This systematic review analyzes the evolution of Machine Learning and Big Data applications in agriculture from 2021 to 2025, with particular emphasis on how recent technological advances facilitate the transition from precision agriculture to Intelligent Agricultural Ecosystems. A comprehensive literature search was conducted across Scopus, Web of Science, IEEE Xplore, the ACM Digital Library, SpringerLink, and MDPI, following the PRISMA 2020 guidelines. After duplicate removal and a two-stage screening process (title/abstract screening followed by full-text assessment), eligible peer-reviewed studies were systematically extracted using a structured coding matrix encompassing six analytical domains: crops, soil, weather and water, land use, animal systems, and farmer decision-making. The findings reveal a substantial increase in ML-driven agricultural analytics. Although Random Forest and Convolutional Neural Networks remain widely adopted, recent studies demonstrate a marked shift toward advanced Deep Learning architectures, integrated cloud–edge–device infrastructures, Federated Learning frameworks for privacy-preserving collaboration, Explainable AI techniques to enhance transparency, and governance-oriented mechanisms to ensure interoperability. Notwithstanding these advances, several persistent challenges remain, including limited generalizability across diverse agroclimatic contexts, the high costs associated with high-quality data annotation, the integration of heterogeneous and multimodal datasets, and infrastructural constraints related to connectivity. These developments are synthesized within the IAE conceptual framework, underscoring governance- and lifecycle-aware orchestration MLOps as a critical differentiator that transcends purely technology-centric approaches.
The selection of process parameters plays an important role in determining the quality and performance of 3D-printed cementitious structures, as well as the overall efficiency of the construction process. However, the proper choice of these parameters varies depending on the application, materials, and geometric complexity involved. Furthermore, the diverse quantitative and qualitative metrics used to assess these parameters often complicate direct comparisons. This study introduces a systematic methodology for selecting process parameters using three multicriteria decision analysis methods (MCDM): TOPSIS (Technique for Order of Preference by Similarity to Ideal Solution), VIKOR, and AHP (Analytic Hierarchy Process). TOPSIS and VIKOR are used to rank parameter sets by their closeness to an ideal or compromise solution, while AHP derives criteria weights through pairwise comparisons. The three rankings are integrated with the Borda count technique to obtain a robust final ordering. An illustrative case study shows how the framework balances printability, dimensional accuracy, geometric complexity, and mechanical performance. The approach is generic and will be validated with experimental data in future work. The proposed methodology evaluates parameters such as printing speed, nozzle diameter, and environmental conditions like humidity and temperature to identify combinations that balance multiple performance criteria, including mechanical properties, printability, geometric complexity, and dimensional accuracy of printed elements. This framework offers a replicable approach for researchers seeking to improve the consistency and quality of 3D-printed structures based on cementitious materials by highlighting the most influential parameters for adjustment. The findings contribute to advancing additive manufacturing in construction by providing a structured strategy for process parameter selection, supporting the broader adoption of 3D printing technologies in the field.
Las organizaciones actuales operan en contextos VUCA, donde los modelos tradicionales de gestión del talento humano basados en estructuras jerárquicas y procesos lineales resultan insuficientes para responder a las interacciones del comportamiento humano y su entorno. Este artículo, derivado de una investigación documental con enfoque cualitativo y alcance propositivo, tiene como objetivo proponer lineamientos para incorporar los principios de la teoría de la complejidad en los subsistemas de gestión del talento humano. A partir del análisis hermenéutico de los fundamentos del pensamiento complejo de Morin, la teoría de las organizaciones inteligentes de Senge y las teorías de Stacey sobre los procesos complejos de respuesta, se identificaron cinco principios operativos que sirven de base para la propuesta. Como resultado se transforma el perfil del gerente de recursos humanos como un profesional de interacciones y se presentan 15 lineamientos estratégicos para los procesos de atracción y selección, aprendizaje y desarrollo, gestión del desempeño, diseño de puestos, y compensaciones y bienestar. Se concluye que la aplicación del pensamiento complejo transforma la incertidumbre y la diversidad en fuentes de innovación y ventaja competitiva, ofreciendo a los profesionales del área una dirección para gestionar la complejidad en lugar de tratar de minimizarla.
Se desarrolla TutorIA, un asistente virtual inteligente cuyo objetivo es mejorar el rendimiento académico de los estudiantes universitarios mediante recomendaciones personalizadas de estudio. Esta iniciativa surge ante las dificultades que enfrentan muchos estudiantes para organizar su tiempo, seleccionar materiales adecuados y adaptarse a las crecientes exigencias académicas. El sistema se implementa bajo una arquitectura de microservicios, donde se diseñó un servicio backend encargado de gestionar los datos del usuario y del agente inteligente, mientras que estos servicios son consumidos por una aplicación móvil desarrollada en Flutter. El agente integra un modelo de aprendizaje por refuerzo, utilizando el algoritmo Deep Q-Learning, el cual adapta progresivamente las guías de estudio en función del desempeño del estudiante. Dicho desempeño es evaluado mediante pruebas propuestas por el propio agente, lo que permite identificar áreas de dificultad y ajustar las recomendaciones futuras de forma personalizada. El resultado de este proyecto ha cumplido en gran medida con los objetivos iniciales, entre ellos: la generación de una prueba de evaluación diagnóstica, el desarrollo de una máquina capaz de aprender de los errores del estudiante, la implementación de mecanismos para explicar contenidos específicos de cada asignatura, y la creación de un horario de estudio personalizado adaptado a la disponibilidad y necesidades del usuario.
