Universidad Grado/Pregrado

Permanent URI for this community

https://repositorio.uai.edu.ar/handle/123456789/85

Browse

Browsing Universidad Grado/Pregrado by Subject "aprendizaje automático"
  • Item
    Asistente virtual con realidad aumentada para la banca mayorista del Banco Galicia
    ( 2021-5) Pin, Florencia Gisele
    La presente propuesta de intervención en el campo profesional tiene como objetivo plantear una solución tecnológica innovadora para la atención telefónica a clientes de banca mayorista del Banco Galicia. Para la formulación de este trabajo, se llevó a cabo un diagnóstico del proceso actual de atención al cliente con el fin de identificar falencias, irregularidades e ineficiencias de este. Se relevó el área de forma presencial y con la documentación pertinente a los procesos que se ejecutan en la misma. Luego, se realizó un análisis de la institución para entender los diferentes factores internos que pueden incidir en la propuesta a realizar. Pero no menos importante es el análisis de los factores externos que pudiesen condicionar a ésta. Una vez completado el análisis, se procedió a confeccionar una propuesta tecnológica con su respectivo plan de trabajo considerando las características de la organización y los requerimientos funcionales y no funcionales de la solución. La misma puede ser tomada por la institución para proceder con su ejecución
  • Item
    IA segura mediante IA TRiSM : reducción de ciberataques y brechas de seguridad
    ( 2023) Natale, Ariel Alejandro
    Resulta evidente el aumento de la influencia de la inteligencia artificial (IA) en nuestra vida cotidiana, tanto en el ámbito empresarial como en el personal. La seguridad en los modelos de IA se vuelve fundamental debido a la creciente amenaza de ciberataques que pueden afectar las tomas de decisiones. El objetivo principal de este estudio se centra en evaluar la efectividad de técnicas de defensa en los sistemas de IA para mitigar la amenaza de ciberataques. Para ello se examinó el marco de trabajo AI TRiSM: AI Trust, Risk, and Security Management, y como resultado de este trabajo se brinda una guía de buenas prácticas para su aplicación. En esta investigación se enfatizó la importancia de gestionar la confianza, el riesgo y la seguridad en la IA para abordar de manera proactiva cuestiones de gobernanza y cumplimiento. Además, se subraya la necesidad de brindar explicaciones claras sobre el funcionamiento de la IA y establecer controles de acceso para las herramientas de generación de IA. A través del análisis de casos de uso empresariales se pudo evidenciar que AI TRiSM ofrece una solución integral para abordar riesgos relacionados con la confidencialidad de los datos, mantener un monitoreo constante y protegerse contra ataques, promoviendo sistemas de IA confiables, equitativos y seguros en un entorno de regulaciones en constante evolución
  • Item
    Testing en big data y aprendizaje automático
    ( 2021-12) Granata, Nicolás Ezequiel
    La tecnología de big data y aprendizaje automático se ha convertido en uno de los temas de principal interés, no solo en el campo de la investigación sino también en las organizaciones, empresas de desarrollo de software y demanda del mundo moderno en general. Esto se debe a la posibilidad de obtener nuevos conocimientos mediante algoritmos complejos, a partir de grandes y diversos volúmenes de datos, los cuales continúan creciendo día a día. La implementación de los sistemas de big data y aprendizaje automático presentan un problema a la hora de realizar pruebas sobre estos, debido a la cantidad y diversidad de datos que se procesan y los resultados que se obtienen. Asimismo, estos tipos de sistemas son calificados dentro de los no testeables, teniendo en cuenta la no existencia de un oráculo específico que permita indicar si los resultados de los casos prueba son correctos. El presente trabajo tuvo como objetivo investigar las propuestas de pruebas en sistemas de big data y aprendizaje automático, mediante el análisis de las estrategias utilizadas por la comunidad en el área, haciendo especial foco en el acercamiento de pruebas metamórficas. Como aplicación práctica, se realizó un procedimiento de pruebas metamórficas en el cual se verificó el funcionamiento de un sistema de software que analiza, mediante reconocimiento automático, sentimientos de textos escritos en Twitter. Por otro lado, se realizó un segundo procedimiento donde se verificó el funcionamiento del motor de búsqueda de Google. A partir de la investigación realizada se concluyó que la generación de relaciones metamórficas, teniendo en cuenta el dominio del sistema, brindaron una solución posible al problema de la ejecución y verificación de pruebas
  • Item
    Técnicas de aprendizaje automático para la detección de spam
    ( 2023-7) Pisani, Nicolás Esteban
    El uso del correo electrónico es habitual en nuestras actividades profesionales, académicas o personales, pero no está exento de ser utilizado de forma malintencionada convirtiéndolo en uno de los principales vectores de infecciones, robo de información o publicidades no deseadas. Es necesario comprender la gravedad que estos ataques ocasionan, grandes pérdidas económicas y extorsiones se inician a través de este medio de comunicación. Los modelos de aprendizaje automático de inteligencia artificial se encuentran en auge para su identificación y categorización. Dichas técnicas, son empleadas para combatir al correo no deseado, pero no son infalibles y pueden seguir mejorándose. Es necesario continuar investigando en el área, para poder optimizar su rendimiento. En este sentido, el presente trabajo se enfocó en la puesta a prueba de seis algoritmos de clasificación para la detección de correo no deseado, buscando medir sus niveles de exactitud. Se construyó un conjunto inicial de datos, el cual fue sometido al proceso de aprendizaje. No fue fácil predecir su ejecución, para conocer el rendimiento de las distintas técnicas siempre fue necesario la puesta a prueba de estas. La investigación aporta resultados que servirán de referencia. Además, contiene en un único documento la comparación de las métricas entre sí. Los resultados muestran que los niveles de exactitud de los modelos son similares, el mejor rendimiento fue obtenido por Naive Bayes