Understanding solar energy has become crucial for the development of modern societies. For this reason, significant effort has been placed on building models of solar resource assessment. Here, we analyzed satellite imagery and solar radiation data of three years (2012, 2013, and 2014) to build seven predictive models of the solar energy obtained at different altitudes above sea level. The performance of four machine learning algorithms was evaluated using four evaluation metrics, MBE, R², RMSE, and MAPE. Random Forest showed the best performance in the model with data obtained at altitudes below 800 m.a.s.l. The results achieved by the algorithm were: 4.89, 0.82, 107.25, and 41.08%, respectively. In general, the differences in the results of the machine learning algorithms in the different models were not very significant; however, the results provide evidence showing that the estimation of solar radiation from satellite images anywhere on the planet is feasible.

Objective: The Computer-Supported Collaborative Learning (CSCL) approach integrates artificial intelligence (AI) to enhance the learning process through collaboration and information and communication technologies (ICTs). In this sense, innovative and effective strategies could be designed for learning computer programming. This paper presents a systematic mapping study from 2009 to 2021, which shows how the integration of CSCL and AI supports the learning process in programming courses. Methodology: This study was conducted by reviewing data from different bibliographic sources such as Scopus, Web of Science (WoS), ScienceDirect, and repositories of the GitHub platform. It employs a quantitative methodological approach, where the results are represented through technological maps that show the following aspects: i) the programming languages used for CSCL and AI software development; ii) CSCL software technology and the evolution of AI; and iii) the ACM classifications, research topics, artificial intelligence techniques, and CSCL strategies. Results: The results of this research help to understand the benefits and challenges of using the CSCL and AI approach for learning computer programming, identifying some strategies and tools to improve the process in programming courses (e.g., the implementation of the CSCL approach strategies used to form groups, others to evaluate, and others to provide feedback); as well as to control the process and measure student results, using virtual judges for automatic code evaluation, profile identification, code analysis, teacher simulation, active learning activities, and interactive environments, among others. However, for each process, there are still open research questions. Conclusions: This work discusses the integration of CSCL and AI to enhance learning in programming courses and how it supports students' education process. No model integrates the CSCL approach with AI techniques, which allows implementing learning activities and, at the same time, observing and analyzing the evolution of the system and how its users (students) improve their learning skills with regard to programming. In addition, the different tools found in this paper could be explored by professors and institutions, or new technologies could be developed from them.

Automated reconfiguration is one of the crucial tasks in telecommunication service composition. The first step in reconfiguration is the monitoring phase. The problem of monitoring and error detection frequently appears in different telecommunications architectures. This article describes the main components of the architecture for monitoring module in AUTO framework. The monitoring approach is based on semantic technologies and ITIL framework. Equally, this paper presents an analysis and comparison of two approaches for the implementation of the module: Drools and semantic formalism. The results of this study may be applicable to other telecommunication domains

En las últimas décadas, el número de homicidios violentos en América Latina ha crecido considerablemente debido a la ampliación y auge de grupos criminales organizados en zonas rurales y urbanas de las principales ciudades de países como México, Colombia y Venezuela. Con base en el alto índice de homicidio de estos países, consecuencia de la alta criminalidad, éstos han sido clasificados dentro de los más violentos a nivel mundial. Según datos reportados por el Observatorio del Delito de la Policía Nacional y la Fiscalía General de la Nación de Colombia, en 2019 se presentaron 1.032 asesinatos en Bogotá. Estos datos arrojan una tasa de 14,3 homicidios por cada 100.000 habitantes. A partir de esto, se estima que entre 1960 y 2019 se han generado alrededor de 226.215 homicidios, unas 3,834 muertes por año, en promedio. En este trabajo se presenta un modelo de machine learning basado en random forest, el cual permite predecir las tendencias de homicidio violento (HV) en Colombia para los próximos 5 años. El proyecto tiene como objetivo servir de instrumento para facilitar la toma de decisiones en organismos como la Fiscalía General de la Nación y la Policía Nacional. El modelo fue evaluado con un conjunto de datos generado a partir del Sistema de Información Estadístico Delincuencial, Contravencional y Operativo (SIEDCO) de la Fiscalía, el cual cuenta con 2.662.402 registros de delitos realizados en Colombia desde el año 1960 hasta 2019.

La estimación de la radiación solar es fundamental para quienes participan en la planificación de granjas de energía solar, ya sean aisladas o conectadas a las redes de distribución eléctrica. Esto para el aprovechamiento de las fuentes de energía renovables, reducir el impacto producido por el cambio climático, e incrementar los índices de cobertura en el servicio eléctrico. De igual manera, el número de estaciones de medición existentes es insuficiente para cubrir toda la geografía de una región, y muchas de ellas no están capturando datos de radiación solar. Por consiguiente, es importante hacer uso de modelos matemáticos, estadísticos y de inteligencia artificial que permitan predecir la radiación solar a partir de datos meteorológicos disponibles. En este trabajo se utilizaron conjuntos de datos tomados de estaciones de medición ubicadas en las ciudades de Cali y Villavicencio, además de un conjunto de datos generado por la API World Weather Online para la ciudad de Mocoa. La razón fue realizar estimaciones de radiación solar utilizando distintas técnicas de aprendizaje automático para regresión y clasificación; el principal objetivo fue evaluar su desempeño. Aunque en la mayoría de los trabajos relacionados los investigadores utilizaron el aprendizaje profundo para la predicción de la radiación solar, este estudio demostró que, si bien las redes neuronales artificiales son la técnica más utilizada, otros algoritmos de aprendizaje automático como Random Forest, Máquinas de Soporte Vectorial y AdaBoost también proporcionan estimaciones con suficiente precisión para ser utilizados en este campo de estudio.