
explotación de MIR (mid-infrared) y otras fuentes, genotipado y
registros reproductivos para entrenar modelos predictivos y
algoritmos de machine learning que apoyen la toma de decisiones
en reproducción y selección genética.
Hardware empleado: • Infraestructura cloud/servidores para el datalake y
procesamiento de IA (SHEEP CLOUD).
• Equipos y laboratorios de genotipado (animales
genotipados) y análisis de semen.
• Analizadores MIR (mid-infrared) para análisis de leche.
• Dispositivos de control lechero / estaciones de ordeño que
registran datos de producción.
• Sistemas de registro de granja (ERP/datos de recogida de
explotación).
• Captura de comportamiento vía video/UAVs o sensores
para parámetros como ritmo de saltos de machos
4
Software utilizado: • Plataforma federada “SHEEP CLOUD” desarrollada por
el consorcio (tecnología aportada por Gradiant y partners);
solución basada en datalake y servicios cloud con
algoritmos ML/AI para predicción.
Conocimientos con los que Datos heterogéneos de las explotaciones: registros de
fue alimentada la inseminaciones, ecografías, partos, lactaciones y control lechero;
inteligencia: resultados MIR (composición de leche), condición corporal,
genotipos / genealogía, datos de semen (viabilidad), ritmo de saltos
(comportamiento reproductivo), alimentación/raciones, datos
meteorológicos y otros datos de laboratorio y explotación. Estos
conjuntos se usan para entrenar los modelos predictivos
Breve descripción del GC4SHEEP es un Grupo Operativo español que ha creado una
proyecto.’¿ plataforma cloud federada y segura para centralizar y compartir
datos de las principales asociaciones de ovino lechero del país.
Sobre esa plataforma se aplica una capa de inteligencia artificial
(modelos predictivos) para identificar factores que afectan la
fertilidad y proponer decisiones (selección de sementales, manejo
nutricional, mejora de viabilidad seminal, etc.) con el objetivo de
aumentar la rentabilidad y competitividad del sector. El proyecto
contó con financiación pública (importe total del proyecto ≈
€599.022,40).
5
AUTOMOTRIZ
Nombre del proyecto: Planta Digital / iniciativas de control de calidad con IA en BMW
Group (implementaciones en la Planta San Luis Potosí, parte de
los esfuerzos globales de BMW para aplicar IA en aseguramiento
de calidad
Problema que resuelve:
Detección y prevención de defectos en la
producción y ensamblaje de vehículos
(inspección visual y verificación de montaje)
para reducir errores humanos, disminuir
retrabajos y paros por calidad, y mejorar la
consistencia del control de calidad en línea.
Región geográfica de San Luis Potosí (México) — BMW Group Planta San Luis Potosí
aplicación: (SLP). Además, las soluciones se alinean con proyectos globales
del grupo (Regensburg, Múnich) y pueden replicarse entre planta
Metodología de desarrollo • Enfoque de Planta Digital / iFACTORY: integrar datos de
empleada: producción masivos, digital twins y modelos de IA para
análisis predictivo e inspección automatizada.
• Desarrollo iterativo por casos de uso: identificar áreas críticas
(p. ej. 16 casos/inspecciones concretas), entrenar modelos de
visión por computadora con conjuntos de imágenes
etiquetadas, validar en planta y desplegar en línea para
inspección en tiempo real.
• Integración con procesos Lean y automatización de planta
(ciclo: recopilación → etiquetado → entrenamiento →
validación → despliegue → retroalimentación).
Hardware empleado: Verificado / público: infraestructura digital y sensores de fábrica
para la “Planta Digital” en SLP (digital twins, captura de datos de
producción).
(Inferido, muy probable):
• cámaras industriales de alta resolución (cámaras line-scan
o area-scan) instaladas en estaciones de inspección;
iluminación controlada; servidores on-premises o híbridos
(edge servers) para inferencia en tiempo real; GPUs para
entrenamiento (NVIDIA/AMD) o aceleradores de
inferencia; PLC/ECU integrados con sistema MES.
