Redes malla (mesh)
Cada dispositivo funcionaba como cliente y repetidor; se descartó porque solo comunicaba dispositivos entre ciudadanos, sin mostrar ni coordinar una respuesta ante el desastre.
Desafío 09 · Post-emergencia
SMARTYCLIENTGRAPH
Equipo Los Nezzi-OS
Desafío 09.
Un sistema de apoyo para que autoridades y equipos de rescate asignen recursos limitados de forma rápida, coordinada y objetiva después de un desastre.
El problema
Descripción de la problemática
Tras un desastre natural las autoridades enfrentan situaciones críticas que requieren una respuesta rápida y coordinada.
- Interrupción de la comunicación, bloqueo de caminos y daños a la infraestructura.
- Falta de información confiable e insuficiencia de recursos humanos, materiales y económicos.
- Problema central: decidir de forma rápida, coordinada y objetiva cómo asignar recursos limitados en la post-emergencia.
- En México, en 2022 se registraron 570 fenómenos, con 496 defunciones, 262,869 personas afectadas, 22,648 viviendas dañadas y 16,600 millones de pesos en daños y pérdidas (Méndez Estrada et al., 2023).
- A nivel mundial, entre 2000 y 2019 hubo 6,681 desastres climáticos, con 510,837 muertes y 3,900 millones de personas afectadas (Al Shafian y Hu, 2024).
México 2022 · Cenapred
El costo de un año de desastres
570fenómenos registrados
496defunciones
262,869personas afectadas
22,648viviendas dañadas
$16,600 Mpesos en daños y pérdidas
Mundo 2000–2019
6,681desastres climáticos
510,837muertes
3,900 Mpersonas afectadas
Fuentes: Méndez Estrada et al. (2023); Al Shafian y Hu (2024).
Nuestra propuesta
Descripción de la solución
Un sistema de apoyo para las autoridades y equipos de rescate durante emergencias.
- Recopila reportes de campo.
- Identifica incidentes urgentes.
- Sugiere los recursos y rutas más adecuados, considerando bloqueos y cambios en el entorno.
- Las autoridades conservan la decisión final.
- Por qué el modo sin conexión: en el sismo de 2017 la telefonía celular se vio afectada los primeros minutos y se recurrió a la radiocomunicación (Ahued-Ortega, 2018).
Cómo funciona
Tecnología e implementación
El sistema se enfoca en priorizar incidentes y explicar sus recomendaciones.
priorizar incidentes
→
explicar sus recomendaciones
- Tecnologías: aprendizaje automático, geolocalización, extracción de texto, modelos de lenguaje y métodos de optimización.
- Formatos integrables: Sistema de Comando de Incidentes, EDAN y Protocolo de Alerta Común (CAP).
- Requiere solución en la nube, acuerdos con Protección Civil, capacitación del personal, protección de datos y cumplimiento de la normativa; se evaluará con pruebas y simulaciones.
- Respaldo: existen modelos de localización y ruteo humanitario bajo demanda incierta y cierre de caminos (Temiz et al., 2024); las revisiones recomiendan sistemas transparentes y advierten retos de integración de datos y fiabilidad algorítmica (Christhia et al., 2025).
Lo que cambia
Impacto
- Priorización oportuna de la población vulnerable mediante asignación eficiente de recursos y rutas óptimas de evacuación y asistencia.
- Atención temprana para salvaguardar la vida de los afectados y mitigar la mortalidad post-desastre.
- Menor colapso hospitalario al centralizar en tiempo real la ubicación y capacidad de las unidades médicas.
- Prevenir riesgos secundarios como incendios, cortocircuitos, fugas de gas, etc.
Caso de referencia: tras el sismo de 2017, la Ciudad de México coordinó 51 ambulancias desde un centro regulador, el hospital de Tláhuac tuvo daños parciales y el sismo dejó 228 muertos en la ciudad (Ahued-Ortega, 2018).
