Browsing by Author "González Quintana, Guzmán"

Now showing 1 - 3 of 3
  • Thumbnail Image
    Item
    Análisis y desarrollo de modelos predictivos con redes neuronales para Web Application Firewall
    (Universidad ORT Uruguay, 2020) Biardo Mirenda, Deborah; González Quintana, Guzmán; Lanzotti Filardi, Sabrina Leticia; Fabián Yovine, Sergio; Pisani Leal, Mikaela; Garbarino Alberti, Helena
    Los datos manejados en las organizaciones son valiosos para la realización de múltiples investigaciones, sin embargo, poseen información personal que debe ser protegida. Por este motivo, anonimizar los datos es una tarea de vital importancia. Esto implica privatizarlos sin restarles poder informativo al momento de ser analizados. El siguiente trabajo final presenta una solución para proteger esta información personal desarrollando un modelo predictivo basado en el modelo bolsa de palabras (Bag of Words, BoW) y redes neuronales. El fin es realizar una tarea de “ciberseguridad” predictiva a partir de datos no privatizados que permita la clasificación de los identificadores de recursos uniformes (URI por sus siglas en inglés) como normales o anómalas. Se analizaron investigaciones previas referidas a esta temática utilizándose los conjuntos de datos empleados para la obtención de un conjunto de URI. A partir del conocimiento del dominio experto, se construyó una bolsa de palabras para cada “URI” que contiene la frecuencia de cada conjunto de caracteres (“keys” expertas) asociados a ataques informáticos y se añadieron caracteres adicionales al dominio experto. Se utilizó Perceptrón multicapa (MLP por sus siglas en inglés), entrenados para cada conjunto de datos por separado y luego para un único conjunto de datos. Para evaluar el modelo se emplearon técnicas como matriz de confusión, análisis y comparación de métricas “True Positive Rate” (TPR) y “True Negative Rate” (TNR) y curvas de aprendizaje. Se aplicaron técnicas como Frecuencia de término-Frecuencia inversa de documento (Tf-idf por sus siglas en inglés), utilizando los conjuntos de caracteres identificadas como “tokens”. Luego mediante la extracción de características se obtuvieron “tokens” en forma dinámica en modalidad de unigrama, bigrama y mixta. El mejor resultado obtenido fue con el modelo de TF-IDF: “Feature Extraction” Unigrama. Finalmente se aplicaron técnicas de métodos combinados como “stacking” y “majority voting”, pero no generaron mejores resultados que los del modelo TF-IDF: “Feature Extraction” Unigrama.
  • Thumbnail Image
    Item
    Clusterización de interacciones
    (Universidad ORT Uruguay, 2023) Maschi Fernández, Luciana Sofía; Sorozabal Silva, Matías Nicolás; González Quintana, Guzmán; Visca Zanoni, Ramiro Eugenio; Martínez Varsi, Nicolas
    El presente trabajo final se centra en la exploración de técnicas de Procesamiento del Lenguaje Natural (NLP) con el propósito de identificar patrones recurrentes en las interacciones de los usuarios con el servicio de atención al cliente de una organización. Luego de un preprocesamiento de los datos, donde se aplicaron diversas técnicas de limpieza y lematización, se desarrolló un modelo de clusterización. La construcción de este modelo involucró una secuencia de módulos, que abarcó desde la generación de "embeddings" utilizando Sentence-BERT, la reducción de dimensionalidad a través de UMAP, la clasificación mediante HDBSCAN, la caracterización y auto etiquetado utilizando C-TF-IDF y la posterior reducción de los clústers resultantes. Se obtuvieron 34 clústers a partir de los cuales se han identificado oportunidades de mejora que permitirían generar eficiencias en la asignación de recursos, mejorar la experiencia del cliente y potenciar las ventas de productos y servicios.
  • Thumbnail Image
    Item
    The Medium is the Message
    (Universidad ORT Uruguay, 2023) Mordecki De Boni, Gonzalo; Sorozabal Silva, Matías Nicolás; González Quintana, Guzmán; Visca Zanoni, Ramiro Eugenio; Begerez Oyhenard, Marcos Adrian
    El siguiente trabajo final presenta la implementación y evaluación de técnicas y herramientas de inteligencia artificial dentro de Resolve Debt, un software de recolección de deudas. Este software permite a las agencias de cobro de deudas optimizar este proceso al ofrecer servicios de comunicación e integración de pagos. La empresa que está detrás de este programa es de Los Ángeles, EE.UU y comenzó a crear el producto en 2022. Para este trabajo final, se probaron e implementaron diferentes técnicas y herramientas de aprendizaje automático con el objetivo de automatizar las comunicaciones entre las agencias de cobro de deudas y los deudores, así como optimizar la productividad de los agentes humanos que utilizan el producto. Se describen tres implementaciones principales: un modelo de Potenciación del gradiente para predecir qué deudores tenían más probabilidades de producir un pago, un generador de plantillas que facilita la redacción de solicitudes de pago y una solución de IA conversacional que automatiza las comunicaciones bidireccionales a través de texto al centrarse sobre todo en la gestión de las preguntas más frecuentes.