Este artículo describe el diseño, desarrollo y pruebas de un chatbot pregunta-respuesta acerca del escenario de riesgo covid-19 en la ciudad de Cali. El chatbot se implementa bajo un modelo de procesamiento de lenguaje natural (PLN) y es capaz de sostener un diálogo que brinda información en un escenario de pandemia. En el documento se presenta la identificación de fuentes de datos para solventar las necesidades de información para la ciudad de Cali en el escenario de pandemia, para el periodo marzo diciembre de 2020; con base en las fuentes de información se construye un corpus de información con 636 oraciones. A partir del corpus construido se construyen tres modelos usando prototipado incremental: modelo de línea base para casos generales (BC) el cual responde a preguntas generales y  relacionadas con número de casos en puntos geográficos de una zona en la ciudad de Cali;  modelo de línea base, zonas geográficas y normativa (BCN) que adicionalmente ofrece información de noticias, decretos o normativas generadas por el Gobierno durante el escenario de riesgo y un modelo  de línea base, zonas geográficas, normativa y preguntas frecuentes (BFAQS) que responde adicionalmente a preguntas frecuentes. Para la evaluación se desarrolló una encuesta de satisfacción de la versión prototipo del chatbot, en el caso de la evaluación de los modelos se utilizaron las métricas usualmente utilizadas en procesamiento de lenguaje natural: precisión, cobertura y medida-F. El análisis y los resultados muestran que el modelo final (BFAQS) muestra valores superiores al 88% en las tres medidas, de igual forma el BFAQS sostuvo 1480 conversaciones, con un promedio de enganche o atracción de 4.12 minutos, igualmente, los resultados de la encuesta de la versión prototipo de la herramienta indicó que la 87% volvería a usa el chatbot para obtener información sobre la COVID-19.

Objetivo: Entrenar Redes Neuronales y Máquinas de Soporte Vectorial para la predicción de tendencias futuras en el número de víctimas de secuestros por año en Colombia, con el fin de apoyar la toma de decisiones. Metodología: Se procesó un conjunto de datos de víctimas de secuestro con 39.863 registros tomado del portal de datos abiertos del gobierno y publicado por la Fiscalía Nacional de Colombia, con el fin de entrenar y evaluar una Red Neuronal y una Máquina de Soporte Vectorial para regresión (SVR), esto permitió identificar qué modelo tuvo menor Raíz del Error Cuadrático Medio (RMSE) para predecir la tendencia de víctimas de secuestro. Resultados: Se encontró que la Red Neuronal entrenada tuvo menor Raíz del Error Cuadrático Medio (RMSE) frente a la Máquina de soporte vectorial tanto para la predicción de víctimas de secuestro. Se pudo estimar la cantidad de víctimas de secuestros en los próximos diez años en todo el territorio colombiano. Conclusiones: Existen diversos trabajos relacionados con la predicción de delitos, sin embargo, este estudio propone un nuevo modelo de Redes Neuronales para estimar la tendencia de víctimas de secuestro en Colombia. El modelo permite predecir que con el paso del tiempo, la cantidad de secuestros irá disminuyendo.