Search

The work presented in this paper explores the posibility of using a model based on fuzzy logic and machine learning in order to maximize the profits of Colombian energy trade agents according to their risk profile. The model has two parts, the first one is a fuzzy expert system that gives to these agents a recommendation about the trade strategy they should follow, and whose definition depends mainly on market conditions. The second one is a reinforced learning mechanism with which the agents “learn” when they perceive the consequences of their actions, so they modify them looking for a reward not just in short but also in long term., El trabajo que se describe en este artículo explora la posibilidad de emplear un modelo basado en la lógica difusa y en el aprendizaje de máquina para que los agentes comercializadores del mercado eléctrico Colombiano, o de alguno con características similares, maximicen sus utilidades de acuerdo a su perfil de riesgo. El modelo consta de dos partes, la primera es un sistema experto difuso que les brinda a estos agentes una recomendación respecto a la estrategia comercial que deben emplear, y cuya definición depende principalmente de las condiciones del mercado. La segunda es un mecanismo de aprendizaje por refuerzo con el que los agentes “aprenden” a medida que perciben las consecuencias que sus acciones les acarrean, de manera que las modifican esperando obtener una recompensa no solo en el corto sino también en el largo plazo.

A strategy for single phase fault location in distribution systems using statistical learning algorithm based on fuzzy logic and connective structure, is presented in this paper. In this research, the signals of the measured voltage and current at the power substation during a fault are used to obtain the attributes as the fault locator inputs. Finally, the results obtained for tests in a real distribution system with errors lower 3% are presented, Este artículo se presenta una estrategia para localización de fallas monofásicas en sistemas de distribución, a partir de un algoritmo de aprendizaje estadístico basado en lógica difusa y con estructura conexionista. En esta investigación, las señales de voltaje y corriente medidas en la subestación durante una falla son utilizadas para obtener los atributos que sirven de entrada al localizador. Finalmente, se presentan los resultados obtenidos con errores inferiores al 3% para pruebas en un circuito real de distribución.

The increasing amount of protein three-dimensional (3D) structures determined by X-ray and NMR technologies as well as structures predicted by computational methods results in the need for automated methods to provide initial annotations. We have developed a new method for recognizing sites in three-dimensional protein structures. Our method is based on a previously reported algorithm for creating descriptions of protein microenvironments using physical and chemical properties at multiple levels of detail. The recognition method takes three inputs: 1. a set of sites that, share some structural or functional role; 2. a set of control nonsites that lack this role, and 3. a single query site. A support vector machine classifier is built using feature vectors where each component represents a property in a given volume. Validation against an independent test set shows that this recognition approach has high sensitivity and specificity. We also describe the results of scanning four calcium binding proteins (with the calcium removed) using a three dimensional grid of probe points at 1.25 angstrom spacing. The system finds the sites in the proteins giving points at or near the binding sites. Our results show that property based descriptions along with support vector machines can be used for recognizing protein sites in unannotated structures., Con el crecimiento de las bases de datos de estructuras tridimensionales determinadas por rayos-x, NMR (resonancia magnética nuclear) y de estructuras predichas por computador, se deriva la necesidad de sistemas automáticos que provean anotaciones iniciales. Se ha desarrollado un nuevo método para reconocer sitios en estructura terciaria de proteínas. El método propuesto se basa en un algoritmo previamente reportado para crear descripciones de microambientes en proteínas usando propiedades físicas y químicas con varios niveles de detalle. El método de reconocimiento toma tres entradas: 1. Un conjunto de sitios que comparte un rol funcional o estructural; 2. Un conjunto de no sitios que no tienen este rol; y 3. un sitio del cual se ignora si tiene la característica buscada o no. Se construyó un clasificador con máquinas con vectores de soporte usan vectores de características en que cada componente representa una propiedad en un volumen dado. La validación contra un conjunto de prueba independiente muestra que este enfoque tiene alta sensibilidad y especificidad. También se describen los resultados de escanear cuatro proteínas con sitios de unión a calcio (con el calcio removido) usando una rejilla tridimensional de puntos de prueba separada a 1.25 angstroms. El sistema encuentra los sitios en las proteínas ubicando puntos en los sitios de unión o cerca de estos. Los resultados muestran que pueden usarse descripciones de propiedades junto con máquinas de soporte para reconocer sitios en proteínas no anotadas.

Consultoría para el diseño de una solución analítica que le permita a la compañía Primestone generar ingresos adicionales por medio del licenciamiento de la misma y ahorrar costos operativos a sus clientes. Esta solución tiene como objetivo optimizar los tiempos de análisis y validación de información de telemedidas usadas para la detección de consumos anómalos, implementando técnicas de aprendizaje de máquina y minería de datos para evitar su validación manual y prevenir errores en la interpretación de los datos de consumo. Lo cual puede ocasionar verificaciones en campo de medidores e infraestructura eléctrica del usuario cuando en algunos casos esta verificación no es necesaria.

El sueño es un proceso biológico de reposo, en el cual se llevan a cabo funciones importantes para el cuerpo como consolidación de la memoria, crecimiento y reparación. El monitoreo del sueño resulta de gran relevancia a nivel clínico, ya que la aparición de desórdenes del sueño ha aumentado drásticamente. En este proyecto se implementaron y compararon diferentes métodos de clasificación automática de etapas de sueño, a partir de las señales EEG. Además, se analizó la calidad del sueño obtenida a partir de las señales EEG y se comparó con respecto a aplicaciones en dispositivos móviles. Se obtuvieron resultados de la clasificación aceptables (~80\% de exactitud). Con esta información, fue posible analizar la calidad del sueño y compararla con aplicaciones móviles.

