capítulo iii - upsin
TRANSCRIPT
46
Capítulo III Diseño y Desarrollo
En el siguiente capítulo se llevará a cabo el diseño y el desarrollo del sistema, en este
apartado se colocó la justificación de la utilización de las metodologías de desarrollo
ágil, parte de la codificación del sistema y aquellas pruebas realizadas para asegurar
una excelente funcionalidad.
47
3.1 Diseño
En la siguiente sección se describirá de una manera detallada y concisa el
diseño que fue aplicado a esta Investigación titulada “Inteligencia Cognitiva: Nao Robot,
IBM Watson y Web Services”.
3.1.1 Metodología de Investigación
Se entiende por metodología el conjunto de pautas y acciones orientadas a
describir un problema.
Para esta Investigación se optará por la utilización de una metodología mixta, ya que en
ella intervienen el enfoque cualitativo como el enfoque cuantitativo.
El enfoque cuantitativo será utilizado con la finalidad de medir las variables
descritas en las pruebas realizadas, esto con la finalidad de describir de una mejor
manera todos los resultados obtenidos de dichas variables.
En cuanto al enfoque cualitativo, este será utilizado en la recolección de datos no
numéricos, en los cuales será necesaria la interpretación de los resultados obtenidos.
Dicha interpretación seria la información procesada por Watson a fin de generar un
patrón de comportamiento en base a los posts de redes sociales.
En los siguientes apartados se describirán de una manera más detallada todo acerca
de la metodología utilizada en el desarrollo de esta Investigación.
3.1.2 Metodología del Proyecto
Para el desarrollo de cada proyecto es necesario la utilización de una
metodología de desarrollo. En este proyecto se decidió por la utilización de una
metodología de desarrollo ágil denominada Design Thinking; no obstante, también se
decidió por la utilización en paralelo de otra metodología de desarrollo ágil llamada
SCRUM con el fin de llevar a cabo el proyecto de un manera más amena y concisa.
Scrum se caracteriza por la gestión regular de las expectativas del cliente, resultados
anticipados, flexibilidad y adaptación, retorno de inversión, mitigación de riesgos,
productividad y calidad, alineamiento entre cliente y equipo, por último, equipo
motivado. [37]
48
En este proyecto se tomó la decisión de utilizar Scrum ya que sus roles están bien
definidos y resultan fáciles de llevar. Aunado a ello su utilización resulto conveniente ya
que el equipo de trabajo resultaba adecuado para ello, se contaba con un equipo de
trabajo de tan solo 4 personas, en las cuales uno de ellos fungía como Scrum master,
uno más como Product Owner y dos más como desarrolladores.
En cuanto a Design Thinking, se decidió por su utilización gracias a la flexibilidad que
esta ofrece, ya que Design Thinking sugiere un desarrollo centrado en el usuario el cual
permite tener aún más clara la meta que se desea lograr; Design Thinking sugiere un
loop de trabajo el cual consiste en sprints los cuales son realizados en lapsos de tiempo
relativamente cortos, dichos sprints pueden ser efectuados semanal o diariamente,
reduciendo así el margen de error en el desarrollo de los proyectos, ya que dichos
sprints permiten la verificación y aprobación de los usuarios en un tiempo de desarrollo
prematuro.
3.1.3 Funcionamiento del Proyecto
En la siguiente sección se presenta el funcionamiento completo del proyecto. En
este apartado se expondrán diagramas de flujo que como su nombre lo indican,
mostrarán el flujo que deberán tomar los datos para poder llegar al fin principal de este
proyecto de investigación, dichos diagramas están divididos en diferentes flujos, ya que
proyecto sigue un proceso de acciones lineal y un único diagrama resultaría enorme,
las subdivisiones son: Conexión a Internet, Watson y Redes Sociales, Lectura, análisis,
búsqueda y guardado de comentarios negativos, Identificación de usuario y generación
de perfil psicológico, Comparación, generación y guardado de reportes, Visualización
de resultados Sistema Web, Visualización de resultados Nao Robot.
3.1.3.1 Conexión a Internet, Watson y Redes Sociales
Como se observa en el diagrama 3.1 , el sistema una vez es comienza su
ejecución, este intenta conectarse a internet, si la conexión falla sigue intentando hasta
que lo logra, en caso de que la conexión sea exitoso el sisma intenta cargar los
servicios de IBM Watson, nuevamente si la carga de los servicios no es exitosa el
sistema tratara de cargarlo hasta lograrlo, una vez que la carga se logra, el sistema e
IBM Watson generar una conexión con las redes sociales, más concretamente con
Twitter.
