Trabajos finales de carrera de postgrado

Permanent URI for this collection

https://rad.ort.edu.uy/handle/20.500.11968/2714

Estos trabajos de fin de carrera son obras producidas por estudiantes, que se originan en los procesos formativos de la universidad.

Tienen propósitos culturales y educativos. No son productos comerciales y su difusión pública no está autorizada.

Now showing 1 - 5 of 53

Modelos generativos de difusión para la caracterización de lesiones dermatológicas en imagenología médica
(Universidad ORT Uruguay, 2023) Aristimuño Burgos, Ignacio; Gallino Roca, Daniel Agustín; Yovine, Sergio Fabián; Galmarini, Carlos; Cecilia Delgado, Leonardo Raúl
El presente trabajo final aborda las técnicas generativas en inteligencia artificial, centrándose en los modelos de difusión dentro del campo de la imagenología médica, y en particular, en su aplicación para la caracterización de lesiones dermatológicas. El objetivo es la generación de imágenes médicas de calidad comparable con las originales, de manera de poder afirmar si con las técnicas existentes previas a la finalización de este trabajo, se tienen suficientes elementos para lograr la calidad deseada. Se abordan las limitaciones en la implementación de modelos de aprendizaje profundo en imágenes médicas, que recaen principalmente en la escasez de datos, el desequilibrio de estos y la falta de datos etiquetados en poblaciones subrepresentadas. En el contexto de la imagenología médica, las restricciones en los datos surgen debido a la alta especialización de las imágenes, la privacidad de los pacientes y la falta de representación de ciertas poblaciones. Este estudio se enfoca en una aplicación práctica de los modelos de difusión y la forma de evaluar la calidad de las imágenes generadas y su impacto en el desempeño de modelos de aprendizaje profundo. Se realiza una investigación del estado del arte con respecto a los modelos de difusión, seleccionando aquellas técnicas y modelos que presenten un mayor potencial para su aplicación dentro de la caracterización de lesiones dermatológicas. Se implementan distintas técnicas de ajuste fino sobre modelos de difusión preentrenados, como Stable Diffusion, para lograr mejorar la calidad de las imágenes generadas. Se concluye que la calidad de las imágenes generadas es muy buena al compararlas con imágenes reales de un dataset público de referencia. También, se entrenó un modelo de clasificación de lesiones de piel con imágenes reales, utilizando imágenes generadas tanto como técnica de “data augmentation” como también como técnica de “upsampling”. Se lograron mejoras, concluyendo que estas técnicas generativas pueden resultar útiles para crear soluciones de aprendizaje profundo cuando hay escasez o desbalance de datos.
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.
Error analysis in quantum circuits
(Universidad ORT Uruguay, 2023) Cohn Noachas, Ilan; Fonseca De Oliveira, André; Buksman Hollander, Efrain; Santos, Jonas Floriano Gomes Dos; Montalbán Pontesta, Iraitz
El siguiente desarrollo de tesis ofrece una perspectiva sobre el modelado, análisis y corrección de errores cuánticos. Se presenta un estudio profundo del código corrector de Shor, introduciendo un algoritmo personalizado y eficiente para simplificar y encontrar fórmulas algebraicas, diseñado específicamente para la computación cuántica. Se demuestra cómo este algoritmo se puede utilizar para analizar la resiliencia del código de Shor a puertas y canales cuánticos imperfectos. También se proporcionan fórmulas analíticas para los estados resultantes en diferentes modelos de error, y las regiones en las que es mejor utilizar el código en lugar de enviar el bit cuántico sin codificar, basado en el valor esperado de la fidelidad.
NOVADOC
(Universidad ORT Uruguay, 2023) Conde Vitureira, Gabriela Elizabeth; Morás Muracciole, Carlos Rodrigo; Mora Riquelme, Hugo Andrés; Espinosa, Marcelo; Bianchi, Alejandro
El Banco Central del Uruguay (BCU) es responsable de regular y supervisar las entidades y actividades financieras, plasmando en resoluciones su voluntad respecto del mejor funcionamiento del sistema. Estas resoluciones se encuentran disponibles en la web institucional en formato PDF, lo que dificulta su búsqueda y extracción de información. El objetivo de este trabajo final es crear una herramienta llamada NOVADOC que extraiga y almacene la información relevante en un formato estructurado, permitiendo búsquedas según patrones de lenguaje y siendo fácil de usar para los usuarios. La herramienta utiliza técnicas de Big Data como RPA, OCR, MongoDB y NLP, y se desarrolló siguiendo la metodología SCRUM. NOVADOC ha sido exitosamente implementada en el BCU, con un gran número de usuarios que la utilizan y reportando tiempos de búsqueda más cortos que otras alternativas de software.
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.

Recent Submissions