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

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.
Sistema de recomendación y alertas clínicas basado en GraphRAG sobre historias clínicas electrónicas
(Universidad ORT Uruguay, 2026) Decoud Colev, Micaela; Musso Taboada, Antonella; Olazabal Grenni, Mariana Inés; Chicatun, Mariano Ezequiel; Paredes Altuve, Oscar Andres; Bianch, Alejandro
El presente proyecto aborda los desafíos de las historias clínicas electrónicas y sus limitaciones para apoyar la toma de decisiones clínicas. En este contexto, se propone MedGraphRAG, un sistema de recomendación y generación de alertas clínicas basado en una arquitectura GraphRAG de enfoque neuro-simbólico, que integra modelos de lenguaje de gran escala con un grafo de conocimiento construido a partir de datos clínicos reales. La propuesta combina conocimiento estructurado, embeddings biomédicos y generación de lenguaje natural para facilitar el razonamiento clínico, procurando mantener la trazabilidad y explicabilidad de las recomendaciones generadas. El sistema incorpora una representación jerárquica del conocimiento clínico, organizada en cuatro niveles de abstracción (L1–L4), que permite enriquecer los diagnósticos mediante características derivadas de datos de laboratorio (L4d) y expansión semántica generada por modelos de lenguaje (L4a). Esta representación híbrida posibilita el razonamiento multiescala y favorece la identificación de relaciones clínicamente relevantes. La evaluación, realizada mediante métricas cuantitativas, análisis estructural y validación cualitativa, evidencia la capacidad del sistema para identificar patrones clínicos significativos y producir recomendaciones interpretables. Sin embargo, se identifican limitaciones vinculadas a la dependencia de los datos de laboratorio y a la variabilidad inherente a los modelos generativos. Los resultados sugieren que GraphRAG constituye una alternativa prometedora para desarrollar sistemas de apoyo a la decisión clínica más estructurados, trazables y explicables.
Oportunidades y desafíos de la implementación de la inteligencia artificial en la auditoría
(Universidad ORT Uruguay, 2026) Ruíz Cazzuli, Matías; Martínez Bariani, Agustín; Sánchez Gómez, Bruno; Gambetta, Nicolás
La presente investigación analiza los desafíos y oportunidades que plantea la incorporación de la inteligencia artificial en el proceso de auditoría, con foco en la perspectiva de las Big Four en Uruguay. El trabajo parte de la premisa de que la IA se ha convertido en un factor de transformación relevante para la profesión, al introducir nuevas posibilidades de automatización, análisis de datos y apoyo al juicio profesional, pero también nuevos riesgos vinculados con la confiabilidad de los resultados, la confidencialidad de la información y la posibilidad de errores o alucinaciones, entre otros.