Browsing by Author "Olloniego Rocca, Juan Andrés"
Now showing 1 - 6 of 6
Results Per Page
Sort Options
- ItemAnálisis e implementación de técnicas de “Batch Reinforcement Learning” pasivo para aplicación sobre casos reales(Universidad ORT Uruguay, 2021) Derderian Dostourian, Mariana; Milano Taibo, José Germán; Mottini d'Oliveira, Bruno Luis; Yovine, Sergio Fabián; Mayr Ojeda, Franz; Gravano, Agustin; Olloniego Rocca, Juan AndrésEl presente trabajo final tiene como objetivo investigar las posibilidades que brinda la Inteligencia Artificial. En particular, se focaliza en analizar las diferentes técnicas de “Batch Reinforcement Learning” pasivo. Su implementación buscará abordar un caso de uso real basado en sistemas de recomendación. Esto implicó la realización de una evaluación de los diferentes algoritmos capaces de resolver esta y otras problemáticas, así como también las diferentes opciones de métricas de desempeño que pueden ser implementadas. Así, se buscará generar un marco de referencia para la aplicación de “Batch Reinforcement Learning”. El mismo abordará los siguientes pilares fundacionales: tratamiento del conjunto de datos, los algoritmos y posibles métricas de desempeño. Estos puntos forman un grupo indispensable para la aplicación de la técnica antes mencionada. Estos tres pilares se abordarán desde distintas ópticas. Por una parte, en lo que refiere a conjunto de datos, se utilizarán algoritmos que permitirán generarlos para mantener un escenario de pruebas controlado, sobre el cual puedan desarrollarse distintos experimentos. Por otra parte, se explorarán algoritmos que se consideran las bases para la aplicación de “Batch Reinforcement Learning” pasivo (e.g. Neural Fitted Q-Iteration), todos ellos basados en redes neuronales artificiales. Por último, será necesario evaluar métricas de desempeño que permitan conocer si un agente logró aprender a resolver la tarea propuesta. Finalmente, se dejan sentadas las bases para poder aplicar dichas técnicas a un caso real sobre una temática relevante en la industria: sistemas de recomendación.
- ItemAssessment of data augmentation techniques with synthetic images in uncommon datasets cases(Universidad ORT Uruguay, 2023) Repetto Ferrero, Andrés Mauricio; León Moreira, Federico De; Franz Mayr Ojeda; Braberman, Víctor Adrián; Olloniego Rocca, Juan AndrésEl siguiente trabajo final se centra en el área de la Computer Vision (CV) haciendo foco en el uso de imágenes y en los problemas de clasificación relacionados con ellas. Se propone la generación de datos sintéticos a través de técnicas modernas generativas de Inteligencia Artificial (IA) para imágenes, como los modelos de difusión, como una alternativa a las técnicas convencionales de Data Augmentation. Se corrobora que los modelos entrenados con una combinación de datos reales y sintéticos pueden superar a los entrenados sólo con datos reales. Ésta mejora, sin embargo, mostró variaciones significativas dependiendo del conjunto de datos y de la técnica generativa empleada. En un dataset particular, caracterizado por su simplicidad y uniformidad, el rendimiento demostró ser bueno. Por otro lado, en conjuntos de datos más variados, raros o especializados, los desafíos en la adaptación de los modelos generativos resaltaron la necesidad de un análisis cuidadoso. El conocimiento previo de los modelos generativos en los conceptos utilizados en el ajuste fino resultó ser crucial para obtener imágenes sintéticas de calidad. Esto subraya la importancia de entrenar los modelos generativos en una amplia variedad de datos para que puedan reproducir los conceptos necesarios de manera efectiva. En resumen, los datos sintéticos sirven en algunos casos como una herramienta valiosa para mejorar la eficiencia de los modelos de ML en tareas de CV, particularmente con conjuntos de datos complejos debido a las características específicas dentro de sus clases o el desbalanceo de las mismas.
