El Repositorio Académico Digital de la Universidad ORT Uruguay es un espacio para almacenar, organizar, preservar, dar libre acceso y visibilidad a nivel nacional e internacional de la producción científica, académica y cultural generada por los integrantes de la comunidad universitaria, en formato digital.

Recent Submissions

Item
Predicción de afluencia de pasajeros para mejorar la gestión del transporte urbano en Montevideo
(Universidad ORT Uruguay, 2025) González Aguirre, María Verónica; Vera Rojas, Christian Fabián; Yovine, Sergio Fabián; Pisani Leal, Mikaela; Braberman, Victor Adrian
El siguiente trabajo final propone el desarrollo de un modelo predictivo para estimar la cantidad de pasajeros por línea de ómnibus en Montevideo, viendo el impacto de la lluvia, utilizando datos históricos de ocupación de los ómnibus y registros de precipitaciones proporcionados por la Intendencia de Montevideo. El objetivo principal es optimizar la asignación de la flota de ómnibus, mejorando la eficiencia del servicio y reduciendo los tiempos de espera de los usuarios. Para ello, se aplican técnicas de análisis de datos y modelos de aprendizaje automático (en adelante, Machine Learning o simplemente ML por sus siglas en inglés) incluyendo enfoques de series temporales y redes neuronales MLP (Multi Layer Perceptron) con el fin de capturar patrones históricos y variables meteorológicas relevantes. Se espera que los resultados obtenidos ofrezcan un sustento sólido para la toma de decisiones de las autoridades, impulsando una planificación de transporte más efectiva y contribuyendo a la satisfacción de los pasajeros.
Item
Estimación de la generación potencial de energía de parques solares y parques eólicos en Uruguay bajo restricciones operativas mediante técnicas de aprendizaje automático
(Universidad ORT Uruguay, 2025) Ferragut Varela, Joan Matias; Herrera Mello, Adrián Héctor; Mora Riquelme, Hugo Andrés; Carrasco Piaggio, Matías; Noguez Piacentini, Juan Ignacio
Las restricciones operativas en el mercado eléctrico uruguayo hacen referencia a las limitaciones que impone el Administrador del Mercado Eléctrico (ADME) a los generadores para ajustar su producción a las necesidades y capacidades del sistema en un momento determinado. En el marco del Decreto N.º 59/015, los generadores de energía renovable con contratos firmados tienen derecho a ser compensados por la energía que habrían generado en condiciones normales, aun cuando se les impongan restricciones que limiten la cantidad de energía que pueden inyectar en la red. Es decir, se reconoce y compensa el potencial de generación que no pudo concretarse debido a dichas restricciones. Este trabajo final desarrolla modelos basados en técnicas de aprendizaje automático para estimar la energía que los parques eólicos habrían inyectado a la red en ausencia de restricciones operativas. El análisis se sustenta en datos históricos de generación y condiciones climáticas registrados por los propios parques, con el objetivo de construir una herramienta capaz de estimar la producción solar y eólica en escenarios de restricción. Los modelos desarrollados se entrenan con datos de parques de referencia, obteniendo resultados satisfactorios que luego se replican en parques similares, logrando generalización y robustez en las estimaciones. ADME cuenta con un modelo propio para calcular estas generaciones potenciales, aunque no fue desarrollado utilizando técnicas de aprendizaje automático. Por lo tanto, el modelo propuesto en este proyecto será comparado con una réplica del modelo de ADME, con el fin de evaluar su desempeño relativo.
