Casos de uso

Casos de uso / Soluciones / Enfoques

En esta página web, queremos compartir con usted diferentes casos de uso, soluciones y enfoques en los que hemos trabajado con diferentes socios/clientes:

Empoderamiento de mujeres jóvenes con IA generativa y chatbots
Plataformas de datos para análisis mejorados
Integración entre Kobo y DHIS2
Sistema de supervisión/monitoreo y alerta de servidores
Alojamiento de DHIS2
Chatbots para la vigilancia de enfermedades (elaboración de informes)
Análisis de uso de DHIS2: Un enfoque de almacén de datos para comprender el uso de los datos

Empoderamiento de mujeres jóvenes con IA generativa y chatbots

Antecedentes

Girl Effect (GE) es una organización sin ánimo de lucro dedicada a empoderar a las niñas y jóvenes adolescentes de todo el mundo. GE proporciona herramientas, información y apoyo para ayudar a las niñas a superar las barreras sociales, especialmente en el ámbito de la salud, centrándose en la salud sexual, el empoderamiento económico, la educación y la salud mental.

Reto: escalar el cambio en el comportamiento social

GE utiliza programas multicanal —difundidos a través de la radio, la televisión, las redes sociales y actividades comunitarias— para promover la autonomía de las niñas y las mujeres jóvenes. Un elemento central de esta estrategia son los chatbots diseñados para motivar a la gente joven a hacerse responsables de su salud. Inicialmente, estos chatbots funcionaban según un modelo «determinista», utilizando una navegación basada en árboles de decisión, lo que limitaba su capacidad para gestionar consultas complejas y abiertas.

Solución: Integrar la IA generativa

A partir de 2024, GE se asoció con SolidLines para integrar la IA generativa (GenAI) en sus sistemas. El objetivo era ofrecer respuestas más personalizadas y dinámicas a los usuarios. Se hi zo un piloto con una versión GenAI de su chatbot sudafricano, «Big Sis», que está disponible en WhatsApp, Facebook Messenger, Moya Messenger y Telegram a través de RapidPro, una plataforma de código abierto para crear sistemas de mensajería interactiva.

La idea principal detrás de este proyecto era utilizar GenAI para responder a las preguntas abiertas de las niñas. El enfoque tecnológico detrás de esta solución incluye:

Modelos de lenguaje grandes (LLM) preentrenados: como GPT, Llama o Gemini, que sirven de base para generar respuestas.
Instrucciones/Solicitudes (prompt) personalizadas: instrucciones dadas a la IA para proporcionar contexto, intención y especificidad para obtener los resultados generados.
Generación aumentada por recuperación (RAG): este componente crucial garantiza que las respuestas sean precisas y se basen en el contenido verificado de GE sobre salud sexual y reproductiva (SSR) y salud mental.

Garantizar la seguridad y la calidad con métricas y barreras de protección (guardrails)

Una prioridad clave era garantizar que el sistema de IA fuera seguro, fiable y relevante. Para lograrlo, se implementó un enfoque multicapa utilizando métricas y barreras de protección (guardrails).

1) Métricas: Las métricas se utilizan para medir la calidad y el impacto de las respuestas proporcionadas. Se clasifican dentro del uso en tres lugares:

Herramienta de evaluación (Evaluation Framework): Métricas utilizadas para optimizar el sistema de IA antes de su lanzamiento.
Barreras de seguridad (guardrails): Métricas que aseguran el comportamiento esperado del chatbot en un entorno real basándose en el contenido tanto de las entradas del usuario como de las salidas de la IA.
Herramienta de supervisión y observabilidad (Monitoring and Observability Framework): métricas que evalúan el estado general del sistema de IA y detectan los problemas a medida que surgen en tiempo real.

Las métricas clave definidas para este proyecto incluyen:

Tasa de detección de contexto (Context Detection Rate): compara el contexto recuperado con la verdad fundamental (ground truth).
Relevancia del contexto (Context Relevance): evalúa si el sistema RAG está recuperando información relevante.
Fidelidad (Faithfulness): comprueba si la salida de la IA respeta el contexto extraído del RAG.
Exactitud de la respuesta (Answer Correctness): verifica si el contexto recuperado contiene información precisa.
Relevancia de la respuesta (Answer Relevance): determina si la salida de la IA es relevante para la pregunta del usuario.
Seguridad (Safety): identifica respuestas tóxicas, irrespetuosas o inapropiadas.

Además, se utilizan otras métricas específicas de este caso de uso para evaluar los sesgos en la entrega de contenidos, como el sesgo LGBTQ, el sesgo de género y el sesgo de contexto occidental.

