Maestría en Ingeniería - Sistemas y Computación

URI permanente para esta colecciónhttps://repositorio.unal.edu.co/handle/unal/81877

Examinar

Mostrando 1 - 20 de 387

Modelo computacional para reconocimiento de entidades y relaciones en documentos en español
(Universidad Nacional de Colombia, 2026) Murillo Sossa, Viviana Sofia; León Guzmán, Elizabeth; Leon Guzman, Elizabeth [eleonguz]; Leon Guzman, Elizabeth [FZ1l9jMAAAAJ&hl]; Leon Guzman, Elizabeth [0009000434854976]; Leon Guzman, Elizabeth [Elizabeth-Leon-6]; Midas: Grupo de Investigación en Minería de Datos; Leon Guzman, Elizabeth [16643352800]
El Reconocimiento de Entidades Nombradas, con sus siglas en inglés (NER), ha estado ganando relevancia debido al constante crecimiento de la información no estructurada, especialmente en textos; esto ha aumentado el interés hacia la investigación de nuevas formas de extraer y representar los datos. Este trabajo no solo estuvo motivado por la necesidad de analizar grandes cantidades de datos, sino también por el reconocimiento de datos relevantes en documentos legales, específicamente en contratos públicos en Colombia. Se propone un modelo de grano fino para el reconocimiento de entidades y relaciones; este es un modelo creado a partir de redes neuronales recurrentes (Bi-LSTM), las cuales fueron entrenadas con un conjunto de datos conformado por 286 contratos públicos en Colombia, los cuales fueron etiquetados de forma manual usando 28 etiquetas del dominio legal bajo el estándar BIO. Además, con el propósito de ampliar el análisis sobre los textos, en esta investigación se desarrolla NER como la base para construir relaciones semánticas, a partir de la conformación de relaciones originadas desde tripletas y de la generación de una ontología definida para la representación de grafos de conocimiento, cuyo nodo central es la entidad contrato. (Texto tomado de la fuente)
Construcción de modelos de detección de fraude con Machine Learning
(Universidad Nacional de Colombia, 2026) Córdoba Trillos, Cristhian Enrique; Camargo Mendoza, Jorge Eliecer
En este trabajo se construyen y evalúan modelos de detección de fraude transaccional utilizando técnicas de Machine Learning sobre un conjunto de datos de transacciones con tarjetas de crédito. El problema abordado surge de la necesidad de identificar operaciones potencialmente fraudulentas dentro de bases de datos altamente desbalanceadas, donde la mayoría de registros corresponden a transacciones legítimas y los casos de fraude representan una proporción reducida. Esta situación genera un reto metodológico importante, dado que un modelo puede presentar un desempeño aparentemente adecuado en términos generales, pero fallar en la detección de la clase de mayor interés. Para abordar este problema, se desarrolló un flujo de trabajo que incluye la caracterización del conjunto de datos, el tratamiento de variables transaccionales, la ingeniería de características, la división temporal de los datos, la implementación de diferentes familias de modelos y la evaluación comparativa mediante métricas apropiadas para escenarios desbalanceados. El proceso permitió analizar modelos basados en reglas, modelos lineales, árboles de decisión, métodos de ensamble, modelos de boosting, redes neuronales y estrategias asociadas al tratamiento del desbalance de clases. Los resultados muestran que la detección de fraude no depende únicamente del algoritmo utilizado, sino de la construcción completa del flujo de modelamiento. En particular, la preparación de datos, la selección de variables, el manejo del desbalance y la definición del umbral de clasificación resultan elementos fundamentales para obtener modelos más útiles en este tipo de problemas. Así, el trabajo aporta una aproximación reproducible para la construcción y comparación de modelos de detección de fraude transaccional, entendiendo estos modelos como herramientas de apoyo para priorizar alertas y fortalecer los procesos de análisis en contextos financieros. El modelo final seleccionado correspondió a XGBoost con un subconjunto de 100 variables y una estrategia de ponderación basada en scale_pos_weight_manual. En la evaluación final sobre el conjunto de prueba, usando un umbral de clasificación de 0,71, el modelo obtuvo un PR-AUC de 0,661, un ROC-AUC de 0,999, una precisión de 0,391, un recall de 0,808 y un F1-score de 0,527. Estos resultados muestran que el modelo logra identificar una proporción importante de fraudes reales, aunque con una cantidad de falsos positivos que debe interpretarse desde una perspectiva operativa. (Texto tomado de la fuente)
Machine learning with quantum kernel mixtures : a categorical perspective
(Universidad Nacional de Colombia, 2025) Gomez Neira, Cristhian Camilo; Gonzalez Osorio, Fabio Augusto; Rodríguez, Arles; Toledo-Cortés, Santiago