• Razón: proyectos de visión por computadora en líneas de
ensamblaje usualmente requieren cámaras industriales y
procesamiento en edge para latencia baja; BMW y otros
OEMs publican uso de GPUs / aceleradores en sus plantas
inteligentes.
Software utilizado: (mezcla de datos públicos)
6
• Verificado / público: uso de plataformas de “Planta
Digital” e implementación de aplicaciones IA en entornos
de producción BMW (BMW publica casos de uso y la
estrategia iFACTORY / Plant Digital).
• (Inferido, probable): frameworks de visión por
computadora y ML como TensorFlow o PyTorch para
entrenamiento; pipelines MLOps (MLflow, Kubeflow o
soluciones internas); software de gestión MES/SCADA
para integración (p. ej. Siemens, Rockwell o soluciones
propias de BMW); middleware para cámaras (software de
visión industrial, SDKs de cámaras).
Conocimientos con los que • Imágenes históricas y actuales de piezas y ensambles
fue alimentada la (ejemplos correctos e incorrectos) para entrenamiento de
inteligencia: modelos de visión.
• Registros de defectos y no conformidades históricas
(labels para supervisión).
• Reglas de tolerancia y especificaciones de montaje (datos
expertos de ingeniería de producto). (inferido por práctica
común)
• Datos de sensores de línea (tiempo de ciclo, condiciones
de máquina) para correlacionar defectos con causas.
(inferido)
Breve descripción del BMW México (Planta San Luis Potosí) forma parte del programa
proyecto: global de transformación hacia la “Planta Digital” / iFACTORY,
donde se están aplicando soluciones de inteligencia artificial para
múltiples objetivos operativos.
7
SECTOR FINANCIERO
Nombre del proyecto: Sistema de Prevención y Detección de Fraude con Inteligencia
Artificial en Citibanamex (y modelos similares adoptados por
Mastercard / Adyen en México).
Problema que resuelve: Reducir los intentos de fraude financiero (fraudes en
transacciones, suplantaciones, acceso no autorizado), mejorar la
velocidad y precisión de detección de operaciones fraudulentas,
disminuir falsos positivos, proteger a clientes y operaciones
bancarias.
Región geográfica de México, aplicando en el sistema bancario tradicional, incluyendo
aplicación: Citibanamex, y también en plataformas de pagos digitales que
operan en México.
Metodología de desarrollo • Integración progresiva de modelos de machine learning para
empleada: monitoreo de transacciones tanto en tiempo real como en
lotes históricos, para identificar anomalías y patrones de
fraude.
• Uso de scoring de riesgo basado en comportamiento del
cliente, historial de transacciones, geolocalización, tipo de
dispositivo, etc.
• Aprendizaje continuo (los modelos se actualizan conforme
surgen nuevas tácticas de fraude) para adaptarse a cambios
en comportamiento fraudulento.
Hardware empleado: • Público / confirmado: Se procesan grandes volúmenes de
datos transaccionales, lo que implica infraestructura de
servidores internos / cloud computing. Citibanamex ya tenía
inversiones en IA desde hace años.
Software utilizado: • Mastercard usa IA generativa para evaluar transacciones
sospechosas en milisegundos; su sistema interno analiza
comportamientos atípicos.
• Inferido: frameworks comunes como Scikit-learn,
TensorFlow, PyTorch; plataformas de big data (Spark,
Hadoop) para procesamiento de historiales; bases de datos
SQL/NoSQL
Conocimientos con los que • Datos históricos de transacciones bancarias: montos, origen,
fue alimentada la destino, frecuencia, tipo de transacción.
inteligencia: • Comportamiento del cliente: geolocalización, dispositivo,
patrones de gasto habituales.
8
• Datos de fraude conocido: ejemplos de operaciones
fraudulentas pasadas para entrenar modelos supervisados.
Me
• Variables de entorno: fechas, horas, eventos especiales de
venta (Buen Fin, Black Friday) que cambian patrones.
