1 Implementación de la inteligencia artificial para formar, organizar y actualizar bases de datos Juan Manuel Pelaez Tamayo Santiago Silva Carvajal Ingeniería Informática, Unilasallista Investigación Gloria Azucena Cabrera Jaramillo 9 de mayo de 2025 2 Implementación de la inteligencia artificial para formar, organizar y actualizar bases de datos En la última década, el crecimiento de la inteligencia artificial (IA) ha sido constante y acelerado, generando transformaciones significativas en distintos sectores, como el industrial, educativo, de salud y, especialmente, el empresarial. Su implementación ha permitido automatizar procesos, mejorar la eficiencia operativa y facilitar la toma de decisiones estratégicas. En particular, uno de los ámbitos donde la IA presenta mayor potencial es en la gestión de bases de datos empresariales, al posibilitar el análisis predictivo, la detección de patrones complejos y la optimización del almacenamiento y recuperación de información (Sharma et al., 2022). A pesar de los avances tecnológicos y del interés creciente por parte de las organizaciones, existe una escasez de estudios que documenten de manera sistemática cómo se está llevando a cabo la integración de la IA en los sistemas internos y las bases de datos empresariales. Esta carencia de evidencia empírica y teórica dificulta la comprensión de las estrategias empleadas, los desafíos enfrentados y los beneficios concretos obtenidos. Como señala Salas Puelles (2024), esta falta de información genera incertidumbre entre investigadores y empresas interesadas en adoptar estas tecnologías de manera eficaz. Ante este panorama, se plantea la siguiente pregunta de investigación: ¿Cómo están implementando las empresas la inteligencia artificial en sus bases de datos y qué impacto tiene esta integración en su gestión y toma de decisiones? Esta cuestión resulta relevante de ser estudiada, ya que permite comprender los efectos reales de la IA en la infraestructura de datos y en la eficiencia organizacional, así como identificar buenas prácticas y posibles riesgos asociados 3 a su adopción. La investigación, al estar centrada en procesos concretos de implementación y sus resultados, es clara, delimitada e investigable dentro del campo de la informática empresarial. Justificación La creciente adopción de la inteligencia artificial (IA) en sectores económicos demuestra su potencial transformador en la gestión de bases de datos empresariales, siendo clave para una toma de decisiones basada en datos precisos y actualizados (Sharma et al., 2022). Esta investigación analiza cómo se implementa la IA en la formación, organización y actualización de bases de datos, abordando sus implicaciones, beneficios y los desafíos que enfrentan las empresas. A nivel científico, busca fortalecer el marco teórico y metodológico en informática empresarial; en lo académico, apoya la formación en tecnologías emergentes como el aprendizaje automático y la minería de datos. Económicamente, la IA permite optimizar procesos, reducir costos y mejorar la seguridad de la información (Barquilla, Y. 2022). Socialmente, fomenta una cultura innovadora y mejora la calidad de los servicios. Así, esta investigación resulta relevante por su aporte integral en ámbitos científicos, académicos, organizacionales y sociales. Objetivo general Investigar y evaluar las técnicas y procedimientos actuales para la integración de la inteligencia artificial en la formación, organización y actualización de bases de datos, identificando sus desafíos y oportunidades, con el fin de enriquecer el conocimiento en un campo poco explorado. Objetivos específicos - Identificar las aplicaciones actuales de la inteligencia artificial en la formación, organización y actualización de bases de datos, destacando sus usos y beneficios. 4 - Explorar los enfoques y herramientas utilizadas para integrar la IA en la optimización y mantenimiento de bases de datos. - Analizar los desafíos y limitaciones que enfrenta la implementación de IA en este campo. - Evaluar el impacto de la inteligencia artificial en la eficiencia, seguridad y automatización de la gestión de bases de datos. - Proponer posibles mejoras o nuevas estrategias basadas en IA para optimizar la administración de bases de datos. Hipótesis La falta de estrategias y de documentación sobre la integración de la inteligencia artificial en bases de datos empresariales limita su uso efectivo y el aprovechamiento de sus beneficios Estado del arte La inteligencia artificial (IA) ha