En los últimos años, el análisis de neuroimágenes ha sido de gran interés en la investigación de la detección del deterioro cognitivo leve (MCI), un trastorno neurológico degenerativo que puede progresar a demencia. Se han propuesto diferentes enfoques para la clasificación de MCI, incluyendo técnicas de aprendizaje de máquina (ML), aprendizaje profundo (DL) y la integración de información multimodal. En este trabajo, se propone un sistema multimodal para la detección y estratificación del deterioro cognitivo leve (MCI). El sistema utiliza características demográficas, pruebas clínicas y neuroimágenes de resonancia magnética para asignar una probabilidad de MCI y estratificar el nivel de riesgo. Se desarrolló un modelo de clasificación de imágenes de resonancia magnética que obtuvo un desempeño de 74.44% para f1-score, 70.64% de especificidad y 74.79% de sensibilidad. A su vez, el sistema multimodal, resultado de la integración del modelo jerárquico y algoritmo de clasificación, obtuvo un desempeño final de 92.33% para f1-score, una sensibilidad del 92.00% y una especificidad del 92.75%. Finalmente, el sistema se presentó a través de una interfaz gráfica que facilita la interpretación médica de los resultados. La interfaz es accesible en línea, lo que la convierte en una herramienta conveniente y útil para los especialistas.

En el presente texto se documentan los resultados de la investigación respecto a la fuente de la energía de las galaxias estudiada con el machine learning. Se quiso dividir la distribución energética galáctica en dos: cuando proviene de un núcleo activo (AGN, Active Galactic Nuclei) o cuando proviene de la formación estelar. Se toma como un núcleo activo a un agujero negro supermasivo acreciente en el núcleo de dicha galaxia. Esto hace que la emisión energética sea diferente a cuando es dada por la formación estelar, que requiere que la energía de la galaxia provenga mayoritariamente del proceso en el que se forman las estrellas. Para hacer esto se tomó la base de datos CASSIS, que consta de los datos obtenidos por el telescopio Spitzer. Entre estos datos existían, además de los de interés, objetos astronómicos como estrellas, asteroides y cometas, por lo que se tuvo que hacer inicialmente una limpieza de datos, que además incluyó rellenar datos no conocidos. Dichos datos se dividieron en dos. Los primeros, de entrenamiento, se introdujeron en el classification learner de MATLAB donde se obtuvieron diferentes métodos de machine learning para implementar y se observó la precisión de cada uno, además de hallar el coeficiente de correlación de Matthews, la matriz de confusión y el f-score de cada uno para conocer cuál era el mejor método. Posteriormente, se tomaron los 3 mejores modelos, que fueron las neural networks, ensemble y trees, y se validó su funcionamiento con el segundo grupo de datos, que fueron de validación.

El trabajo investigativo que se lleva a cabo en la Pontificia Universidad Javeriana ha producido una gran cantidad de proyectos de investigación que trabajan alrededor de distintas problemáticas, sin embargo, hoy en día la Universidad no cuenta con una herramienta que le permita exponer su trabajo investigativo. Este proyecto propone un sistema basado en una arquitectura cliente servidor, al cual se le denominó Sistema Inteligente de Búsqueda y Exploración Académica, o S.I.B.E.A. por sus siglas, el cual, a partir de técnicas de procesamiento de lenguaje natural como el reconocimiento de entidades nombradas y modelos de analítica como los Transformers, permite a las personas interesadas en los proyectos de investigación de la Universidad adquirir una comprensión del impacto generado por las investigaciones a partir de la identificación de comunidades vulnerables y ubicaciones donde los proyectos tuvieron impacto.

Este proyecto tiene como objetivo detectar residuos antropogénicos de origen marino mediante la implementación de dos métodos de estimación: clasificación supervisada con el apoyo de machine learning y clasificación no supervisada mediante el uso de imágenes satélitales. Se identificarán escenarios donde se encuentren muestras de material antropogénico flotante y se determinarán sus huellas o rastros espectrales. Para lograrlo, se utilizará una secuencia de clasificaciones supervisadas y no supervisadas integradas con librerías espectrales y de reconocimiento de patrones, con el fin de obtener un modelo predictivo y de índices espectrales. Se evaluarán imágenes Sentinel-2 con una resolución pancromática de 10 m en la desembocadura de la zona denominada "Bocas de Ceniza" en Colombia. Este proyecto busca contribuir al conocimiento y manejo de los residuos antropogénicos flotantes marinos, los cuales afectan a diversos ecosistemas y a los seres humanos.

Presentamos un modelo iterativo de optimización y predicción que integra un Problema de Ubicación de Instalaciones con un modelo de Aprendizaje de Máquina para predicción de demanda. Creamos un lazo retroalimentado entre ambos modelos para analizar como influencian sus decisiones mutuamente. Inicialmente se fija un valor de demandas para el Problema de Ubicación de Instalaciones y, basado en la red de distribución provista por la solución, recalculamos la predicción de la demanda usando el factor de la calidad del servicio (QoS por sus siglas en Inglés), y luego se reajusta la red de distribución iterativamente observando la convergencia de las soluciones. En particular, consideramos tres diferentes formulaciones de Programación Entera Mixta para el Problema de Ubicación de Instalaciones y utilizamos una Red Neuronal Artificial como nuestro modelo de Aprendizaje de Máquina. Más allá, realizamos un conjunto de experimentos computacionales para estudiar el comportamiento de la interacción de los modelos y analizar su desempeño. Los resultados muestran la importancia del QoS al conectar ambos modelos, que en todas las instancias de prueba del lazo retroalimentado convergen a una solución. También resaltamos las características esenciales del problema y proveemos resultados para futuras investigaciones.