Lo nuevo
Innovación
Aprendizaje automático como herramienta central para el triage de información y la optimización de los servicios de emergencia.
Aprendizaje automático
→
triage de información
→
optimización de los servicios de emergencia
- A diferencia de los métodos tradicionales de respuesta reactiva, analiza grandes volúmenes de datos en tiempo real para identificar patrones y detectar las zonas con mayores afectaciones.
- Organiza la información, establece prioridades, fundamenta decisiones y facilita la coordinación entre autoridades y equipos de rescate.
- Respaldo: en una revisión de 370 artículos (2014–2024), combinar características de redes neuronales convolucionales con nubes de puntos 3D alcanzó 94 % de precisión media al evaluar daños en edificios, frente a 91 % de las redes convolucionales solas (Vetrivel et al., 2018, citado en Al Shafian y Hu, 2024).
¿Es costeable?
Factibilidad económica
Arquitectura híbrida basada en software modular e infraestructura en la nube y on-premise (local).
infraestructura en la nube
→
software modular
→
on-premise (local)
- Elimina la necesidad de compras masivas de hardware especializado.
- Costos de implementación y mantenimiento bajos según el equipo.
- Se integra sobre herramientas que el personal de emergencia ya utiliza, lo que reduce gastos de capacitación.
- Escalamiento progresivo.
- Contexto: en 2022 los desastres en México dejaron 16,600 millones de pesos en daños y pérdidas (Méndez Estrada et al., 2023); una mejor asignación de recursos busca reducir ese impacto.
Menos huella
Sustentabilidad ambiental
Una gestión de crisis más limpia y moderna:
- Logística de transporte de recurso y rescate más eficiente.
- Menos trayectos innecesarios de vehículos oficiales.
- Existen modelos de localización y ruteo humanitario bajo demanda incierta y cierre de caminos (Temiz et al., 2024), y las revisiones indican que la IA y los sistemas de apoyo a la decisión pueden optimizar el enrutamiento de vehículos de emergencia (Christhia et al., 2025).
El camino recorrido
Propuestas descartadas
Tras el sismo de 2017 la telefonía celular se vio afectada los primeros minutos y se recurrió a la radiocomunicación (Ahued-Ortega, 2018). Así es como la idea principal inició como una solución para mantener comunicada a la población antes, durante y después de un siniestro, aun con fallas en la infraestructura de telecomunicaciones.
Comunicación BLE y radio de largo alcance (LoRa)
Permitía enviar mensajes sin internet ni red celular; se descartó porque se enfocaba en ciudadanos y el desafío busca ayudar a las autoridades que coordinan la respuesta.
Herramienta para autoridades
El equipo reorientó el proyecto hacia una herramienta de apoyo para las autoridades después de un siniestro.
Business Model Canvas
SmartyClientGraph
Socios claves
- Coordinación Nacional de Protección Civil
- Centro Nacional de Prevención de Desastres CONAPRED
- C5
- Guardia Nacional
- Unión Internacional de Telecomunicaciones
Actividades claves
- Recopilación de datos
- Identificar incidentes urgentes
- Detectar zonas sin comunicación
- Sugerir recursos y rutas considerando las afectaciones
- Probar y evaluar con pruebas y simulaciones el sistema
Propuesta de valor
- Priorizar incidencias
- Sistema de apoyo para los municipios y equipos de rescate
- Vista general de la situación con prioridad en los incidentes
- Decisiones rápidas, coordinadas y objetivas sobre recursos limitados
- Atención oportuna a la población vulnerable
Relaciones con el cliente
- Capacitación del personal
- Pruebas y simulaciones para evaluar su funcionamiento
