| Vocero |
Transcripción |
| Patrick Giuliano |
Muy bien. Bienvenidos a todos. |
| |
Gracias a todos por tomarse el tiempo de ver esta presentación. |
| |
Preparando los dumplings al vapor más frescos. |
| |
Y mi nombre es Patrick Giuliano y mis coautores son Mason Chen y Charles Chen de Applied Materials, así como Yvanny Chang. |
| |
Bien, hoy les voy a contar cómo aproveché... mi equipo y yo aprovechamos el poder de JMP para comprender realmente... |
| |
cocina de empanadillas |
| |
Así que el problema general aquí es que la mayoría de los alimentos como los dumplings se preparan sin un control preciso de los parámetros de cocción. |
| |
Y el sabor de un dumpling, así como otros resultados para medir qué tan bueno es un dumpling, se ven afectados negativamente por un tiempo de cocción inadecuado y esto es intuitivo para todos los que han disfrutado de la comida. |
| |
No necesitamos hablar demasiado de eso. Pero |
| |
Tarde o temprano, la IA y la robótica serán una parte importante de la industria alimentaria. |
| |
Y nuestra experiencia reciente con el Covid 19 realmente ha resaltado eso y por eso voy a hablar un poco sobre cómo podemos... |
| |
Se puede comprender mejor el proceso de fabricación de dumplings utilizando un enfoque de modelado muy multifacético, que utiliza muchas de las capacidades de modelado de JMP, incluida la optimización robusta del diseño de Monte Carlo. |
| |
Entonces ¿por qué empanadillas? |
| |
Bueno, los dumplings son muy fáciles de cocinar. |
| |
Y al cocinarlos, por supuesto, matamos cualquier partícula extraña que pueda vivir en ellos. |
| |
Y cocinar puede implicar una interacción humana muy limitada. |
| |
Por supuesto, con esto, el diseño y el espacio de procesos relacionados con la cocina son muy intuitivos y extensibles. |
| |
y podemos considerar la física asociada con este problema y tratar de utilizar JMP para ayudarnos a comprender e investigar realmente mejor la física. |
| |
La IA llegará realmente tarde o temprano debido al Covid 19, por supuesto, y |
| |
¿Por qué se crearía un robot para cocinar dumplings? Bueno. |
| |
Otras preguntas podrían ser: ¿cuáles son los beneficios? ¿Cuáles son los desafíos de cocinar dumplings de forma automatizada en un entorno robótico? |
| |
Y, por supuesto, esto podría ser un desafío porque, en realidad, los robots no tienen nariz para oler. Y por eso, esa es una gran razón por la que, además de... |
| |
En un enfoque de modelado avanzado y multifacético, es importante considerar algunos otros criterios estructurados. |
| |
Y más adelante en esta presentación, voy a hablar un poco, un poco sobre los criterios HACCP y cómo los integramos para resolver nuestro problema de una manera más estructurada. |
| |
Bueno, entonces |
| |
Antes de profundizar en muchos de los interesantes análisis de JMP, me gustaría brindar una breve introducción a la física de la transferencia de calor, la ciencia de los alimentos y cómo los diferentes mecanismos de transferencia de calor afectan la cocción de las albóndigas. |
| |
Como puedes ver en esta diapositiva, hay una |
| |
Q |
| |
en la parte superior del diagrama y en la esquina superior derecha y se hace referencia a Q... se refiere a la densidad de flujo de calor, que es la cantidad de energía que |
| |
fluye a través de una unidad de área por unidad de tiempo y la dirección del cambio de temperatura. |
| |
Desde el punto de vista físico, las proteínas y la carne cruda y hervida difieren en su cantidad de energía. Es necesario superar una barrera de energía de activación para que la estructura proteica de la carne cruda se desnaturalice o compactifique, como se muestra aquí. |
| |
en esta imagen de la izquierda. |
| |
Así que la primera tarea del cocinero, al hervir carne en términos físicos, es aumentar la temperatura en todo el volumen de la pieza. |
| |
al menos |
| |
Para alcanzar la temperatura de desnaturalización. |
| |
Más adelante voy a hablar del hallazgo más interesante de esta fase particular del experimento, donde descubrimos que había un corte de temperatura. |
| |
E intuitivamente, uno pensaría que por debajo de cierta temperatura los dumplings se cocinarían... no se cocinarían adecuadamente, quedarían demasiado blandos, y por encima de cierta temperatura, quizás también quedarían demasiado blandos o podrían quemarse o quedar con costra. |