La generación de una solución que permite la estimación gruesa de la cantidad de personas que se encuentran dentro de un espacio cerrado, permite dar cumplimiento a restricciones originadas por emergencias sanitarias a nivel mundial u otras situaciones en donde se requiere monitorear y alertar dicha situación para minimizar el riesgo de contagio o mitigar otras consecuencias que impactan el desarrollo, operación o constitución de actividades, negocios en las que se presente un alto aforo de personas. Debido a esto se implementa una solución basada en el internet de las cosas por sus siglas IoT en la que se detectan y registran las señales emitidas por dispositivos en una red inalámbrica WiFi Wireless Fidelity, a partir de la información recopilada se ejecuta un modelo para realizar la predicción y la posterior publicación de la informacion capturada y calculada. La solución implementada hace uso del aprendizaje de máquina para generar el modelo de predicción necesario para la estimación de la ocupación de un espacio específico en diferentes condiciones de concurrencia de personas, para esto se construyó una aplicación que permite la consulta de los datos procesados y un tablero de indicadores clave que serán de utilidad para entidades como oficinas, centros comerciales, sucursales bancarias, restaurantes, entidades educativas entre otras.

Nuestro proyecto de grado se enfocó en la predicción de la sepsis en Colombia utilizando algoritmos como árboles de decisión, máquinas de soporte de vectores y regresión logística. Para obtener los datos necesarios, se utilizaron registros electrónicos de salud (EHRs) del Hospital Universitario San Ignacio. Estos datos fueron sometidos a un proceso exhaustivo de limpieza, transformación y preprocesamiento para asegurar su calidad y adecuación para el entrenamiento de los modelos. El objetivo principal del proyecto fue desarrollar un artefacto web que permitiera a los científicos de datos visualizar de manera práctica los resultados del modelo de predicción de sepsis. Para lograrlo, se utilizó Python como lenguaje de backend con el framework Django, y TypeScript como lenguaje de frontend con el framework Angular. El proyecto demostró la importancia de utilizar datos clínicos para abordar problemas de salud como la sepsis, y cómo los algoritmos de aprendizaje automático pueden ayudar en la predicción temprana de esta enfermedad. Además, el desarrollo del artefacto web destacó la capacidad del autor para implementar soluciones completas y accesibles para los usuarios finales. Nuestro trabajo de grado sobre la predicción de sepsis en Colombia combinó la recolección y procesamiento de datos clínicos con la implementación de algoritmos de aprendizaje automático y el desarrollo de una interfaz web interactiva. Este enfoque integral proporcionó una herramienta útil para los científicos de datos y se espera contribuir al avance de la detección temprana de la sepsis y, potencialmente, a la mejora de los resultados de salud en el país.

Los sistemas de bicicletas compartidas se han vuelto cada vez más populares en los últimos años como modo de transporte sostenible y rentable. Sin embargo, la gestión eficiente de estos sistemas requiere una predicción precisa de la demanda, una ubicación óptima de las estaciones y estrategias de reequilibrio efectivas. Para abordar estos desafíos, proponemos un marco integral que integra optimización combinatoria y técnicas de aprendizaje automático. El marco consta de un circuito de retroalimentación compuesto de dos partes: un modelo de aprendizaje automático para predecir patrones de demanda y un modelo de optimización para determinar la ubicación de las estaciones con reequilibrio para reasignar bicicletas entre las estaciones, garantizando que los usuarios tengan acceso a ellas cuando y donde sea necesario. Para evaluar el marco, se llevaron a cabo extensos experimentos computacionales utilizando datos reales de Tembici, un sistema de bicicletas compartidas en Bogotá. Se crearon varias instancias y los resultados demuestran que el sistema propuesto mejora significativamente el rendimiento de los sistemas de bicicletas compartidas. Estas mejoras conducen a una reducción de los costos operativos, una mayor satisfacción del usuario y una mayor sostenibilidad, lo que supone una valiosa contribución al campo de la optimización del sistema de bicicletas compartidas y al análisis de la demanda. En general, el marco propuesto proporciona una herramienta poderosa y eficiente para gestionar sistemas de bicicletas compartidas, con aplicaciones prácticas para mejorar el rendimiento de dichos sistemas.

Las plataformas de préstamos de persona a persona como Lending Club y Prosper se han consolidado como una alternativa importante para las personas que necesitan adquirir un crédito de forma rápida y a tasas de interés competitivas. Igualmente, para los prestamistas es una forma de invertir su dinero esperando retornos más altos que los de un bono corporativo o un certificado de depósito a término fijo. Sin embargo, estudios han demostrado que las calificaciones crediticias que entregan estas plataformas son las que ofrecen los tradicionales burós de crédito cuyos scores están hechos para la banca pública y no para este nuevo esquema de préstamos. Esto hace que quien quiera invertir en dar préstamos a personas, se exponga a un riesgo no calculado correctamente. En este trabajo se presenta un método para crear una inversión en un portafolio de créditos disponibles en plataformas P2P basado en Machine Learning y Optimización de Portafolio. Se demuestra que se puede predecir la rentabilidad esperada y el riesgo asociado al portafolio escogido, dándole a los inversionistas herramientas para invertir de acuerdo a su perfil de riesgo.

