Examinando por Materia "Machine Learning"
Mostrando 1 - 20 de 29
Resultados por página
Opciones de ordenación
Publicación Acceso abierto Adquisición de señales por medio de electroencefalografía para futuro control de prótesis de miembro superior(Universidad EIA, 2022) Silva Sandoval, Juan Francisco; Osorio Sánchez, Laura Sofía; Torres Villa, Robinson AlbertoRESUMEN: La amputación representa un gran impacto en la vida de una persona, en el ámbito social y familiar, impidiéndoles así realizar tareas cotidianas por si solos. Las prótesis que están disponibles en la actualidad representan un alto costo para aquellos individuos que las necesitan, por lo que se ha explorado una gran variedad de alternativas con el fin de suplir esta necesidad. Es por esto por lo que en este trabajo se realizara un sistema de adquisición de señales de electroencefalografía, a la cual se le implementará un aprendizaje de la maquina o Machine Learning, para clasificar la entrada de los datos en diferentes movimientos, los cuales serán utilizados para activar una prótesis. Para desarrollar este trabajo se propone el desarrollo de un dispositivo mecánico como prototipo de prótesis que sirva de medio para evaluar un modelo de Machine Learning. Este será diseñado por medio de la plataforma Edge Impulse, la cual permite la adquisición de datos y elaboración de modelos de Machine Learning, sin la necesidad de tener conocimientos avanzados en programación, y con la oportunidad de aplicarlos en dispositivos embebidos. De manera que sea posible activar actuadores dentro del prototipo de prótesis a través de la adquisición de señales de electroencefalografía y el reconocimiento de los movimientos asociados a estas. En cuanto a los resultados obtenidos, se destaca el modelo de Machine Learning que identificó y clasificó correctamente, de acuerdo con las métricas de evaluación, los movimientos de brazo derecho, brazo izquierdo y pierna derecha, además de un estado de reposo. De manera que el dispositivo se considera funcional para realizar acciones como la activación de actuadores dentro de un prototipo de prótesis.Publicación Acceso abierto Análisis de la calidad en el servicio para la satisfacción de los usuarios en el Hotel San Fernando Plaza Medellín.(Universidad EIA, 2018) Arango Zuluaga, Alejandro; Córdoba Echeverri, David; Ocampo Morales, AlexandraHotel San Fernando Plaza Medellín es una empresa de servicio hotelero que a diario busca afianzar la fidelización de sus clientes a través de la calidad, renovación, actualización e innovación permanente de sus servicios y productos. Sin embargo, las encuestas actuales y la forma en la que son analizadas no permiten evidenciar las múltiples oportunidades de mejora que el cliente demanda. En este proyecto se estudian los históricos de encuestas, quejas y reclamos relacionados con la prestación del servicio hotelero del Hotel San Fernando Plaza Medellín con el fin de identificar posibles oportunidades de mejora a través de la relación y priorización de las variables más importantes. Dicha información será obtenida del rediseño de las actuales encuestas para adquirir una información de mejor calidad que así tengan mejores impactos en la toma de decisiones que aporten al análisis y mejoramiento continuo del hotel.Publicación Acceso abierto Caracterización salarial en el sector TI por medio de información laboral y sociodemográfica de los empleados(Universidad EIA, 2024) Cano Montoya, Felipe; Valencia Villa, Juan SebastiánRESUMEN: En la industria de tecnologías de la información (TI), la determinación de salarios es un tema crítico tanto para empleadores como para empleados. Sin embargo, las herramientas y estudios actuales no consideran variables significativas o carecen de información completa, lo que dificulta una comprensión integral de los factores que influyen en la compensación salarial. La creciente demanda de profesionales altamente especializados en el sector ti resalta la necesidad de estudios que aborden de manera exhaustiva los factores laborales y sociodemográficos, como la experiencia laboral, el nivel educativo, entre otros, que inciden en los salarios de los empleados de ti. Esta investigación tiene como objetivo principal analizar y caracterizar la relación entre estas variables y los niveles salariales, proporcionando una visión precisa y actualizada para facilitar la toma de decisiones estratégicas. Para abordar este problema, se ha utilizado la metodología ASUM-DM. En primer lugar, se realizó un análisis exhaustivo de la literatura existente y se identificaron las variables laborales y sociodemográficas pertinentes. Posteriormente, se llevó a cabo la recopilación y selección de datos empíricos de profesionales del sector TI. La fase de utilización implicó la preparación y limpieza de los datos para garantizar su calidad y fiabilidad. En la etapa de modelado, se desarrolló un modelo predictivo de compensación salarial utilizando técnicas avanzadas de analítica de datos y Machine Learning, validándolo para asegurar su precisión y robustez. Finalmente, se tomó la decisión de aplicar el modelo para generar una curva salarial precisa y actualizada, la cual puede ser utilizada por empresas e instituciones del sector TI para optimizar sus políticas de atracción de talento. El modelo predictivo