| |
Otra nota final sobre la física aquí es que en el umbral de ebullición, la temperatura de la superficie del agua fluctúa y las burbujas subirán a la superficie de la caldera. |
| |
y romperse y colapsar y eso puede hacer que sea difícil recolectar... capturar y... perdón... capturar lecturas precisas de temperatura. |
| |
Esto nos lleva a… ¿Cuáles son algunas de las herramientas que usamos para realizar un experimento? |
| |
Bien, |
| |
Por supuesto, utilizamos una olla a presión y eso es muy importante. |
| |
Por supuesto, usamos algo para medir la temperatura y para esto usamos un termómetro infrarrojo y usamos un temporizador, por supuesto, y usamos una balanza de masa para pesar el dumpling y todos los componentes que lo componen. |
| |
Podríamos considerar algo llamado Gare R&R en estudios futuros y donde podamos cuantificar la repetibilidad y reproducibilidad de nuestras herramientas de medición. |
| |
En este experimento no lo hicimos, pero eso es muy importante, porque nos ayuda a maximizar la precisión de las estimaciones de nuestro modelo por minuto... minimizando los componentes de ruido asociados con nuestro proceso de medición. |
| |
Y esos componentes de ruido no sólo podrían ser |
| |
un hecho... un factor de, digamos, la tolerancia de precisión del calibre, pero también podría deberse a cómo la persona interactúa con la medición en sí. |
| |
Y, y, en particular, voy a hablar un poco sobre el desafío de medir la temperatura de ebullición y cocción a alta temperatura. |
| |
Bueno, brevemente, |
| |
Este... lo planteamos como un experimento diseñado. Así que primero tuvimos que decidir las herramientas. |
| |
Teníamos que decidir cómo prepararíamos el dumpling. Por lo tanto, necesitábamos un proceso de fabricación y... |
| |
Los actores clave en ese proceso. Luego, tuvimos que diseñar un experimento estructurado. Para ello, utilizamos el diseño de cribado definitivo. |
| |
y analizamos algunas características del diseño para asegurarnos de que funcionara de manera óptima para nuestro experimento. |
| |
A continuación ejecutamos el experimento. |
| |
Y luego |
| |
Medimos y registramos la respuesta. |
| |
Y por supuesto, finalmente, la parte divertida, |
| |
Conseguimos interpretar eficazmente los datos y JMP. |
| |
Y estos son gráficos que se encuentran aquí que muestran matrices de diagramas de dispersión generadas en JMP, simplemente usando la función de gráfico. |
| |
Y esto nos da una idea de la uniformidad del espacio de predicción. Hablaré más sobre esto más adelante, en las próximas diapositivas. |
| |
Bien, aquí están nuestros datos. Aquí está nuestro plan de recopilación de datos y, a la derecha, la respuesta que medimos: el tiempo de levado o de cocción de un dumpling. |
| |
Recopilamos 18 ejecuciones en un DSD, que generamos en JMP usando la plataforma DSD y en el menú DOE. |
| |
Y recopilamos información sobre la masa de la carne, la masa de las verduras que entran, la masa del... el tipo de carne, mejor dicho, la composición de las verduras (ya sea repollo o champiñones), |
| |
y por supuesto el peso total, el tamaño del lote que cocinamos, el número de empanadillas por lote y la temperatura del agua. |
| |
Esta diapositiva simplemente resalta parte del increíble poder de un DSD, y no entraré en demasiados detalles, pero los DSD son muy elogiados por sus características de modelado flexibles y potentes. |
| |
Y permiten un gran potencial para realizar pruebas Blitz y optimizar la optimización en un solo experimento. |
| |
Este gráfico a la derecha es una matriz de correlación generada en JMP, en su plataforma de diagnóstico diseñada del menú DOE y es particularmente potente para mostrar |
| |
el grado de aliasing o confusión entre todos los efectos factoriales de su modelo. Y lo que este gráfico muestra claramente es que |
| |
En el azul más oscuro, no hay correlación y, a medida que la correlación aumenta y la llevamos a tonos de gris, y finalmente, al llegar a una correlación muy positiva, llegamos a tonos de rojo. Así que lo que realmente estamos viendo es que |
| |
Los efectos principales no están en absoluto correlacionados entre sí, que es lo que nos gusta ver en interacciones de dos factores: los efectos principales no están correlacionados. |
| |