emergido como una herramienta transformadora en la gestión de datos empresariales, al permitir el procesamiento inteligente de grandes volúmenes de información y la automatización de tareas complejas (Sharma et al., 2022). En los últimos años, las organizaciones han comenzado a explorar aplicaciones específicas de la IA en la formación, organización y actualización de bases de datos, aprovechando algoritmos de aprendizaje automático y técnicas de minería de datos para mejorar la calidad de los datos, detectar errores y facilitar la toma de decisiones informadas (Barquilla, 2023). Estudios recientes han demostrado que la IA no solo mejora el rendimiento operativo de los sistemas de gestión de bases de datos, sino que también incrementa la seguridad y confiabilidad de los datos almacenados. Las 5 tecnologías inteligentes permiten identificar patrones ocultos, predecir comportamientos y responder en tiempo real a cambios en la estructura o en el contenido de las bases de datos. Esto se traduce en sistemas más adaptativos y eficientes, alineados con las necesidades dinámicas del entorno empresarial (Sharma et al., 2022). Sin embargo, a pesar del interés creciente, existe una notoria escasez de estudios sistemáticos que documenten los procesos concretos de implementación de IA en bases de datos empresariales. Según Salas Puelles (2024), esta carencia de documentación científica y empírica dificulta la consolidación de un marco metodológico claro, lo que a su vez genera incertidumbre entre las organizaciones que desean adoptar estas tecnologías. Este vacío en el conocimiento justifica la necesidad de investigaciones enfocadas en el análisis de casos reales y en la identificación de buenas prácticas. Asimismo, el uso de la IA en la gestión de bases de datos plantea desafíos técnicos y éticos que deben abordarse desde una perspectiva crítica. Cuestiones como la transparencia algorítmica, la privacidad de los datos y la gobernanza tecnológica son fundamentales para garantizar una implementación responsable y sostenible (Barquilla, 2023). Estos temas también están comenzando a emerger en el debate académico y requieren una mayor exploración desde un enfoque interdisciplinario. En conclusión, el estado actual del conocimiento sobre la implementación de IA en bases de datos evidencia avances significativos en cuanto a su potencial técnico y estratégico, pero también muestra una limitada sistematización teórica y práctica. Esta investigación se posiciona, por tanto, como una contribución necesaria y oportuna para cerrar brechas existentes y promover un uso más eficiente, ético y estructurado de la inteligencia artificial en la gestión empresarial de datos. Metodología Área y contexto de estudio 6 Este estudio se enfocará en la evaluación de los procesos de implementación de inteligencia artificial (IA) en la gestión de bases de datos empresariales, abarcando aspectos como aplicaciones, herramientas, desafíos, beneficios e impacto organizacional. La investigación se llevará a cabo en el municipio de Caldas, Antioquia, Colombia, específicamente en la Clínica Veterinaria La Sallista Hermano Octavio Martínez López, ubicada en la dirección Cra 51 #118 Sur – 57. Esta localidad se encuentra geográficamente en la latitud 6°06′00″ N y longitud 75°38′23″ W, con una altitud aproximada de 1.790 metros sobre el nivel del mar, una temperatura media anual de 21 °C, una humedad relativa promedio entre 75 % y 85 %, y una precipitación media anual de aproximadamente 2.859 mm. Diseño del estudio La presente investigación se desarrollará bajo un enfoque cualitativo-descriptivo con elementos exploratorios. Se realizará un estudio de casos múltiples, seleccionando empresas o entidades que hayan integrado soluciones basadas en IA para la administración de sus bases de datos. Se utilizarán entrevistas semiestructuradas a profesionales del área de tecnología (CIOs, analistas de datos, desarrolladores), revisión documental de informes internos y análisis comparativo entre casos. El objetivo es identificar patrones, buenas prácticas, limitaciones comunes y resultados observables tras la implementación. Muestra y criterios de selección La muestra será no probabilística por conveniencia, compuesta por organizaciones que: a) Hayan adoptado soluciones de IA en la gestión de bases de datos. b) Estén dispuestas a proporcionar información sobre sus procesos tecnológicos y 7 resultados. c) Cuenten con personal disponible para entrevistas. Variables 8 Nombre de la variable Naturaleza