En este proyecto se analiza una gran cantidad de datos del videojuego League of Legends. Luego los procesa a través de la metodología CRISP-DM, creando un modelo de datos. El modelo se utilizó para comparar los resultados de diferentes técnicas de inteligencia artificial como redes neuronales, Support Vector Machine, regresión logística y LGBM. El modelo final puede recomendar un movimiento óptimo en un momento del juego, lo que da como resultado una precisión de alrededor de 0,81.

Un accidente cerebrovascular (ACV) puede causar un significativo daño neurológico, afectando al paciente en la pérdida de la función motora de sus manos. La demanda de terapias de rehabilitación son fundamentales, creando una ventana de oportunidades para nuevos dispositivos que asistan en el proceso de rehabilitación. Los dispositivos de rehabilitación para la mano han sido diseñados para proveer terapias de rehabilitación, permitiendo acelerar el progreso al garantizar un trabajo intenso, repetitivo y altamente confiable, a partir del control de movimiento y un constante monitoreo de la condición del paciente. En este documento, se propone el uso de un exoesqueleto robótico para asistir las terapias de rehabilitación de la mano, por medio de un sistema de identificación de gestos y un control predictivo. El trabajo está dividido de la siguiente manera: i) revisión del estado del arte en los ámbitos más relevantes que conciernen al proyecto de investigación, tales como: la anatomía de la mano, adquisición y procesamiento de señales mioeléctricas, sistemas de rehabilitación y controladores. ii) adquisición y procesamiento de señales de electromiografía, donde se utilizan algoritmos de aprendizaje de máquina para identificar el gesto realizado por un usuario, a partir del análisis y procesamiento de las señales musculares obtenidas de sensores de electromiografía. iii) desarrollo de la estrategia de control predictiva. Se obtiene el modelo del actuador, al cual se le aplica el control con los parámetros sintonizados para el seguimiento de trayectorias preestablecidas. iv) estructura mecánica del exoesqueleto. Partiendo de un diseño previo, se realiza un análisis de estrés mecánico para identificar posibles fallas por concentración de esfuerzos y se corrigen al rediseñar la estructura. Al final del documento se encuentran las conclusiones y trabajo futuro que se pueden identificar de los resultados obtenidos del trabajo presente.

En Colombia, la longitud estimada de malla vial es de 206.102 km, con 69% de vías terciarias, 21% de vías secundarias, y 7% de vías primarias. No obstante, el inventario de la localización, longitud e información sobre su estado de las vías precario y de difícil actualización. Según el INVIAS, se conoce el estado de 11 mil km de vías primarias, que representan tan solo el 6% de la totalidad de la malla vial conocida. En este proyecto se desarrolló un método de bajo costo y fácil masificación para categorizar automáticamente el estado de una vía. Se utilizaron sensores disponibles en teléfonos celulares (acelerómetros, giroscopios, GPS) para medir aceleración lineal, aceleración angular y velocidad durante recorridos en automóvil. A partir de una base de datos de 200 señales, se calculan características estadísticas en tiempo y frecuencia relacionadas con el estado de la vía. Posteriormente, se implementaron algoritmos de aprendizaje de máquina para clasificar automáticamente las señales en cuatro categorías: destapada buena, pavimentada buena, destapada mala y pavimentada mala. Se encontró que varias características temporales lograron diferenciar las vías buenas de las vías malas, mientras que características frecuenciales de la aceleración angular lograron una alta separación de las cuatro categorías. Finalmente, se midió el desempeño en diferentes clasificadores lineales y no lineales, obteniendo un resultado mayor al 86% para clasificadores SVM (Support Vector Machine), demostrando la utilidad de los sensores de teléfonos celulares para actualizar el estado de la malla vial de manera rápida, precisa, barata y con gran cobertura.

El siguiente trabajo de grado es un estudio realizado al sensor AS7265x para predecir características químicas del suelo como; pH, Matearía Orgánica (Mo), Potasio (K), Magnesio (Mg) y Sodio (Na) entre otras. Se realizo el diseño de un espectrógrafo de bajo costo para realizar mediciones de reflexión en el rango de 400 a 900 nanómetros. También se realizan simulaciones a partir de datos de suelo suministrados por Agrosavia esto con el fin de poder validar el dispositivo diseñado y a su vez validar la hipótesis de que la mayor cantidad de información de estas variables químicas se encuentran dentro del rango de longitud de onda de 400 a 900 nm. Se realizan mediciones de las muestras de suelo con el sensor AS7265x y se estudian diferentes modelos del Aprendizaje de Maquina como regresores y diferentes clasificadores obteniendo bajos resultados tanto en los modelos simulados como en los modelos implementados con los datos adquiridos con el sensor.

El punto focal de este proyecto hace parte de la linea de investigación de tecnologías emergentes en rehabilitación del grupo de investigación BASPI-FootLab y esta dirigido a las personas que padecen de enfermedades crónicas como la diabetes y sufran de afecciones que comprometan la conservación de la estabilidad postural, y por lo tanto impliquen un riesgo de caída. De manera que a través de la implementación de técnicas de procesamiento de señales, en conjunto con métodos de aprendizaje de maquina, se busca establecer algún tipo de relación entre las señales electroencefalografía y estabilometría.