Con efectos cuadráticos que se encuentran en este cuadrante derecho. Y luego, los efectos cuadráticos están solo parcialmente correlacionados entre sí, y luego se tienen estos términos de interacción de orden superior. |
| |
que están realmente parcialmente correlacionados con los efectos de interacción y estos tipos de características hacen que este diseño en particular sea superior a los diseños factoriales fraccionales típicos de Resolución III y Resolución IV que nos enseñaron. |
| |
antes de los DSD. |
| |
Bien. Analicemos brevemente el diagnóstico de diseño. Aquí está la misma correlación... un gráfico de correlación similar, solo que los factores tienen sus nombres específicos. |
| |
Y después de ejecutar este diseño DSD, esta es solo una versión en blanco y negro de una matriz de correlación para ayudarle a ver el grado de ortoginalidad o |
| |
No, no estar entre los factores. Y lo que pueden ver en nuestro experimento es que realmente observamos un poco de |
| |
confundiendo el tamaño de un lote con el tamaño de la carne, como era de esperar, y luego, por supuesto, la carne con la interacción entre la carne y las verduras que están en la bola de masa. |
| |
Y tenga en cuenta que aquí impusimos una restricción de diseño, con la que observamos cierta confusión, que es la restricción muy intuitiva de que los dumplings... que la masa total del dumpling es la composición de cada uno de los componentes del dumpling en sí. |
| |
Entonces, |
| |
el otro... |
| |
Entonces, ¿por qué estamos haciendo esto? |
| |
¿Por qué evaluamos esta uniformidad, entre comillas, aquí, esta matriz del diagrama de dispersión, y qué nos dice esto? Bueno, |
| |
Para maximizar la capacidad de predicción en todo el espacio del predictor, en este caso, en tiempo ascendente, buscamos las combinaciones de factores que minimicen las áreas blancas. Bien. Y en las áreas blancas es donde se considera que la precisión de la predicción es menor. |
| |
Y esto es un y es por eso que tomamos el diseño y lo ponemos en una matriz de diagrama de dispersión y esto es análogo a una especie de supuesto de homogeneidad de error en ANOVA, |
| |
donde sabemos que buscamos un espacio, el espacio de predicción para ser igualmente probable, o el supuesto de varianza igual en la regresión lineal. |
| |
Cuando queremos, queremos que este espacio sea igualmente probable en todo el rango de los predictores. |
| |
Entonces, en este experimento, por supuesto, para reducir el número de factores que estamos considerando, primero usamos la ingeniería y nuestro entendimiento de la ingeniería y la física del problema. |
| |
Y así, para la identificación, identificamos seis variables independientes o variables que estaban menos confundidas entre sí y procedimos con el análisis sobre la base de estas variables primarias. |
| |
Bueno. |
| |
Entonces, lo primero que hicimos fue tomar nuestro diseño generado y utilizar una regresión paso a paso para intentar simplificar el modelo e identificar solo los factores activos en el modelo. |
| |
Y aquí puede utilizar una combinación de selección hacia adelante, selección hacia atrás y mixta como criterios de detención para determinar el modelo que explica la mayor variación en su respuesta. |
| |
Y también, puedo modelar el tipo de carne como discreto y/o numérico o... más bien numérico discreto, y de esta manera puedo usar este etiquetado para hacer que la codificación del factor corresponda a |
| |
El tipo de carne que utilizamos es camarón o cerdo. |
| |
Entonces, ¿qué tipo de regla de detención se puede utilizar en el marco de este tipo de modelo de regresión? Bueno, |
| |
Desafortunadamente, al ejecutar este modelo una y otra vez, no logré reproducirlo con exactitud. Además, la reproducción del modelo puede ser algo inconsistente, ya que el ajuste... este tipo de esquema de ajuste implica un procedimiento computacional para iterar hasta obtener una solución. |
| |
Por lo tanto, en esta regresión escalonada, el riesgo de sobreajuste suele ser mayor. |
| |
Y muchas veces, si hay alguna curvatura en el modelo, |
| |
o hay dos interacciones factoriales, por ejemplo, las variantes explicativas se comparten entre ambos factores, donde no se puede separar la variabilidad asociada con uno u otro. |
| |
