Repositorio Académico Digital - Universidad ORT Uruguay

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.

Facultad de Administración y Ciencias Sociales

Facultad de Arquitectura

Facultad de Comunicación

Facultad de Diseño

Facultad de Ingeniería

Instituto de Educación

Recent Submissions

Active Learning of Context-Free Grammars from Neural Networks via Tree-Automata
(Universidad ORT Uruguay, 2026) Silva Barloco, Juan Pedro da; Yovine, Sergio Fabián; Braberman, Victor Adrian; Habermehl, Peter
La inferencia gramatical a partir de redes neuronales se ha orientado principalmente a la extracción de Autómatas Finitos Deterministas, cuya capacidad resulta limitada para representar la estructura jerárquica de los lenguajes anidados. El marco VPL* de Barbot et al. aborda esta limitación mediante el aprendizaje activo de Gramáticas Visiblemente de Pila a partir de redes neuronales recurrentes, utilizando una representación intermedia basada en autómatas de árbol. Sin embargo, su propuesta original requiere acceso de caja blanca al estado interno de la red y consulta al modelo únicamente sobre entradas bien formadas. Este proyecto presenta una implementación de código abierto de VPL*, desarrollada desde cero y, hasta donde se conoce, la primera disponible públicamente. Además, extiende el marco en tres direcciones. Primero, reemplaza el oráculo de equivalencia de caja blanca por un mecanismo basado en muestreo Probablemente Aproximadamente Correcto (PAC) sobre árboles. De este modo, la extracción depende exclusivamente de decisiones binarias de aceptación, permitiendo trabajar con transformers y, mediante un mecanismo de conversión de predicciones probabilísticas, con modelos de lenguaje. Segundo, se analiza la compuerta BParse utilizada en las consultas de pertenencia. Se clasifican los árboles encontrados y se desarrolla un detector que cuantifica su distancia respecto de un Lenguaje Visiblemente de Pila. A partir de esta señal se proponen dos políticas de pertenencia: raw e híbrida. Finalmente, se amplía la evaluación a transformers entrenados sobre lenguajes de Dyck, estructuras como JSON y envoltorios de modelos de lenguaje, desde GPT-2 hasta modelos más avanzados. Los resultados muestran una coincidencia general entre las políticas evaluadas sobre entradas bien formadas.
Verification Techniques for Large Language Models
(Universidad ORT Uruguay, 2026) Iturbide Noria, Martín; Yovine, Sergio Fabián; Braberman, Victor Adrian; Asarin, Eugene
Este proyecto de maestría se desarrolla como una extensión de la investigación “Language Models are Few-Shot Learners” (Brown et al., 2020). Propone adaptar técnicas de verificación formal para el análisis de Grandes Modelos de Lenguaje (LLMs). El objetivo es desarrollar mecanismos sistemáticos que permitan estudiar el comportamiento de estos modelos mediante herramientas provenientes de los lenguajes formales y la verificación probabilística. Para ello, los LLMs serán modelados como modelos de lenguaje probabilísticos y se definirán interfaces formales de consulta para caracterizar tanto el comportamiento de aceptación como la predicción del siguiente símbolo. Sobre esta base, se aplicarán técnicas de aprendizaje de autómatas y verificación probabilística al vuelo a los lenguajes inducidos por los LLMs. Asimismo, se propondrán optimizaciones mediante procesamiento por lotes para las consultas de pertenencia y equivalencia utilizadas en el aprendizaje L*, con el propósito de reducir el costo computacional asociado a su aplicación sobre estos modelos. Finalmente, mediante casos de estudio con LLMs de pesos abiertos, se analizará la viabilidad y las limitaciones de emplear métodos de lenguajes formales para razonar sobre los resultados generados por estos sistemas. El proyecto busca contribuir al desarrollo de metodologías rigurosas para analizar y verificar el comportamiento de los LLMs, favoreciendo una comprensión más sistemática de sus capacidades y limitaciones.
Recomendación de Empresas para Licitaciones Públicas mediante Learning-to-Rank
(Universidad ORT Uruguay, 2026) Dávila Gasco, Lucas Manuel; Najman Vieites, Gabriel; Sesser Santestevan, Matías Ivan; Bianchi, Alejandro; Villalba González, Juan Ignacio; Chicatun, Mariano Ezequiel