49
3.1.3.2 Lectura, análisis, búsqueda y guardado de comentarios
negativos
Como se observa en el diagrama 3.2, el sistema en conjunto con IBM Watson
acceden a las redes sociales, después comienzan a leer todos los posts que están
publicados en ellas, IBM Watson comienza a analizar dichos posts, después IBM
Watson comienza a buscar comentarios negativos en los posts analizados, una vez que
encuentra y analiza los comentarios negativos, el sistema e IBM Watson guardan la
información en una base de datos en IBM Cloudant para poder accederlos más tarde en
la generación el perfil psicológico.
Diagrama 3.1: Conexión a Internet, Watson y Redes Sociales
50
Diagrama 3.2: Lectura, análisis, búsqueda y guardado de comentarios negativos
51
3.1.3.3 Identificación de usuario y generación de perfil psicológico
Como se observa en el diagrama 3.3, una vez que el sistema e IBM Watson
guardan información sobre comentarios negativos lo siguiente es, acceder nuevamente
a esa información, IBM Watson usa su conexión con la red social para identificar al
usuario que realizo dicho comentario, una vez identificado, IBM Watson centra toda su
atención en dicho usuario y comienza un análisis de su perfil de red social, desde sus
posts, fotos, etc. Para así poder generar un perfil psicológico en base a ello.
Diagrama 3.3: Identificación de usuario y generación de perfil psicológico
52
3.1.3.4 Comparación, generación y guardado de reportes
Como se observa en el diagrama 3.4, una vez que el sistema e IBM Watson
generan un perfil psicológico el siguiente paso es la comparación, la comparación
consiste en comparar el perfil psicológico generado por el sistema e IBM Watson con el
perfil psicológico de un verdadero psicópata, una vez realizada la comparación el
sistema genera un reporte en el cual se contienen las coincidencias del perfil del
usuario con el perfil comparado, una vez generado se guarda dicho reporte en una base
de datos de IBM Cloudant para su futura muestra a usuario final.
Diagrama 3.4: Comparación, generación y guardado de reportes
53
3.1.3.5 Visualización de resultados Sistema Web
Como se observa en el diagrama 3.5, una vez guardados los reportes con las
coincidencias, el sistema accede a ellos y empieza a desplegarlos en una tabla, si el
porcentaje de coincidencia es igual o mayor a 80 porciento, el sistema manda un aviso
de un posible incidente encontrado.
Diagrama 3.5: Visualización de resultados Sistema Web
54
3.1.3.6 Visualización de resultados Nao Robot
Como se observa en el diagrama 3.6, este diagrama es muy parecido al
diagrama 3.5, salvo por la diferencia de que en este diagrama el encargado del
despliegue de información es un Robot humanoide de la serie Nao, el cual obtiene la
información de los reportes y se encarga de desplegar aquellos casos donde la
coincidencia sea mayor o igual a 80 porciento, esto lo hace por medio de la voz
simulando ser un Guardian de redes sociales.
Diagrama 3.6: Visualización de resultados Nao
Robot
55
3.2 Codificación del Proyecto
Como se mencionó anteriormente en el capítulo 2 de esta investigación, para la
codificación del sistema y de los servicios de IBM Watson se usará como lenguaje de
programación a NodeJs ya que resulta demasiado fácil el desarrollar sistemas webs, en
conjunto con NodeJs se utilizará Python como lenguaje de programación utilizado como
parte de la programación que será llevada a cabo en el Robot Humanoide de la serie
Nao denominada como “Minerva”.
Para poder realizar la codificación del sistema serán usadas herramientas como
editores de texto (atom), los cuales permitirán trabajar de una manera local sin la
necesidad de una conexión a internet.
Se usará la plataforma de nube de IBM (PaaS) llamada IBM Bluemix como plataforma
principal ya que dicha plataforma ayuda en la publicación del sistema en tiempo real,
además de que permite trabajar bajo el esquema DevOps.
Como intermediario entre el editor de texto e IBM Bluemix se hará el uso de Cloud
Foundry, el cual se encargará de hacer los push Bluemix desde la maquina local en que
se esté trabajando, permitiendo poder trabajar en los 2 ámbitos de manera paralela.
En paralelo a Cloud Foundry se usará Git, esto con el fin de tener un respaldo del
proyecto, ya que Git permite tener un muy buen control de versiones.
