{"id":758,"date":"2025-05-31T14:12:04","date_gmt":"2025-05-31T17:12:04","guid":{"rendered":"https:\/\/ucalp.edu.ar\/observatorio\/?p=758"},"modified":"2026-01-08T14:58:39","modified_gmt":"2026-01-08T17:58:39","slug":"combinando-la-ia-y-la-computacion-cuantica-para-el-desarrollo-territorial-del-gran-la-plata","status":"publish","type":"post","link":"https:\/\/ucalp.edu.ar\/observatorio\/combinando-la-ia-y-la-computacion-cuantica-para-el-desarrollo-territorial-del-gran-la-plata\/","title":{"rendered":"Combinando la IA y la computaci\u00f3n cu\u00e1ntica para el desarrollo territorial del Gran La Plata"},"content":{"rendered":"\n

Para iniciar el nuevo espacio de innovaci\u00f3n del ObUCALP queremos presentar nuestro \u00faltimo estudio sobre el desarrollo territorial integral del Gran La Plata. Entendiendo que deb\u00edamos empezar este espacio con datos de la casa, hemos realizado una investigaci\u00f3n de c\u00f3mo la inteligencia artificial (IA) y la computaci\u00f3n cu\u00e1ntica pueden ayudar a construir un plan territorial que favorezca el desarrollo integral de las comunidades locales.<\/p>\n\n\n\n

En particular, hemos entrenado un modelo LightGBM (Machine Learning) con un optimizador gen\u00e9tico (AletheIA Genetic Optimizers) ejecutado en un ordenador cl\u00e1sico (el que tenemos en nuestros escritorios), y otro modelo id\u00e9ntico con un optimizador gen\u00e9tico cu\u00e1ntico (AletheIA Quantum Genetic Optimizers), ejecutado en un ordenador cu\u00e1ntico real (IBM Quantum).<\/p>\n\n\n\n

En este punto cabe destacar que dichos algoritmos han sido desarrollados por dos programadores Full Stack de IA y Quantum Data Scientists (2025), con amplia experiencia en desarrollo de sistemas de IA: Luciano E. Bizin (director de este espacio) y Daniel Sarabia-Torres.<\/em><\/p>\n\n\n\n

En concreto, la investigaci\u00f3n tuvo un triple objetivo. Por un lado, entrenar un modelo de IA, mediante caminos algor\u00edtmicos diversos (cl\u00e1sico y cu\u00e1ntico), con el fin de predecir el grado de integraci\u00f3n y desarrollo de los asentamientos del Gran La Plata a partir de los datos relevados en el a\u00f1o 2024 por este observatorio; por otro, obtener las principales variables identificadas por ambos caminos computacionales a la hora de predecir resultados, con el prop\u00f3sito de conocer cu\u00e1les de estas son las m\u00e1s relevantes para un plan de desarrollo territorial integral; y finalmente, a partir de esas variables, esbozar un primer an\u00e1lisis de los aspectos que deber\u00eda comprender un plan territorial en la regi\u00f3n, si queremos promover un proceso de desarrollo respetuoso de la dignidad de la persona humana.<\/p>\n\n\n\n

Inteligencia artificial y computaci\u00f3n cu\u00e1ntica para el dise\u00f1o de planes estrat\u00e9gicos de desarrollo territorial del Gran La Plata<\/strong><\/p>\n\n\n\n

A nivel metodol\u00f3gico hemos partido del presupuesto de que todas las variables del dataset (nuestra base de datos a partir de la cual construimos los indicadores) \u201cpesan\u201d lo mismo, es decir, tienen la misma importancia a la hora de describir un asentamiento del Gran La Plata como des\/integrado, en el margen definido por los colores tan caracter\u00edsticos del observatorio: rojo, amarillo y verde.<\/p>\n\n\n\n

De esta forma, nos aseguramos dos cuestiones fundamentales: la primera, que sea el modelo (LightGBM) quien decidiera cu\u00e1les son las variables de peso para definir el grado de integraci\u00f3n y desarrollo de los asentamientos; la segunda, en caso de haber divergencias entre las variables que los modelos eligieron como las m\u00e1s importantes, complementar las conclusiones obtenidas desde cada uno de los caminos computacionales.<\/p>\n\n\n\n