En Colombia varias organizaciones han contribuido en el crecimiento del sector agropecuario, entre ellas Agrosavia que fue creada en 1993 con la finalidad de brindar un conocimiento y desarrollo tecnológico, buscando esa mejora de calidad de vida de productor y consumidor, brindando soluciones de tipo sostenible y accesible basados en tecnologías como la espectrometría de rango visible e infrarrojo cercano (VIS/NIRS). [1]. La gestión del campo a través de tecnologías, sensores, radares y satélites para evaluar la calidad de cosecha y factores climáticos es comúnmente conocido como la Agricultura de Precisión. El análisis de suelos evalúa las condiciones de producción en cultivos y otras características, como la salinidad, toxicidad y acidez excesiva. El espectro visible-infrarrojo cercano (VIS-NIR), brinda información relacionada con componentes orgánicos e inorgánicos del suelo; la medida de la absorbancia sobre el espectro en rango visible da como resultado medidas de: color de suelo, materia orgánica, pH (Ben-Dor et al., 1999) y minerales como Hierro, principalmente hematita y goethita; también de minerales importantes en el estado de fertilidad del suelo como el Calcio (Ca), Magnesio (Mg) y Potasio (K) (Sherman y Waite, 1985). Las porciones del infrarrojo cercano (NIR) del espectro electromagnético están asociadas con el estiramiento y la flexión de los grupos NH, OH y CH (Dalal y Henry, 1986; Clark, 1999; Viscarra Rossel y Behrens, 2010). Al usar el sensor multiespectral de bajo costo (AS7341 de ams OSRAM) se realiza la adquisición de la firma espectral para 90 muestras de parcelas agrícolas de diversos orígenes y cultivos; que han sido previamente procesados en los laboratorios de Agrosavia usando técnicas de espectroscopia Vis-NIRS y para los cuales se ha realizado el análisis de fertilidad en el laboratorio de química analítica de esta misma institución. El preprocesamiento y análisis de los datos adquiridos usando algoritmos de aprendizaje de máquina permit

La enfermedad de Parkinson es un desorden neurodegenerativo caracterizado por la presencia de síntomas motores y no motores, relacionados con el daño de múltiples estructuras del sistema nervioso central y periférico. Entre las alteraciones motoras más frecuentes de la enfermedad se incluyen la bradicinesia (o lentitud del movimiento), rigidez, temblor y anomalías en la marcha y el equilibrio. Para evaluar la presencia de bradicinesia se utilizan pruebas con movimientos alternantes entre las que se encuentran: golpeteo de dedos, cierre de puño, prono-supinación, golpeteo de pie y golpeteo de talón.El principal inconveniente con los métodos de diagnóstico actuales es que la evaluación visual ofrece una resolución muy baja y depende de la observación de cada médico, haciendo el diagnóstico subjetivo e impreciso, con implicaciones delicadas para el paciente en un futuro si el diagnóstico es erróneo. Por otro lado, la aparición de la pandemia del COVID-19 ha acentuado la necesidad de una herramienta que le permita a los médicos actualizar las evaluaciones de sus pacientes de manera remota y así asignar dosis de medicación indicadas dependiendo del estado cotidiano y del avance de la enfermedad.De acuerdo con la problemática planteada, en este proyecto se desarrolló un sistema de evaluación de las alteraciones motoras en la enfermedad de Parkinson. El sistema propuesto está basado en técnicas de procesamiento de videos de pacientes diagnosticados haciendo uso de la herramienta Google Mediapipe, que permiten caracterizar movimientos alternantes de la mano a partir de atributos como la amplitud, frecuencia, periodicidad, velocidad y demás para monitorear el progreso de la enfermedad. Adicionalmente, se implementó un clasificador basado en inteligencia artificial con modelos de aprendizaje supervisado como redes neuronales, máquinas de soporte vectorial y discriminante lineal y de aprendizaje no supervisado como k-means. Los resultados obtenidos se evaluaron a partir de

El covid-19 ha impuesto varios retos en el mundo, de acuerdo con la forma en la que todos estábamos acostumbrados a vivir, mantenerse protegido con las reglas de bioseguridad es una de las medidas que, como sociedad, se han aplicado para disminuir el contagio. En este trabajo se ofrece una herramienta dotada de inteligencia artificial y análisis de datos en tiempo real que facilite el reconocimiento facial del uso del tapabocas de forma rápida, eficiente y sin contacto. La implementación de esta herramienta está dirigida principalmente al control de acceso en empresas, supermercados, hospitales, edificios públicos, terminales de transporte terrestre o aéreo, entre otros, para garantizar o por lo menos identificar que los asistentes porten el tapabocas, antes de ingresar a cualquier lugar, o incluso caminar por las calles. Aunque el sistema está enfocado en el ámbito de COVID-19 (detección de tapabocas), podría utilizarse en diferentes ámbitos, tales como enfermedades a futuro, control de acceso en instalaciones industriales o en unidades de cuidados intensivos.

Los ataques de denegación de servicio distribuido (DDoS) son una de las amenazas más peligrosas en las redes informáticas. Por lo tanto, la detección y filtrado de ataques DDoS es uno de los mecanismos de defensa clave. En este artículo, proponemos un enfoque de detección y defensa DDoS en sistemas de redes definidas por software (SDN) basados en modelos de machine learning. De este modo se propone una infraestructura de red presentando un análisis de rendimiento de tres modelos distintos, frente a un entorno de pruebas.

