Maestría en Inteligencia Artificial Aplicada
URI permanente para esta colección
Examinar
Envíos recientes
- ÍtemAcceso AbiertoDesarrollo de un aplicativo web para la prediccion de la demanda de una empresa en Ecuador(Universidad de Guayaquil - Facultad de Ciencias Matemáticas y Físicas - Carrera de Ingeniería Civil, 2025-06) Robles Beltrán Roberto Andrés; Castro Aguilar Gilberto FernandoEste trabajo desarrolló un aplicativo web con inteligencia artificial para predecir la demanda en una empresa de plásticos en Guayaquil. Utilizó modelos estadísticos, de Machine Learning y Deep Learning, como Random Forest, XGBoost, LSTM y modelos híbridos, bajo la Metodología CRISP-DM y Scrum. Se analizaron más de 114 millones de registros y se validó el sistema con usuarios del área de planificación, quienes destacaron su utilidad y usabilidad. El modelo híbrido fue seleccionado por su buen equilibrio entre precisión y generalización, concluyendo que el uso de inteligencia artificial en la predicción de demanda mejora significativamente la planificación operativa, con miras a reducir errores en inventario y fortalecer la toma de decisiones. La herramienta desarrollada representa una contribución efectiva para la adopción de la ciencia de datos en las pequeñas y medianas empresas ecuatorianas.
- ÍtemAcceso AbiertoDesarrollo de un prototipo de agente virtual inteligente para la optimización de la atención en línea en el sistema nacional de contratación pública del Ecuador(Universidad de Guayaquil - Facultad de Ciencias Matemáticas y Físicas - Carrera de Ingeniería Civil, 2025-06) Navarrete Flores Miguel Angel; Espín Riofrío Cesar HumbertoEste estudio desarrolla un prototipo de Agente Virtual Inteligente (AVI) basado en Procesamiento de Lenguaje Natural (PLN) para optimizar la atención en línea del SERCOP en Ecuador. Su objetivo es mejorar la calidad del servicio, reducir tiempos de espera y aumentar la eficiencia en canales digitales. La investigación, de enfoque mixto y metodología aplicada, se estructuró bajo el marco TDSP, abordando fases como comprensión del problema, modelado e implementación. Se utilizaron herramientas como Google Colab, Hugging Face, spaCy y PySentimiento, entrenando el AVI con datos históricos ciudadanos. El prototipo aplica clasificación de intención, análisis de sentimiento y extracción de entidades, apoyado en un repositorio de conocimiento para generar respuestas más precisas y reducir la carga operativa humana. Los AVIs representan una solución escalable para mejorar la atención ciudadana en el sector público, contribuyendo a la modernización del Estado y a una atención más eficiente, automatizada y centrada en el usuario.
- ÍtemAcceso AbiertoSistema Inteligente para optimizar la distribución de agua y prevenir problemas de baja presión mediante Modelos de Machine Learning(Universidad de Guayaquil - Facultad de Ciencias Matemáticas y Físicas - Carrera de Ingeniería Civil, 2025-06) Plúas Cruz Ronny Ítalo; Guijarro Rodríguez Alfonso AníbalEl estudio se centra en el Sistema Inteligente para optimizar la distribución de agua y prevenir problemas de baja presión mediante Modelos de Machine Learning en la provincia de Santa Elena. Los datos históricos obtenidos por Aguapen EP, generen para el período 2025 mejoras dentro del sistema de predicción de consumo de agua. Cuenta con un Dataset de 74.409 registros de usuarios, donde 110 fueron los atributos que se relacionaron con el consumo, facturación, presión ubicación geográfica y tipo de cliente. Los datos históricos alcanzan 1.860.223 registro individuales y cuya representación oscila en los años 2023 al 2025, consolidando cerca de 25 observaciones mensuales, análisis que corroboran series temporales y lograr que el modelo a implementar sea supervisado en factores estacionales, demográficos y estacionales. Se lograron incorporar modelos de predicción SARIMAX, Regresión lineal, Prophet, Random Forest, XGBoost, LSTM, permitiendo establecer sistemas de alertas tempranas dentro de los picos de consumo.
- ÍtemAcceso AbiertoDesarrollo de modelos de aprendizaje automático y profundo para la detección remota de cultivos mediante imágenes satelitales multiespectrales.(Universidad de Guayaquil - Facultad de Ciencias Matemáticas y Físicas - Carrera de Ingeniería Civil, 2025-06) Triviño Zambrano Juan José; Patiño Pérez Darwin GuillermoEste estudio desarrolló una metodología multitemporal para la clasificación automatizada de cuatro cultivos en la provincia del Guayas (enero–abril de 2024) mediante imágenes multiespectrales PlanetScope. Se extrajeron estadísticos espectrales de las bandas e índices de vegetación por polígono, construyendo un conjunto de datos orientado a capturar patrones fenológicos. Se evaluaron cuatro modelos de aprendizaje automático (Random Forest, SVM, MLP y TabNet), alcanzando precisiones globales entre 90% y 92% y coeficientes Kappa de 0.87 a 0.89. Random Forest resaltó por su balance entre exactitud y eficiencia computacional. El análisis por cultivo reveló que arroz y maíz lograron altas tasas de acierto, mientras que banano presentó mayores retos de discriminación espectral. Estos resultados confirman que integrar teledetección multitemporal y algoritmos de machine learning constituye una herramienta precisa, escalable y reproducible para el monitoreo agrícola, con aplicaciones en seguridad alimentaria, planificación territorial y gestión sostenible de recursos naturales.
- ÍtemAcceso AbiertoModelo predictivo basado en inteligencia artificial para la detección temprana de la deserción estudiantil universitaria(Universidad de Guayaquil - Facultad de Ciencias Matemáticas y Físicas - Carrera de Ingeniería Civil, 2025-06) Rumbaut Rangel Dayron; Parrales Bravo Franklin RicardoLa investigación aborda la deserción estudiantil en programas universitarios en línea, problemática que compromete la calidad y sostenibilidad institucional. Se propuso desarrollar un modelo predictivo basado en inteligencia artificial para anticipar el riesgo de abandono académico, mediante el análisis de variables académicas, demográficas y socioeconómicas. Con enfoque cuantitativo y metodología CRISP-DM, se emplearon 12.685 registros del sistema académico institucional, aplicando técnicas de preprocesamiento, balanceo (SMOTE), selección de variables y validación cruzada. Se evaluaron ocho modelos de clasificación, destacándose XGBoost con una precisión del 94.3%, F1-score de 76.5% y AUC de 0.942. Se utilizó SHAP para asegurar la interpretabilidad del modelo y se diseñó una arquitectura de despliegue en la nube (Azure) con autenticación, API REST, dashboard y almacenamiento histórico. Se concluye que la inteligencia artificial permite construir soluciones predictivas precisas y aplicables, fortaleciendo la toma de decisiones institucionales basadas en evidencia y mejorando las estrategias de retención estudiantil.