- ItemExperiencia de usuario a partir de grabación de video usando Computer Vision(Universidad ORT Uruguay, 2024) Mandirola Ulrich, Marcelo Pablo; Santos Rosales, Pío Danilo dos; Patrón Rizzo, Héctor Leandro; Olloniego Rocca, Juan Andrés; Visca Zanoni, Ramiro Eugenio; Cecilia Delgado, Leonardo RaúlEn la era digital actual, el creciente uso de aplicaciones móviles presenta un desafío considerable en términos de análisis y comprensión de interacciones humano-dispositivo. Esta tesis se enfoca en dos aspectos cruciales de este análisis: la detección de acciones en videos de interacciones y la agrupación de pantallas en conjuntos semánticamente similares. Para abordar estos desafíos, se emplean técnicas avanzadas de procesamiento de imágenes y aprendizaje profundo. Por un lado, se utilizan redes convolucionales 2D y 3D para detectar acciones especificas con precisión. Por otro lado, se propone un enfoque innovador que combina clustering sobre modelos de clasificación de imágenes, de detección de componentes y de traducción de imagen a texto para agrupar los frames de video en conjuntos que compartan características visuales y semánticas similares. Estas contribuciones tienen el potencial de impulsar avances significativos en campos como la inteligencia artificial y la visión por computadora, así como mejorar la comprensión de las interacciones usuario-dispositivo en entornos móviles.
- ItemIdentificación de la Región de interés en imágenes DICOM basado en Inteligencia Artificial(Universidad ORT Uruguay, 2021) Méndez Varela, Matías; Muñoz Bayona, Juan Pablo; Cecilia Delgado, Leonardo Raúl; Olloniego Rocca, Juan Andrés; Sorozabal Silva, Matías NicolásEl presente trabajo aborda la identificación de regiones de interés en imágenes médicas mediante el uso de técnicas de “deep learning”. Se comienza presentando el estado del arte del dominio del problema, analizando diferentes propuestas publicadas para luego realizar una selección de dos arquitecturas que finalmente se implementan. Dichas arquitecturas se prueban con dos “datasets” diferentes para establecer una comparación entre ellas; por un lado se usan imágenes de mamografías y por otro resonancias magnéticas de cerebros, siendo las regiones de interés posibles lesiones o tumores. Además, en el proceso se investiga y se usa el estándar de imágenes médicas DICOM.
- ItemModelos 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 AndrésEste 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.
- Item¿Qué comemos? : ChefGuru, asistente integral de cocina y recomendaciones personalizadas de recetas(Universidad ORT Uruguay, 2018) Casarotti Señaris, Angelo; Lucini Echazarreta, Pablo Andrés; Martínez Varsi, Nicolás; Olloniego Rocca, Juan Andrés; Piffaretti Correa, Carlos Gabriel; Valle Dubé, Ignacio; Braberman, Victor Adrian; Urroz Marizcurrena, Matías¿Qué comemos? es una de las preguntas más comunes que se hacen las familias uruguayas y del mundo. ChefGuru, es una solución a esta problemática. Apoya a los usuarios durante todo el ciclo de cocinado; desde el proceso de elección de una receta, hasta su final realización. ChefGuru brinda a los usuarios una aplicación móvil en la que, luego de haber configurado su perfil nutricional, estos pueden recibir sugerencias personalizadas de recetas. Las mismas se basan en las características de cada usuario, por lo que respetan sus dietas, gustos particulares y sus habilidades culinarias. Además, brinda sugerencias que se van perfeccionando a medida que cada usuario la utiliza, existiendo una mejora continua de la experiencia del usuario. El sistema se basa en una arquitectura orientada a microservicios, siendo sus principales componentes un servicio encargado de la administración de información de usuarios y recetas, un servicio de autenticación utilizando Google Firebase Authentication y un servicio responsable de las recomendaciones. Además, la arquitectura se basa en la contenerización y orquestación de los servicios con Docker y Kubernetes , aspecto clave desde el desarrollo al despliegue del sistema. Esto permitió al equipo buscar en todo momento alcanzar las mejores prácticas de DevOps que permitieron alcanzar un proceso y producto de alta calidad. El sistema de recomendaciones es resultado de la elaboración y ejecución de un roadmap en el cual fue evolucionando, en complejidad y efectividad, poniendo en práctica diferentes técnicas de machine learning. Para la gestión del proyecto, se utilizó como proceso de ingeniería de software Scrum como metodología ́ágil, ya que otorga la capacidad de realizar pequeñas iteraciones y brindar al equipo la versatilidad necesaria para poder variar el curso de acción tomado y de ver resultados de una manera más eficaz y eficiente.