Los servicios basados en la ubicación se han expandido rápidamente a través de los an ̃os, el GPS (en inglés, Global Positioning System), como base del posicionamiento en exteriores, posee limitaciones que impiden su correcto funcionamiento en interiores. En situaciones en las que es necesario obtener una mayor precisión en ambientes interiores, deben implementarse soluciones alternas a un sistema de geoposicionamiento y recurrir a tecnologías que se ajusten a estos requerimientos. En esta investigación, cuyo objetivo es realizar un sistema IoT para seguimiento e identificación de activos en interiores usando aprendizaje de maquina, se presenta el diseño y desarrollo de dispositivos electrónicos capaces de comunicarse entre si para enviar la información a un sistema central que determina la ubicación de activos en un ambiente controlado.En esta investigación se recurre al aprendizaje de maquina como método de estimación de la ubicación. Teniendo en cuenta que existen múltiples factores externos que afectan la precisión de los algoritmos de estimación de la posición tradicionales se implementa el aprendizaje profundo y se analizan los datos obtenidos a partir de la evaluación del desempeño del modelo en un espacio controlado.Es importante resaltar que en este proyecto era relevante tener control de las múltiples variables que afectan el desempeño del sistema, por tal motivo se diseño y desarrollo ́ el hardware, firmware de las estaciones de escaneo y TAG utilizando BLE Bluetooth Low Energy y el protocolo iBeacon, posteriormente se implement ́o la recolección y etiqueta de datos asociados a la intensidad de sen ̃al RSSI a través de pruebas automatizadas, se realizo la respectiva centralización y procesamiento para el entrenamiento de la información y posteriormente se realizó en backend y frontend para la capa de aplicación.

Este curso tiene como objetivo brindar las bases conceptuales de la IA necesarias para la profundización y la aplicación práctica en la solución de problemáticas empresariales y regionales. A partir de la identificación de las principales aplicaciones y proyecciones futuras de impacto de la IA, se abordan las técnicas clásicas, con orientación al procesamiento basado en lógica y se realiza una introducción general al aprendizaje de máquina.

Las imágenes de resonancia magnética son esenciales para diagnosticar pacientes, sin embargo, un problema que varios hospitales enfrentan es la dificultad de obtener imágenes de alta resolución debido a factores de alto costo. El proyecto busca resolver este problema al desarrollar una aplicación web que incremente la resolución espacial de la imagen usando un algoritmo de super-resolución entrenado sobre una red neuronal DCSRN. La aplicación está compuesta por un sistema Front-End construido con arquitectura por Componentes utilizando Angular, un sistema Back-End construido con arquitectura Multicapa utilizando Spring-Boot, y un sistema Modelo escrito en Python siguiendo una arquitectura por Componentes.

La evolución de la tecnología y la sociedad trae muchos beneficios tanto para las empresas como para las personas. Sin embargo, con los desarrollos de la Inteligencia Artificial, la lucha contra el racismo, la xenofobia o cualquier otro tipo de discriminación sigue teniendo un papel importante en las luchas sociales y el debate público contemporáneos. Por lo tanto, es necesario que, en el desarrollo de diferentes tipos de tecnologías, y especialmente en Machine Learning e Inteligencia Artificial, estos sesgos no se estimulen y aumenten, sino que se disminuyan. Para este propósito, es necesario un método consistente para identificarlos y evaluarlos. Este artículo propone un modelo general para la evaluación del sesgo posterior al desarrollo para modelos de Machine Learning. Para ejemplificar y validar dicho modelo, se evalúan dos modelos, los modelos GPT-2 y GPT-3, con resultados positivos que hablan muy bien de sus procesos de entrenamiento. Encontramos una disminución en la probabilidad de casi 8.6 puntos porcentuales de un comentario negativo –cuando un texto es generado por los modelos y tiene una palabra relacionada a una distinción racial–, en comparación con el caso base donde el texto es generado por un humano y también contiene palabras relacionadas con distinción racial.

De acuerdo con el informe trimestral "Digital 2021 october global statshot report", el volumen de usuarios activos en internet en Colombia es del 68% de la población y el 76.4% son usuarios activos en redes sociales, bajo este contexto, las redes sociales han pasado de medio de información a medio de comunicación masivo, sin embargo, el crecimiento exponencial de la presencia tanto de usuarios como de las marcas en redes sociales, ha llevado a la necesidad del uso de la tecnología y los avances en la ciencia computacional, para extraer, recopilar y clasificar altos volúmenes de información relativa a la comunicación entre usuarios y marcas en el contexto digital.La revisión literaria ha mostrado importantes avances en investigaciones relacionadas con el análisis de datos semiestructurados y no estructurados, particularmente provenientes de redes sociales digitales, sin embargo, en Colombia no se encontraron investigaciones relacionadas, por lo tanto, se propone la implementación de esta prueba de concepto, que permitió clasificar los temas de conversación más frecuentes en el dominio bancario en la red social Twitter.La investigación se desarrolló bajo el marco ontológico, ya que a través de este podemos determinar las relaciones semánticas entre los conceptos del dominio financiero. El método de investigación utilizado es CRISP-DM.