El presente proyecto aborda el problema de vincular de forma sistemática y escalable empresas proveedoras con licitaciones públicas en Uruguay, a partir del análisis de datos históricos del sistema estatal de compras. Se propone el diseño e implementación de un sistema de recomendación formulado como un problema de Learning-to-Rank, orientado a ordenar empresas candidatas según su pertinencia para cada licitación. Para su desarrollo, se construyó un pipeline de datos end-to-end basado en información estructurada bajo el estándar OCDS, con foco en el período 2022-2024. El proceso comprende etapas de ingesta, limpieza, normalización y enriquecimiento taxonómico, además de la generación de características que representan la relación histórica entre empresas y categorías de compra. La solución implementa una arquitectura de dos etapas: generación de candidatos, destinada a reducir el espacio de búsqueda, y ranking fino mediante un modelo LambdaMART. La evaluación se realizó mediante validación temporal, evitando problemas de data leakage, y utilizando métricas específicas de ranking, como NDCG@K y Recall@K. Los resultados muestran que el sistema logra incluir al menos una empresa adjudicataria entre las diez primeras recomendaciones en aproximadamente el 77% de las licitaciones evaluadas. Asimismo, la arquitectura propuesta mantiene una elevada cobertura en la generación de candidatos sin comprometer la calidad del ranking. Se concluye que el enfoque Learning-to-Rank resulta viable para priorizar empresas en compras públicas y que el aprovechamiento de datos históricos y taxonomías oficiales permite identificar patrones de especialización empresarial relevantes.
Transfer learning para el análisis de sentimiento parlamentario en español uruguayo y multiregional
(Universidad ORT Uruguay, 2026) Benedetti Tierno, Francisco; Laina Cadenas, Federico La; Jauré Romero, Diego Andrés; Villalba González, Juan Ignacio; Espinosa Peralta, Carlos Marcelo
El siguiente proyecto presenta un sistema de clasificación automática del sentimiento aplicado a intervenciones de la Cámara de Senadores de Uruguay correspondientes al período 2010-2025. A partir del scraping de las actas oficiales del Parlamento, se construyó un corpus estructurado de 23.120 intervenciones, enriquecido con metadatos sobre partido político, sexo y legislatura. De este conjunto se seleccionó una muestra de 1.224 intervenciones, etiquetadas manualmente en tres categorías: positivo, negativo y neutro, con un alto nivel de acuerdo entre los anotadores (Krippendorff α = 0,802). Se compararon dos modelos basados en arquitectura Transformer: ROUBERTa, preentrenado con prensa uruguaya, y RoBERTuito, preentrenado con texto informal en español sin especialización regional. Ambos modelos fueron ajustados mediante transfer learning sobre el corpus parlamentario y evaluados utilizando tres semillas de aleatoriedad. RoBERTuito, mediante inferencia con sliding window, obtuvo el mejor desempeño promedio, con un F1 macro de 0,762 ± 0,029. ROUBERTa alcanzó el mayor rendimiento individual (0,812), aunque presentó una mayor variabilidad entre semillas. El análisis bootstrap pareado mostró que las diferencias entre los mejores resultados no fueron estadísticamente significativas, pero evidenció una pérdida de rendimiento de ROUBERTa al utilizar sliding windows y una ventaja de RoBERTuito bajo este esquema. Finalmente, el corpus y la muestra etiquetada se publican de forma abierta, facilitando futuras investigaciones sobre el debate legislativo uruguayo.
Control y monitoreo de propiedades de seguridad y privacidad de sistemas agénticos basados en grandes modelos de lenguaje
(Universidad ORT Uruguay, 2026) Rodriguez Pedreira, Juan Andrés; Yovine, Sergio Fabián; Braberman, Victor Adrian; Visca Zanoni, Ramiro Eugenio
El presente proyecto aborda el desarrollo y evaluación de agentes basados en grandes modelos de lenguaje (LLM), con énfasis en la seguridad, privacidad y gobernanza de sus flujos de trabajo. Se propone un agente conversacional capaz de responder consultas en lenguaje natural sobre una base de datos hospitalaria con información sensible, mediante un flujo de estados explícito orientado a restringir y supervisar su comportamiento. Se desarrollan y comparan dos arquitecturas equivalentes: una implementación multiagente basada en LangGraph y una implementación monoagente que mantiene el mismo flujo, prompts y herramientas. El sistema incorpora mecanismos de gobernanza mediante nodos especializados basados en LLM. Should Block identifica y bloquea consultas que podrían exponer información identificable antes de generar el código SQL; Should Encrypt determina cuándo los resultados requieren protección mediante Order-Revealing Encryption (ORE); y el nodo final aplica privacidad diferencial a los valores numéricos antes de presentarlos al usuario. La propuesta busca así limitar tanto la información accesible para modelos externos como la expuesta al usuario, preservando la verificación de las consultas. La evaluación experimental compara ambas arquitecturas con distintos modelos y conjuntos de preguntas sintéticas, incluyendo escenarios de bloqueo, cifrado y pruebas de red team. Los resultados muestran precisión plena en la generación de SQL, mientras que las principales diferencias se concentran en los mecanismos de privacidad. La arquitectura monoagente presenta, en general, mejor alineación con los resultados esperados, aunque el desempeño depende del modelo y del nodo evaluado. Asimismo, el rendimiento global presenta limitaciones, ya que una buena exactitud agregada puede ocultar fallos de recall en subconjuntos críticos. Los resultados evidencian que un grafo de estados no garantiza por sí solo mayor seguridad.