2) Barreras de protección (guardrails): En inteligencia artificial, una barrera de protección es un conjunto de reglas, filtros y mecanismos que garantizan que un sistema de IA funcione dentro de los límites éticos, legales y de seguridad predefinidos. Actúan como una capa protectora para evitar que la IA genere contenido dañino, sesgado o inapropiado. Además de las métricas, se implementó una barrera de protección para comprobar si la pregunta de un usuario está «dentro del tema», es decir, si está relacionada con la salud sexual, reproductiva, mental o las relaciones. Si una pregunta está fuera de tema, el chatbot devuelve un mensaje predefinido.

La infraestructura de Evaluación, Seguimiento y Observabilidad: un compromiso con la responsabilidad

Para garantizar prácticas digitales responsables, GE y SolidLines desarrollaron herramientas de evaluación, supervisión y observabilidad basadas en LLM utilizando tecnologías como LangChain y LangSmith. Estas herramientas permiten una evaluación sólida del comportamiento del modelo de forma automatizada, así como la configuración de experimentos para la mejora de la calidad. Además, las herramientas de supervisión y observabilidad nos permiten evaluar continuamente la calidad del chatbot en tiempo real. Este fue un paso fundamental, ya que no era viable revisar manualmente cada respuesta generada.

Publicaciones (en inglés)

Plataformas de datos para análisis mejorados

Nos especializamos en la creación de potentes plataformas de datos que transforman la forma en que las organizaciones gestionan y utilizan sus datos con el objetivo de capacitar a nuestros clientes para desbloquear perspectivas significativas e impulsar la toma de decisiones impactantes.

En el caso de Girl Effect, empezamos a colaborar en enero de 2023 para crear una plataforma integral de análisis de datos que integra más de 10 fuentes de datos, incluidos Meta ads, Google Analytics, YouTube y datos de chatbot de RapidPro. Con casi 300 GB de datos ingeridos y transformados, estamos desarrollando paneles de control fáciles de usar que proporcionan información práctica a sus equipos.
Con PSI, hemos adoptado un enfoque de almacenamiento de datos en programas como Delivering Innovation in Self-Care (DISC). Esta plataforma consolida datos de redes sociales, chatbots y servidores DHIS2. También hemos implementado soluciones similares para proyectos del sector público utilizando herramientas de código abierto como Apache NiFi, Google FHIR Pipes y PostgreSQL. El conjunto de cuadros de mando es un apoyo para que fomentar el uso de datos en los proyectos de PSI, incluyendo más de 18.500 visitas al cuadro de mando de un solo programa.
Para MSF España, desarrollamos un almacén de datos global para centralizar los datos de navegación de DHIS2. Mediante llamadas a la API de DHIS2 y extracciones directas de bases de datos mediante SQL, capturamos datos brutos y no estructurados que los procesamos para obtener formatos estructurados almacenados en un data lake global. La integración de Power BI permite la creación de cuadros de mando e informes dinámicos que ofrecen información esencial sobre los patrones de interacción de los usuarios.

Integración entre Kobo y DHIS2

Contexto

Una organización planea recopilar encuestas usando Kobo (una herramienta gratuita para recopilar datos de encuestas). Sin embargo, queremos tener también los datos en una instancia de DHIS2. Para evitar hacer la entrada de datos dos veces se quiere transferir esta información automáticamente (eventos en DHIS2).

Más elementos de contexto:

Los datos de Kobo están disponibles utilizando la API de Kobo.
El proceso de integración se ejecuta cada 2 horas
Habrá correos electrónicos de notificación enviados para diferentes propósitos (el proceso se ha iniciado, hubo un problema en la carga de datos en DHIS2…).

Solución

Para cumplir esta petición, se estableció un proceso ETL utilizando Apache NiFi (un sistema fácil de usar, potente y fiable para procesar y distribuir datos). Los principales pasos de ese proceso son:

Recuperar datos de Kobo mediante la API (CSV) cada 2 horas. Cada fila es una encuesta
Preprocesamiento interno (limpieza del formato)
Seleccionar sólo las últimas encuestas a procesar. Se acordó procesar solamente las encuestas de los últimos 10 días.
Mapeo de unidades organizativas (utilizando un CSV externo que debe estar actualizado)
Interno: Dividir un archivo CSV (que contiene varias encuestas) en varios archivos JSON
Generar el payload que se enviará a DHIS2 (utilizando JOLT, biblioteca de transformación de JSON a JSON). En este paso también hay un proceso de mapeo de valores (principalmente para los optionSets de DHIS2))
Comprueba si la encuesta ya se ha cargado (utilizando la API de DHIS2).
Si la encuesta no se ha cargado previamente, envía los datos (eventos) a DHIS2.