Breve descripción del Citibanamex ha integrado soluciones de inteligencia artificial
proyecto : para prevenir fraudes en transacciones financieras, logrando una
reducción del ~70 % en los intentos de fraude tras aplicar esos
sistemas. Mastercard y Adyen también han adoptado tecnologías
similares: Mastercard para detección rápida en transacciones
físicas y digitales
9
EDUCACIÓN ESPECIAL
Nombre del proyecto: VRAILEXIA – Virtual Reality and Artificial Intelligence for Dyslexic
Students in Higher Education.
Problema que resuelve: Apoya a estudiantes universitarios con dislexia, facilitando la
comprensión de textos, estrategias de lectura y escritura. Personaliza
el aprendizaje según las necesidades cognitivas de cada estudiante.
Permite a docentes y compañeros entender las dificultades que
enfrentan los alumnos con dislexia mediante entornos inmersivos de
VR.
Mejora motivación, autoestima y rendimiento académico.
Región geográfica de • Europa: España, Italia y otros países participantes en el programa
aplicación: Erasmus+.
• Universidades y centros educativos participantes en la prueba
piloto de VR.
Metodología de Diseño Universal para el Aprendizaje (DUA): Se crean materiales y
desarrollo empleada: entornos inclusivos adaptados a los distintos perfiles de dislexia.
Desarrollo Ágil / Iterativo: Feedback continuo de estudiantes y
docentes para mejorar las herramientas digitales y la plataforma VR.
Evaluación Continúa basada en IA: Se recopilan datos de interacción,
desempeño académico y patrones de lectura para adaptar estrategias.
Pruebas de usuario en entornos virtuales: Ajuste de dificultad,
tipografía, velocidad de lectura y retroalimentación sensorial.
Hardware empleado: • Dispositivos de realidad virtual (VR): Oculus Quest 2 o HTC
Vive (inferido, basados en estándares europeos de VR para
educación).
• Sensores de movimiento y seguimiento ocular: Para análisis de
fijación visual, patrones de lectura y reacciones a estímulos VR.
• Computadoras de alto rendimiento (PCs de escritorio o
estaciones VR): GPUs potentes para renderizar entornos VR y
procesar datos en tiempo real.
• Tabletas / móviles: Para complementar la experiencia y permitir
registro de progreso fuera del laboratorio VR.
Software utilizado: • Plataforma VRAILEXIA / BE-SPECIAL: Administra el
contenido educativo, registra interacciones, aplica IA para
personalización de la enseñanza.
• Frameworks de IA / ML (inferido): Python con TensorFlow o
PyTorch para análisis de datos de desempeño, personalización de
ejercicios y predicción de necesidades educativas.
• Motor de Realidad Virtual (VR) (inferido): Unity3D o Unreal
Engine para crear entornos inmersivos, simular textos y tareas
adaptativas.
10
• Bases de datos y almacenamiento: SQL / NoSQL para almacenar
resultados, evaluaciones y datos de interacción.
• Herramientas de análisis: Pandas, Scikit-learn, dashboards de
visualización para seguimiento del desempeño de los estudiantes.
Conocimientos con los • Datos de evaluaciones psicométricas y diagnósticos de dislexia
que fue alimentada la de estudiantes europeos.
inteligencia: • Datos de interacción en entornos VR: movimientos oculares,
tiempo de lectura, respuestas a ejercicios.
• Historias de éxito y estrategias de aprendizaje validadas en
entornos educativos.
• Algoritmos supervisados y no supervisados para identificar
patrones de comportamiento y ajustar ejercicios.
Datos de tipografía, velocidad de lectura y dificultad cognitiva de
textos (inferido, basado en buenas prácticas en proyectos educativos
con IA).
Breve descripción del VRAILEXIA combina IA y realidad virtual para crear herramientas
proyecto : personalizadas para estudiantes con dislexia. Los alumnos interactúan
con textos y ejercicios en entornos VR, mientras la IA analiza sus
patrones de lectura y comportamiento, ajustando la dificultad y
ofreciendo retroalimentación adaptativa.