3.2.1 Conexión a Tone Analyzer
Dentro de los servicios de IBM Watson utilizados para este proyecto se
encuentra tone analyzer, un servicio que como su nombre lo indica analiza el tono de
los comentarios, dichos tonos están en el rango de ira, miedo, alegría, tristeza,
analítico, confidente y tentativo.
En la imagen 3.1 se muestra la creación de la conexión a dicho servicio, para ello es
necesario un usuario, una contraseña y la versión del servicio, todos estos parámetros
son dados al usuario por la plataforma de IBM Bluemix para su configuración inmediata.
56
En la imagen 3.2 se muestra una pequeña prueba de la lectura e interpretación de un
archivo llamado tone.json.
3.2.2 Conexión a Personality Insight
Aunado a el servicio de tone analyzer se encuentra el servicio llamado personality
insights, el cual será usado para generar un perfil psicológico de las personas
analizadas, este servicio obtiene información sobre cómo y por qué las personas
piensan, actúan y se sienten de la manera en que lo hacen. Este servicio aplica el
análisis lingüístico y la teoría de la personalidad para inferir atributos del texto no
estructurado de una persona.
Imagen 3.2: Prueba de lectura Tone Analyzer
Imagen 3.1: Creación de la conexión Tone Analyzer
57
En la imagen 3.3 se muestra la manera en que se debe de conectar el servicio con el
sistema, dicha forma de conectarse resulta similar a la de tone analyzer, ya que al igual
hacen uso de un nombre de usuario, una contraseña y una versión.
A continuación, en la imagen 3.4 se muestra la manera en que se utiliza el servicio
antes descrito.
El servicio hace uso de un archivo llamado profile.json el cual es interpretado y
analizado por el servicio de personality insight como se muestra en la función
personality_isight.profile.
Imagen 3.4: Probando Personality Insights
Imagen 3.3: Creación de la conexión Personality Insights
58
3.2.3 Conexión a base de datos IBM Cloudant Dentro de cada proyecto informático es necesario almacenar la información recabada y
este proyecto no es la excepción, para esto se optó por usar una de las bases de datos
proporcionadas por la plataforma IBM Bluemix. IBM Cloudant fue elegida por su
facilidad de uso además de que es una base de datos no relación algo que ha estado
de moda en los últimos años.
A diferencia de las bases de datos convencionales este tipo de base de datos resulta
extremadamente fácil de conectar a los sistemas ya que al pertenecer a la plataforma
IBM Bluemix solo es necesario agregar credenciales para que esta pueda ser usada.
La imagen 3.5 muestra cómo se realiza la conexión de la base de datos conocida como
IBM Cloudant.
Como se puede apreciar en la anterior imagen, la creación de la conexión a una base
de datos de IBM Cloudant se resume en 4 pequeñas líneas de código, en las cuales
solo son necesario un nombre de usuario y una contraseña, estos parámetros son
otorgados por la plataforma de IBM Bluemix.
A continuación, en la imagen 3.6 se muestra el uso en paralelo del servicio de tone
analyzer e IBM Cloudant.
Imagen 3.5: Conexión a base de datos
59
Como se puede apreciar en la imagen 3.6 lo primero que se hace dentro de este
apartado es obtener la información de una fuente, en este caso las redes sociales,
después esto se manda al servicio de tone analyzer el cual se encarga de analizar los
diferentes tonos contenidos en el post, una vez analizado el post, lo siguiente es la
inserción a la base de datos, en la cual se guarda tanto el tono como el score que se
obtuvo en el análisis.
Imagen 3.6: Uso de Tone Analyzer e IBM Cloudant
60
En conjunto con la base de datos se creó una pequeña función la cual se encargaba de
traer todos aquellos registros guardados en la base de datos, esto se muestra en la
imagen 3.7.
3.2.4 Codificación Nao Robot (Minerva)
Como se mencionó anteriormente en el capítulo 2, se hará uso de un robot humanoide
de la familia Nao llamada Minerva, la cual se encargará de fungir como un vigilante de
redes sociales, minerva estar conectada a IBM Watson y se encargará de dar reportes
de manera oral, en contraparte del sistema web antes descrito el cual solo se limitará a
reportes escritos.
Imagen 3.7: Buscar id en base de datos
61
A continuación, se muestra un pequeño fragmento de la codificación efectuada en
Minerva para hacer uso de los servicios de Watson, dicha codificación está escrita en
lenguaje Python ya que resulta el lenguaje nativo de los robots de la familia Nao.