Density matrices, originally developed in quantum theory, are used to represent both pure and mixed quantum states through the framework of linear algebra. Beyond their role in quantum mechanics, they also serve as a compact representation of probability distributions, capturing both classical and quantum uncertainty in a system. A typical density matrix takes the form ρ = Σᵢ pᵢ|xᵢ⟩⟨xᵢ|, where pᵢ represents the classical probability distribution and |xᵢ⟩ encodes the quantum uncertainty of the state. This representation forms the foundation of the Kernel Density Matrix (KDM) inference algorithm, introduced by González et al. in the papers "Kernel Density Matrices for Probabilistic Deep Learning" and "Learning with Density Matrices and Random Features". In KDM, a dataset {(xᵢ, yᵢ)} ⊂ X × Y is embedded into quantum-like states, where each input xᵢ is represented as a quantum state |xᵢ⟩ and the associated probability pᵢ captures the underlying classical distribution. Rather than describing the state of a quantum system, the density matrix here serves as a computational tool to map distributions over the input space X to distributions over the output space Y. This perspective enables applications in classification, density estimation, data transformation, and other probabilistic inference tasks. To further understand and formalize the behavior of KDM models, we turn to category theory, which has proven to be a powerful mathematical language for expressing compositional structures and transformations, and has increasingly been applied to machine learning. In particular, it offers a principled way to describe inference, learning, and probabilistic reasoning using high-level abstractions such as functors, monads, and algebraic structures. This thesis explores the use of categorical structures—particularly Markov categories and monads—to enhance and generalize probabilistic inference through Kernel Density Matrices. We present a factorization of the distribution monad using projection and measurement functors, demonstrating their adjoint relationship and Eilenberg–Moore algebra structure. This categorical framework enables inference over Bayesian networks involving both discrete and continuous variables, leveraging kernels such as inner product and RBF. We also extend the theory to support continuous output spaces, allowing for smooth density estimation. The results highlight the expressiveness, differentiability, and composability of KDM-based models, providing a solid categorical foundation for practical machine learning tasks.
Herramienta de telemetría para la recopilación automática de métricas de rendimiento en tiempo de ejecución, en componentes de software con interfaces HTTP
(Universidad Nacional de Colombia, 2026-05-30) Dorado Lame, Daniel Estivenson; Vergara Vargas, Jeisson Andrés; Agudelo Rojas, Óscar; Colectivo de Investigación en Ingeniería de Software Colswe
La creciente adopción de arquitecturas distribuidas, microservicios y despliegues basados en contenedores ha incrementado la complejidad operacional de los sistemas de software modernos. En este contexto, la observabilidad se ha convertido en un requisito fundamental para comprender el comportamiento dinámico de los componentes, diagnosticar problemas de rendimiento y garantizar niveles adecuados de confiabilidad. No obstante, la adopción de soluciones tradicionales basadas en instrumentación directa del código enfrenta desafíos importantes, tales como la intrusividad, el overhead en tiempo de ejecución, la dificultad de integración en sistemas legados y la heterogeneidad tecnológica. Este trabajo aborda dicha problemática mediante el diseño e implementación de una herramienta de telemetría no intrusiva orientada a componentes que exponen interfaces HTTP. La herramienta propuesta encapsula el componente a evaluar y un reverse proxy que intercepta las solicitudes HTTP, mide métricas como latencia, tasa de éxito/error y throughput, y exporta la información recolectada en un formato compatible con el ecosistema OpenTelemetry. El diseño incorpora un modelo de configuración declarativo de alto nivel y un generador automático de configuraciones que traduce dicho modelo en archivos operativos para el proxy. Esta aproximación permite habilitar capacidades de observabilidad sin modificar el código del componente observado, preservando así la no intrusividad y reduciendo el costo de adopción. En conclusión, el trabajo demuestra que es posible construir un mecanismo de observabilidad ligero, configurable y alineado con estándares abiertos, capaz de integrarse con el ecosistema actual de telemetría sin intervenir el código fuente de los servicios observados. Asimismo, se identifican oportunidades de mejora relacionadas con la ampliación del soporte a otros protocolos, la optimización del muestreo y la extensión hacia métricas más avanzadas o entornos de mayor escala. (Texto tomado de la fuente)
Implementación de un sistema de monitorización y detección inteligente de anomalías en métricas de servidores mediante modelos de machine learning
(Universidad Nacional de Colombia, 2025) Moreno Valbuena, Cristian Camilo; Camargo Mendoza, Jorge Eliecer