Item
Pronóstico de lealtad del cliente
(Universidad ORT Uruguay, 2025) Payovich Ferro, Agustín César; García Larrosa, Juan Manuel; Fernández Sandar, María Jimena; Pisani Leal, Mikaela; Mayr Ojeda, Franz; Visca Zanoni, Ramiro Eugenio
El presente trabajo final tiene como objetivo principal el desarrollo de un modelo predictivo de Net Promoter Score (NPS) para un banco cliente, utilizando técnicas de Machine Learning aplicadas sobre información transaccional y comportamental de los clientes. El enfoque del proyecto se centró en anticipar qué clientes presentan mayor probabilidad de ser detractores, permitiendo al banco tomar acciones proactivas orientadas a mejorar la experiencia del cliente y fortalecer su lealtad. Para la construcción del modelo se contempló la información sobre productos, consumos, segmentación del cliente a nivel del negocio, la usabilidad de canales digitales, tarjetas de crédito y reclamos, entre otros. Estas variables fueron sometidas a un exhaustivo proceso de análisis exploratorio, tratamiento de calidad de datos y reducción de dimensionalidad mediante Análisis de Componentes Principales (PCA), con el objetivo de optimizar el desempeño del modelo y garantizar su interpretación. Dado el desbalance natural de la variable objetivo se aplicaron técnicas de sobremuestreo para reforzar la clase minoritaria y mejorar la capacidad predictiva del modelo. Tras evaluar distintos algoritmos, el modelo final seleccionado fue un Random Forest entrenado sobre las variables resultantes del PCA y aplicando técnica de sobremuestreo, alcanzando resultados satisfactorios en términos de Recall, métrica priorizada por el contexto del problema enfrentado. Se propone avanzar en la integración del modelo dentro de la infraestructura tecnológica del banco, aprovechando los servicios de AWS (Amazon Web Service) que el banco tiene a su disposición, para su puesta en producción y disponibilización a otras áreas del negocio. Asimismo, se sugiere continuar enriqueciendo la base de datos incorporando nuevas respuestas de encuestas NPS y considerando indicadores adicionales de satisfacción asociados a experiencias digitales o flujos transaccionales específicos (CSAT o Likerts).
Item
Arquitecturas de streaming para analítica de salud
(Universidad ORT Uruguay, 2025) Conti Rodriguez, Emiliano; Bianchi, Alejandro; Young Mendiola, Federico Manuel; Braberman, Victor Adrian
El siguiente trabajo final presenta un análisis comparativo entre las arquitecturas de streaming Kappa y Delta en el contexto del monitoreo remoto de pacientes. Frente al creciente volumen de datos generados por dispositivos IoT médicos, estas arquitecturas ofrecen enfoques distintos para el procesamiento en tiempo real e histórico de información crítica para el ámbito de salud. Para la evaluación, se implementó un sistema de monitoreo basado en el protocolo NEWS2 (National Early Warning Score 2), enriquecido con métricas de calidad y frescura de datos que permiten una degradación gradual de la fiabilidad de las mediciones en condiciones subóptimas. Se desplegaron ambas arquitecturas utilizando un stack tecnológico común, evaluando su rendimiento mediante métricas de latencia, throughput, uso de recursos y costos operativos. Los resultados revelan que la arquitectura Kappa proporciona latencias significativamente menores frente a Delta, haciéndola superior para escenarios que requieren respuesta inmediata. Por otro lado, Delta demostró un throughput 64 % mayor, mejor eficiencia en almacenamiento y un costo operativo 36 % inferior, resultando más adecuada para análisis históricos y procesamiento contínuo que no requieran resultados inmediatos. El estudio concluye que, en sistemas de salud integrales, una estrategia híbrida que combine ambas arquitecturas según los requerimientos específicos de cada caso de uso representaría la solución óptima, aprovechando las fortalezas complementarias de cada enfoque
Item
Modelo de recomendación para compras en supermercado
(Universidad ORT Uruguay, 2025) Martínez Fontoura, Martín Andrés; Bernardo Aguirre, Matías; Marzano Pozzi, Florencia; Milano Taibo, José Germán; Carrasco Piaggio, Matías; Visca Zanoni, Ramiro Eugenio
El presente trabajo final tiene como objetivo desarrollar un sistema de recomendación aplicado a las compras web de un supermercado, con la finalidad de anticipar las preferencias de compra y personalizar las sugerencias en función del historial de compras de cada cliente. Con esta finalidad, a partir de un conjunto de datos de compras en un supermercado, se realizó un análisis exploratorio y se crearon nuevas variables que resultan clave para los siguientes pasos, como la segmentación horaria y la frecuencia de compra. Con el propósito de adaptar los algoritmos de recomendación a grupos de usuarios con patrones de compra similares, se agruparon a los clientes en cinco perfiles bien diferenciados mediante la aplicación de “K-means”, de forma de mejorar la personalización de las sugerencias. Sobre cada segmento se entrenaron y compararon tres algoritmos de recomendación: factorización matricial con NMF, arquitecturas de “dos torres” con TensorFlow Recommenders y, finalmente, filtrado colaborativo con Surprise. El modelo optimizado de TensorFlow Recommenders obtuvo un F1-score de 0.88, superando al mejor modelo NMF en un 13.6% y al mejor modelo de Surprise en un 18.3%. A su vez, se evidencia la relevancia de técnicas como SMOTE para el balanceo de clases. Estos resultados demuestran que la combinación de la segmentación previa, el aprendizaje profundo y el ajuste fino de hiperparámetros incrementa la precisión y relevancia de las recomendaciones.