- Integración sobre herramientas que el personal ya utiliza
- Escalamiento progresivo
Segmentos de clientes
- Autoridades municipales
- Autoridades gubernamentales
- Equipos de rescate
Recursos claves
- Aprendizaje automático
- Geolocalización
- Modelos de lenguaje y métodos de optimización
- Arquitectura híbrida
- Protección de datos y cumplimiento de la normativa aplicable
Canales
- Convenio con gobierno
- C5, gobierno
- Plataforma web en la nube y on-premise
Estructura de costes
- Prototipo: $51,000 a $121,000
- Operación: equipo de desarrollo, nube con respaldos, ciberseguridad y protección de datos
- Capacitación y puesta en marcha, soporte y guardia durante emergencias
Fuente de ingresos
- Acuerdo formal entre universidad y gobierno
- Contrato de servicio bajo lineamientos de SLA
- La ciudadanía no paga, y no será software libre porque la plataforma maneja datos sensibles
Fuentes
Referencias
- Ahued-Ortega, A. (2018). Terremoto en México: la respuesta en salud del gobierno de la Ciudad de México. Salud Pública de México, 60(supl. 1), S83–S89. https://scielosp.org/pdf/spm/2018.v60suppl1/83-89/es
- Al Shafian, S., & Hu, D. (2024). Integrating machine learning and remote sensing in disaster management: A decadal review of post-disaster building damage assessment. Buildings, 14(8), 2344. https://doi.org/10.3390/buildings14082344
- Christhia, M. L., Timbayo, O. O., Wahidurrijal, A. A., & Putra, A. B. A. (2025). A literature review on AI and DSS for resilient and sustainable humanitarian logistics. International Journal of Computer Science and Humanitarian AI, 2(1), 29–36. https://doi.org/10.21512/ijcshai.v2i1.13028
- Coordinación Nacional de Protección Civil. (2022). Tema 1: Evaluación de Daños y Análisis de Necesidades (EDAN). Secretaría de Seguridad y Protección Ciudadana. https://www.gob.mx/cms/uploads/attachment/file/767649/Tema_1_EVALUACI_N_DE_DA_OS.pdf
- IBM. (2026, 6 de octubre). ¿Qué es el machine learning? https://www.ibm.com/mx-es/think/topics/machine-learning
- Jjmarcos. (2023, 16 de noviembre). ¿Cómo optimizar la eficiencia y la coordinación en las emergencias? CV San Lorenzo. https://cvsanlorenzo.es/como-optimizar-la-eficiencia-y-la-coordinacion-en-las-emergencias/
- Martínez, J. J. C., & Zegarra, G. (2025). Los asuntos más relevantes de la IA en opinión de algunos expertos. Revista SISTEMAS, 177, 38–55. https://doi.org/10.29236/sistemas.n177a5
- Méndez Estrada, K. M., Franco Vargas, E., Olmedo Santiago, C., García Vega, A., & Nolasco Mata, J. (2023). Impacto socioeconómico de los principales desastres ocurridos en México en 2022: Resumen ejecutivo. Cenapred. https://www1.cenapred.unam.mx/es/Publicaciones/archivos/494-RESUMENEJECUTIVOIMPACTO2022.PDF
- Temiz, S., Kazanç, H. C., Soysal, M., & Çimen, M. (2024). A probabilistic bi-objective model for a humanitarian location-routing problem under uncertain demand and road closure. International Transactions in Operational Research, 32(2), 590–625. https://doi.org/10.1111/itor.13475
- Unión Internacional de Telecomunicaciones. (2023). Sesión 286: El Protocolo Estándar Internacional de Alerta Común (PAC) y el Plan de Acción de las Naciones Unidas sobre Alertas Tempranas para Todos. Foro de la CMSI 2023. https://www.itu.int/net4/wsis/forum/2023/es/Agenda/Session/286
- Agencia de los Estados Unidos para el Desarrollo Internacional. (2013). Curso básico: Sistema de Comando de Incidentes. Material de referencia. https://www.gob.mx/cms/uploads/attachment/file/228836/Curso_Basico_SCI_material_de_referencia.pdf
Factibilidad social
Aceptación basada en certidumbre, transparencia y rapidez tras un desastre natural.