La administración de infraestructuras de servidores, especialmente a gran escala, representa un desafío constante para las organizaciones debido a la necesidad de garantizar alta disponibilidad y continuidad operativa. Las fallas por uso sostenido del hardware, consumo excesivo de recursos y herramientas de monitoreo ineficientes impactan directamente en la calidad del servicio. Este trabajo tiene como objetivo implementar un modelo de observabilidad para entornos on-premise que permita recopilar métricas críticas de los servidores y generar alertas en tiempo real mediante el uso de tecnologías existentes. Además, se incorpora una capa de aprendizaje automático para la detección de patrones anómalos, lo cual contribuye a la prevención proactiva de fallos. La solución propuesta busca resolver los problemas derivados de arquitecturas de monitoreo fragmentadas y poco integradas, como las evidenciadas en un caso real con un cliente de la cartera de la empresa donde se desarrolló esta práctica profesional. Para ello, se seleccionaron herramientas de monitoreo compatibles con bases de datos de series de tiempo, se entrenaron modelos de Machine Learning, y se evaluó su desempeño mediante criterios como precisión visual, tiempos de ejecución y escalabilidad. Modelos como DBSCAN e Isolation Forest demostraron ser adecuados y complementarios, destacándose según el tipo de métrica evaluada y las necesidades operativas del entorno, constituyendo una solución adaptable y confiable para el monitoreo y la gestión de infraestructuras tecnológicas complejas. (Texto tomado de la fuente)
Formalización y caracterización de algoritmos estocásticos de optimización adaptativos
(Universidad Nacional de Colombia, 2025) Rivera Morales, Carlos Andres; Gómez Perdomo, Jonatan; Rivera Morales, Carlos Andres [moqqWNgAAAAJ]; Rivera Morales, Carlos Andres [0000000157154420]; Alife: Grupo de Investigación en Vida Artificial
El estudio de las propiedades teóricas de algoritmos evolutivos permite determinar su idoneidad para resolver problemas de optimización específicos. Dentro de los algoritmos estocásticos de optimización global se encuentran los adaptativos (o no estacionarios), en los que la distribución de probabilidad de las transiciones entre soluciones varía en el tiempo. Esta tesis aborda dichos algoritmos, extendiendo la teoría existente de algoritmos estocásticos de optimización global desde procesos estacionarios hacia los no estacionarios. Para lograrlo, se siguieron varios pasos clave. Primero, se realiza un estudio de la teoría existente de algoritmos estocásticos estacionarios de optimización global. Segundo, se presenta la extensión de la teoría al pasar de algoritmos estacionarios hacia los no-estacionarios, Tercero, se desarrolla la teoría necesaria para definir operaciones aritméticas en términos de kernels. Cuarto, se caracterizan algunas operaciones clásicas de selección y combinación en algoritmos evolutivos en términos de kernels de Markov. Finalmente, se formalizan y caracterizan los algoritmos recocido simulado y estrategias evolutivas utilizando el framework sistemático desarrollado en este trabajo. (Texto tomado de la fuente)
Modelo de Inteligencia artificial de predicción de latencia en sistemas con arquitectura de microservicios desplegados en la nube
(Universidad Nacional de Colombia, 2026-07-01) Ramos López, Juan David; Rodríguez Portela, Arles Ernesto; [0000-0003-4910-6773]; Vergara Vargas, Jeisson Andres; Ortiz Trivino, Jorge Eduardo; Discremath: Matemáticas Discretas y Ciencias de la Computación; [57143332700]
La predicción de la latencia en arquitecturas de microservicios desplegadas en la nube constituye un desafío debido a la naturaleza distribuida del sistema y a la interacción dinámica entre sus componentes. La latencia depende no solo del consumo de recursos individuales —como el uso de CPU o memoria—, sino también del patrón de dependencias y llamados entre microservicios. Ignorar esta estructura puede limitar la capacidad predictiva de los modelos basados únicamente en métricas de uso del sistema. En esta tesis se propone un modelo de inteligencia artificial para predecir la latencia a partir de datos históricos y de configuración, incorporando información estructural derivada del grafo de llamados entre microservicios. Para ello, se reconstruyó el grafo asociado a cada petición y se calcularon métricas estructurales, incluyendo medidas de centralidad y detección de comunidades. Dichas métricas fueron integradas con variables tradicionales de uso de recursos, conformando un conjunto de datos enriquecido. Se evaluaron cinco arquitecturas de aprendizaje supervisado —Regresión Lineal, Árbol de Decisión, Random Forest, XGBoost y una red neuronal recurrente LSTM— bajo dos escenarios experimentales: uno limitado a métricas de infraestructura y otro potenciado por el enriquecimiento estructural. El desempeño se cuantificó mediante las métricas MAE, RMSE y $R^2$, mientras que la relevancia de las características se validó mediante la teoría de juegos cooperativos utilizando valores SHAP. Los resultados muestran que la incorporación de información estructural mejora el desempeño predictivo en la mayoría de los modelos evaluados, evidenciando que la latencia en sistemas distribuidos está influenciada por la topología dinámica de las interacciones entre microservicios. Este trabajo aporta evidencia empírica sobre la relevancia de integrar propiedades topológicas en modelos de predicción de desempeño y plantea su posible aplicación en mecanismos de aprovisionamiento automático para contribuir al cumplimiento de acuerdos de nivel de servicio en infraestructuras de nube de alta complejidad. (Texto tomado de la fuente)