Reconstruir, segmentar y clasificar el árbol bronquial ha sido de gran importancia en el área de la salud y la ingeniería, con un análisis adecuado podrían identificarse zonas afectadas por diversas enfermedades como cáncer de pulmón o Covid-19 para posteriormente tratarlas, ayudando tanto a sistemas de detección automática como a médicos y a personal de salud en campo. Dada la dificultad de obtener una imagen completa (normalmente tomografías computarizadas) sin errores y por la misma anatomía del pulmón, este problema ha sido atacado ampliamente mediante el procesamiento de imágenes médicas usando métodos de morfologías matemáticas y de crecimiento de regiones entre otros, pero aún no hay un método definitivo. En el presente trabajo se realizó una clasificación del árbol bronquial mediante un proceso de tres etapas, tomando como punto de partida una imagen binaria de los árboles bronquiales.Primero, se realizó un estudio e identificación de los puntos internos y externos de los árboles. Posteriormente se creó y utilizó un algoritmo de aprendizaje de máquina no supervisado, que tiene como base el algoritmo de Dijkstra, y finalmente se realizó un método de clasificación utilizando Jenks Natural Breaks para clasificar aquellas rutas más transitadas dentro de los árboles bronquiales.

La planeación de la producción y los pronósticos de la demanda son aspectos fundamentales para el buen desarrollo de la actividad productiva de una empresa manufacturera, en especial para aquellas productoras de alimentos perecederos y de rápida rotación. La panadería y repostería “La Cascada” actualmente maneja su producción y venta bajo un sistema basado en la experiencia el cual no es confiable para el cumplimiento de los objetivos de la compañía. Este manejo de la producción y ventas genera casos de sobrantes y faltantes, los cuales representan pérdidas de unidades producidas y gastos representativos. El desempeño de la producción y los pronósticos de demanda presentan una oportunidad de mejora debido a que actualmente existe un desaprovechamiento de recursos en los procesos productivos y no se están atendiendo las necesidades de los clientes al no tener disponibilidad de productos en los puntos de venta. De esta manera se desarrolló una propuesta de aplicación para la panadería y repostería “La Cascada”, primero, se generaron pronósticos de la demanda usando técnicas de Machine Learning, bajo la metodología CRISP – DM en donde se manejaron diferentes variables que afectan la demanda, tales como los datos climatológicos, fechas especiales, días de la semana y políticas internas de la empresa. Se logró una alta precisión en las predicciones, encontrando que los mejores resultados fueron arrojados usando Redes Neuronales para la mayoría de los productos Pareto. Segundo, se realizó una planeación de la producción bajo un modelo de programación lineal de múltiples objetivos, modelado en Python, el cual determina las unidades diarias a producir, logrando un aumento de 17.23% en la utilidad, así mismo un 4.33% más de utilización de máquinas y una disminución del 6.36% en los costos. De esta forma se entrega a la empresa un aplicativo que integra los pronósticos de demanda y la planeación de la producción, que sirve para determinar la cantidad diaria de productos que o

En los últimos años se ha utilizado la visión por ordenador para realizar inspecciones visuales en procesos industriales. Sin embargo, el procesamiento de imágenes convencional se limita a escenarios muy controlados y a tareas específicas como la lectura e identificación de códigos de barras, el calibrado y el dimensionamiento, la inspección básica de materiales y la localización y el recuento. En los procesos industriales, otras tareas de inspección visual requieren técnicas sofisticadas, por ejemplo, la detección y segmentación avanzada de defectos, la localización de características y la verificación de ensamblajes, entre otras. En la actualidad, estas tareas implementan técnicas de aprendizaje automático basadas en el aprendizaje profundo para lograr un rendimiento superior al de la inspección manual. Por lo general, se considera que el enfoque de aprendizaje profundo requiere muchos datos etiquetados para generar un modelo aceptable, lo que a menudo obstaculiza la adopción generalizada del aprendizaje profundo en las industrias que están limitadas a la disponibilidad de datos etiquetados. Por otra parte, como es natural en la inspección visual, los defectos están presentes con menos frecuencia que las piezas regulares, creando así un desbalance de clases que podría complicar el entrenamiento de un modelo robusto de aprendizaje profundo. Por otro lado, otras técnicas de aprendizaje de máquina aplicadas a la inspección visual requieren experiencia en ingeniería de características para crear un modelo y, a menudo, los resultados se limitan a características muy específicas que no pueden extrapolarse a un entorno, material o rasgo diferente a identificar. El objetivo de este proyecto es desplegar un algoritmo de aprendizaje profundo para la inspección visual que trate el desbalance de clases y la disponibilidad de datos en un caso de estudio (inspección de la superficie de láminas de acero), presentando diferentes enfoques utilizados para lograr el modelo final.

El nitrógeno es un nutriente esencial para los seres vivos, ya que es uno de los constituyentes principales de compuestos vitales tales como aminoácidos, proteínas, enzimas, nucleoproteínas y ácidos nucleicos, así como también de las paredes celulares y clorofila en los vegetales [1]. En las plantas este elemento se encuentra presente en grandes cantidades y su importancia es tal que puede representar diferencias importantes en los rendimientos de los cultivos.

Con este proyecto se busca solucionar problemas de negocio asociados al análisis de textos en el contexto de la industria audiovisual. Para ello se utilizaron técnicas del estado del arte en NLP (Natural Language Processing) como las arquitecturas transformers, con el fin de clasificar textos según sus temas y según sus arcos narrativos Vonnegut. Adicionalmente, se propuso un modelo de lenguaje general basado en una combinación de las técnicas propuestas por la arquitectura ALBERT y las tareas de entrenamiento propuestas por ELECTRA. Los resultados de aplicación de estos modelos demuestran alta precisión en análisis de sentimiento y clasificación por géneros, aunque la cantidad y naturaleza de los datos para entrenamiento no permiten predicciones adecuadas de arcos narrativos.

