Browsing by Author "Noguez Piacentini, Juan Ignacio"

Now showing 1 - 3 of 3
  • Thumbnail Image
    Item
    Inteligencia Artificial Explicable: tecnología y transparencia para la Industria 4.0
    (Universidad ORT Uruguay, 2023) Iusim Bahar, Lua; Marchesano Sarries, María Pía; Yovine, Sergio Fabián; Mayr Ojeda, Franz; Noguez Piacentini, Juan Ignacio
    En el contexto de la Industria 4.0 las empresas se enfrentan al desafío de aprovechar la tecnología para optimizar sus procesos y aumentar su rentabilidad sin perder competitividad. El mantenimiento predictivo que utiliza la tecnología de la Industria 4.0 brinda información relevante sobre las máquinas en el futuro. Las herramientas de inteligencia artificial exploradas permiten desarrollar estrategias de mantenimiento predictivo basadas en el monitoreo continuo de las máquinas, lo que permite realizar el mantenimiento cuando es necesario. En este trabajo final se aborda el problema común del desequilibrio de datos en el análisis de fallas, utilizando estrategias como la creación de una función de costos, la variación de un umbral de probabilidad y técnicas de desequilibrio. Se desarrollan modelos de aprendizaje automático con diversos resultados. El mejor modelo logra predecir con precisión casi la totalidad y otros un tanto menos dentro de la métrica recall, en cuanto a si una máquina fallará o no en función de sus condiciones operativas. Se aborda el tema de la “explicabilidad” tanto de la inteligencia artificial (XAI) para datos tabulares, así como también se aborda la “explicabilidad” de modelos en formato de series temporales. Los modelos se generan a partir de un estudio previo que resuelve un problema de cálculo de la vida útil restante (RUL) utilizando una red neuronal recurrente, en particular LSTM. Ambos modelos de explicabilidad se basan en los Shapley Values, un enfoque que permite comprender las variables más influyentes en las predicciones mediante la teoría de juegos de coalición.
  • Thumbnail Image
    Item
    Modelado de carga de trabajo de una plataforma analítica para la predicción de la demanda de capacidad de cómputo
    (Universidad ORT Uruguay, 2022) Martínez Barja, Aníbal Mauricio; Silveira Antelo, Marcos Alberto; Ferragut Varela, Ruben Andrés; Yovine, Sergio Fabián; Noguez Piacentini, Juan Ignacio
    Este trabajo final busca analizar la carga de trabajo de cómputo de una plataforma analítica cloud de uso masivo. En base a los análisis realizados se pretende generar modelos predictivos utilizando diferentes técnicas para obtener predicciones de la demanda que se ejerce sobre la plataforma. Esto posibilita la optimización de los recursos lo que repercute en la disminución de costo por el uso del servicio cloud. Además del análisis se pretende desarrollar pruebas de concepto a partir de distintas técnicas de análisis de series temporales clásico, modelos de Markov escondidos y redes neuronales. El trabajo contiene el análisis detallado que se efectuó poniendo en práctica cada una de las técnicas mencionadas describiendo paso a paso las acciones y decisiones que se tomaron.
  • Thumbnail Image
    Item
    Modelos Generativos para el tratamiento de clases desbalanceadas aplicado a un problema de predicción de caídas severas en el precio del Bitcoin
    (Universidad ORT Uruguay, 2023) Noguez Piacentini, Juan Ignacio; Yovine, Sergio Fabián; Ferragut Varela, Ruben Andrés; Olloniego Rocca, Juan Andrés
    Este desarrollo de tesis es tiene como objetivo demostrar que los Modelos Generativos son una buena alternativa para manejar el problema de clases desbalanceadas, además de tener mejores resultados que otras técnicas de remuestreo en términos de desempeño, particularmente en la predicción de caídas severas en el precio de activos financieros. Este trabajo es una aproximación al análisis de modelos con clases desbalanceadas con Modelos Generativos, como el Variational Autoencoders (VAE) y las Generative Adversarial Networks (GAN). Se estudiaron las ventajas de estos modelos en la generación de imágenes y en la generación de texto (NLP), sin embargo, en menor medida se ha estudiado sobre la aplicación en problemas con datos tradicionales o de negocios. En este trabajo se comparan distintas técnicas para el tratamiento de este problema comparando los Modelos Generativos frente a otras técnicas como, SMOTE, “random oversampling” (ROS) y “undersampling” (RUS), en un problema clásico de predicción de caídas severas del precio del Bitcoin. Los resultados encontrados indican que para los clasificadores estimados sobre muestras generadas por los Modelos Generativos, tienen mejor desempeño que otras muestras usadas como de pruebas de rendimientos (benchmark). Los clasificadores elegidos fueron la Regresión Logística, el Random Forest, el Gradient Boosting Classifier y una red neuronal Perceptrón Multicapa.