Víctor Andrés Bucheli Guerrero

In agile software development, defining functional requirements is essential for effective planning and implementation. This work proposes an artificial intelligence (AI)-based model to automatically classify user stories according to their feasibility for AI implementation, enabling the creation of an intelligent product backlog. A feedforward neural network (FNN) was implemented and evaluated using data from 22 software projects. The model's performance was compared against traditional approaches such as logistic regression and support vector machines (SVM), as well as large language models like Gemini and ChatGPT. The FNN outperformed all other models, achieving an accuracy of 80.3%. Automating this task helps optimize backlog management, reduce operational costs, and improve overall system efficiency, contributing to more agile, intelligent, and adaptive software development processes.

La especiación es un concepto fundamental en la biología evolutiva. En este trabajo, se analiza dicho concepto utilizando redes complejas. Se estudió el gen ortólogo apolipoproteína E (APOE) presente en vertebrados para identificar información sobre la clasificación y evolución de las especies. Desde el portal del NCBI, se descargó la secuencia genética del gen APOE para 239 especies. Para el análisis de los datos, se generó una matriz de identidad a partir de alineamientos, y posteriormente dicha matriz se transformó en matrices de adyacencia para llevar a cabo los análisis de redes complejas. Los resultados muestran relaciones de tipo evolutivo entre las especies y confirman la especiación como un proceso evolutivo a nivel genético. Además, indican que la evolución a nivel de genes ortólogos presenta las relaciones taxonómicas y de derivación entre especies. En el estudio, se identificó que las redes de genes ortólogos son similares a las redes de pequeño mundo y que éstas, a su vez, permiten reconocer automáticamente las especies a nivel de orden taxonómico como grupos inherentes a la evolución. El método propuesto permite obtener evidencia de la teoría de la evolución a nivel genético y es una alternativa para hacer clasificación taxonómica semi-automática.

Despite global efforts to adopt renewable energy, many remote regions still lack reliable electrical services. Addressing this requires a thorough analysis of solar resource data to identify viable solutions for these underserved areas. We evaluate the error in solar radiation data from a satellite image-based Random Forest (satellite RF) model by using data from IDEAM meteorological stations and NASA sources. By rigorously comparing these datasets, we aim to assess the reliability of predictive sources of solar radiation in the Amazon region. The results help establish confidence in various data sources, essential for utilizing estimated solar energy data in renewable energy research. We compared the data using the Relative Root Mean Squared Error (Relative RMSE). On the one hand, the relative RMSE between NASA and IDEAM ranges from 6.86% to 20.93%. On the other hand, the error between satellite RF model and IDEAM fluctuates between 6.56% and 12.33%. Similarly, the error between satellite RF model and NASA ranges from 4.80% to 15.27%. The findings indicate that the error in NASA data is higher compared to the error in satellite RF model data when benchmarked against IDEAM. Despite the limited number of meteorological stations and a maximum error of 20.93% between the two predictive data sources compared to ground-based observed data, we consider it reliable to use estimated solar radiation data for developing effective renewable energy solutions in remote locations.

Earthquake networks are a representation of seismicity which has brought the use of graph theory conceptual tools to seismology. This research delves into the topologies and complexities of \textit{cells-as-nodes} earthquake networks and tries to elucidate the effect of changing the cell size to create such networks in the resultant topology. In essence, the cell size provides a multiscale microscope that allows to establish the topological properties of the network at different levels. Focusing on the seismicity of Colombia, this research compares earthquake networks with simulated network models, such as Erdős-Renyi, Watts-Strogatz, and Barabási-Albert, and looks into different metrics such as entropy, Complexity, or small-worldness. We find that smaller cell sizes enhance heterogeneity and complexity in earthquake networks; that regardless of cell size, exhibit small-world and scale-free characteristics, with noteworthy variations as we change the cell size.

