DOCTORADO EN INFORMÁTICA

Permanent URI for this collection

https://repositorio.uai.edu.ar/handle/123456789/2914

Browse

Browsing DOCTORADO EN INFORMÁTICA by Subject "inteligencia artificial"
  • Item
    Analíticos visuales con inteligencia artificial aplicados en ciencia marina
    ( 2026-2-24) Ceballos, Luis Dario
    La presente tesis doctoral desarrolla un estudio integral sobre el diseño e implementación de sistemas de analítica automatizada aplicada en ciencia marina, integrando inteligencia artificial, tecnologías semánticas y visualización de datos. El trabajo presenta los fundamentos teóricos y metodológicos de la visualización de datos científicos y los modelos de lenguaje extensos (LLM), junto con una revisión del estado del arte en plataformas de visualización y la aplicación específica en datos de ciencia marina. Este análisis permite identificar una brecha significativa en los sistemas que combinan razonamiento semántico e interacción en interpretación de datos para generar representaciones visuales adecuadas de forma accesible. Con el objetivo de superar dicha brecha, se propone VisBot, un sistema experimental que integra la recomendación automatizada de analíticos visuales impulsada por inteligencia artificial aplicado en un caso de estudio que utiliza datos de biodiversidad marina. Esta tesis pretende contribuir al campo del desarrollo de herramientas de análisis visual automatizado con el fin de facilitar la exploración de datos, favorecer el descubrimiento de conocimiento y promover la convergencia entre datos complejos, inteligencia artificial y generación de visualizaciones accesibles para usuarios con diversos niveles de habilidad técnica.
  • Item
    Descubrimiento y diseño de microservicios asistido por IA a partir de requisitos textuales
    ( 2026-2-24) Narváez Flores, José Daniel
    Esta tesis investiga el problema de descubrir y diseñar arquitecturas de microservicios a partir de requisitos textuales mediante un enfoque generar–verificar. Se propone ArchiGenMS, un pipeline que integra: (i) modelos generativos guiados por prompt engineering y búsqueda evolutiva para producir candidatos arquitectónicos; y (ii) verificación formal en Lean junto con métricas estructurales (cohesión, granularidad y acoplamiento) para evaluar y certificar propiedades de calidad a nivel de diseño. La metodología se enmarca en Design Science Research (DSR), articulando un ciclo de relevancia (problema de diseño greenfield desde texto), un ciclo de rigor (síntesis sistemática del estado del arte y formalización de métricas) y un ciclo de diseño (construcción y evaluación del artefacto). El resultado es un proceso extremo a extremo que parte de historias de usuario y artefactos textuales, genera alternativas arquitectónicas consistentes y aplica garantías formales sobre restricciones estructurales y umbrales operacionales de calidad. La verificación formal no solo valida, sino que guía la búsqueda de soluciones hacia regiones del espacio arquitectónico con mayor cohesión, menor acoplamiento y granularidad adecuada, reduciendo diseños plausibles pero estructuralmente deficientes. Se presentan experimentos sobre conjuntos de requisitos en dominios heterogéneos, reportando:(a) convergencia del fitness evolutivo; (b) mejoras en las distribuciones de las métricas estructurales; (c) coste controlado de verificación por individuo; y (d) robustez mediante amenazas a la validez (constructo, interna, externa y de conclusión), control de semillas, y paquete de replicación. Las contribuciones son: (1) un artefacto verificable para el descubrimiento y diseño de microservicios desde texto; (2) una formalización reusable de métricas estructurales en Lean y su integración en una función de aptitud con penalizaciones suaves; (3) un protocolo experimental reproducible (código, prompts versionados y datos) que permite evaluar calidad arquitectónica en escenarios greenfield. Finalmente, se delinean líneas futuras en NFRs dinámicos, propiedades temporales y transferencia industrial.
  • Item
    Metodología integral de recomendación de revisores en revistas científicas sobre múltiples factores
    ( 2025) Decoppet, Guillermo Omar
    Un problema recurrente que afrontan los editores de revistas científicas es la elección adecuada de revisores pares para evaluar los trabajos enviados por la comunidad académica en vistas a su posible publicación. En la región latinoamericana una cantidad significativa de editores científicos realizan esta tarea de manera artesanal sin contar con herramientas automatizadas de apoyo. A los fines de subsanar esta vacancia, la presente tesis doctoral propone una metodología innovadora utilizando técnicas validadas de procesamiento del lenguaje natural. Se toma como caso de aplicación el repositorio institucional CONICET digital (Argentina) y se tiene principalmente en cuenta aspectos tales como la concordancia entre la temática del artículo y de los evaluadores seleccionados, la priorización de la experiencia del revisor en la temática en el orden de recomendación, la actualidad del conocimiento, la detección del conflicto de interés, la desambiguación de nombres, la autoridad y la realimentación con información histórica de revisiones pasadas. En esta dirección, se desarrolló un primer prototipo que realiza el procesamiento de la información necesaria con dicha metodología, a los fines de ofrecer el informe de recomendación. En síntesis, el aporte original de esta investigación se centra en una propuesta metodológica para el desarrollo de una solución dinámica con las características expuestas, que se inscribe como una herramienta asistida cuyos destinatarios son los editores expertos de revistas científicas que, como sistema con técnicas de IA, posibilita una búsqueda ágil y adecuada de revisores para aplicar al corpus de trabajos científicos a evaluar.