Desarrollo de agente de software multimodal como interfaz humano-máquina para robot de servicio en funciones de atención a la mesa
(Universidad Nacional de Colombia, 2025-06-19) Delgado Salazar, Jhon Felipe; Niño Vásquez, Luis Fernando; [0000343846]; [0009000045941670]; [0000000347030007]; laboratorio de Investigación en Sistemas Inteligentes Lisi
Este trabajo presenta el desarrollo de un agente de software multimodal que funciona como interfaz humano-máquina para robots de servicio en funciones de atención a la mesa. El objetivo principal es mejorar la calidad de interacción entre los robots meseros y los clientes, abordando limitaciones en la comunicación en lenguaje natural y la percepción de empatía. Mediante metodología mixta, se implementó una interfaz con avatar virtual, un sistema de gestión de pedidos y un módulo de procesamiento multimodal que integra técnicas de procesamiento de lenguaje natural y análisis de sentimiento basadas en modelos de lenguaje de gran escala. Los resultados muestran mejoras significativas en la interacción natural, eficiencia operativa y satisfacción del cliente, contribuyendo al avance en la integración de robots de servicio en la industria de la hosteleria. (Texto tomado de la fuente)
Detección de la evasión en los puntos de validación de pago por torniquete del sistema de transporte Transmilenio
(Universidad Nacional de Colombia, 2026) Molina Borray, Laura Camila; Pedraza Bonilla, César Augusto; Arévalo Murillo, Andrés Ricardo
La evasión del pago del pasaje al ingresar por los torniquetes del Sistema de Transporte Público TransMilenio de Bogotá representa una problemática que afecta tanto la sostenibilidad financiera del sistema como la percepción de calidad del servicio por parte de los usuarios. La diversidad de modalidades de evasión y las condiciones propias de las estaciones, como la alta afluencia de personas, las oclusiones y la variabilidad en la iluminación, limitan la efectividad de los métodos tradicionales de control y supervisión. El objetivo de este trabajo es desarrollar un método para la detección automática de evasores de pago al ingresar al sistema TransMilenio mediante el uso de técnicas de Machine Learning aplicadas a la analítica de video. Se identifican y analizan algoritmos de detección de personas, estimación de pose humana y segmentación de instancias, entre los que se incluyen YOLOv11, Grounding DINO combinado con SAM, ViTPose, ViTPose++ y Mask RCNN. A partir de este análisis, se diseña un método computacional orientado a la detección de una modalidad de evasión por torniquete. Finalmente, el método es evaluado mediante validación cruzada sobre un conjunto de datos histórico compuesto por videos del sistema TransMilenio. (Texto tomado de la fuente)
Mejora del proceso de producción de Clinker mediante la implementación de un modelo de predicción del porcentaje de cal libre (f-CaO)
(Universidad Nacional de Colombia, 2025) Hernández León, Iván Herney; González Osorio, Fabio Augusto; Restrepo Calle, Felipe
El contenido de óxido de calcio libre (f-CaO) es un indicador crítico de calidad en la producción de clinker de la industria cementera que influye directamente en las propiedades mecánicas y el desempeño del producto final. Su medición representa un desafío debido a las condiciones del proceso productivo. Actualmente, el monitoreo se realiza mediante análisis de laboratorio con intervalos de muestreo de aproximadamente dos horas. El proceso de clinkerización constituye un sistema complejo, altamente no lineal y con fuerte acoplamiento entre variables. Este trabajo presenta la implementación de un modelo predictivo de f-CaO, funcionando como un sensor blando para realizar el monitoreo indirecto de manera continua. La metodología se fundamenta en el análisis de datos históricos del proceso de producción de una planta cementera y el desarrollo de un modelo de regresión supervisado. El desempeño se evaluó mediante el error cuadrático medio (RMSE) y el coeficiente de determinación (R²). El modelo desarrollado demostró precisión suficiente para aplicación industrial, reduciendo significativamente el tiempo de respuesta comparado con análisis tradicionales. El desarrollo de este modelo contribuye a la mejora de la eficiencia operacional, la estabilización de la calidad del producto del proceso de producción de clinker. (Texto tomado de la fuente)
Sistema de recomendación de productos basado en inteligencia artificial mediante el procesamiento de datos en hojas de cálculo
(Universidad Nacional de Colombia, 2025-05-27) Garcia Camargo, Jose Fabian; Niño Vásquez, Luis Fernando; Vergara Vargas, Jeisson Andres; laboratorio de Investigación en Sistemas Inteligentes Lisi