Un nuevo paradigma de an\u00e1lisis multivariable<\/strong><\/p>\n\n\n\n

El uso de modelos como LightGBM (elegido por su velocidad y buen rendimiento para pocos datos), potenciados por algoritmos gen\u00e9ticos cu\u00e1nticos (AQG) y cl\u00e1sicos (CGA), permiti\u00f3 identificar con alta precisi\u00f3n (92.4%) el grado de integraci\u00f3n de los barrios del Gran La Plata.<\/p>\n\n\n\n

Real \\ Predicho<\/em><\/strong><\/em><\/td>Verde<\/em><\/strong><\/em><\/td>Amarillo<\/em><\/strong><\/em><\/td>Rojo<\/em><\/strong><\/em><\/td><\/tr>
Verde<\/em><\/strong><\/td>3<\/em><\/td>2<\/em><\/td>0<\/em><\/td><\/tr>
Amarillo<\/em><\/strong><\/td>1<\/em><\/td>15<\/em><\/td>1<\/em><\/td><\/tr>
Rojo<\/em><\/strong><\/td>0<\/em><\/td>0<\/em><\/td>31<\/em><\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

Resultados de evaluaci\u00f3n del conjunto de test de ambos modelos<\/em> (ambos obtuvieron los mismos resultados)<\/em><\/p>\n\n\n\n

La predicci\u00f3n del grado de integraci\u00f3n y desarrollo de los asentamientos del Gran La Plata, en verde, amarillo y rojo, no solo alcanz\u00f3 un grado de precisi\u00f3n consistente al evaluar el conjunto de datos de test, sino tambi\u00e9n captur\u00f3 dimensiones complejas (no lineales) entre la econom\u00eda, infraestructura, el medioambiente, y el tejido social local de la din\u00e1mica interna de los barrios.<\/p>\n\n\n\n

El top 10 de variables principales utilizadas por los modelos entrenados con el algoritmo gen\u00e9tico cl\u00e1sico y con el algoritmo gen\u00e9tico cu\u00e1ntico fue muy similar. Entre estos solamente surgi\u00f3 una diferencia en lo que respecta con la variable ubicada en la novena posici\u00f3n de importancia. El modelo entrenado cl\u00e1sicamente reconoci\u00f3 como tal la variable cord\u00f3n cuneta, mientras que el modelo entrenado cu\u00e1nticamente, la autosuficiencia alimenticia:<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Top 10 de variables del modelo LightGBM entrenado con el algoritmo gen\u00e9tico cu\u00e1ntico: Energ\u00eda el\u00e9ctrica: 83, asfalto calles internas: 77, dengue – pasto: 73, emprendimiento: 70, \u00bfHay perros en la calle?: 59, precariedad: 56, vereda: 54, tratamiento de residuos: 50, autosuficiencia alimenticia: 48, alumbrado p\u00fablico: 47<\/em><\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Top 10 de variables del modelo LightGBM entrenado con el algoritmo gen\u00e9tico cl\u00e1sico: Energ\u00eda el\u00e9ctrica: 80, asfalto calles internas: 76, dengue – pasto: 73, emprendimiento: 69, \u00bfHay perros en la calle?: 59, precariedad: 56, vereda: 54, tratamiento de residuos: 50, cord\u00f3n cuneta: 47, alumbrado p\u00fablico: 47<\/em><\/p>\n\n\n\n

La computaci\u00f3n cu\u00e1ntica como ventaja estrat\u00e9gica<\/strong><\/h3>\n\n\n\n

A diferencia del modelo entrenado con el AletheIA Genetic Optimizers (AGO)<\/em> -computaci\u00f3n cl\u00e1sica-, el modelo entrenado con el AletheIA Quantum Genetic Optimizers (AQGO)<\/em> encontr\u00f3 una relaciones m\u00e1s complejas de identificar entre las variables. Detectar la insuficiencia alimenticia como factor fundamental del grado de integraci\u00f3n y desarrollo de una comunidad, escapa a la l\u00f3gica de las variables de infraestructura, sanidad, medioambiente y econom\u00eda social que identific\u00f3 el algoritmo cl\u00e1sico. Esto significa que el modelo entrenado con el AQGO fue capaz de  explorar relaciones de variables m\u00e1s complejas.<\/p>\n\n\n\n