Nivel de medición Unidad de medida Aplicación de IA en bases de datos Cualitativa nominal Politómica Tipo de aplicación Herramient Cualitativa as de IA nominal utilizadas Politómica Tipo de herramienta Nivel de Cuantitativa integración Ordinal ordinal tecnológica Nivel de adopción Impacto en Cuantitativa la eficiencia Intervalo continua operativa % mejora reportada Nivel de seguridad Cuantitativa en la Ordinal ordinal gestión de datos Dificultades en la Cualitativa Politómica implementa nominal ción Percepción Cualitativa del personal Ordinal ordinal sobre IA Tiempo requerido Cuantitativa para Razón continua implementa ción Frecuencia de Cuantitativa mantenimie Razón discreta nto del sistema IA Tipo de base de Cualitativa datos Nominal nominal gestionada con IA Materiales y Métodos Código ---- Definición de código Análisis 1 predictivo Optimizació 2 n Automatizac 3 ión Machine 1 Learning Redes 2 neuronales Algoritmos 3 híbridos 1 Bajo 2 Medio 3 Alto Se mide porcentaje de mejora según reportes internos 1 Bajo Escala 2 Medio 3 Alto 1 Técnica Tipo de dificultad Escala de percepción Meses ---- Número de veces/año ---- 2 Humana 3 Económica 1 Negativa 2 Neutra 3 Positiva Tiempo en meses desde planificació n hasta uso funcional Número de mantenimie ntos al año 1 Relacional Clasificación técnica No relacional 3 Mixta 2 9 Dado que esta investigación tiene un enfoque cualitativo-descriptivo con estudio de casos múltiples, no se requiere un cálculo estadístico del tamaño muestral. Se empleará un muestreo no probabilístico por conveniencia, y la cantidad de casos será determinada con base en la disponibilidad de información relevante, el acceso a organizaciones participantes y la saturación de datos alcanzada durante el análisis. Cronograma 10 Objetivos específicos Actividades Mes 1 Revisión 1. bibliográfica Identificar y las documental X aplicaciones sobre casos actuales de actuales de la IA uso Análisis de estudios de caso (artículos, informes técnicos) Sistematizac ión de hallazgos (aplicacione s, beneficios) Identificació ny 2. Explorar clasificación enfoques y de herramienta herramienta s utilizadas s (ML, NLP, etc.) Entrevistas exploratoria s a expertos del sector Registro y análisis comparativ o de enfoques Revisión de 3. Analizar literatura los desafíos sobre y barreras y limitaciones desafíos Análisis de entrevistas para identificar obstáculos Diseño de instrumento 4. Evaluar el s de impacto de evaluación la IA (encuestas, matrices) Aplicación de encuestas en empresas seleccionad as Análisis de resultados (eficiencia, automatizac ión) Síntesis de 5. Proponer hallazgos y mejoras o elaboración estrategias de propuestas Redacción de conclusione sy recomendac iones Mes 2 Mes 3 Mes 4 Mes 5 Mes 6 X X X X X X X X X X X X X X X X X X X X 11 Presupuesto Tabla 1. Presupuesto Global FUENTES CONTRAPARTIDA UNILASALLE RUBROS Flujo de Efectivo $ $ $ $ $ $ $ $ $ - Personal (Integrantes equipo Investigador ) Equipos Software Materiales y suministros Salidas de campo Publicaciones y patentes Prestación de servicios profesionales Viajes Totales $ $ $ $ $ $ $ $ $ TOTAL SGR Recursos Propios 34,164,000 2,000,000 36,164,000 Flujo de Efectivo $ $ $ $ $ $ $ $ $ 4,510,745 1,843,726 140,250 6,494,721 Recursos Propios $ $ $ $ $ $ $ $ $ - $ 34,164,000 $ 4,510,745 $ 1,843,726 $ 140,250 $ $ 2,000,000 $ $ $ 42,658,721 Tabla 2. Presupuesto del personal DEDICACIÓN INVESTIGADOR / COINVESTIGADOR/ ESTUDIANTE EN FORMACIÓN Santiago Silva Carvajal Juan Manuel Pelaez Tamayo Gloria Azuzena Cabrera FORMACIÓN ACADÉMICA FUNCIÓN DENTRO DEL PROYECTO Estudiante Estudiante Profesional TOTAL Investigador Principal Coinvestigadora Dirección FUENTES Contrapartida (hora / semana) 4 4 4 TOTAL SGR ULASALLE Flujo de Recursos efectivo Propios $ - $ 8,541,000 $ 8,541,000 $ 17,082,000 Flujo de efectivo $ $ - $ $ - $ $ $ - - $ 34,164,000 - Recursos Propios $ $ $ $ $ 8,541,000 8,541,000 17,082,000 34,164,000 Tabla 3. Presupuesto por equipos FUENTES Contrapartida SGR EQUIPO JUSTIFICACIÓN TOTAL UNILASALLE Recursos Flujo de Recursos Flujo de efectivo Propios efectivo Propios Es lo mas Computador fundamental para el $ 4,125,045 $ 4,125,045 proyecto Fundamental para descargar programas Modem de internet $ 385,700 $ 385,700 necesarios y poder navegar en paginas web $ TOTAL $ $ - $ 4,510,745 $ - $ 4,510,745 12 Tabla 4. Propuesto del software NOMBRE DE SOFTWARE Licencia de windows Chatgpt Pro FUENTES Contrapartida SGR UNILASALLISTA Flujo de Recursos Flujo de Recursos efectivo Propios efectivo Propios