La imagen 3.8 muestra como Minerva hace uso del servicio tone analyzer y de como
esta se comunica mediante peticiones (requests) con los servicios anteriormente
creados en la plataforma IBM Bluemix (tone analyzer, personality insight).
Para que Minerva pueda efectuar las acciones en el código anterior es necesario un
comando, dicho comando es efectuado por el usuario mediante comandos de voz, en la
imagen 3.9 se muestra cuál es ese comando.
Cada comando de voz contenido en Minerva hace uso de outputs los cuales se
accionan haciendo uso de su nombre y de un estado, en la imagen anterior el output
Imagen 3.8: Nao service
Imagen 3.9: Comando de voz Nao
62
seria $analizar y el estado seria 1. A continuación en la imagen 3.10 se muestra de
manera gráfica lo antes descrito.
3.2.5 Codificación sistema front-end Dentro de la codificación del sistema, fue necesaria la utilización de lenguajes de
programación como lo son NodeJs y Python, aunado a ellos se hiso uso de frameworks
para hacer más amena la funcionalidad del sistema, para ello se hiso la utilización de
frameworks como AngularJs y Bootstrap los cuales son frameworks de Java Script y
CSS respectivamente.
En la imagen 3.11 se muestra parte del código escrito en HTML usando los frameworks
antes descritos, dicho código pertenece a la vista de reportes.
Imagen 3.11: Código Reports
Imagen 3.10: Circuito Nao
63
En la imagen 3.12 se muestra la función abrirReporte la cual es utilizada en el ejemplo
de codigo anterior, esta función como su nombre lo indica se encarga de abrir un
reporte, para ello necesita poder conocer el id del reporte a abrir.
Como se mencionó al principio de esta sección se hizo uso de Bootstrap el cual es un framework de CSS, esto para facilitar un buen diseño dentro del sistema, pero no obstante también se hiso uso de CSS puro o CSS convencional, a continuación, en la imagen 3.13 se muestra parte del código utilizado.
Dentro de la codificación del front-end hubo muchos
módulos los cuales fueron utilizados, por cuestiones
de privacidad solo se optó por mostrar parte del
módulo de reportes.
3.2.6 Codificación sistema back-end
Resulta totalmente imposible el realizar un sistema sin codificación de un back-end, ya
que este se encarga de la conexión entre el front y la base de datos. En este proyecto
Imagen 3.12: Función Abrir Reporte
Imagen 3.13: CSS
64
el back-end fue un punto clave, ya que sin el el sistema no hubiera sido capaz de
mostrar la información de los reportes, el back-end en conjunto con la codificación de
web services (en este caso usadas como apis) y el uso de IBM Cloudant, fueron el pilar
principal en la implementación del sistema.
A continuación, en la imagen 3.14, se muestra parte del código implementado en el
back-end para hacer uso del web service programado (api).
En la imagen anterior se muestra el método con el cual se conecta el web service con el
back-end, mientras que en la imagen 3.15 se muestra como esta se implementa.
En esta imagen se muestra a la función getApiReportes la cual es fácil de describir ya
que su nombre lo dice todo, esta función se encarga de traer todos los reportes
contenidos en el web service (api), esto lo hace por medio de la variable llamada
apiUrlReportes, la cual apunta a la dirección del web service (api) contenido en la
plataforma de IBM Bluemix, aunado a esta funcionalidad, esta función se encarga de
mandar toda la informacion de los reportes al front-end para que este se encargue de
del despliegue de la información de una manera gráfica y amigable para que el usuario
pueda interpretarla de una manera rápida y precisa, en caso de Minerva (robot
humanoide de la familia nao) esta recibirá la información directamente del web
service(api) y se encargara de desplegarla mediante sonido, gracias a su capacidad de
transformar el texto a habla.
Imagen 3.14: Api de Reportes
Imagen 3.15: Obtención de Reportes
65
3.3 Pruebas del Proyecto
Durante el capítulo 2 se mencionó el uso de Postman, dicho programa fue usado
para realizar peticiones al web service (api), esto se hiso de esta manera para que
desde el momento de su creación este pudiera ser testeada sin la necesidad de tener
una interfaz de usuario, que en este caso sería el sistema en concreto.
3.3.1 Resultados arrojados por tone analyzer En la siguiente sección se muestran los resultados obtenidos por postman al momento
de probar el web service (api) de tone analyzer, dichos resultados fueron obtenidos con
información no verídica, ya que solo era necesaria probar la versatilidad con que esta
se manejaba y la veracidad de los resultados arrojados por el web service (api).