In agile software development processes, user stories (US) had been used to specify application functionalities from the users’ perspective. For intelligent applications leveraging artificial intelligence (AI), the Smart Product Backlog (SPB) has included both AI-implementable and non-AI functionalities. This paper had proposed a model employing supervised machine learning techniques to classify US descriptions based on their technical feasibility for AI implementation. This model had aimed to assist in constructing smart product backlogs (SPB). Classifying US in agile development, particularly with AI, had been a labor-intensive process demanding significant time and expert involvement. Additionally, the lack of a dedicated dataset for this task had limited the applicability of automated methods. This study addressed this challenge by having experts classify the Mendeley US dataset using binary classification (AI and non-AI). The proposal had involved developing an automatic classification model to process US descriptions and distinguish those suitable for AI implementation. This model had leveraged advanced text processing techniques to refine the textual features of the US. Additionally, it had employed three binary classification techniques: logistic regression, k-nearest neighbors (k-NN), and support vector machines (SVM). The model’s performance had been evaluated using metrics such as accuracy, loss (Log-Likelihood Loss), precision, recall, F1 score, area under the ROC curve, and specificity to identify the best-performing technique in binary classification. Logistic regression and SVM models had demonstrated high accuracy, with scores of 0.748 and 0.740, respectively. These results had highlighted the potential of an automated tool for recommending US feasible for AI development, thereby supporting decision-making in agile software projects.

This article examines the impact of network degree distribution on the performance of evolutionary algorithms, specifically in solving the Traveling Salesperson Problem (TSP). It evaluates the integration of various network types to regulate population crossovers, enhancing candidate solutions and their refinement over generations. The experimental analysis includes complex networks like Erdős–Rényi and Barabási–Albert, along with regular graphs such as Balanced trees and Harary graphs. The study focuses on how different network structures influence exploration, convergence, and computational efficiency, particularly in terms of CPU time. Results show that highly connected networks, like Barabási–Albert, facilitate faster convergence and improved solution quality by guiding the search process more effectively. The Harary graph with k=2 demonstrated superior performance, reducing execution times by up to sevenfold compared to traditional approaches. This improvement highlights the advantages of specific degree distributions in balancing exploration and exploitation. Networks with hubs, such as Barabási–Albert, accelerate information flow and the evolutionary process, while more regular networks, like Harary graphs, provide controlled structures that maintain high solution quality. These findings emphasize the importance of network topology in evolutionary algorithms and suggest further exploration of hybrid models and other network types to optimize NP-hard problems.

Introducción: La optimización de los recursos de energía renovable es trascendental para satisfacer la demanda energética mundial y para evitar los efectos adversos producidos por la quema de combustibles fósiles. Por lo tanto, existen distintos estudios que procuran estimar la capacidad de las fuentes de energía renovable en una ubicación geográfica. Asimismo, existen diversas aplicaciones de software que buscan un equilibrio entre la inversión y la capacidad instalada de una central generadora de energía eléctrica. Objetivo: Este trabajo utiliza los resultados del algoritmo Random Forest para predecir la radiación solar a partir de imágenes satelitales. Esta técnica alcanzó un desempeño en R2 de 0.82 y en RMSE de 107.05. El objeto de este estudio es evaluar los resultados de 2 modelos de sistemas fotovoltaicos diseñados para 10 lugares distintos del territorio colombiano. El modelo M1 utiliza datos de radiación solar de la NASA. El modelo M2 utiliza datos de radiación solar generados por Random Forest. Metodología: La evaluación de la radiación solar proveniente de la NASA y del algoritmo Random Forest está basada en las simulaciones proporcionadas por la herramienta de optimización de recursos energéticos Homer Pro. Resultados: Las simulaciones de ambos modelos en Homer Pro, arrojan una diferencia en la capacidad de los componentes del sistema de entre 0.0% y 47.31%. La diferencia entre la generación de energía eléctrica oscila entre 0.0% y 11.99%. De igual manera, la diferencia entre los costos del sistema está entre 1.34% y 23.64% respectivamente. Conclusiones: Los datos de radiación solar estimados por Random Forest se constituyen como una alternativa a los datos de radiación solar proporcionados por la NASA, dado que las diferencias en la capacidad de los componentes del sistema, la generación de energía eléctrica y los costos totales del sistema están en promedio, en alrededor del 27%.