JUSTIFICACIÓN Garantiza seguridad, estabilidad y acceso a actualizaciones oficiales, lo que optimiza el rendimiento del sistema y reduce riesgos operativos. Ayuda para realizar procesos tediosos y repetitivos TOTAL $ - $ - TOTAL $ 1,000,000 $ 1,000,000 $ 843,726 $ 843,726 1,843,726 $ $ $ 1,843,726 $ $ - Tabla 5. Presupuesto de los materiales Materiales* Cable LAN Teclado Mouse FUENTES Contrapartida SGR UNILASALLE Flujo de Recursos Flujo de Recursos efectivo Propios efectivo Propios Justificación Intesifica la estabilidad de la conexión a internet Facilita la comodidad a la hora de escribir Mejora la navegacion, selección y ejecución de comandos TOTAL $ - $ - TOTAL $ 45,000 $ 45,000 $ 57,350 $ 57,350 $ 37,900 $ 37,900 $ $ - $ $ 140,250 $ 140,250 $ - 13 Referencias Begum, S., Ahmed, M.U., Funk, P., Xiong, N. (2010). Intelligent Signal Analysis Using CaseBased Reasoning for Decision Support in Stress Management. En: Bichindaritz, I., Vaidya, S., Jain, A., Jain, L.C. (eds) Computational Intelligence in Healthcare 4. Studies in Computational Intelligence, vol 309. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-14464-6_8 Brynjolfsson, E., & McAfee, A. (2017). Machine, platform, crowd: Harnessing our digital future. W. W. Norton & Company. Machine, Platform, Crowd: Harnessing Our Digital Future - MIT Initiative on the Digital Economy Chen, H., Chiang, R. H. L., & Storey, V. C. (2012). Business Intelligence and Analytics: From Big Data to Big Impact. MIS Quarterly, 36(4), 1165–1188. https://doi.org/10.2307/41703503 Davenport, T. H., & Ronanki, R. (2018). Artificial Intelligence for the Real World. Harvard Business Review, 96(1), 108–116. 3 Things AI Can Already Do for Your Company Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand, P., Dignum, V., Luetge, C., Madelin, R., Pagallo, U., Rossi, F., Schafer, B., Valcke, P., & Vayena, E. (2018). AI4People-An Ethical Framework for a Good AI Society: Opportunities, Risks, Principles, and Recommendations. Minds and machines, 28(4), 689–707. https://doi.org/10.1007/s11023-018-9482-5 Gandomi, A., & Haider, M. (2015). Beyond the hype: Big data concepts, methods, and analytics. International Journal of Information Management, 35(2), 137–144. Beyond the hype: Big data concepts, methods, and analytics - ScienceDirect 14 Han, J., Pei, J., & Kamber, M. (2022). Data Mining: Concepts and Techniques (4th ed.). Data Mining: Concepts and Techniques | ScienceDirect IBM. (2023). AI-powered database management solutions. IBM. https://www.ibm.com Jordan, M. I., & Mitchell, T. M. (2015). Machine learning: Trends, perspectives, and prospects. Science, 349(6245), 255–260. [Science]. Katal, A., Wazid, M., & Goudar, R. H. (2013). Big Data: Issues, Challenges, Tools and Good Practices. 2013 Sixth International Conference on Contemporary Computing (IC3), 404– 409. Big data: Issues, challenges, tools and Good practices | IEEE Conference Publication | IEEE Xplore Nilsson, N. J. (2013). The Quest for Artificial Intelligence. Cambridge University Press. https://doi.org/10.1017/CBO9780511819346 Provost, F., & Fawcett, T. (2013). Data Science for Business. O’Reilly Media. (PDF) Data Science for Business Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson. Artificial Intelligence: A Modern Approach, Global Edition, 4ed Salas Puelles, M. (2024). IA en bases de datos: Retos y oportunidades. Universidad de Salamanca. [Beedigital]. Sharma, R., Mithas, S., & Kankanhalli, A. (2014). Transforming decision-making processes: a research agenda for understanding the impact of business analytics on organisations. European Journal of Information Systems, 23(4), 433–441. https://doi.org/10.1057/ejis.2014.17 15 Yolanda, B. (2023). La inteligencia artificial en la gestión de datos empresariales. Beedigital. https://beedigital.es/blog/inteligencia-artificial/ Zhou, K., Fu, C., & Yang, S. (2020). Big data driven smart energy management: From big data to smart energy. Renewable and Sustainable Energy Reviews, 81, 1049–1064. https://doi.org/10.1016/j.rser.2015.11.050 Zikopoulos, P., & Eaton, C. (2011). Understanding Big Data: Analytics for Enterprise Class Hadoop and Streaming Data. McGraw-Hill Osborne Media. Understanding Big Data: Analytics for Enterprise Class Hadoop and Streaming Data | Guide books | ACM Digital Library
0
You can add this document to your study collection(s)
Sign in Available only to authorized usersYou can add this document to your saved list
Sign in Available only to authorized users(For complaints, use another form )