Y lo que podemos ver aquí claramente, basado en el R cuadrado ajustado, es que estamos obteniendo un ajuste muy bueno, y probablemente un ajuste demasiado bueno. |
| |
Lo que significa que no podemos predecir el futuro en función de ellos en función del ajuste a este modelo en particular. |
| |
Bueno. |
| |
Así que aquí es donde se pone bastante interesante. |
| |
Una de las cosas que hicimos primero, después de ejecutar el modelo paso a paso, fue asignar entradas uniformes independientes a cada uno de los factores del modelo. |
| |
Y esto es una especie de implementación de Monte Carlo en JMP. |
| |
Un tipo diferente de implementación de Monte Carlo y y y |
| |
Lo que es importante entender en este marco particular es que la diferencia entre el efecto principal y el efecto total puede indicar el grado de interacción. |
| |
Este es el grado de interacción asociado con un factor particular en el modelo. Esto demuestra que, en particular, la temperatura del agua y la carne... |
| |
Además de ser más explicativo en términos del efecto total, probablemente pueda interactuar con otros factores en este modelo particular. |
| |
Y lo que se ve, por supuesto, es que identificamos la temperatura del agua, la carne y el tipo de carne como nuestros principales predictores, utilizando el gráfico de Paredo para estimaciones transformadas. |
| |
La otra cosa que me gustaría destacar aquí antes de pasar a algunas de las otras diapositivas es el indicador de sensibilidad que podemos invocar aquí y |
| |
bajo el generador de perfiles, después de asignar entradas uniformes independientes, |
| |
Podemos colorear el perfilador para indicar la fuerza de la relación entre cada factor de entrada y la respuesta. También podemos usar |
| |
El indicador de sensibilidad, que está representado por estos triángulos morados, para mostrarnos la sensibilidad o se podría decir la fuerza de la relación. |
| |
Similar al coeficiente de regresión lineal indicaría la fuerza, donde cuanto más alto sea el triángulo y más pronunciada la relación, |
| |
Cuanto más fuerte sea el triángulo, ya sea en dirección positiva o negativa, y cuanto más ancho y plano sea, menos fuerte será la relación que juega ese factor. |
| |
Bueno. |
| |
Así que procedimos a reducir nuestro modelo y a utilizar algo de sentido de ingeniería y usar la plataforma escalonada. |
| |
Y lo que obtenemos |
| |
Esta es solo una instantánea del ajuste de nuestro modelo, proveniente del diseño DSD, y tiene un RSM estructurado como curvatura. Como pueden ver, este es un gráfico de interacción que muestra el grado de interacción entre todos los factores por pares. |
| |
Y hemos indicado dónde están presentes algunas de las interacciones y cómo son esas interacciones. |
| |
Así que este es un modelo que realmente podemos entender mejor. |
| |
Bueno, entonces |
| |
Creo que otra cosa a mencionar es que la restricción de diseño que imponemos es similar a lo que se podría considerar un diseño de mezcla, donde todos los componentes se suman y la restricción tiene que sumar el 100%. |
| |
Bien, aquí tenemos una imagen de alto nivel del generador de perfiles y podemos ajustar o modular cada uno de los factores de entrada y luego... |
| |
Observar el impacto en la respuesta y lo hicimos de manera muy manual. |
| |
Sólo para tener una idea de cómo funciona el modelo. |
| |
Y por supuesto para optimizar nuestro tiempo de cocción lo que confirmamos fue que el tiempo tiene que ser más rápido, por supuesto las variantes asociadas al tiempo de cocción deben ser menores. |
| |
Y el rendimiento y el ahorro de energía deben optimizarse y maximizarse. Y esos son dos aspectos adicionales. |
| |
Respuestas que obtuvimos en función del tiempo de cocción. |
| |
Bien, aquí es donde profundizamos más en la optimización. |
| |
Del proceso de cocción. Como mencioné antes, diseñamos o creamos dos variables de respuesta adicionales relacionadas con la física, donde alcanzamos el máximo rendimiento, lo cual depende de la cantidad de dumplings... |
| |
Lo siento, depende de cuántos dumplings, pero también del peso y del tiempo. |
| |
Y el ahorro energético, que es el producto de la energía consumida y el tiempo de cocción, que es un componente energético. |
| |
Y entonces, para poder participar en este proceso de optimización, |
| |