En esta captura de pantalla puede ver el proceso ETL configurado en Apache NiFi

Sistema de supervisión/monitoreo y alerta de servidores

Tenemos un clúster de máquinas para seguir el comportamiento (monitorear/monitorizar) de cada servidor que estamos gestionando. Este clúster consta de varias plataformas de BI que permiten rastrear y monitorizar diferentes variables:

Las métricas más importantes de cada servidor como consumo de memoria y cpu, memoria caché utilizada, tamaño de disco, etc. Podemos monitorizar geográficamente cada petición, mostrando en un mapa de dónde provienen las peticiones y analizar los cuellos de botella.
Analizar el rendimiento de las llamadas a la API, analizando el tiempo de respuesta, los porcentajes de errores, y mapeando las llamadas a la API a consultas a la base de datos SQL (útil para entender los cuellos de botella en la base de datos)
Analizar los logs del sistema (base de datos, DHIS2, tomcat, etc.), para entender los comportamientos de los usuarios, control de accesos, fugas de memoria, rendimiento de la base de datos, etc.

Además, y para los servidores DHIS2, también ofrecemos una solución para monitorizar en tiempo casi real:

Usuarios activos de DHIS2 a lo largo del tiempo
Usuarios android de DHIS2 sincronizándose con los servidores, y la aplicación android que se está utilizando
Lista de usuarios no autorizados y los recursos a los que están intentando acceder.
Lista de usuarios de DHIS2 y conflictos, normalmente debidos a una mala configuración, por lo que será posible comprobar y solucionar cuales son los problemas comprobando este informe

También proporcionamos un sistema de alertas centralizado, que está configurado para enviar alertas a diferentes canales (Teams, slack, Skype, correos electrónicos, SMS, notificaciones push, etc.) siempre que se produzca una condición que active una alerta. Por ejemplo: Las analíticas no se están ejecutando, DHIS2 está tardando mucho en responder, la CPU o la memoria RAM alcanzan el 80% de utilización, etc.

Alojamiento de DHIS2

Normalmente proporcionamos gestión en la nube con servicios AWS o Azure, pero estamos abiertos a explorar otras opciones si sur organización lo desea. Todos los servidores DHIS2 tendrán la siguiente configuración:

Basado en Unix
DHIS2 instalado
Proxy inverso Nginx instalado
Contenedor de servlets Apache Tomcat instalado
Base de datos (PostgreSQL) instalada
Copia de seguridad diaria
Sistema de monitorización
Escalado de recursos del servidor
Alertas
Configuración de certificado SSL

Todos nuestros servidores cumplen los protocolos de seguridad prescritos, incluidos múltiples niveles de protección para garantizar la confidencialidad de los datos.

Seguridad en los servidores

Acceso con protocolo SSH2 que proporciona mucha más seguridad comparado con SSH1, que está deshabilitado.
Permitir el acceso sólo a través del puerto 22. Para el acceso web se abrirán los puertos 80 y 443, disponiendo de una redirección del puerto 80 al puerto 443 para un acceso web seguro
Actualizaciones del sistema operativo y paquetes de seguridad.
Monitorización y auditoría de los logs del sistema

Seguridad de las bases de datos

Establecer y seguir una política adecuada para las contraseñas de la base de datos, con contraseñas fuertes, protegidas y cambio periódico
Bloqueo de puertos y accesos externos a la base de datos.
Conexión SSL entre la aplicación y la base de datos.
Política de copias de seguridad diarias. Envío seguro de datos, encriptados en el servidor, y nunca accesibles públicamente.

Seguridad del servidor web

Conexión siempre con HTTPS, redirigiendo el tráfico HTTP a HTTPS.
Deshabilitar protocolos SSL no seguros. Sólo se permitirá el cifrado TLS.
Se siguen las recomendaciones y actualizaciones de seguridad del servidor web.

Chatbots para la vigilancia de enfermedades (elaboración de informes)

Contexto

El uso de teléfonos inteligentes y aplicaciones de redes sociales como Facebook Messenger, WhatsApp, Viber o Telegram estaba muy extendido entre nuestros usuarios objetivo (el personal sanitario) para conectar con amigos y familiares.