En la imagen 3.16, se muestra los resultados obtenidos durante la prueba de análisis de emociones, dichos resultados muestran la puntuación (score) o el grado de concordancia con la emoción, el id de la emoción y el nombre de dicha emoción, todo esto es desplegado en un formato json. La información obtenida en esta prueba es guardada en una base de datos de IBM Cloudant con la finalidad de poder ser procesada por IBM Watson y posteriormente ser mostrada en un reporte por parte del sistema.
Imagen 3.16: Resultados Tone Analyzer 1
66
En la imagen 3.17 se muestran los resultados obtenidos en otras de las pruebas realizadas en postman, pero esta vez los resultados son agrupados por sentencias por sentencias, esto quiere decir que ahora se muestra la puntuación (score) o concordancia con las emociones y además se muestra en que parte del post o de la información a analizar se hacen presente dichas emociones, todo lo antes descrito se puede apreciar en la imagen #
3.3.2 Resultados arrojados por personality insight
Al igual que con el servicio tone analyzer, dentro de las pruebas del servicio de
personality insight también se optó por el uso de postman como herramienta de testing
por los mismos motivos que se mencionaron en Los resultados arrojados por Tone
Analyzer. A continuación, se muestran los resultados arrojados por este servicio y se
muestran imágenes del código utilizado en este proyecto.
Imagen 3.17: Resultados Tone Analyzer 2
67
En la imagen 3.18 se muestran los resultados obtenidos por postman al momento del testing del servicio de personality insights, como se puede observar e la imagen, el servicio de personalaty insight hace un conteo de todas las palabras contenidas dentro de los post de un usuario en determinada red social, luego sobre esto empieza a generar un perfil psicológico de la persona, con la finalidad de saber cómo y porque actúa de la manera que lo hace, todos estos aspectos de la personalidad están dentro de categorías dadas en el servicio, esto se evalúa dentro de los percentiles y de un puntuación en concreto, cada que un comentario cae en una de las diferentes categorías la puntuación va aumentando, dándole más valores cada vez más grandes, esto se resume a una tendencia por cierto perfil psicológico. Al igual que con Tone Analyzer estas pruebas se hicieron utilizando un perfil falso en una red social esto con el fin de evaluar la versatilidad del servicio y la veracidad de los datos obtenidos, además de que con un perfil controlado el dato obtenido seria de la misma clase.
3.3.3 Resultados arrojados por IBM Cloudant
Dentro de las pruebas realizadas cabe mencionar las realizadas por parte de IBM
Cloudant que si no son muy vistosas den a entender aún mejor la información
proporcionada por los servicios de Tone analyzer y Personality insight, esto gracias a
Imagen 3.18: Resultados Personality Insights 1
68
que IBM Cloudant muestra dicha información aún más estructurada, IBM Cloudant al
ser una base de datos muestra toda su información en forma de tablas, aunado a ello
IBM Cloudant puede mostrar su información en diferentes formatos, como lo son tablas,
metadata, texto plano y archivos json, lo cual resulta de gran ayuda a la hora de mandar
la información al sistema.
A continuación de muestran algunas de las tablas obtenidas en las inserciones de la
información procesada por los servicios de Tone analyzer y Personality insights.
En las tablas 3.1 y 3.2 se muestra como es la visualizan la información dentro de la herramienta de IBM Cloudant, como se mencionó anteriormente, esta herramienta permite la visualización de la información de diferentes maneras, la información puede ser visualizada en tablas, haciendo uso de la medadata y por ultimo mostrada en un formato json, la información mostrada en las imágenes # y # corresponde a la inserción de datos de los servicios de Tone Analyzer y Personality Insights, respectivamente. 3.4 Resultados y Discusión En este apartado como su nombre lo indica, se darán a conocer los resultados de la investigación, así como también se llevará a cabo una discusión de dichos resultados, con el fin de servir como retroalimentación en futuras investigaciones de esta índole. El sistema como tal no fue terminado en su totalidad, ya que dentro del equipo de trabajo solo se contaban con 2 programadores, los cuales se encargaban de la codificación de los web services (apis), la conexión de la base de datos, la implementación de los servicios cognitivos de IBM Watson (Tone Analyzer y Personality Insights) y la codificación del robot humanoide de la familia nao llamada Minerva, todas estas actividades eran realizadas por solamente 2 personas, aunado a esas
Tabla 3.1: Tone Analyzer
Tabla 3.2: Personality Insights
69
actividades, hubo lapsos de tempo en la que dichos programadores se encontraban en capacitación para hacer uso de los diversos lenguajes de programación utilizados en el proyecto, además de una capacitación para hacer uso correcto de los servicios cognitivos de IBM Watson (Tone Analyzer y Personality Insights), todas estas capacitaciones tomaron alrededor del 33% del tiempo destinado al proyecto. La mayoría de los resultados obtenidos se mostraron en el apartado de Pruebas del Proyecto, en dicho apartado se mostraron los resultados arrojados por los servicios cognitivos de IBM Watson y las diferentes inserciones realizadas en las bases de datos utilizadas en el proyecto.