Necesitamos introducir un error asociado con cada uno de los factores de entrada y eso está representado por estas distribuciones en la parte inferior aquí. |
| |
Y también debemos considerar la ventana de control práctica del HACCP y, por supuesto, la capacidad del dispositivo de medición, que es algo que nos gustaría analizar en estudios futuros. |
| |
Aquí hay una buena imagen del plan de control HACCP que usamos. Es muy similar a un análisis de modos de fallo y efectos en la profesión de calidad. Es un enfoque estructurado para... |
| |
experimentación o desarrollo de procesos de fabricación y donde se identifican variables clave, |
| |
y los responsables clave, y luego qué criterios se utilizan para la medición y cómo se validan. El sistema HACCP es común en la industria alimentaria y significa Análisis de Peligros y Puntos Críticos de Control. |
| |
Y yo pienso |
| |
Además de todas estas actividades preparatorias, participé principalmente en el contexto de este experimento como recopilador de datos, y la integridad de los datos es fundamental. |
| |
Transcribir los datos adecuadamente es definitivamente importante. |
| |
Por lo tanto, todos los puntos de control de HACCP deben incorporarse al rango de simulación de Monte Carlo y, en última instancia, el rango de tolerancia de HACCP se puede utilizar para derivar el requisito de rendimiento del proceso. |
| |
Bueno, entonces |
| |
Consideramos un rango de entradas donde Monte Carlo puede confirmar que este rango esperado es práctico para el tiempo de cocción. |
| |
Queremos considerar un pequeño cambio en cada uno de los factores de entrada en cada nivel de cada componente HACCP y |
| |
Esto se determina mediante el rango del punto de control. Con base en este rango, podemos determinar el delta x y el delta en cada una de las entradas a partir del tiempo de respuesta del delta y. |
| |
Y podemos seguir aumentando el delta x de forma incremental e iterativa. |
| |
Mientras se espera que el aumento sea lo suficientemente pequeño como para que el cambio en y sea lo suficientemente pequeño como para cumplir con la especificación. Generalmente, en la industria, esa es una tolerancia de diseño; en este caso, es nuestro rango o límite de parámetro de control del punto de control HACCP. |
| |
Y si ese procedimiento iterativo falla, debemos reducir el incremento y X, y a este procedimiento lo llamamos asignación de tolerancia. Bien. |
| |
Lo hicimos de forma manual, usando una especie de receta propia. Aunque esto se puede hacer de forma más automatizada en JMP y... |
| |
En este caso, pueden ver que tenemos más respuestas. Por lo tanto, al usar la optimización de respuestas múltiples, se invocan las funciones de deseabilidad y se maximiza la deseabilidad con el perfilador de predicción. |
| |
así como un modelado de proceso gaussiano, |
| |
También disponible en el perfilador de predicción. |
| |
Bien. A continuación, en la línea de usar herramientas que se complementen entre sí y tratar de comprender mejor nuestro producto, nuestro proceso y nuestro experimento, utilizamos la función de modelado neuronal en el menú de análisis, dentro de las herramientas de modelado predictivo. |
| |
Y |
| |
Nosotros intentamos utilizarlo para facilitar nuestra predicción. |
| |
Este modelo utiliza una función TanH, que puede ser más potente para detectar la curvatura en efectos no lineales. |
| |
Pero es una especie de caja negra y no se relaciona realmente con la física. Así que... |
| |
Si bien también es robusto a respuestas no normales y algo robusto a la confusión por aliasing. |
| |
Esto tiene sus limitaciones, particularmente con un tamaño de muestra pequeño, como el que tenemos aquí, y en realidad se puede ver que el r cuadrado entre los conjuntos de entrenamiento y validación no es particularmente |
| |
son los mismos o varían, por lo que este modelo no es particularmente consistente para fines de predicción. |
| |
Finalmente, usamos la plataforma de partición en JMP para ejecutar particionamiento recursivo en nuestro |
| |
tiempo de respuesta respuesta. |
| |
Y este modelo es definitivamente relativamente fácil de interpretar en general, pero creo que particularmente para nuestro experimento porque podemos ver que para el tiempo de ascenso tenemos este corte de temperatura en aproximadamente 85 grados C. |
| |