Superando los impedimentos de las herramientas tradicionales de notificación en papel o en aplicaciones personalizadas, proponemos un mecanismo de notificación de enfermedades en tiempo real mediante chatbots de redes sociales (que los usuarios ya conocen).

Estas herramientas resultaron ideales por su facilidad de uso (¡todo el mundo tiene una cuenta en las redes sociales!) y solo requieren una formación, un mantenimiento y una resolución de problemas mínimos (no es necesario actualizar las aplicaciones, gestionar las cuentas de los usuarios ni garantizar la compatibilidad con los dispositivos móviles).

Solución

Con el fin de facilitar la adopción de esta propuesta, diseñamos y desplegamos varios chatbots para diferentes dominios como la salud y la educación, utilizando tecnologías como Microsoft Bot Framework o RapidPro.

Nuestros chatbots se implementan sobre varias redes sociales y aplicaciones de mensajería, como: Facebook Messenger, Viber, Whatsapp, Skype, Slack, Zalo, Telegram, entre otras.

Estas soluciones permiten recopilar casos desde el bot y enviarlos a cualquier backend (es decir, a un programa de seguimiento en una instancia de DHIS2). Además, se están creando flujos de chatbot para facilitar la comunicación y proporcionar asistencia a los usuarios finales.

Nuestros chatbots se están utilizando en Vietnam, Laos, Myanmar (casos de coronavirus y malaria), Filipinas, Panamá e Indonesia (educación).

Caso de uso – NODIS Chatbot en PSI Myanmar

En Myanmar, Population Services International puso en marcha el chatbot del Sistema de Información sobre Enfermedades de Declaración Obligatoria («NODIS»), creado inicialmente para notificar casos de paludismo mediante Facebook Messenger y guardado en una base de datos DHIS2.

El chatbot se actualizó con opciones adicionales para la notificación de enfermedades como la tuberculosis («TB probable») y la fiebre con erupción cutánea (sarampión, dengue, chikungunya, etc.), además de incluir un canal de notificación adicional, Viber.

Además, se envían alertas instantáneas a las autoridades sanitarias locales a través de SMS y los casos se sincronizan con la plataforma de código abierto DHIS2, lo que abre la puerta a una posible integración futura de los datos en los sistemas nacionales de vigilancia.

Lea el informe titulado «Engaging the private sector in disease surveillance using social media chatbots in Myanmar», publicado por la PSI (en inglés).

Análisis de uso de DHIS2: Un enfoque de almacén de datos para comprender el uso de los datos

Puede ver la presentación completa realizada en la Conferencia Anual DHIS2 2024 dentro de la sesión «Casos de uso de análisis novedosos y de vanguardia».

Contexto

¿Cómo navegan los usuarios finales por DHIS2? ¿Cuáles son las principales visualizaciones de DHIS2 a las que se accede? ¿Se utilizan realmente los cuadros de mando (dashboards)? Todas estas son preguntas clave para medir cómo se está utilizando el sistema, y si el sistema está teniendo un impacto en términos de calidad de datos, acceso y visualización significativa.

DHIS2 dispone de herramientas (por ejemplo, la aplicación Usage Analytics) que permiten obtener visualizaciones de métricas como las vistas favoritas, los favoritos principales, etc. Sin embargo, dependiendo de la complejidad de las métricas a representar, las aplicaciones por defecto de DHIS2 no son actualmente tan adecuadas para medir los análisis dinámicos de los diferentes tipos de comportamientos y compromiso de los usuarios.

La mayor parte de esta información suele exponerse en los registros del sistema (logs) como texto libre, especialmente en los registros del servidor web y de la aplicación. Es posible encontrar en la navegación de esos archivos información sobre los API endpoints más utilizados, el tiempo de latencia, los dispositivos y navegadores que acceden al sistema y, si están expuestos, los nombres de usuario en DHIS2.

Enfoque

Para los análisis de uso complejos, se trata de un enfoque que utiliza los logs de DHIS2 y del nginx como fuente para analizar el comportamiento del usuario final y su compromiso con el sistema. Independientemente del tamaño de los archivos de registro y de su formato, es posible transformar el contenido de esos archivos en dimensiones y hechos que pueden almacenarse en un almacén de datos. A continuación, es posible conectar el almacén de datos con cualquier herramienta de BI (como PowerBI, Tableau, superset, etc.) para realizar cálculos complejos, generar métricas personalizadas y presentar visualizaciones avanzadas del uso del sistema DHIS2.

Esta solución se utiliza para algunos clientes, como Population Services International (PSI) o MSF España.

What can we build for you?

PÓNGASE EN CONTACTO CON NOSOTROS