desarrollado ha permitido identificar y cuantificar la influencia de diversas variables laborales y sociodemográficas en la determinación de los niveles salariales de los profesionales del sector TI. Los resultados indican que factores como la experiencia laboral, el nivel educativo y la especialización tienen impacto en la compensación salarial. El modelo proporciona una herramienta valiosa para estimar los salarios de los profesionales de TI en función de su perfil, contribuyendo así a una gestión más eficaz y atractiva del talento humano en el ámbito de las tecnologías de la información. Las conclusiones de esta investigación están abiertas y se determinarán posteriormente a la evaluación exhaustiva del modelo predictivo. Se espera que, una vez validado completamente, el modelo sirva como guía de construcción de una base sólida para la formulación de estrategias de atracción de talento en el sector TI, permitiendo a las empresas ofrecer compensaciones salariales competitivas y justas. Este estudio contribuirá significativamente al conocimiento existente en el campo de la gestión de recursos humanos y la analítica de datos aplicada, proporcionando una comprensión más profunda de los factores que influyen en la remuneración de los profesionales de TI.Publicación Acceso abierto Decisiones de inversión integrando criterios ESG: metodología aplicada en banca y seguros(Universidad EIA, 2024) Gómez Botero, Ana María; Hincapié Restrepo, Sebastián; Valencia, Juan SebastianRESUMEN: La inversión sostenible implica realizar un análisis de los elementos ESG (medioambientales, sociales y de gobernanza) en una compañía para dirigir sus estrategias hacia oportunidades que promuevan beneficios en estas áreas, y lograr así identificar su contribución económica. Existe la hipótesis de que las empresas que aplican criterios ESG tienen un mayor valor de mercado que las que no lo hacen. No obstante, hay una falta de evidencia concluyente sobre cómo estos factores influyen realmente en la creación de valor según los métodos tradicionales de valoración empresarial. Este estudio tiene como objetivo medir el impacto de los factores ESG mediante una metodología que integre las calificaciones ESG existentes y el análisis fundamental tradicional, utilizando técnicas multivariantes y de aprendizaje automático (Machine learning), para así determinar su impacto. Luego de emplear los algoritmos que presentaron un mejor desempeño, Random Forest y XGBoost, los cuales se emplearon para analizar la relación entre estas variables y el retorno sobre la inversión a cinco años, los resultados iniciales sugieren que el modelo es prometedor, ya que identifica correlaciones significativas entre las variables y logra predecir la rentabilidad con una cierta precisión. Sin embargo, se requieren más investigaciones para validar y refinar el modelo, considerando las limitaciones de los datos ESG y la necesidad de evaluar su desempeño en diferentes contextos.Publicación Acceso abierto Desarrollo de modelos de inteligencia artificial para la detección de phishing en encabezados de correos electrónicos, construidos por grupos de amenazas persistentes avanzadas (APT)(Universidad EIA, 2024) Wagner Osorio, Miguel; Juilland Prada, Dennis Patrick; Gómez Betancur, Duván AlbertoRESUMEN: Este trabajo presenta el desarrollo de un modelo de ciberseguridad enfocado en la detección temprana de ataques de phishing, utilizando técnicas de inteligencia artificial y procesamiento de lenguaje natural. El objetivo principal es crear un sistema que identifique ataques de phishing mediante el análisis de las cabeceras de correos electrónicos, abordando una de las amenazas más frecuentes y dañinas en el ámbito digital. Este enfoque se implementa utilizando la metodología ASUM-DM de IBM, la cual guía el proceso desde la identificación del problema, la recolección de datos, hasta la construcción y evaluación del modelo. El estudio incluye una revisión exhaustiva de los ataques de phishing, su evolución y métodos de detección actuales, además de la selección y preparación de conjuntos de datos adecuados. El modelo desarrollado se entrena y valida empleando redes neuronales y otras técnicas de Machine Learning, logrando un alto nivel de precisión en la identificación de correos electrónicos maliciosos. Los resultados obtenidos demuestran la efectividad del modelo propuesto en comparación con enfoques previos, destacando su potencial para mejorar las medidas de ciberseguridad de usuarios y organizaciones.Publicación Acceso abierto Generación de imágenes sintéticas de radiografía de tórax con enfermedad pulmonar obstructiva crónica utilizando técnicas de inteligencia artificial(Universidad EIA, 2023) Sánchez Ocampo, María Manuela; Bonet Cruz, Isis; Montagut, YeisonRESUMEN: La implementación de modelos generativos en la medicina, particularmente en la generación de imágenes diagnósticas de la Enfermedad Pulmonar Obstructiva Crónica (EPOC), representa un avance significativo en la convergencia entre la inteligencia artificial y la práctica clínica. En el presente trabajo se proponen dos modelos de redes neuronales. El primero es AEPOC, diseñado para clasificar la EPOC partiendo de imágenes médicas, con una arquitectura que combina dos autoencoders para extraer los patrones distintivos