11
MAQUETING
Nombre del proyecto: Optimización de Marketing con IA Generativa en Klarna
Problema que resuelve: Klarna, una fintech sueca, enfrentaba altos costos y tiempos
prolongados en la creación de contenido visual para sus campañas
de marketing. La empresa buscaba una solución que le permitiera
generar imágenes personalizadas de manera más eficiente y
económica, sin comprometer la calidad ni la creatividad.
Región geográfica de Global, con presencia destacada en Europa y América del Norte.
aplicación:
Metodología de desarrollo Implementación de IA generativa utilizando herramientas como
empleada: Midjourney, DALL·E y Firefly. Estas tecnologías permitieron la
creación automatizada de imágenes personalizadas para campañas
específicas, reduciendo significativamente los tiempos de
producción y los costos asociados.
Hardware empleado: Infraestructura en la nube proporcionada por Amazon Web
Services (AWS), que soporta el procesamiento intensivo requerido
para la generación de imágenes mediante IA.
Software utilizado: Herramientas de IA generativa como Midjourney, DALL·E y
Firefly, integradas en la plataforma de marketing de Klarna.
Conocimientos con los que Datos históricos de campañas anteriores, preferencias estacionales
fue alimentada la de los consumidores y tendencias de diseño visual. Estos datos
inteligencia: permitieron entrenar a los modelos de IA para generar imágenes
que resonaran con el público objetivo en momentos clave del año.
Breve descripción del Klarna implementó una solución de IA generativa para
proyecto : automatizar la creación de contenido visual en sus campañas de
marketing. Esta iniciativa permitió a la empresa reducir los costos
de producción en aproximadamente $6 millones anuales y acelerar
el ciclo de desarrollo de imágenes de seis semanas a solo siete
días. Además, la IA facilitó la personalización de las imágenes
para eventos específicos, como el Día de San Valentín y el Día de
la Madre, sin necesidad de contratar proveedores externos. La
integración de esta tecnología no solo optimizó los procesos
internos, sino que también mejoró la eficiencia operativa y la
capacidad de respuesta a las demandas del mercado.
12
SALUD
Nombre del proyecto: Withings ScanWatch 2
Problema que resuelve: Este dispositivo aborda la necesidad de monitoreo continuo y
preciso de la salud personal. Detecta de forma temprana
condiciones como arritmias cardíacas, apnea del sueño, resfriados
y variaciones en el ciclo menstrual, permitiendo intervenciones
preventivas antes de que se presenten síntomas evidentes.
Región geográfica de El ScanWatch 2 está disponible globalmente, con una distribución
aplicación: destacada en Europa y América del Norte.
Metodología de desarrollo El desarrollo del ScanWatch 2 se basa en una metodología ágil,
empleada: integrando avances en sensores biométricos y algoritmos de
inteligencia artificial. Se implementó el sistema operativo
HealthSense 4, que permite la recopilación y análisis de datos en
tiempo real, facilitando la detección de patrones y anomalías en la
salud del usuario.
Hardware empleado: El dispositivo cuenta con una pantalla híbrida que combina
manecillas tradicionales con una pequeña pantalla digital.
Incorpora sensores avanzados para medir ECG, SpO₂, temperatura
corporal, frecuencia cardíaca, actividad física y calidad del sueño.
Su diseño incluye una caja de acero inoxidable, cristal de zafiro y
una batería con una duración de hasta 35 días.
Software utilizado: El ScanWatch 2 opera con el sistema HealthSense 4, que integra
algoritmos de inteligencia artificial para el análisis de 35 métricas
de salud. Además, es compatible con la aplicación Health Mate de
Withings, disponible para dispositivos Android e iOS, que permite
la visualización y seguimiento de los datos recopilados.
Conocimientos con los que La inteligencia artificial del ScanWatch 2 se alimenta de datos
fue alimentada la biométricos recopilados de los usuarios, incluyendo variabilidad
inteligencia: de la frecuencia cardíaca, niveles de oxígeno en sangre,
temperatura corporal, actividad física y patrones de sueño. Estos
datos son procesados para identificar tendencias y predecir
posibles eventos de salud.
