Browsing by Author "Gabito Decuadra, Juan Emilio"

Now showing 1 - 4 of 4
  • Thumbnail Image
    Item
    AURA
    (Universidad ORT Uruguay, 2025) Bonifacino Renom, Joaquín Andrés; Cadenas González, Rafael Alejandro; Caetano Campos, Tomás Alejandro; Duclos Fariña, Sofía; Gabito Decuadra, Juan Emilio; Braberman, Victor Adrian; Nieves Lema, Ruben Carlos
    El siguiente proyecto presenta AURA (Asistente Universitario de Recursos y Aprendizaje), una plataforma integral desarrollada para la Universidad ORT Uruguay que busca optimizar el acceso a información académica y administrativa, así como asistir activamente en la preparación académica de los estudiantes. Surgió como respuesta a las dificultades identificadas en la comunidad universitaria para localizar información relevante, que a menudo se encuentra dispersa en múltiples canales. La solución técnica se basa en una arquitectura modular que integra procesamiento de lenguaje natural para proporcionar una interfaz conversacional intuitiva. El sistema permite a estudiantes, docentes, personal administrativo y potenciales interesados acceder a información personalizada según su perfil, facilitando la resolución de consultas frecuentes y brindando herramientas que apoyan el estudio y la organización académica. El proyecto aplicó un enfoque híbrido que combinó principios de Design Thinking para la fase de investigación y conceptualización, con Lean Kanban para la gestión del desarrollo. Esta metodología permitió mantener un flujo constante de entrega de valor mientras se adaptaba a los cambios emergentes durante la ejecución. Entre los principales desafíos abordados destacan la implementación de arquitecturas Retrieve Augment and Generate avanzadas, manejo y gobernanza de datos, y la optimización de recursos computacionales para mantener bajos costos operativos.
  • Thumbnail Image
    Item
    Deep Learning geométrico y redes neuronales orientadas a grafos
    (Universidad ORT Uruguay, 2024) Gabito Decuadra, Juan Emilio; Gonzalez Alvarez, María Cecilia; Guelfi Rodas, Marcelo Eduardo; Mayr Ojeda, Franz; Pisani Leal, Mikaela; Carrasco Piaggio, Matías
    El avance acelerado que se ha manifestado en el campo de Deep Learning en los últimos años ha transformado radicalmente diversas áreas del conocimiento. Este avance extiende sus aplicaciones más allá de los dominios euclidianos tradicionales para abordar estructuras de datos complejas como grafos y manifolds. Es en este contexto que emerge Deep Learning Geométrico (GDL) como una disciplina prometedora, capaz de procesar y analizar datos definidos en espacios no euclidianos y superando así las limitaciones inherentes a los enfoques convencionales de aprendizaje profundo. Esta tesis explora el estado del arte de GDL, centrándose en una de sus implementaciones más significativas, las Redes Neuronales Orientadas a Grafos (GNNs). A través de un exhaustivo análisis teórico y práctico, se abordan los fundamentos, desarrollos recientes, y aplicaciones de GDL y GNN más específicamente de Redes Neuronales Convolucionales orientadas a Grafos (GCNs), destacando su impacto y las posibilidades de aplicaciones que ofrecen. Se propone, además, una nueva arquitectura basada en los hallazgos de la investigación, destinada a mejorar el rendimiento en tareas específicas de aprendizaje automático sobre grafos, como la clasificación de vértices y la predicción de aristas. La evaluación de esta arquitectura, junto con un análisis comparativo con modelos existentes, subraya la viabilidad y el potencial de las soluciones propuestas para superar desafíos complejos en diversas áreas de aplicación, desde el análisis de redes hasta la biomedicina y la inteligencia urbana.
  • Thumbnail Image
    Item
    Estudio del estado del arte en bases de datos orientadas a grafos
    (Universidad ORT Uruguay, 2021) Núñez Carballo, Miguel Jesús; Gabito Decuadra, Juan Emilio; Yovine, Sergio Fabián; Belletti Longarzo, Cecilia; Pisani Leal, Mikaela
    En el siguiente trabajo integrador se presentan las denominadas bases de datos orientadas a grafos (BDoG). Se muestra el contexto y se realiza una introducción a grafos, sus propiedades y los tipos de grafos para después profundizar en las BDoG. También se trabajaron las comparaciones de motores de bases de datos orientadas a grafos contra bases de datos relacionales, comparando consultas complejas y el armado del modelado. El modelado y algunos tipos de consultas se pueden volver complejos en el mundo relacional, mientras que en las BDoG se da de forma natural. También se brinda una guía para decidir cuándo utilizar una BDoG con simples preguntas y también resumidas en un árbol de decisión. Además se mencionan diferentes tipos de gestores de bases de datos orientadas a grafos cubriendo almacenamiento en disco, en la nube y en memoria. Para cada uno se detallan la estructura de almacenamiento, el modelado de datos, manejo de transacciones, interfaces y lenguajes de consultas. Sobre los lenguajes de consultas se comparan los tres más populares en la actualidad. Finalmente se menciona el aprendizaje sobre grafos donde se comentan cuatro técnicas principales.
  • Thumbnail Image
    Item
    Uso de Neo4J como base de datos orientada a grafos para la gestión de información de paradas, recorridos y viajes del Sistema de Transporte Metropolitano (STM) de la Ciudad de Montevideo, Uruguay
    (Universidad ORT Uruguay, 2021) Peirano Facal, José Enrique; Rojas Cardona, Juan Camilo; Romero Calabria, Uruguay Augusto; Gabito Decuadra, Juan Emilio; Yovine, Sergio Fabián; Pisani Leal, Mikaela; Belletti Longarzo, Cecilia
    El presente trabajo final plantea la utilización de Neo4j para explotar los datos de movilidad de pasajeros del Sistema de Transporte Metropolitano (STM) de Montevideo, Uruguay. Se analizaron otros estudios disponibles sobre movilidad y transporte con bases de datos orientadas a grafos, donde destaca particularmente el concepto de las “Time Varying Graphs” (TVG) como forma de modelar los datos para su posterior explotación y también la utilización de “Graph Neural Networks” (GNN) para utilizar como mecanismo de predicción de la demanda de transporte. El trabajo realiza una prueba de concepto sobre los datos obtenidos de las tarjetas STM de un día en particular, probando algunas de las variantes de explotación de datos y consultas en el “browser” de Neo4j, así como la aplicación de algoritmos de aprendizaje automático, trabajando con datos temporales, espaciales y espaciotemporales. Por último, se describe a nivel teórico la relación existente entre Neo4j y el ecosistema de Apache Spark, que permite que Neoj4 tenga acceso a las fuentes de datos que ya están conectadas a Spark. Se concluye que en el análisis de tránsito y movilidad es importante la utilización de bases de datos orientadas a grafos por la versatilidad de su modelado y la posibilidad de capturar grandes volúmenes de datos sobre los que se puedan realizar consultas refinadas, recorriendo los grafos con consultas en Cypher o aplicando algoritmos que provean de insumos relevantes para la toma de decisiones. Finalmente, a la luz de los resultados obtenidos y del alcance del trabajo realizado, se realizan una serie de recomendaciones, en cuanto a la integración con Spark y con capas de visualización, para que la Intendencia de Montevideo o el ente usuario de los datos pueda refinar los resultados e implementarlos.