de cada clase. El segundo modelo es LunGAN, un modelo generativo que sintetiza imágenes que reflejan las características de la EPOC a partir de datos clínicos derivados de los exámenes de función pulmonar. El presente trabajo aborda cuatro etapas importantes. La primera se enfoca en la adquisición y procesamiento de los datos clínicos de la base de datos obtenida del Hospital Pablo Tobón Uribe. La segunda etapa se dedica al análisis detallado de la información estructurada y no estructurada que permiten comprender la patología. La tercera etapa implica el diseño e implementación de múltiples modelos con la finalidad de crear imágenes que presenten las características relevantes de la patología. Finalmente, se realizó la evaluación de la calidad de las imágenes, que permite tener una visión integral sobre la semejanza entre las imágenes reales y generadas, lo cual respalda la capacidad de los modelos para imitar con precisión las imágenes de radiografía de tórax. EL modelo generativo propuesto posee un potencial para transformar los datos clínicos en representaciones visuales, abriendo posibilidades de formación y el aprendizaje de profesionales médicos al simular diversidad de escenarios y manifestaciones de enfermedad sin la necesidad de un gran número de pacientes reales. Este avance señala un futuro prometedor en la unión de la inteligencia artificial con el campo de la medicina, ofreciendo nuevas perspectivas para afrontar y avanzar en los desafíos actuales del tratamiento y diagnóstico pulmonar, con el objetivo de mejorar constantemente la calidad de la atención médica.Publicación Acceso abierto Grow the pie or have it? Using machine learning for impact heterogeneity in the Ultra-poor Graduation Model(Universidad EIA, 2021) Chowdhury, Reajul; Ceballos-Sierra, Federico; Sulaiman, MunshiABSTRACT: Anti-poverty interventions often face a trade-off between immediate reduction in poverty, measured by consumption, and building assets for longer-term gains. An “Ultra-poor Graduation” model, found effective on both dimensions in several rigorous studies, generally leans towards asset building. By using data from a large-scale RCT in Bangladesh, we find significant variation in impact on assets where the top quintile gainers experience asset growth of 344% while asset growth is only 192% for the bottom quintile. Heterogeneity in impact on household expenditures is found to be present but of lower magnitude than that of assets. Importantly, the machine learning techniques we apply reveal contrasts in characteristics of beneficiaries who made the most in assets vs. consumption. The results identify beneficiary characteristics that can be used in targeting households either to maximize impact on the desired dimension and/or to customize interventions for balancing the asset and consumption trade-offPublicación Acceso abierto Identificación temprana de deterioro cardiovascular mediante técnicas de Machine Learning(Universidad EIA, 2021) Carmona Pulgarín, Carlos Daniel; Macias Pimienta, Juan CamiloRESUMEN: Las enfermedades infecciosas representan un problema de gran importancia en el contexto hospitalario dado que son un peligro de gran magnitud dentro de una institución de salud, siendo los pacientes de cuidados intensivos una población muy vulnerable por su delicada condición. Así bien, el deterioro cardiovascular es uno de los agentes más determinantes a la hora del desarrollo de una enfermedad infecciosa, pues este es uno de los órganos y sistemas que primero se ven afectados a la hora de presentarse una infección, además de representar un aumento sustancial en la mortalidad de los pacientes cuando este se presenta. Actualmente gracias a los avances en el campo de instrumentación médica, la maquinaria implicada en el monitoreo y mantenimiento de los pacientes genera constantemente información sobre las variables que se ven implicadas en tales procesos, información que no se utiliza en ningún proceso de diagnóstico o seguimiento de posibles condiciones desarrolladas por el paciente. Con esto dicho, el objetivo de este proyecto es el de, a partir de técnicas de Machine Learning, un sub campo de la inteligencia artificial que se basa en la abstracción de información y la búsqueda de patrones dentro de un grupo de datos, encontrar un método de identificación temprana de deterioro cardiovascular en pacientes infectados a partir de datos recopilados de pacientes en la unidad de cuidados intensivos, obtenidos de una base de datos en la red (MIMIC) y de una institución de salud local (clínica de Las Américas). Para la ejecución de este proyecto en primer lugar se realizó todo el proceso de descarga de datos de las respectivas fuentes (MIMIC e institución local) y además se definió el deterioro cardiovascular en dos parámetros: presión arterial media por debajo de 70 mmHg y suministro de vasopresores. Con estos parámetros se procedió a realizar el acondicionamiento de los datos en PostgreSQL donde se obtuvieron las cohortes definitivas con y sin sospecha de infección con el fin de analizar el comportamiento del modelo de las dos maneras. Con la obtención de la cohorte de ambas bases de datos, se realizó todo el análisis de cohortes en la herramienta Power BI y la minería de datos en el programa informático Orange, donde se definieron