Objetivo: Este trabajo presenta un modelo para determinar la ubicación de un centro de distribución de productos masivos, el modelo propuesto integra data-driven decisions y expert-driven decisions para el apoyo al proceso de toma de decisiones. Metodología: El modelo propuesto incluye la inteligencia de negocios (IN), que permite identificar patrones en los datos, estos patrones sirven como insumo para el método de toma de decisiones multicriterio conocido como proceso de jerarquía analítica (PJA). Se construye un dashboard en Tableau en el cual se describe: la demanda, la proximidad a los clientes, la calidad de las vías y los costos de transporte. Éstos son el insumo para definir los criterios y las zonas de ubicación para aplicar el PJA, de esta manera los expertos comparan y ponderan los criterios. Los resultados del PJA son incluidos en el dashboard y permiten la visualización de todo el proceso. Se presenta un estudio donde se aplica el modelo para identificar el lugar idóneo en el departamento del Cauca. Resultados: El modelo revela que la zona norte es la de mayor peso según el PJA, dicha zona muestra que es la de mayor demanda, mejor calidad de vías, frente a los expertos es la de mayor cercanía a puertos y centros de abastecimiento.Los resultados obtenidos muestran que el enfoque propuesto permite obtener la ubicación idónea para un centro de distribución de productos de consumo masivo.Conclusiones: Los resultados del modelo propuesto son prometedores, y sugieren que podría servir de guía para futuros trabajos similares.

This article proposes an evolutionary algorithm integrating Erdős–Rényi complex networks to regulate population crossovers, enhancing candidate solution refinement across generations. In this context, the population is conceptualized as a set of interrelated solutions, resembling a complex network. The algorithm enhances solutions by introducing new connections between them, thereby influencing population dynamics and optimizing the problem-solving process. The study conducts experiments comparing four instances of the traditional optimization problem known as the Traveling Salesman Problem (TSP). These experiments employ the traditional evolutionary algorithm, alternative algorithms utilizing different types of complex networks, and the proposed algorithm. The findings suggest that the approach guided by an Erdős–Rényi dynamic network surpasses the performance of the other algorithms. The proposed model exhibits improved convergence rates and shorter execution times. Thus, strategies based on complex networks reveal that network characteristics provide valuable information for solving optimization problems. Therefore, complex networks can regulate the decision-making process, similar to optimizing problems. This work emphasizes that the network structure is crucial in adding value to decision-making.

Este artículo busca describir la sismicidad de Colombia utilizando redes complejas, en las cuales los nodos representan redes cúbicas (con latitud, longitud y profundidad) donde ocurren los eventos sísmicos y los enlaces siguen la secuencia temporal de estos eventos. Si bien se han reportado trabajos similares en la literatura, este trabajo incorpora la profundidad para una mejor comprensión de este fenómeno. Esta investigación considera 5797 eventos del catálogo de terremotos del Servicio Geológico de los Estados Unidos (USGS) correspondientes a Colombia y con una magnitud superior a un determinado umbral, los cuales ocurrieron entre enero 1 de 1975 y enero 18 de 2021. Se describe la estructura de la red mediante una comparación entre redes aleatorias y de pequeño mundo. Así, esta estructura brinda información sobre los mecanismos de liberación de energía y las fuentes que recurrentemente producen eventos sísmicos en Colombia. Los resultados muestran que estas redes presentan características de pequeño mundo, independientemente del tamaño de celda o la granularidad utilizados para construirlas. Este hallazgo es consistente con los resultados reportados para la misma región en redes espaciotemporales bidimensionales. Como una red de pequeño mundo, el esfuerzo y la energía de la región se liberan de acuerdo con una estructura caracterizada por la presencia de hubs y sus relaciones dentro de la red en general. Mediante el aprovechamiento de la información obtenida en este estudio, se pueden entrenar modelos de aprendizaje automático que superen los modelos actuales de base para el pronóstico.