Por: Fabiola Montero, Profesora de la Facultad de Informática, Electrónica y Comunicación, Universidad de Panamá
La ciencia de datos atraviesa una transformación profunda en la forma en que se generan y procesan los datos. Gran parte de la información ya no proviene de repositorios centralizados, sino de flujos continuos emitidos por dispositivos que operan en tiempo real. Esta evolución, impulsada por la integración entre Internet de las Cosas (IoT), redes 5G y arquitecturas de Edge Computing, está redefiniendo cómo los datos se producen, se transmiten y se analizan a lo largo de su ciclo de vida.
El IoT se ha consolidado como una de las principales fuentes globales de datos distribuidos. Sensores industriales, dispositivos médicos portátiles, sistemas agrícolas inteligentes y plataformas urbanas generan telemetría constante con información sobre temperatura, vibración, consumo energético o ubicación. Se estima que actualmente existen alrededor de cincuenta mil millones de dispositivos conectados en el mundo, lo que evidencia la velocidad con que estas tecnologías se integran en entornos productivos y cotidianos.
Este crecimiento obliga a la ciencia de datos a pasar de un enfoque centrado en datos históricos a otros basado en flujos en tiempo real. En estos entornos, cada dato posee un valor inmediato y su utilidad depende de su precisión desde el momento en que se genera. Por ello, la calidad de la información debe garantizarse mediante sensores adecuados, calibración continua y mecanismos de filtrado inicial que reduzcan errores antes su procesamiento.
Las redes 5G aportan la capacidad de transmisión necesaria para sostener este ecosistema distribuido. Con latencias muy reducidas y soporte para grandes volúmenes de dispositivos conectados, permiten mantener flujos de datos estables y sincronizados en tiempo real. Definidas por los estándares del 3rd Generation Partnership Project (3GPP), incorporan funcionalidades como el network slicing, que facilita distintos niveles de calidad de servicio según la aplicación. En ciencia de datos, esta infraestructura es clave para analizar series temporales, detectar anomalías y tomar decisiones en tiempo real.
El Edge Computing complementa este panorama al trasladar parte del procesamiento hacia la cercanía física del dato. En lugar de enviar toda la información a la nube, los nodos de borde —equipos ubicados cerca de los sensores o fuentes de datos que procesan información localmente— ejecutan análisis preliminares como cálculos estadísticos, detección de valores atípicos o clasificación mediante modelos ligeros. Esto permite procesar datos de forma inmediata y disminuir la dependencia de la transmisión constante hacia centros de datos centralizados.
En entornos industriales, un sensor puede generar miles de mediciones por segundo sin saturar la red gracias a gateway de borde —dispositivo intermedio que conecta sensores con la red — que filtran y transmiten solo la información relevante. Este enfoque reduce costos de transmisión y almacenamiento, y posibilita respuestas automáticas con latencias mínimas, preservando el valor analítico del flujo en tiempo real.
Esta arquitectura distribuida transforma el flujo de trabajo del científico de datos. Las tareas de preparación se dividen entre el procesamiento local en el borde y la integración centralizada en la nube, donde se combinan múltiples fuentes y se construyen variables analíticas complejas. Los modelos suelen entrenarse en entornos de alta capacidad computacional y luego desplegarse en dispositivos de borde. Esto exige nuevas competencias, como el diseño de modelos eficientes, la gestión de versiones distribuidas y la validación entre resultados locales y los procesados en la nube.
La calidad de los datos adquiere nuevas complejidades en arquitecturas edge-to-cloud. La verificación debe realizarse de forma continua en cada nivel del sistema mediante calibraciones entre sensores, detección de interrupciones en los flujos y validación frente a rangos esperados. Las herramientas de observabilidad permiten identificar desviaciones en tiempo real y asegurar la confiabilidad de la información utilizada para análisis y decisiones.
Sin embargo, la distribución del procesamiento plantea retos para la reproducibilidad. Cuando los datos se transforman en múltiples nodos antes de llegar a la nube, resulta necesario registrar el linaje completo: valores originales, transformaciones y modelos ejecutados. Sin esta trazabilidad, replicar análisis o auditar resultados se vuelve complejo y se reduce la confianza en los procesos analíticos.
Desde una perspectiva estratégica, la integración de IoT, 5G y Edge Computing amplía significativamente el alcance de la ciencia de datos. Sectores como la manufactura avanzada, la movilidad inteligente, la agricultura de precisión y la salud digital ya se benefician de esta articulación tecnológica. El valor surge cuando todas las capas del ecosistema —captura, procesamiento en el borde y análisis en la nube— operan de forma coordinada para generar decisiones oportunas basadas en evidencia.
A medida que estas arquitecturas se consolidan, la ciencia de datos evoluciona hacia una disciplina capaz de operar en entornos centralizados y distribuidos con igual eficiencia. Preservar el contexto, la integridad y la utilidad de los datos a lo largo del flujo edge-to-cloud será determinante para generar conocimiento confiable y accionable.
Más que una evolución tecnológica, este paradigma representa una reconfiguración profunda del análisis de datos: redefine dónde se procesa la información, cómo se distribuyen las capacidades de análisis y cómo se toman decisiones en tiempo real. En un mundo de datos en movimiento constante, la ventaja competitiva radicará en la capacidad de coordinar estas capas de manera coherente y estratégica.