las variables a ingresar con el criterio de aporte de información mínimo del 1% en los métodos de puntuación. Se seleccionaron los parámetros y los modelos de predicción para trabajar con los datos de MIMIC y definir cuál modelo alcanzaba mejores métricas. Estos resultados se analizaron a través de la herramienta Power BI y se seleccionó el modelo con las métricas más altas. Este modelo fue evaluado con los datos de la institución local. Por último, se realizó el diseño de la interfaz gráfica del modelo en el programa Figma y se realizó un video simulando la interacción que tendría el profesional con la interfaz del modelo predictivo. Los resultados mostraron que no hubo una diferencia significativa en el desempeño de los modelos para las muestras de pacientes con y sin sospecha de infección, es decir que el funcionamiento del modelo no cuenta con casi ninguna dependencia relacionada a esta variable. Los modelos relacionados con Gradient Boosting contaron con un desempeño más sobresaliente en el set de datos de la clínica de una institución de salud local, gracias a su capacidad para trabajar de forma óptima en muestras con datos faltantes, por lo que se recomienda trabajar con el modelo Gradient Boosting con las respectivas variables definidas.Publicación Acceso abierto Identificación y conteo de insectos (mosca blanca, trips y minador de hoja) capturados en trampa adhesiva mediante visión e inteligencia artificial. Caso Flores El Trigal(Universidad EIA, 2020) López Grisales, Natalia; Martínez Osorio, AlejandroRESUMEN: En los cultivos de flores, la presencia de plagas puede generar grandes pérdidas y afectar la producción de las empresas, por esto, es fundamental realizar un monitoreo constante en busca de insectos, enfermedades o daños en las plantas que indiquen la presencia de plagas. Esta es una labor que se torna complicada debido a que el comportamiento de algunos insectos puede ser más activo en la noche o en la ausencia de los operarios. Actualmente, para contrarrestar esta problemática, se implementa el uso de trampas adhesivas como método de monitoreo indirecto, con las cuales se capturan insectos para luego analizar el crecimiento de su población. La información recolectada en la lectura de las trampas es clave para la toma de decisiones, pero la magnitud de los cultivos y el tamaño de los insectos hacen que sea una tarea que demanda tiempo, esfuerzo y conocimiento especializado. Por esto, con el desarrollo de este proyecto se busca automatizar el proceso, mediante la identificación automática de tres clases de insectos: Minador de hoja, Trips y Mosca Blanca, a través de una aplicación móvil, dando alivio a la persona encargada de realizar esta actividad. En este documento se presenta un estudio de diferentes métodos computacionales para la clasificación y conteo de insectos, mediante la metodología Design Thinking de Herbert Simon (1969), la cual propone 7 etapas: definición, investigación, ideación, prototipado, selección, implementación y aprendizaje. Esta metodología puede ejecutarse de forma no lineal e iterativa. Los métodos computacionales estudiados son: Procesamiento Digital de Imágenes, Machine Learning a través de la plataforma Custom Vision de Microsoft Azure y Deep Learning con el modelo de detección de objetos YOLO (You Only Look Once). Luego de diseñar y probar un prototipo por cada método, se elige el modelo YOLO para su implementación, ya que obtuvo el mejor desempeño en la clasificación de los insectos. El modelo seleccionado se implementa en una aplicación móvil desarrollada en el software Android Studio, con la cual es posible clasificar y cuantificar los insectos capturados en la trampa en tiempo real, lo que reduce el tiempo que toma realizar el monitoreo manual, de 1 minuto por placa aproximadamente a un par de segundos que le toma a la persona enfocar la trampa con el dispositivo móvil; suprime la necesidad de capacitar a las personas en identificación de plagas y ofrece a la empresa la oportunidad de almacenar la información digitalmente, dando un paso importante en la transformación digital, la cultura del dato y el uso de la información.Publicación Acceso abierto Identificación y Remoción de Piezas para el Ensamble de Botones Mediante Visión Artificial(Universidad EIA, 2018) Velásquez Campillo, MiguelEn el presente trabajo se diseña y desarrolla un sistema de identificación y remoción de piezas para el ensamble de botones metálicos, mediante técnicas de visión artificial y Machine Learning. El sistema consta principalmente de una parte para la adquisición de imágenes en la línea de ensamble, y otra para la remoción de dichas piezas cuando se encuentran al revés. Se comienza con el diseño experimental físico de estas partes: la base para la cámara que detecta las piezas, y el sistema para remover las piezas directamente en el riel de ensamble. Luego se procede a desarrollar los distintos algoritmos en Python, utilizando librerías de OpenCV, para analizar e identificar si una pieza en particular se encuentra al revés, y en caso de serlo, expulsarla con el sistema de remoción. La técnica de entrenamiento del sistema de identificación es utilizando características geometrías para determinar las diferencias entre las piezas. Finalmente se instala el dispositivo de selección