En particular, creemos que este algoritmo ha sido capaz de hacer esto gracias a las propiedades fundamentales de la computaci\u00f3n cu\u00e1ntica, a saber, la superposici\u00f3n<\/em> (puertas Hadamard) y el entrelazamiento<\/em> (puertas CNOT) cu\u00e1ntico; como tambi\u00e9n, a las rotaciones en el eje Z<\/em> e Y<\/em> de los qubits<\/em> (hom\u00f3logos a los bits de la computaci\u00f3n cl\u00e1sica), que se configuraron en los circuitos generadores de los mejores individuos (modelos) durante la etapa de entrenamiento.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Circuito cu\u00e1ntico que fue utilizado por el AletheIA Quantum Genetic Optimizers al momento de generar los nuevos hijos de los mejores padres, al momento de entrenar. El tipo de torneo empleado fue el EaSimple.<\/em><\/p>\n\n\n\n

Esta capacidad de ver con otros anteojos<\/em> (ni mejores ni peores que los cl\u00e1sicos sino distintos) los patrones de los datos, posiciona a la computaci\u00f3n cu\u00e1ntica como una herramienta complementaria para abordar sistemas sociales complejos, donde m\u00faltiples factores interact\u00faan de manera no lineal o simple.<\/p>\n\n\n\n

Al respecto, de forma pr\u00e1ctica hemos podido demostrar c\u00f3mo, al menos para casos similares a los del Indicador de Integraci\u00f3n y Desarrollo del ObUCALP, la superposici\u00f3n y entrelazamiento cu\u00e1ntico pueden captar patrones-relaciones invisibles<\/em> para los ordenadores cl\u00e1sicos.  Esto significa que la computaci\u00f3n cu\u00e1ntica no est\u00e1 por llegar<\/em>, ya est\u00e1 aqu\u00ed<\/em>. Este tipo de computaci\u00f3n  no solo ser\u00e1 parte del futuro, sino que ya puede ser empleada, con luces y sombras, en el tiempo presente y en distintos campos de investigaci\u00f3n, sociales, ambientales, sanitarios, educativos y econ\u00f3micos, para favorecer el desarrollo humano integral.<\/p>\n\n\n\n

IA explicativa, no solo predictiva<\/strong><\/h3>\n\n\n\n

Resulta interesante saber que ambos algoritmos coincidieron en variables cr\u00edticas como la energ\u00eda el\u00e9ctrica, pavimentaci\u00f3n, el control del dengue y los emprendimientos. Es decir, en factores de infraestructura, sanitarios, ambientales y socio-econ\u00f3micos.<\/p>\n\n\n\n

Estos resultados, legitima ambos modelos entrenados por caminos distintos. Los legitima tanto como herramienta predictivas para el desarrollo territorial, al igual que como herramientas explicativo-prescriptivas. En concreto, ambos modelos nos ayudan a comprender mejor qu\u00e9 factores determinan la inclusi\u00f3n o exclusi\u00f3n de una comunidad.<\/p>\n\n\n\n

En conclusi\u00f3n, ambos modelos no solo nos dicen qu\u00e9 est\u00e1 pasando<\/em> (de qu\u00e9 color es un barrio si tenemos en cuenta al menos esas 10 variables), sino explican tambi\u00e9n, por qu\u00e9<\/em> est\u00e1 pasando lo que est\u00e1 pasando. Adem\u00e1s, esta explicaci\u00f3n no solo se fundamenta en relaciones simples entre las variables, sino tambi\u00e9n en relaciones interdependientes y complejas identificadas gracias al algoritmo gen\u00e9tico cu\u00e1ntico empleado durante el entrenamiento.<\/p>\n\n\n\n

Aplicaci\u00f3n directa en pol\u00edticas p\u00fablicas y aporte cient\u00edfico al campo de las ciencias sociales<\/strong><\/h3>\n\n\n\n

Los hallazgos de este observatorio no se quedan solo en el plano te\u00f3rico. Siempre impulsados a ser un faro de luz para la sociedad, queremos presentar esta investigaci\u00f3n como el sustrato de un modelo de desarrollo territorial para el Gran La Plata, fundamentado en variables relevadas en campo, y procesadas por la IA con la ayuda de la computaci\u00f3n cu\u00e1ntica.<\/p>\n\n\n\n

\u00bfC\u00f3mo pretendemos hacer esto? Acompa\u00f1ando, asesorando, y\/o evaluando planes de desarrollo territorial construidos a partir de decisiones informadas con base cient\u00edfica, en este caso, aportada por la IA y la computaci\u00f3n cu\u00e1ntica.<\/p>\n\n\n\n