El crecimiento exponencial del comercio electrónico ha generado una demanda de asistencia personalizada y continua para los clientes. Sin embargo, la fragmentación y heterogeneidad de los datos de productos representan un obstáculo crítico para la implementación efectiva de sistemas de recomendación inteligentes. Este trabajo aborda dicha problemática mediante el desarrollo de un sistema de recomendación de productos tecnológicos que utiliza agentes autónomos de inteligencia artificial. El sistema fue diseñado con la capacidad de navegar, interpretar e integrar información proveniente de múltiples fuentes de datos heterogéneas, con un enfoque en hojas de cálculo. Su arquitectura modular incorpora agentes especializados para la interacción conversacional proactiva, el procesamiento de datos y la generación de recomendaciones. La validación experimental del sistema, realizada en un entorno de 20 escenarios de prueba, demostró una tasa de éxito del 95% en la recuperación de información relevante y un tiempo promedio de búsqueda de 0.028 segundos. Asimismo, el agente de perfilamiento alcanzó una precisión de extracción del 77.3%, confirmando la viabilidad de la solución para optimizar la experiencia del usuario y apoyar decisiones de compra en tiempo real. (Texto tomado de la fuente)
Desarrollo de un modelo de Machine Learning para pronosticar productividad agrícola
(Universidad Nacional de Colombia, 2026) Gutierrez Fonseca, Fellhipe Lorenzzo; González Osorio, Fabio Augusto; León Guzmán, Elizabeth; Mindlab
El pronóstico del rendimiento agrícola busca anticipar decisiones que de otro modo se tomarían a ciegas o demasiado tarde, por parte de productores, agentes del mercado y/o responsables de política pública. En particular, permite tomar mejores decisiones de siembra, manejo, comercialización y diseño de políticas antes de que la cosecha ocurra, por tanto, adquiere especial relevancia en un contexto donde el clima es variable y es deseable reducir los márgenes de error en las decisiones agrícolas. Dado lo anterior, la estimación anticipada del rendimiento se ha consolidado como un insumo fundamental para la planificación productiva, la gestión de riesgos climáticos y la toma de decisiones en política alimentaria. Su importancia se acentúa al considerar que un grupo reducido de cultivos básicos (entre ellos el trigo, el maíz y la soya) concentra una proporción sustancial del consumo calórico mundial, lo que convierte a sus rendimientos en un determinante significativo de la seguridad alimentaria global. El objeto de este trabajo final de maestría es la estimación de rendimiento agrícola mediante aprendizaje profundo y datos climáticos de alta resolución. Al integrar series temporales semanales de variables meteorológicas (temperatura, precipitación, humedad, radiación solar, suma térmica y estrés térmico) con registros agrícolas a nivel de condado, el modelo permite identificar patrones climático-productivos relevantes a lo largo del ciclo de cultivo. La metodología sigue el marco CRISP-DM, con énfasis en la ingeniería de características climáticas agregadas que actúan como proxies de condiciones fenológicas relevantes, la normalización específica por cultivo y una división temporal estratificada por año, con la meta de garantizar una evaluación realista y libre de fugas de datos. Se prioriza la interpretabilidad y escalabilidad mediante el uso de datos estructurados y accesibles, sin recurrir a imágenes satelitales en un principio. Se propone una arquitectura basada en GRU y Atención Multi-Cabeza que procesa secuencias climáticas semanales y las combina con un embedding de cultivo para modelar dinámicas fisiológicas específicas por especie. Este diseño permite especializar los resultados sin duplicar completamente la red, mejorando eficiencia y capacidad de generalización. Constituye una exploración experimental de modelos secuenciales para el pronóstico de rendimiento agrícola, destacando patrones temporales aprendidos y su relación con momentos críticos del ciclo de cultivo. No se afirma que el modelo sea superior en todos los escenarios, ni que sustituya otros enfoques, sino que ofrece una opción basada en datos climáticos estructurados y arquitecturas interpretables. El enfoque propuesto permite transicionar de un sistema de nowcasting (estimación post-cosecha) a uno de forecasting (pronóstico operativo con anticipación), mediante la definición de horizontes predictivos específicos por cultivo, derivados del análisis de los picos de atención. Los resultados se evaluaron con métricas que incluyen el coeficiente de determinación (R²), el error absoluto medio (MAE), el Error Porcentual Absoluto Medio Simétrico (SMAPE), y la proporción de estimaciones que caen dentro del 10 %, 15 % y 20 % del valor real a nivel de cultivo (una medida de precisión operativa útil para agricultores y entidades de planificación), demostrando su utilidad práctica potencial para la toma de decisiones en agricultura de precisión. Los modelos logran un desempeño competitivo (con coeficientes de correlación de Pearson entre 0.68 y 0.76 en el forecaster, R² de hasta 0.67 en el nowcaster y tasas de acierto superiores al 52 % dentro del 15 % de error relativo en escenarios operativos), y además identifica posibles patrones temporales significativos, reflejados en picos de atención que ocurren en intervalos típicos de desarrollo del cultivo, sin requerir anotaciones fenológicas adicionales. Las estimaciones obtenidas podrían utilizarse como apoyo en la identificación de años con rendimientos atípicos o en el análisis de la sensibilidad climática a lo largo del ciclo. A diferencia de algunos enfoques basados en teledetección, este modelo utiliza series temporales completas de variables meteorológicas, evitando interrupciones por cobertura nubosa. El mecanismo de atención permite examinar qué semanas tuvieron mayor influencia en cada pronóstico, lo que facilita un análisis cualitativo del comportamiento del modelo. (Texto tomado de la fuente)