en una maquina ensambladora y se procede a verificar su funcionamiento, evaluando la capacidad de identificar y remover correctamente las piezas, al igual que evaluar su porcentaje de confiabilidad al realizar la tarea. El trabajo fue realizado para 3 referencias de botones, en donde se obtuvieron porcentajes de identificación y remoción de 90.4% para la referencia 2 y 91.6% para la referencia 3. La referencia 1 resultó ser demasiado similar al derecho y al revés como para poder determinar con certeza y con factores geométricos su diferencia.Publicación Acceso abierto Identificación y remoción de piezas para el ensamble de botones mediante visión artificial(Universidad EIA, 2018) Velásquez Campillo, Miguel; Jaramillo Velásquez, Víctor HugoEn el presente trabajo se diseña y desarrolla un sistema de identificación y remoción de piezas para el ensamble de botones metálicos, mediante técnicas de visión artificial y Machine Learning. El sistema consta principalmente de una parte para la adquisición de imágenes en la línea de ensamble, y otra para la remoción de dichas piezas cuando se encuentran al revés. Se comienza con el diseño experimental físico de estas partes: la base para la cámara que detecta las piezas, y el sistema para remover las piezas directamente en el riel de ensamble. Luego se procede a desarrollar los distintos algoritmos en Python, utilizando librerías de OpenCV, para analizar e identificar si una pieza en particular se encuentra al revés, y en caso de serlo, expulsarla con el sistema de remoción. La técnica de entrenamiento del sistema de identificación es utilizando características geometrías para determinar las diferencias entre las piezas. Finalmente se instala el dispositivo de selección en una maquina ensambladora y se procede a verificar su funcionamiento, evaluando la capacidad de identificar y remover correctamente las piezas, al igual que evaluar su porcentaje de confiabilidad al realizar la tarea. El trabajo fue realizado para 3 referencias de botones, en donde se obtuvieron porcentajes de identificación y remoción de 90.4% para la referencia 2 y 91.6% para la referencia 3. La referencia 1 resultó ser demasiado similar al derecho y al revés como para poder determinar con certeza y con factores geométricos su diferencia.Publicación Acceso abierto Impacto de las cámaras de fotodetección en la seguridad vial del área metropolitana de Medellín(Universidad EIA, 2023) López Gómez, Juan Pablo; Vitola Villa, Carlos Andrés; Pava Restrepo, AndrésRESUMEN: esta tesis aborda el desafío de predecir la gravedad de los incidentes de tránsito en las vías del Área Metropolitana de Medellín, donde se hayan implementado cámaras de fotodetección, mediante el uso de técnicas de aprendizaje automático. El objetivo principal es, determinar el nivel de eficiencia de las cámaras de fotodetección en cuanto a la disminución de los accidentes de tránsito, con base en las variables de influencia y condiciones de su entorno. Utilizando datos de informes de la alcaldía de Medellín y a través de la aplicación de algoritmos de regresión y clasificación como: Regresión lineal (LR), Clasificador de crestas (Ridge), K-Vecinos más cercanos (KNN), Máquinas de vectores de soporte (SVM), Árboles de decisión embolsados (BDT), Bosque aleatorio (RF) y Aumento del gradiente estocástico (GB), además de métricas de validación como: Curva de aprendizaje, Índice jaccard, Puntuación F1 y Matriz de confusión para garantizar el desempeño del modelo de Machine Learning; y también de técnicas de sobre-muestreo para abordar el desequilibrio en el caso de faltar información. Los resultados mostraron que el clasificador (GB) obtuvo la mejor precisión en el conjunto de prueba, con un valor medio del 75% y el modelo (RF) entrenado con el conjunto de datos balanceado, alcanzó una precisión media del 74% para este mismo conjunto de datos. Estos resultados demuestran la eficacia del modelo para la predicción de la gravedad de los accidentes de tránsito ocurridos en cada cámara de fotodetección; a pesar de ser una investigación con fines académicos. En conclusión, esta tesis proporciona una metodología adecuada para predecir la gravedad de los accidentes de tránsito, utilizando técnicas de aprendizaje automático. Por lo que, el modelo desarrollado puede ser de gran utilidad para las autoridades encargadas de las medidas preventivas de accidentes. Brindando una herramienta al momento de la implementación de cámaras de fotodetección en futuras zonas, mediante una respuesta más eficiente y oportuna.Publicación Sólo datos Impacto de una infraestructura para la micromovilidad en Belén(Universidad EIA, 2021) Osorio Lopera, Jaqueline; Echeverri Calle, Juan Diego; Pava Restrepo, Andrés; Andrés Pava RestrepoRESUMEN: Según la Encuesta Origen Destino de 2017 realizada en la ciudad de Medellín, Colombia se encontró que la mayoría de los viajes realizados desde la comuna 16 Belén se hacían hacia este mismo destino, teniendo como uno de los modos principales de viaje el vehículo particular. Es por esto por lo que la presente investigación pretende por medio de una propuesta de infraestructura para la mircromovilidad en Belén evaluar la disposición de uso de esta a través de modelos de elección discreta. Siendo los modos de viaje de micromovilidad una buena alternativa