Dice la wikipedia en español que el «factor autobús» es
un término usado en proyectos de desarrollo de software, que alude a una gran cantidad de información vital de un proyecto de software limitada solamente a uno o unos pocos desarrolladores, impidiendo la continuación del proyecto en el hipotético caso de que estos desarrolladores clave sean atropellados por un autobús.
Vamos, que tu factor autobús es uno si basta con que un autobús atropelle a la persona correcta para que tu proyecto se venga abajo, dos si hace falta que atropelle a las dos personas correctas, etc.
(Mucho más «maravilloso» me parece el factor bus inverso: ¿a cuánta gente tiene que atropellar el autobús de marras para que el proyecto funcione?)
Me viene a la cabeza el «conceto», irremediablemente, al leer The people holding up the internet (lectura casi obligatoria), que documenta casos como el de Paul Eggert, profesor de UCLA y mantenedor del archivo de zonas horarias que usa… básicamente toda la tecnología digital del mundo para determinar qué zona horaria aplica en cada lugar del mundo. Eggert, además, ha hecho 218 de los 251 cambios hechos al archivo en los doce meses anteriores a la publicación del artículo. 251 cambios en un año, sí. Si te bajas de un avión en Winnipeg dentro de un mes, tu reloj solo se pondrá en hora correctamente gracias a un cambio hecho a ese archivo en los últimos meses.
No parece el problema más grave del mundo, ¿no? Pero la pieza también habla de Lasse Collin, que mantenía xz, una utilidad de compresión presente en muchísimos servidores de internet y en el iPhone (dice la pieza, no lo he comprobado), que explicaba hace unos años que era un hobby suyo por el que no ingresaba nada… y que estaba teniendo problemas de salud mental que le dificultaban el «hobby»-llámale-trabajo-llámale-mejor». Al cabo de poco se ofreció un alma inocente a echar una mano… que resultó no ser tan inocente y acabamos con un considerable agujero de seguridad (ya parcheado) en una cantidad más que notable de servidores de los que alimentan internet. También habla de sudo, ese comando sin apenas importancia para la seguridad… Y de…
Vamos, que existen múltiples personas que hacen que el factor autobús de internet (y buena parte de nuestras vidas depende de internet, no lo olvidemos) sea muy, muy pequeño.
El multifactor autobús
Y esto me lleva a mí a sacarme de la manga el concepto de «multifactor autobús» (obvio para todos los que hayáis llegado hasta aquí): si tienes factor autobús n, pero hay m n-uplas a las que se les puede aplicar la definición, entonces tienes multifactor autobús n:m. Si n es pequeño, tienes un problema. Y ese problema crece ¿linealmente? ¿exponencialmente? ¿¡factorialmente!? (yo voto que factorialmente) a medida que crece m.
(Seguro que alguien ha documentado antes y mejor el concepto, sí.)
Y lo peliagudo de la cosa (uno de los aspectos peliagudos de la cosa, de hecho) es que nuestras infraestructuras digitales, lamentablemente, además de tener una n muy, muy pequeña, tienen una m muy, pero que muy grande. Y no estamos haciendo lo que deberíamos para resolver el problema (con nobles y notables excepciones, como la de sovereign.tech, agencia alemana de soberanía tecnológica).
PS Que sí, que lo del «multifactor autobús» me ha hecho gracia, pero todo esto es solo una excusa para incrustar aquí una de las mejores (en mi inmodesta opinión) tiras de xkcd…
…y la versión que le hice yo hace cerca de un año…
(que, efectivamente, no es más que una más entre un millón de variaciones, pero es la mía 😬).
![MACHINE LEARNING
BY Angelos T. Kolokouris
One approach to teaching computers to learn is with a language, such as Marvin's, that grows
IN AN ATTEMPT to make computers more accessible to humans, many researchers in the artificial intelligence field have been exploring ways to enable computers to learn. The motivation for machine learning is to have computers extract concepts and relations from databases or through interactive sessions with a user and then use them in any knowledge-intensive activity. Developing knowledge bases for expert systems applications is one such activity. Studying computer-based learning techniques will also give us a better understanding of our own mental processes.
A common method by which a machine learns is by proceeding from specific instances to general rules that more economically capture the content of the given instances. This form of inductive generalization is characteristic of learning from examples and improves on the performance of a knowledge-processing system by condensing a large base of its knowledge into a considerably smaller one. This reduction in size results in a more efficient search of the knowledge base.
When you take a closer look at the programs that learn from examples, you can distinguish two types: those,
called data-driven learners, that generalize by relying entirely on the data presented to them, and a group of more elaborate programs, called model-driven learners, that proceed by generating fairly general hypotheses that are subsequently tested against the given examples or against the user in a typical interactive session. In what follows I will contrast the model-driven learner with the data-driven learner and give an example of the former using a model-driven learner called Marvin. | Editor's note: The Prolog source code for Marvin is available on disk, in print, and on BIX; see the insert card following page 352 for details. It is also available on BYTEnet; see page 4.]
What Is Learning?
To give you an idea of just what's involved in modeling learning with computers, I should examine just what learning is. The best definition of learning that I am aware of— that of Herbert Simon of Carnegie-Mellon University (reference 1)— is that 'learning denotes changes in the system that are adaptive in the sense that they enable the system to do the same task or tasks drawn from the same population more efficiently the next time." 'Inking a closer look at this definition, however, you may realize that it deals predominantly with skill acquisition or improvement, but not all learning is so concerned. Learning systems are those that are able to extract knowledge from raw data or through intersystem informative exchanges, including conversations with the user. Learning systems ought to have the ability not only to acquire knowledge in a cumulative form but also to absorb it.
Machine Learning Strategies
The methodologies used in machine learning applications with some degree of success are rote learning, learning by being told, learning by analogy, and learning from examples. In rote learning the computer makes no special effort to learn. The elements of new knowledge are given to it, through programming or by accessing an external data file, and inferencing...](https://i0.wp.com/obm.corcoles.net/wp-content/uploads/2026/10/image-1.png?resize=723%2C1024&ssl=1)