Breve descripción del El Withings ScanWatch 2 es un reloj inteligente híbrido que
proyecto : combina la estética de un reloj tradicional con funcionalidades
avanzadas de monitoreo de salud. Equipado con sensores de última
generación y el sistema operativo HealthSense 4, el dispositivo
ofrece un seguimiento continuo de 35 métricas de salud. Gracias a
su capacidad de análisis predictivo, puede alertar a los usuarios
sobre posibles problemas de salud antes de que se manifiesten
clínicamente. Su diseño elegante y su larga duración de batería lo
hacen adecuado para el uso diario, mientras que su integración con
13
la aplicación Health Mate permite un seguimiento detallado y
personalizado de la salud.
14
CONCLUCIONES:
Después de ver todos los proyectos, se puede decir que la
inteligencia artificial (IA) ayuda a muchas áreas diferentes. Por
ejemplo, en la agricultura se usa para mejorar la reproducción de
los animales, en los autos para que la producción tenga menos
errores, en la banca para evitar fraudes, en la educación para
apoyar a estudiantes con dislexia, en marketing para crear
imágenes y en la salud para cuidar mejor a las personas.
La IA funciona porque puede analizar muchos datos y aprender
de ellos para tomar decisiones más rápido y preciso que los
humanos. También ayuda a ahorrar tiempo, dinero y a hacer las
cosas más eficientes. Por eso, aunque es nueva para muchos, la
IA se está volviendo muy importante y útil en la vida de todos.
15
REFERENCIAS BIBLIOGRÁFICAS:
• Citibanamex cuts fraud attempts by 70% with AI integration. (2024, marzo 5). Mexico Business.
[Link]
• Corredera, M. M. (2025, abril 8). Inteligencia Artificial en la automoción: aplicaciones reales que
están transformando la industria. AEC; Asociación Española por la Calidad.
[Link]
reales-que-estan-transformando-la-industria/?
• de Frutos Sastre, A. (2025, septiembre 5). Withing ScanWatch 2, un reloj con IA que predice
enfermedades y mide 35 biomarcadores. Ediciones EL PAÍS S.L.
[Link]
[Link]?
• Desde el área de prensado hasta la inspección final: la Planta de BMW Group en Múnich se basa en la
inteligencia artificial y en el uso inteligente de datos. (s/f). BMW Group PressClub; BMW Group.
Recuperado el 12 de septiembre de 2025, de
[Link]
hasta-la-inspección-final%3A-la-planta-de-bmw-group-en-múnich-se-basa-en-la-inteligencia-artificial-
y-en-el-uso-inteligente-de-datos?language=es&
• EL PROYECTO –. (2021, enero 4). Vrailexia. [Link]
• Estrada, S. (2024, septiembre 16). Mastercard: Uso de IA permitió prevenir más fraude en
transacciones. El Economista. [Link]
[Link]?
• Investigación universitaria: VRAILEXIA. (2021, febrero 15). Plataforma Dislexia.
[Link]
• Luera, R. J. C. (2025, marzo 5). Innovación y seguridad: La IA como escudo contra el fraude
fintech. Veta Hidalgo. [Link]
fraude-fintech/?
• Ozsevim, I. (2024, diciembre 11). The digital production hub at BMW’s San Luis Potosi blends
electrification, AI, and sustainability to lead the way in next-generation automotive manufacturing.
Automotive Manufacturing Solutions. [Link]
factory/the-digital-production-hub-at-bmws-san-luis-potosi-blends-electrification-ai-and-
sustainability-to-lead-the-way-in-next-generation-automotive-manufacturing/525275?
• Pozas, J. L. B. (2022, mayo 30). Uso de IA para el control de calidad en vehículos: Rubén Ruiz Morales,
CIO de BMW Planta México y Brasil. CIO | EDIWORLD. [Link]
control-de-calidad-en-vehiculos-ruben-ruiz-morales-cio-de-bmw-planta-mexico-y-brasil/?
• Sprovieri, J. (2022, junio 29). BMW applies AI to. ASSEMBLY.
[Link]
16