para desplazamientos en los que los vehículos motorizados no son muy eficientes, y donde su impacto es mayor en relación con las distancias recorridas, contribuyendo al uso de nuevos medios de transporte amigables con el medio ambiente, ahorro en tiempos de viaje y aportando salud a las personas. En el desarrollo de la metodología, se realizó un grupo focal con el fin de identificar variables de influencia en la elección de modo de viaje de las personas como costo y tiempo de viaje y seguridad. Seguido a esto se hizo una encuesta de preferencias declaradas y reveladas donde se recogieron en total 202 datos con los cuales se hizo una base de datos y trabajar así con algoritmos de machine learning (aprendizaje automatizado) en lenguaje Python. El modelo es usado entonces para determinar la demanda que tendrían los modos de viaje de micromovilidad con la infraestructura planteada. Se obtuvo entonces que los usuarios seguirían prefiriendo los modos de viaje particulares, pero en el caso particular del automóvil a medida que su tiempo y costo de viaje aumentaban la probabilidad de usar los modos de viaje de micromovilidad.Publicación Acceso abierto Modelamiento Predictivo y Optimización para el Abastecimiento de Repuestos Automotrices(Universidad EIA, 2024) Marín Ramirez, Juan David; Valencia Villa, Juan SebastiánRESUMEN: El abastecimiento de repuestos e insumos en el sector automotriz Colombiano cada vez viene adquiriendo mayor relevancia debido a factores que se vienen presentando en el transcurso de la última década, tales como: migración (salida del país) de plantas ensambladoras de vehículos a otros países de la región (México y Brasil), incremento en la variedad y comercialización de marcas automotrices en el parque automotor colombiano (apertura a marcas asiáticas), implementación de nuevas tecnologías (vehículos híbridos y eléctrico), devaluación del Peso (COP) frente al Dólar (USD) y crecimiento en la demanda interna de vehículos transporte de carga (comerciales) y pasajeros (familiares) generados luego de pandemia Covid 19 y reactivación económica nacional. Es allí donde estas circunstancias, en ocasiones con posiciones de contrariedad y particularmente en el sector automotriz generan incrementos en las operaciones de mantenimiento de vehículos y reduciendo los márgenes operativos para las empresas de transporte y en general para el sector productivo. Renting Colombia, una empresa dedicada al arrendamiento operativo de vehículos (tanto comerciales como de uso particular) y con una flota de más de 45.000 vehículos operativos y creciendo, se ve cada vez más afectada por la disponibilidad y constante incremento en costo de los insumos y repuestos requeridos para el mantenimiento adecuado de sus vehículos y por ende la afectación de sus ingresos operativos. Es por esto que surge la necesidad de realizar una reducción de gastos de mantenimiento, partiendo principalmente por los costos de insumos y repuestos importados, los cuales se afectan por la tasa cambiaria y algunas otras variables como costos de commodities. Este proyecto busca desarrollar un modelo financiero que ayude a tomar decisiones desde una óptica financiera para optimizar el gasto mediante una integración de los flujos de información de costos de insumos automotrices, rotación de inventarios (vehículos y repuestos) y variables económicas, aplicando pronósticos y simulaciones de costos futuros (según requerimientos operativos de mantenimiento).Publicación Acceso abierto Modelo basado en Machine Learning para la predicción de los precios futuros en el mercado de valores(Universidad EIA, 2021) Velez Garcia, Santiago; Peña P., AlejandroRESUMEN: El mercado de valores se ha convertido a lo largo de la historia en uno de los principales sectores económicos alrededor del mundo. Sin embargo, los inversores tradicionales suelen tener pérdidas debido a un horizonte de inversión poco claro y un proyección sin fundamentos. Es por esto, que crear un buen modelo de apoyo a las decisiones de inversión para una buena toma de decisiones se ha convertido en un importante problema de investigación. Los diferentes modelos de aprendizaje pueden proporcionar un rendimiento relativamente bueno en la previsión del precio de las acciones. Este documento se centra en evaluar diferentes modelos de Machine learning para crear un modelo de previsión para el precio futuro de las acciones. El resultado experimental muestra que el modelo de redes neuronales (RMSE=2,9) tiene una precisión mas alta que los demás modelos estudiados.Publicación Sólo datos Modelo cognitivo borroso para la caracterización de la percepción de la publicidad corporativa de Suramericana de Seguros S.A. en términos de patrones emocionales y atributos de marca(Universidad EIA, 2019) Henao Ocampo, Angélica María; Panesso Restrepo, Carolina; Peña Palacio, Juan AlejandroLa evaluación de la percepción de marca a través de publicidad corporativa es actualmente todo un reto para las compañías, pues estas generalmente utilizan métodos tradicionales del mercadeo donde su efectividad depende de la capacidad y voluntad de las personas para interpretar y detallar su nivel de involucramiento y afinidad frente a la información a la que están expuestas. Esto ocasiona que las organizaciones cuenten con evaluaciones