Ingeniería en Sistemas de Información

Permanent URI for this collectionhttp://48.217.138.120/handle/20.500.12272/5645

Browse

Filter results by typing the first few letters
Now showing 1 - 3 of 3
  • Thumbnail Image
    Item
    Desarrollo de prototipo de software para la extracción de características de convenios basado en Machine Learning y Procesamiento de Lenguaje Natural
    (2024) Pachecho Pilan, Federico Ignacio; Albino, Sebastián Jesús; Ballejos, Luciana Cristina; Gutiérrez, María de los Milagros; Pacchiotti, Mauro
    La gestión de proyectos en el ámbito de la UTN FRSF está a cargo de la SSGP, dependiente de la SEyC de la Facultad. Esta subsecretaría tiene a su cargo la creación de los distintos convenios que enmarcan el trabajo de los proyectos en los que se encuentran involucrados docentes, estudiantes y/o no docentes de la Facultad. Los convenios brindan detalles sobre las entidades firmantes y responsables, además de las tareas que se incluirán dentro del mismo. Estos convenios pueden ser Convenios Marco (en adelante, CM) o Convenios Específicos (en adelante, CE). Los CM describen una relación de trabajo colaborativa general entre la UTN FRSF y diversas organizaciones las cuales suponen, como su nombre indica, un marco de trabajo bajo el cual se amparan los posibles proyectos futuros que dichas organizaciones desarrollen en conjunto con la facultad. Los CE especifican los detalles de los proyectos mencionados anteriormente entre la facultad y otras organizaciones, así como los planes de trabajo con referencias temporales y fechas estimadas para la finalización de las tareas. Si bien todos los convenios se crean y almacenan en la Subsecretaría, en general, información relacionada a los mismos es requerida por otras áreas para el armado de informes y reportes, o bien, para consultas específicas. En estas situaciones es donde actualmente el trabajo de la Subsecretaría se vuelve tedioso, ya que esta información debe buscarse en los documentos de cada uno de los convenios, sin que la información esté registrada o almacenada de forma sistemática. Estas búsquedas en documentos ralentizan en gran medida los procedimientos donde cierta información relacionada a algún convenio es necesaria. Por tal motivo, y en virtud de favorecer y agilizar estos procedimientos, este PFC propone desarrollar un prototipo de herramienta que dé soporte a la recolección automática de características y datos de los convenios usando conceptos y herramientas de NLP y machine learning, permitiendo registrar su información y almacenarla automáticamente, facilitando así la carga y búsqueda de la misma y la generación de reportes.
  • Thumbnail Image
    Item
    Modelo de dinámica inversa : reconocimiento de acciones en videos en línea
    (2025-02-19) Lomazzi, Fernando Sebastián; Rivera, Lucio; Gerard, Matias Fernando; Ballejos, Luciana Cristina
    La dinámica inversa es una técnica orientada a determinar qué acciones o entradas provocaron un cambio específico en un sistema dinámico, partiendo de un estado final deseado. Esta metodología surgió en la robótica, donde se aplicó para calcular fuerzas y momentos necesarios para movimientos específicos en piezas mecánicas. Trabajos pioneros permitieron su aplicación tanto en robots rígidos como flexibles, extendiéndose luego a otras áreas como el control de aeronaves y la biomecánica humana. Con el tiempo, el enfoque fue adoptado en el aprendizaje automático. Allí, se usa para inferir las acciones responsables de ciertos resultados observados, aun cuando no se disponga de información directa sobre dichas acciones. Este principio se ha aplicado en desarrollos avanzados de inteligencia artificial, como el agente de Minecraft creado por OpenAI o los jugadores de Go y StarCraft II desarrollados por DeepMind. Los enfoques para abordar problemas de dinámica inversa se dividen en tres: - Analítico, que utiliza modelos matemáticos y resolución numérica; - Simulado, que se basa en entornos virtuales y prueba y error; - Aprendizaje supervisado, que entrena modelos para predecir entradas a partir de datos observacionales. Todos estos enfoques requieren alta capacidad de cómputo, y en el caso del aprendizaje supervisado, conjuntos de datos etiquetados de calidad. Este estudio propone explorar una alternativa más accesible, utilizando el videojuego Hollow Knight como entorno de experimentación. El objetivo es desarrollar modelos de dinámica inversa que demanden menos recursos computacionales, pero mantengan utilidad. La complejidad del juego y su motor físico lo convierten en un caso interesante para observar secuencias visuales y deducir las acciones que las causaron, manteniendo la lógica de secuencialidad y transformación típica de la dinámica inversa.
  • Thumbnail Image
    Item
    Prototipo de software basado en aprendizaje automático para mantenimiento predictivo de tableros eléctricos a partir de imágenes termográficas
    (2025) Cabaña, Juan Pablo; Kloster, Narella Katherine; Pacchiotti, Mauro; Ballejos, Luciana Cristina
    El mantenimiento predictivo se ha consolidado como una estrategia eficaz en la gestión de equipos y sistemas industriales, ya que permite anticipar fallas mediante revisiones periódicas. Esto ayuda a evitar interrupciones no planificadas, optimiza el rendimiento, prolonga la vida útil de los activos, reduce riesgos y minimiza costos de mantenimiento. Esta metodología se basa en tecnologías avanzadas que monitorean el estado de los sistemas, lo cual resulta especialmente relevante en equipos eléctricos como los tableros eléctricos, elementos críticos en la distribución de energía. Uno de los métodos más efectivos en este contexto es el uso de imágenes termográficas, que permiten detectar visualmente puntos calientes en circuitos y componentes eléctricos. Estas anomalías térmicas, como el sobrecalentamiento por conexiones defectuosas o componentes desgastados, pueden ser señales tempranas de fallas graves. Detectarlas a tiempo evita daños costosos, pérdidas en la producción y riesgos para la seguridad. Las cámaras termográficas capturan diferencias de temperatura en la superficie de los equipos, facilitando una localización precisa de problemas sin necesidad de intervenir directamente o desconectar el sistema. En este marco, el proyecto propone desarrollar un prototipo de software basado en aprendizaje automático para clasificar imágenes termográficas de tableros eléctricos. Su objetivo es determinar con anticipación cuándo será necesario realizar mantenimiento. Este tipo de herramienta facilitaría el trabajo de los analistas de mantenimiento predictivo, brindándoles una preclasificación automatizada de las imágenes que sirva como punto de partida para un análisis más detallado, mejorando la eficiencia en la detección y gestión de fallas.