3.4.1 Resultados obtenidos por Tone Analyzer A continuación, se muestran algunas de las tablas obtenidas en las diferentes inserciones a las bases de datos de IBM Cloudant, dichas inserciones corresponden al servicio de Tone Analyzer, al igual que en el apartado Pruebas del Proyecto, para estas inserciones se usaron post de redes sociales y perfiles de usuarios totalmente falsos, esto con la finalidad de no causar controversia en la investigación. En la tabla 3.3 se muestra la inserción de la información del servicio de Tone Analyzer, como se puede notar en la tabla, se cuenta con un _id el cual sirve como un indicador del elemento o en este caso el archivo, este campo se pude utilizar para realizar actualizaciones de la información, el siguiente campo es sentences_tone, este campo es un arreglo json el cual contiene la información del post, en dicho arreglo se encuentra el post en cuestión asi como también los scores o resultados obtenidos en el análisis de la información, como se mencionó en capítulos pasados el servicio de Tone Analyzer lleva a cabo un análisis de los tonos o emociones contenidas en un escrito, dichas emociones están en el rango de : ira, alegría, tristeza, analítica y miedo. En este caso en concreto se realizaron un total de 8 llamadas al servicio lo cual resulto en 8 inserciones a la base de datos de IBM Cloudant. A continuación, se muestra la tabla con todas las inserciones realizadas en estas primeras pruebas del servicio de Tone Analyzer e IBM Cloudant.
Tabla 3.3: Inserción Tone Analyzer
70
3.4.2 Resultados obtenidos por Personality Insights
A continuación, se muestran algunas de las tablas obtenidas en las diferentes inserciones a las bases de datos de IBM Cloudant, dichas inserciones corresponden al servicio de Personality Insights, al igual que en el apartado Pruebas del Proyecto, para estas inserciones se usaron post de redes sociales y perfiles de usuarios totalmente falsos, esto con la finalidad de no causar controversia en la investigación.
En la tabla 3.5 se muestra la inserción de la información del servicio de Personality Insights, como se puede notar en la tabla, se cuenta con un _id el cual sirve como un indicador del elemento o en este caso el archivo, este campo se pude utilizar para realizar actualizaciones de la información, el siguiente campo es behavior, este campo al igual que los otros contenidos en la tabla son arreglos json, en especial este campo contiene la información obtenida del análisis del comportamiento de la persona, luego tenemos el campo de consumption_preferences, en este campo se almacenan como su nombre lo indica, las preferencias de consumo, el servicio de Personality Insights realiza un análisis basado en tu ferfil de usuario por lo cual analiza las preferencias de consumo en base a tus gustos en redes sociales, después viene el campo needs en el cual se almacenan nuevamente como su nombre lo indica, las necesidades del usuario, al igual que en el campo anterior esto se consigue con el análisis de las preferencias del usuario en las redes sociales, por ultimo teneos el campo de personality, la cual resulta la de mayor importancia en esta investigación ya que es la columna principal en
Tabla 3.5: Inserción Personality Insights
Tabla 3.4: Inserción completa Tone Analyzer
71
este servicio, y la columna principal en el sistema, en este campo se guardan todos aquellos aspectos de la personalidad obtenidos en el análisis de la preferencias del perfil de usuario de la red social. Al igual que en el apartado anterior se realizaron un par de pruebas para comprobar la eficacia y efectividad del servicio, en total se realizaron 5 llamadas al servicio lo cual resulto en 5 inserciones a la base de datos de IBM Cloudant. A continuación, se muestra la tabla con todas las inserciones realizadas en estas primeras pruebas del servicio de Personality Insights e IBM Cloudant.
Tabla 3.6: Inserción completa Personality Insights