En el caso del Gran La Plata, tendr\u00edamos que encontrar caminos de desarrollo territorial que focalicen en inversi\u00f3n en asfalto, alumbrado, control sanitario, econom\u00eda popular, y alimentos, sabiendo ahora con certeza cient\u00edfica, que estas variables tienen un impacto directo en la integraci\u00f3n y desarrollo de los barrios locales. Con este fin, proponemos la IA y computaci\u00f3n cu\u00e1ntica como br\u00fajulas t\u00e9cnicas para orientar la planificaci\u00f3n urbano-territorial y el gasto p\u00fablico de las comunidades en el Gran La Plata.<\/p>\n\n\n\n

Adem\u00e1s, cabe destacar que este trabajo tambi\u00e9n demuestra que la computaci\u00f3n cu\u00e1ntica no solo es exclusiva de los campos STEMs (ingenier\u00eda, f\u00edsica, etc.), sino que puede ser aplicada con \u00e9xito en el vasto campo de las ciencias sociales. La implementaci\u00f3n del AQGO en esta investigaci\u00f3n, marca un hito en la innovaci\u00f3n metodol\u00f3gica de este Observatorio y en Am\u00e9rica Latina y el Caribe.<\/p>\n\n\n\n

Desde el observatorio buscamos ser pioneros en las \u00faltimas tecnolog\u00edas para favorecer el bien com\u00fan, modelando fen\u00f3menos humanos complejos (sin simplificaci\u00f3n) que sean respetuosos de la diversidad, interdependencia y din\u00e1mica cambiante que los caracteriza. La capacidad de identificar variables emergentes y capturar relaciones complejas convierte a estas tecnolog\u00edas en aliadas estrat\u00e9gicas para el desarrollo humano sostenible, en particular en regiones tan diversas y desafiantes como el Gran La Plata.<\/p>\n\n\n\n

Esa es la batalla tecnol\u00f3gica y \u00e9tica que queremos dar a favor del desarrollo humano integral.<\/em><\/p>\n\n\n\n

Esperamos vuestro feedback, cooperaci\u00f3n y cr\u00edticas.<\/p>\n\n\n\n

Los algoritmos utilizados en esta investigaci\u00f3n pueden instalarse con `pip install aqgo` (AletheIA Quantum Genetic Optimizers) y con `pip install aletheia-genetic-optimizers`. Sus repositorios se encuentran en: <\/em>https:\/\/github.com\/aletheIA-Corp\/aletheia_quantum_genetic_optimizers_pypi<\/em><\/a> y \u00a0<\/em>https:\/\/github.com\/aletheIA-Corp\/aletheia_genetic_optimizers<\/em><\/a>. En caso de dudas, por favor, comunicarse con los desarrolladores (ver los datos de contacto en los repositorios de Github). \u00a0<\/em><\/p>\n\n\n\n

<\/p>\n","protected":false},"excerpt":{"rendered":"

Para iniciar el nuevo espacio de innovaci\u00f3n del ObUCALP queremos presentar nuestro \u00faltimo estudio sobre el desarrollo territorial integral del […]<\/p>\n","protected":false},"author":2,"featured_media":1314,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[7],"tags":[],"class_list":["post-758","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-innovacion"],"_links":{"self":[{"href":"https:\/\/ucalp.edu.ar\/observatorio\/wp-json\/wp\/v2\/posts\/758","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ucalp.edu.ar\/observatorio\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/ucalp.edu.ar\/observatorio\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/ucalp.edu.ar\/observatorio\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/ucalp.edu.ar\/observatorio\/wp-json\/wp\/v2\/comments?post=758"}],"version-history":[{"count":2,"href":"https:\/\/ucalp.edu.ar\/observatorio\/wp-json\/wp\/v2\/posts\/758\/revisions"}],"predecessor-version":[{"id":761,"href":"https:\/\/ucalp.edu.ar\/observatorio\/wp-json\/wp\/v2\/posts\/758\/revisions\/761"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/ucalp.edu.ar\/observatorio\/wp-json\/wp\/v2\/media\/1314"}],"wp:attachment":[{"href":"https:\/\/ucalp.edu.ar\/observatorio\/wp-json\/wp\/v2\/media?parent=758"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/ucalp.edu.ar\/observatorio\/wp-json\/wp\/v2\/categories?post=758"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/ucalp.edu.ar\/observatorio\/wp-json\/wp\/v2\/tags?post=758"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}