Desarrollo de un modelo de gestión de datos IIoT para procesos de mantenimiento predictivo en sistemas neumáticos
(Universidad Nacional de Colombia, 2026) Ramírez Moreno, Sergio Enrique; Cangrejo Aljure, Libia Denise; Ramírez Moreno, Sergio Enrique [0001697306]; Ramírez Moreno, Sergio Enrique [TU_g4KsAAAAJ&hl]; Ramírez Moreno, Sergio Enrique [0009000298471267]; Ramírez Moreno, Sergio Enrique [Sergio-Ramirez-Moreno]; ANGeoSC
Los escapes de aire son una falla común en todos los sistemas de aire comprimido, ocasionando pérdidas significativas en la operación muchas máquinas neumáticas; sin embargo, la implementación de sistemas de mantenimiento predictivo a nivel mundial es tardía, y la información sobre el monitoreo basado en la condición bajo el paradigma del Internet Industrial de las Cosas (IIoT) para la detección de fugas es muy escasa. En esta tesis se desarrolló un modelo de gestión de datos, mediante el diseño, implementación, verificación y validación de un sistema IIoT que utiliza una arquitectura de tres niveles, basado en la Arquitectura de Referencia del Consorcio de Internet Industrial (IIRA-IIC). El modelo de gestión de datos desarrollado se encarga tanto de la adquisición de señales, como su procesamiento, almacenamiento, análisis y toma de decisiones con base en los datos recolectados. Se realizaron un total de 60 pruebas experimentales en un circuito neumático construido usando el kit FESTO TP201 disponible en la ETITC, variando la presión total de trabajo (2-2,5 bar) y la caída de presión (50 – 150 mbar) aplicando fugas simuladas en diferentes puntos del circuito. Se comprobó el correcto funcionamiento del sistema de captura que recopiló correctamente los datos de los sensores de presión y caudal, los estados de los sensores de proximidad y el estado de las electroválvulas, y los almacenó en un archivo CSV. Los datos fueron analizados con MATLAB® en donde se determinó la fuga mediante el método de las sumas acumulativas (CuSum) como indicador de condición. Se verificó la comunicación entre todos los elementos y el funcionamiento del sistema de diagnóstico de fugas desarrollado en NodeRED que alertó la condición de fuga. Se obtuvo un éxito de la detección del 86% de los casos con los sensores de presión y del 82% con el sensor de caudal, validándose la utilidad del modelo para la detección de fugas de aire en las condiciones de estudio. (Texto tomado de la fuente)
Desarrollo de un sistema basado en un modelo de lenguaje grande para el análisis de los procesos de contratación pública en SECOP II
(Universidad Nacional de Colombia, 2026-05-07) Mateus Rodríguez, Edwin Alejandro; Gonzalez Osorio, Fabio Augusto
El Sistema Electrónico para la Contratación Pública (SECOP) representa la plataforma oficial en Colombia que se utiliza para registrar, hacer pública y administrar los procesos de contratación pública. Su propósito principal es fomentar la transparencia, eficiencia y control en la administración de los recursos estatales, asegurando el acceso equitativo a la información para entidades públicas, empresas privadas y ciudadanos. En esta plataforma se almacena información clave sobre las interacciones entre entidades y proveedores, abarcando desde la adjudicación hasta la ejecución contractual. Este proyecto tiene como meta crear un sistema novedoso fundamentado en grandes modelos de lenguaje (LLMs) que posibilite acceder, consultar y analizar de forma natural y eficiente la información presente en SECOP II. A través del uso de técnicas de procesamiento de lenguaje natural, se busca facilitar la interacción de los usuarios con la información pública, optimizando la toma de decisiones y promoviendo la transparencia y buenas prácticas en la contratación estatal. La presente investigación detalla la arquitectura y puesta en marcha de una solución tecnológica para el análisis de datos de SECOP II. En lugar de una simple descripción teórica, aquí se expone cómo se definieron los criterios del sistema y la posterior integración de un modelo LLM para la interpretación de grandes volúmenes de texto. La metodología incluyó el despliegue de un tablero visual interactivo y un riguroso protocolo de pruebas que confirmó la utilidad de la herramienta. El resultado final demuestra que es posible convertir la complejidad de la contratación pública en un recurso accionable para el fortalecimiento institucional. (Texto tomado de la fuente).