Los videojuegos multijugador de arena de batalla en línea (MOBA), es un genero de videojuegos que durante la última década han ganado popularidad en la escena competitiva de los E-Sports. Este incremento en su popularidad y la complejidad propia de los mismos han llamado la atención de investigadores en todas las áreas del conocimiento, incluyendo la Inteligencia Artificial. Dichos investigadores han utilizado una amplia variedad de técnicas de Aprendizaje de Maquina buscando mejorar la experiencia de diversos usuarios -jugadores novatos, jugadores expertos, espectadores, entre otros- a través de modelos de predicción, sistemas de recomendación y, aunque se han utilizado técnicas de optimización; estas últimas han sido las menos utilizadas en los videojuegos tipo MOBA. Por ello, el presente trabajo de investigación propone la arquitectura de un agente racional capaz de recomendar a un jugador que objeto comprar para aumentar sus probabilidades de ganar una partida, utilizando una técnica de optimización para la generación de recomendaciones. En la arquitectura propuesta, el agente percibe su ambiente con la información disponible en el API del videojuego League of Legends -uno de los MOBA mas populares actualmente-. Tal información es interpretada por una Regresión Logística que durante las etapas tempranas del juego demostró tener una precisión alrededor de 0.975. A su vez, la técnica de optimización seleccionada para generar la sugerencia fue GRASP; en promedio cada sugerencia es generada en 0.36 segundos, estas sugerencias durante la experimentación lograron aumentar la probabilidad de ganar una partida en promedio 5.2x.

Diseño y desarrollo de una biblioteca en lenguaje VHDL orientada a la aplicación e implementación de perceptrones multicapa y su entrenamiento, a través de algoritmo de Backpropagation, para tarjetas FPGA.

Sinestes.IA es un proyecto de creación que explora el uso de Algoritmos de aprendizaje profundo como herramientas interactivas y creativas. Inspirado en el fenómeno de la Sinestesia, este proyecto busca traducir, en tiempo real, los movimientos corporales en música. Con esto en mente, se indaga la relación existente entre la música y la danza, desarrollando un sistema de composición a partir de los esfuerzo-acciones de la teoría Laban. Por otro lado, se hace uso del concepto de Modelos del Mundo como guía para el algoritmo de aprendizaje. Por esta razón, Sinestes.IA es capaz de comprender el baile, tanto visual como temporalmente, y de responder a este con instrucciones musicales. Este proyecto demuestra las capacidades, posibilidades y limitaciones que se pueden presentar al momento de desarrollar herramientas de creación interactivas e inteligentes, y propone distintas maneras para obtener mejores resultados.

AGROSAVIA es una institución nacional de investigación dedicada al estudio y mejoramiento de técnicas llevadas a cabo en la agricultura colombiana. Una de sus actividades es el estudio de campos de cosecha para dar recomendaciones a los campesinos. Actualmente, AGROSAVIA está en busca de nuevas técnicas que aceleren los métodos tradicionales de laboratorio, tales como el análisis del espectro infrarrojo cercano y el aprendizaje de máquina. Sin embargo, la institución carece de herramientas necesarias para manejar la información y el entrenamiento de algoritmos de manera rápida y sencilla.

Desarrollo de un módulo de adaptación de trayectorias de movimiento articular de la mano humana a partir de la identificación del estado motor de sujetos sanos, bajo distintos niveles de condición muscular, mediante el análisis de señales EMG, como un primer acercamiento al desarrollo de módulos de generación de trayectorias para el control de exoesqueletos de rehabilitación que se adapten al progreso de pacientes con trastorno motor causados por el ACV.

Este trabajo de grado se desarrolló con el fin de identificar a partir de imágenes el orden y familia taxonómico de las aves de mínimo 13 especies de 12 familias diferentes que habitan en la Sabana de Bogotá usando ANN de topología convolucional, por lo que se ha diseñado algoritmos en software para la implementación de dicha topología de ANN proporcionando experiencia en la implementación de arquitecturas de redes neuronales, escogiendo la que mejor identifique la familia taxonómica del ave. Una de las arquitecturas es YOLO (you only look once) [3], y la otra arquitectura que se desarrollara es MobileNet [4]. Cabe resaltar que en toda la investigación del estado del arte no se evidencio documentos o trabajos que usaran estas mismas topologías de redes neuronales para la identificación de aves, existen documentos como “MobileNets for Flower Classification using TensorFlow” que identifican flores, pero dado a las extensas características de un ave no se es fácil realizar una aplicación de reconocimiento de aves, lo cual nos hace uno de los pocos documentos calificados en el campo de IA.

La detección automática del glaucoma en imágenes de fondo de ojo, se ha convertido en tema de investigación durante los últimos años debido a la gravedad de la enfermedad, con la que se puede afectar la visión e inclusive tener perdida de la misma, por esta razón, se han abordado diferentes enfoques de estudio que proponen soluciones que ayuden a los(as) oftalmólogos(as) en el proceso de análisis y diagnóstico. A través de esta investigación se busca proponer un enfoque alternativo en el que se plantea el desarrollo de un algoritmo que permita procesar las imágenes de fondo de ojo y posteriormente predecir el área correspondiente a la excavación del nervio óptico, como herramienta de apoyo a los especialistas.