y eso, así como cierta diferenciación de temperatura con respecto al rendimiento máximo, pero en particular el límite de 85 grados es lo más... es muy interesante. |
| |
La nota R al cuadrado en este modelo es de aproximadamente 0,7, al menos con respecto a la respuesta de temperatura ascendente, lo que es bastante bueno para este tipo de modelo, considerando el pequeño tamaño de la muestra. |
| |
Y |
| |
Lo más interesante con respecto a este punto de corte es que por debajo de los 85 °C, el agua realmente no estaba hirviendo. No había |
| |
Mucho burbujeo, sin turbulencia. La lectura fue muy estable. Sin embargo, al aumentar la temperatura, el agua comenzó a circular. La turbulencia provocó una temperatura irregular, el colapso de las burbujas por cavitación y la ascensión del vapor, creando un entorno de temperatura inestable. |
| |
En este tipo de entorno predomina la convección sobre la conducción. |
| |
Además, el vapor bloquea la luz del termómetro infrarrojo, lo que también aumenta la incertidumbre asociada a la medición de la temperatura. |
| |
Y el vapor en sí presenta un riesgo de quemadura que, además de la seguridad, puede afectar la forma en que el operador ajusta el termómetro y la distancia en la que el operador coloca el termómetro, lo cual es muy importante para la precisión de la medición. |
| |
Entonces, y de hecho esta fue la razón por la que limitamos nuestro diseño a 95 °C, porque era realmente imposible medir la temperatura del agua con precisión por encima de esa temperatura. |
| |
Bueno. |
| |
Entonces, ¿qué...? ¿Adónde hemos llegado? Bueno, |
| |
En resumen, en este experimento utilizamos DSD (DOE) únicamente para recopilar los datos. |
| |
Luego, utilizamos la regresión gradual para delimitar los efectos importantes, pero no profundizamos demasiado en ella. Usamos el sentido común para minimizar el número de factores en nuestro experimento, así como nuestra experiencia en ingeniería. |
| |
También utilizamos entradas uniformes independientes, |
| |
que es muy poderoso |
| |
para darnos una idea de la magnitud de los efectos utilizando, por ejemplo, coloreando el perfil o mirando el rango de los efectos y también mirando la diferencia entre el efecto principal y el efecto total para darnos una indicación de la interacción presente en el modelo. |
| |
También agregamos indicadores de sensibilidad en el generador de perfiles para ayudarnos a cuantificar nuestra sensibilidad global para los fines de la optimización de Monte Carlo. |
| |
esquema que empleamos. |
| |
Los principales efectos en el modelo realmente son la temperatura, por supuesto, y la física realmente explica por qué la temperatura es el factor número uno, como he compartido en nuestros hallazgos. |
| |
Y además, entre 80 y 90 grados C, lo que vemos con los perfiladores es que observamos una especie de transición rápida y un aumento en la sensibilidad de la relación entre el tiempo de ascenso y la temperatura, lo cual es, por supuesto, consistente con nuestras observaciones experimentales. |
| |
En segundo lugar, con respecto a los efectos de los factores que interactúan entre sí y debido a que hay dos tipos diferentes de física que realmente interactúan, la física básica... los modos de física que interactúan son la convección y la conducción, |
| |
El paso a paso en el DSD es un buen punto de partida, porque nos da un modelo continuo sin transformación. |
| |
Sin ningún |
| |
Transformación neuronal avanzada o de tipo caja negra, con la que al menos podemos tener una buena idea de la sensibilidad global para empezar. |
| |
Y nuestros modelos neuronales en nuestros modelos de partición no pudieron mostrarnos esto, particularmente dado el pequeño tamaño de la muestra en nuestro experimento. |
| |
Y finalmente, utilizamos la simulación de Monte Carlo, simulación robusta de Monte Carlo. |
| |
En nuestro propio marco de trabajo. También optimizamos ligeramente la respuesta múltiple en el tiempo de aumento y el rendimiento del consumo de energía en comparación con nuestros factores clave. Gracias a este experimento, empezamos a definir y profundizar nuestra comprensión de la importancia de... |
| |
Los factores más importantes en este experimento utilizando un enfoque de modelado multidisciplinario. |
| |
Finalmente, compartiré algunas referencias que podrían interesarle. Muchas gracias por su tiempo y |