Automatización de pruebas de software mediante el uso de LLMs y agentes LLM
(Universidad Nacional de Colombia, 2026) Arenas Jimenez, Yosman Alexis; Gómez Jaramillo, Francisco Albeiro
En el contexto actual del desarrollo de software, la garantía de calidad mediante pruebas efectivas se ha vuelto fundamental para entregar productos robustos y confiables. Tradicionalmente, las pruebas de software han dependido en gran medida del trabajo manual de los analistas de calidad, un enfoque que, aunque valioso, puede resultar costoso en términos de tiempo y recursos, especialmente en ciclos de desarrollo acelerados. La aparición de los Modelos Grandes de Lenguaje (Large Language Models - LLMs) y los agentes basados en LLMs presenta nuevas oportunidades para transformar los procesos de pruebas de software. Esta tesis presenta un estudio experimental comparativo que evalúa la eficiencia y calidad de tres enfoques diferentes para la generación y ejecución de pruebas de software: métodos tradicionales manuales, LLMs directos y agentes basados en LLMs. El estudio se desarrolló utilizando Saleor Dashboard, una plataforma de e-commerce de código abierto desarrollada en TypeScript y ReactJS, como caso de estudio representativo. La metodología experimental incluyó la implementación de pruebas unitarias y funcionales bajo cada uno de los tres enfoques, midiendo métricas de eficiencia (tiempo de generación, tiempo de ejecución, tasa de validez) y calidad (tasa de éxito, cobertura de código, cobertura de funcionalidad, tasa de detección de defectos). Los resultados obtenidos sugieren que las estrategias que combinan desarrolladores expertos y LLMs proveen los mejores desempeños en tareas de automatización de construcción de pruebas de software. Este hallazgo puede informar a las organizaciones para tomar decisiones informadas sobre la adopción de tecnologías basadas en LLMs en sus procesos de aseguramiento de calidad del software. (Texto tomado de la fuente)
Modelo de evolución arquitectónica orientado a la capacidad de modificación en un sistema heredado de factoring electrónico
(Universidad Nacional de Colombia, 2026) Suárez Suárez, Santiago; Vergara Vargas, Jeisson Andrés; Restrepo Calle, Felipe; Colectivo de Investigación en Ingeniería de Software Colswe
Este trabajo final de maestría desarrolla un modelo de evolución arquitectónica fundamentado en la Ingeniería Dirigida por Modelos (MDE), diseñado específicamente para abordar la deuda técnica y mejorar la capacidad de modificación en sistemas heredados de misión crítica. Tomando como estudio de caso la plataforma de factoring electrónico eBill Factoring, se propone un marco metodológico que transita desde un diagnóstico automatizado basado en grafos hacia una arquitectura optimizada bajo el paradigma de Arquitectura Limpia. El proceso integra el uso de vistas arquitectónicas para establecer una línea base medida a través de métricas de acoplamiento e inestabilidad. Mediante la ejecución de transformaciones de modelo a modelo (M2M), el sistema automatiza la reestructuración de componentes que presentan degradación estructural, aplicando estrategias de inversión de dependencias y aislamiento del legado a través de capas de mediación. La validación, realizada mediante escenarios de calidad, demostró una reducción significativa del impacto ante cambios tecnológicos y el blindaje efectivo de la lógica de negocio moderna frente a la volatilidad del núcleo heredado. (Texto tomado de la fuente)
Modelo basado en LLMs para apoyar la toma de decisiones en el triaje médico
(Universidad Nacional de Colombia, 2026) Martin Salcedo, Alejandro; Rodríguez Portela, Arles Ernesto; Rodríguez Portela, Arles Ernesto [0000536636]; Rodríguez Portela, Arles Ernesto [ck6NRGkAAAAJ&hl]; Rodríguez Portela, Arles Ernesto [0000000349106773]; Rodríguez Portela, Arles Ernesto [Arles-Rodriguez]
La creciente demanda en los servicios de urgencias y la necesidad de realizar procesos de triaje eficientes, consistentes y alineados con criterios clínicos estructurados representan un desafío para los sistemas de salud, particularmente en la estimación adecuada de los recursos y en el apoyo al razonamiento clínico para la correcta priorización del paciente durante la atención. En este contexto, el presente trabajo tuvo como objetivo desarrollar y evaluar un sistema basado en agentes sustentado en modelos de lenguaje de gran escala (LLMs), integrado con un esquema de recuperación aumentada (RAG), orientado al apoyo en la estimación de recursos y en la estructuración del razonamiento clínico para la priorización del paciente bajo el protocolo de triaje Emergency Severity Index (ESI). Se diseñó una arquitectura híbrida que combina generación de texto y recuperación contextual de información clínica, junto con una estrategia de estructuración progresiva del prompt alineada con el flujo de decisión del triaje. La evaluación se realizó mediante un enfoque técnico-clínico que incluyó métricas computacionales de similitud semántica y fidelidad del sistema, junto con validación por un médico con experiencia en triaje, considerando múltiples experimentos con dos variantes de prompt y tres modelos de lenguaje. Los resultados evidencian mejoras en la coherencia del razonamiento y una concordancia moderada con el criterio clínico, destacando el potencial de estos sistemas como herramientas de apoyo en la toma de decisiones bajo supervisión profesional. (Texto tomado de la fuente)
Interfaz conversacional con inteligencia artificial generativa para consultar el estado de servicios en Amazon Web Services (AWS)
(Universidad Nacional de Colombia, 2025) Diaz Cardozo, Karen Julieth; Umaña Acosta, Henry Roberto; Ortega Melo, Luis Fernando