sesgadas y limitadas que dificultan la ejecución de estrategias de mercadeo que le apunten a que la percepción de marca de sus clientes sea acorde con la estrategia comunicativa de la entidad en un momento dado. Por consiguiente, caracterizar la percepción de marca de una entidad a través de pautas corporativas, haciendo uso de métodos no tradicionales del mercadeo basados en los principios de la inteligencia computacional, se convierte en una herramienta innovadora para las organizaciones dado que facilita la creación de estrategias de comunicación más acertadas y objetivas de acuerdo a lo que realmente perciben los consumidores. De esta manera, la presente investigación se fundamenta en el diseño y desarrollo de un modelo cognitivo borroso para la caracterización de la percepción de marca de una muestra de individuos, al estos estar expuestos a dos pautas publicitarias de una compañía aseguradora –una de carácter informativo y otra emocional-, con base a las emociones y los atributos de marca percibidos, haciendo uso de métodos cuantitativos como redes neuronales y lógica borrosa, y cualitativos como encuestas, con el fin último de evaluar la percepción de marca de una forma más objetiva e integral. Para el entrenamiento del modelo se tuvieron en cuenta las señales EEG provenientes de la actividad bioeléctrica cerebral de 4 expertos al estar expuestos a estímulos visuales representativos tanto de emociones -alegría, tristeza, miedo e ira- como de atributos de marca -confianza, experta, cercana, dinámica y latinoamérica-; para la validación del mismo, se tuvieron en cuenta las señales EEG de una muestra de individuos -hombres y mujeres entre 18 y 25 años-, expuestos a una publicidad corporativa audiovisual. Seguidamente, se diseñó un autoencoder útil para la reducción e identificación de las características más importantes de cada conjunto de señales; y posteriormente, se diseñaron diferentes redes neuronales de aprendizaje profundo que sirvieron como base para el aprendizaje del modelo teniendo en cuenta las señales provenientes de los expertos, lo cual arrojó unos pesos útiles para el reconocimiento efectivo de patrones emocionales y atributos de marca en pautas corporativas. Por último, teniendo en cuenta dichos pesos y las señales provenientes de los individuos de la muestra, se implementó el modelo cognitivo que generó efectividades mayores al 90% en la clasificación de patrones emocionales y del 82% en la clasificación de atributos de marca, y se elaboró a continuación un mapa borroso por individuo que permitió caracterizar la percepción de marca de cada uno de estos de manera exitosa; así mismo, al comparar dichos resultados con los arrojados por las encuestas, se encontraron relaciones frente a lo que los individuos expresaron haber percibido y lo arrojado por el modelo, aunque también hubo casos en donde los resultados divergían dada la subjetividad implícita en las encuestas y en los insumos de entrada utilizados por el modelo.Publicación Acceso abierto Modelo de Deep Learning integrando índices macroeconómicos, índices internos empresariales y el análisis sentimental de las personas para predecir los despidos masivos en los Estados Unidos(Universidad EIA, 2024) Santos Villa, Yersson Sebastian; Valencia Villa, Juan SebastiánRESUMEN: existen diferentes fenómenos que pueden ser llamativos en diferentes ápices empresariales, uno de ellos es el despido masivo de personal. Este documento se encarga de diseñar un modelo de Deep Learning combinado a un análisis sentimental con diferentes variables macroeconómicas y empresariales, para predecir la posibilidad de este suceso en un mes futuro. En el proceso, se evaluó la máquina de soporte vectorial y el perceptrón multicapa después de juntar diferentes variables incluyendo una clasificación por polarización del sentimiento de diferentes comentarios de la red social X sobre los despidos masivos en los estados unidos durante el perdió de 2022 y 2023. Los resultados arrojaron que el modelo de Máquina Soporte Vectorial (precisión 90%) resultaba ser más preciso en la predicción de un posible despido masivo con respecto a un modelo de redes neuronales artificiales por perceptrón multicapa (precisión 82.5%).Publicación Acceso abierto Modelo de inversión de venture capital. Evidencia para América Latina.(Universidad EIA, 2023) Arboleda Uribe, Sara; Montoya Henao, Luis Miguel; Cruz Castañeda, VivianRESUMEN: El “venture capital” es una herramienta esencial de financiación privada que se utiliza para apoyar a empresas emergentes con un alto potencial de crecimiento. En este estudio, exploramos la aplicación de técnicas de Procesamiento de Lenguaje Natural (NLP) y Grandes Modelos del Lenguaje (LLM) para analizar datos no estructurados, como las descripciones de las empresas, con el objetivo de predecir los montos de inversión que estas empresas podrían atraer. Utilizamos una base de datos de empresas de América Latina que han recibido inversiones de capital de riesgo y aplicamos técnicas de NLP y Machine Learning en combinación con modelos de lenguaje pre-entrenados basados en la arquitectura de BERT para modelar la cantidad invertida. Evaluamos el rendimiento de estos modelos utilizando una serie de métricas relevantes para determinar la capacidad de este tipo de modelos en tareas fuera de NLP. Los resultados de este estudio proporcionan una visión valiosa sobre la capacidad de los modelos de lenguaje para predecir las inversiones de capital de riesgo y destacan las áreas potenciales para futuras investigaciones y mejoras en este campo emergente de estudio.Publicación Acceso abierto Modelo de Machine Learning para la predecir la destinación de un área cultivable(Universidad EIA, 2024) Calle Botero, Pablo Jose; Méndez Mejía, SantiagoRESUMEN: los suelos productivos son un recurso finito el cual cada vez más es necesario darle un manejo adecuado además de ser optimizado al máximo para lograr la seguridad alimentaria de la población. El Banano de exportación, uno de los productos estrella de Colombia, ha visto el área que se le dedica para ser cultivado crecer en los últimos años pasando de 44,953 hectáreas en 2007 a unas 49,307 hectáreas en 2017. Con un crecimiento significativo del área cultivada se esperaría que la producción experimentará un crecimiento similar, pero ese no ha sido el caso. Año tras año el rendimiento lo cual es el número de toneladas cosechadas por hectárea ha disminuido. (Ministerio de Agricultura y Desarrollo Rural, 2020)Si un incremento en el área cultivada no representa un incremento en la producción puede ser por que el área nueva que se está destinando no es la adecuada y sus características están afectando el cultivo. La presencia natural de diferentes micronutrientes que se encuentran en el suelo ya sea por naturaleza o el uso de fertilizantes tienen diferentes funciones que son vitales para el desarrollo y vida de las plantas. La presencia del Cobre, Manganeso, Zinc y Boro son fundamentales para el crecimiento de las plantas. (Kyrkby & Römheld, 2007) Otro elemento fundamental y esencial para todo ser vivo incluidas las plantas es el Nitrógeno ya que este hace parte de los aminoácidos que componen las proteínas requeridas por todos los organismos. (Félix Herrán, Sañudo Torres, Rojo Martínez, Martínez Ruiz, & Olalde Portugal, 2008)Para determinar la presencia de estos elementos y muchos otros es necesario realizar estudios de suelo los cuales requieren de la toma de una muestra de un punto de interés que posteriormente es llevada a un laboratorio. Este proceso es altamente efectivo, pero requiere de mucho tiempo. Estos estudios se hacen para determinar la viabilidad del cultivo. Dicha determinación es vital para aprovechar al máximo el área disponible evitando desperdicios. Una vez se tiene esta información es crucial hacer la selección del producto a destinar la tierra pues no todo producto agrícola es apto para todo tipo de suelo o ubicación. Si se tiene la información del suelo, ubicación una herramienta que permita tomar la decisión de destinación de manera rápida y ágil sería de gran ayuda para los agricultores. ¿Será posible que el desarrollo de un prototipo de una herramienta la cual permita realizar estimaciones precisas de la destinación un área cultívale por medio del uso de machine learning y una base de datos con la composición de los suelos, su ubicación geográfica y su destinación agrícola? En este trabajo con el fin de predecir la destinación agrícola de un cultivo se creo un prototipo de modelo de machine learining con un conjunto de datos de diferentes zonas de Colombia. Este conjunto de datos de preparo y luego con base a este se probaron 5 modelos diferentes para tener una muestra diferente. Se concluye que se puede predecir con exactitud la destinación agrícola de un cultivo pero que se es necesario de más herramientas, pero modelos como este ayudan a la tecnificación del agro.Publicación Acceso abierto Modelo de scoring para el otorgamiento de crédito a personas naturales(Universidad EIA, 2021) Gómez Henao, Juan Pablo; Patiño Pérez, Héctor AlejandroRESUMEN: La calidad de los créditos de consumo y de vivienda (hipotecarios) en Colombia ha permanecido en rangos constantes desde el 2017 demostrando que las entidades crediticias presentan ineficiencias en sus modelos de calificación crediticia, ya sea en la recolección de información de las personas o en los métodos estadísticos que se utilizan actualmente, por lo que su asignación de capital para estos productos no son los mejores. Estos modelos de crédito si bien son útiles, no logran desempeñarse de la mejor manera, afectando así tanto a las entidades de crédito como a los posibles clientes. Con la propuesta planteada se busca que las entidades financieras asignen correctamente el capital, teniendo en cuenta el mayor número de criterios y su importancia en los modelos de evaluación de cartera, y de esta forma maximicen sus beneficios, reduzcan sus reservas de capital e incluyan a personas a que accedan a los créditos luego de realizar la solicitud de estos. El estudio se realizará utilizando una base de datos (ficticia o real), analizando la característica de los clientes y definirlos como criterios para los modelos estadísticos a utilizar, adicionalmente, se estudiará la implementación de variables macroeconómicas a los modelos estadísticos propuestos. Finalmente, se realizará una comparación según unas métricas de desempeño de los modelos de machine learning utilizados para el estudio del otorgamiento de créditos, seleccionando el mejor de estos y realizando las respectivas conclusiones.