El crecimiento exponencial en la adopción de servicios en la nube ha generado desafíos críticos en el monitoreo y control de costos, particularmente para personal no técnico. El 48% de las empresas identifican la falta de conocimiento técnico como la principal barrera para una gestión eficiente de recursos cloud, resultando en pérdidas económicas significativas. Este trabajo presenta el diseño, desarrollo y validación de una interfaz conversacional basada en inteligencia artificial generativa para consultar métricas de costos y datos organizacionales en Amazon Web Services. La investigación adoptó un enfoque aplicado con tres ciclos de desarrollo iterativo e incremental. La arquitectura integra un agente conversacional orquestado mediante LangGraph sobre el modelo Gemini 2.5 Pro, implementando el patrón cognitivo ReAct. La contribución arquitectónica principal radica en la adopción del estándar Model Context Protocol, que desacopla la lógica del agente de las APIs de AWS mediante servidores MCP especializados en documentación, costos, precios y presupuestos. La validación mediante una prueba de concepto en un entorno productivo corporativo, ejecutando 100 pruebas funcionales con datos financieros reales, demostró 90.91% de exactitud al contrastar respuestas con las APIs oficiales de AWS. El análisis identificó oportunidades de mejora en consultas con múltiples filtros simultáneos y agregaciones complejas. Este trabajo demuestra que la integración de modelos de lenguaje con arquitecturas basadas en herramientas especializadas constituye una aproximación técnicamente viable para facilitar el acceso a información financiera de infraestructura cloud, sentando bases para un entorno de producción robusto, escalable y alineado con las necesidades de gestión de costos en la nube. (Texto tomado de la fuente)
Implementación de pruebas automatizadas utilizando inteligencia artificial generativa para la API de autenticación y autorización basada en OPENID
(Universidad Nacional de Colombia, 2026-04-28) Guiza Ortiz, Maria Camila; Umaña Acosta, Henry Roberto; Ortega, Luis Fernando; Colectivo de Investigación en Ingeniería de Software Colswe
Las pruebas de software constituyen un papel esencial del ciclo de vida de desarrollo de software ya que verifican que las aplicaciones funcionen de forma correcta, satisfagan las necesidades de los usuarios y proporcionen una buena experiencia de usuario. Con la adopción de prácticas modernas como Agile, DevOps y la integración y entrega continuas (CI/CD), se espera que los equipos de desarrollo lancen actualizaciones con mayor rapidez y frecuencia, lo que ha llevado al uso de herramientas de pruebas automatizadas y asistidas por IA, cuyo objetivo es mejorar la cobertura de las pruebas y acelerar el proceso de detección de errores (Akhtar, 2025). La gestión de identidades y accesos (IAM) propone un servicio web que ayuda a controlar todo el trabajo a través de métodos seguros y Keycloak es una plataforma de gestión de identidades y accesos de código centrada en aplicaciones modernas, como aplicaciones de una sola página, aplicaciones móviles y API REST (Thorgersen & Silva, 2023) la cual es utilizada por empresas para sus gestiones de acceso y proveedores. Por esto y en la actualidad, BLEND Colombia implementa la API OpenID para administrar los procesos de validación de identidad y permisos en sus sistemas. No obstante, la verificación de esta API se lleva a cabo manualmente, generando un gasto significativo de tiempo y esfuerzo en las actividades de pruebas. Por esta razón, se plantea desarrollar la automatización de las pruebas a través de Inteligencia Artificial Generativa. (Texto tomado de la fuente)
Impact of a set of resilience patterns on the performance of a microservice architecture
(Universidad Nacional de Colombia, 2026) Triana Garcia, Cristian Camilo; Vergara Vargas, Jeisson Andrés; Colectivo de Investigación en Ingeniería de Software Colswe
Microservice architectures offer scalability and flexibility, but because they are distributed systems, they are more exposed to partial failures and service unavailability. To deal with these problems, resilience patterns such as Circuit Breaker and Retry are widely used. However, their behavior depends strongly on the configuration of their parameters, and a bad configuration can cause performance problems instead of improvements. Even though these patterns are widely adopted, there is still limited experimental work that analyzes how their parameters interact under controlled failure scenarios. This work presents a controlled experimental evaluation of Circuit Breaker and Retry patterns in a microservice architecture. A Model-Driven Engineering approach is used to define the architecture and to generate multiple test configurations in a systematic way. The experiments focus on two failure scenarios: complete service unavailability and partial dependency failure with intermittent errors. Three configurations are compared: without resilience mechanisms, with Circuit Breaker only, and with Circuit Breaker combined with Retry. The evaluation uses response time and success rate as the main performance metrics. The results show that the Circuit Breaker pattern greatly reduces response time when a service is unavailable by avoiding repeated calls to a failing dependency, but it does not improve the success rate. When Retry is added, the success rate increases only in scenarios with partial failures, while the response time also increases due to repeated attempts. The experiments also show that parameters such as Failure Threshold and Sliding Window Size have a strong impact on the results, and their interaction creates a clear trade-off between availability and latency. Overall, this work shows that resilience patterns should not be configured or evaluated independently. Their parameters need to be coordinated in order to achieve a balance between fault tolerance and performance. The model-driven approach used in this work allows systematic and repeatable experiments, and provides practical insights for architects when designing resilient microservice-based systems.

Examinar

Envíos recientes