https://hdl.handle.net/20.500.12880/21 2026-04-04T09:03:24Z https://hdl.handle.net/20.500.12880/14097 Aplicación de inteligencia artificial a un sistema de trading en el par de divisas EURUSD Vezga Rueda, Ronald Javier "El presente estudio analiza el diseño, implementación y evaluación de un sistema de trading algorítmico aplicado al par de divisas EUR/USD, con el objetivo de mejorar la toma de decisiones mediante el uso de técnicas de inteligencia artificial. En un contexto financiero cada vez más dinámico y dominado por grandes volúmenes de datos, el uso de modelos de aprendizaje automático y procesamiento de lenguaje natural permite optimizar las estrategias de inversión, reducir la exposición al riesgo y aumentar la eficiencia operativa. El sistema desarrollado se apoya en una arquitectura modular basada en eventos e integra dos bloques de inteligencia artificial: un modelo de detección de anomalías (Isolation Forest), que permite filtrar situaciones de mercado no convencionales, y un modelo de lenguaje natural (transformer) que analiza noticias económicas para contextualizar las decisiones de trading. El trabajo incluye un análisis comparativo con datos históricos (backtesting) comparativo entre una estrategia clásica y otra enriquecida con IA, demostrando mejoras significativas en términos de rentabilidad ajustada al riesgo." 2025-07-01T00:00:00Z https://hdl.handle.net/20.500.12880/14094 Predicción de fibrosis hepática en pacientes con insuficiencia cardíaca mediante inteligencia artificial utilizando variables clínicas y el FibroScan como referencia diagnóstica Terán Betanco, Luis Stuhardo El presente Trabajo de Fin de Máster aborda la necesidad crítica de desarrollar métodos no invasivos para predecir la fibrosis hepática en pacientes con insuficiencia cardíaca, especialmente en escenarios donde el acceso al FibroScan es limitado. El estudio se propuso desarrollar un sistema basado en Machine Learning capaz de predecir la fibrosis hepática utilizando variables clínicas relevantes, complementadas con las mediciones del FibroScan como referencia diagnóstica. El proceso de desarrollo de estos modelos subraya la importancia fundamental de la experimentación y la validación iterativa. Se exploraron diversas vías, como la clasificación multiclase inicial, que, al revelar limitaciones por el desbalance de datos y la complejidad de grados intermedios, justificó la transición a un enfoque binario más aplicado. Este camino adaptativo permitió optimizar los modelos, priorizando el rendimiento en métricas específicas según el contexto clínico, como una alta sensibilidad para la detección de la enfermedad. La selección de variables de importancia se erigió como un paso crucial, no solo para mejorar la interpretabilidad de los modelos más sencillos, como la regresión logística, sino también para validar la relevancia clínica de los predictores identificados. En última instancia, este trabajo culmina en el desarrollo de herramientas basadas en inteligencia artificial que tienen el potencial de integrarse y enriquecer las investigaciones clínicas actuales. Resalta así la trascendencia de contar con especialistas que, trabajando activamente en estos modelos y explorando diversas estrategias, puedan traducir el potencial del Machine Learning en soluciones prácticas y significativas para el avance de la medicina. 2025-07-01T00:00:00Z https://hdl.handle.net/20.500.12880/14093 Transformers para la detección de sexismo en tweets con etiquetado ambiguo Riascos Luligo, Luisa Fernanda Este Trabajo de Fin de Máster aborda el desafío de la detección automática de sexismo en redes sociales, un problema caracterizado por la ambigüedad del lenguaje y la subjetividad de la interpretación. En el marco de la competición internacional EXIST 2025, se diseña, implementa y evalúa una novedosa arquitectura híbrida que fusiona dos paradigmas de la inteligencia artificial. Por un lado, se optimiza un modelo Transformer especializado (XLM-RoBERTa-Large) mediante ajuste fino avanzado y aprendizaje multi-tarea para la clasificación precisa de patrones explícitos. Por otro lado, se desarrolla un sistema de inferencia dinámica basado en un Modelo de Lenguaje Grande (Mistral) potenciado por una estrategia de Generación Aumentada por Recuperación (RAG) multi-etapa, diseñada para resolver casos ambiguos mediante la inyección de contexto en tiempo real. Los resultados experimentales, evaluados sobre el conjunto de datos de desarrollo, demuestran un claro trade-off: el Transformer especializado sobresale en la clasificación binaria (F1-Score de 0.81), mientras que el sistema híbrido es significativamente más robusto en la compleja tarea de clasificación de intención (ICM-Norm de 0.46 vs. 0.00 del Transformer). La contribución principal es una arquitectura sinérgica y explicable que combina la precisión del especialista con la capacidad de razonamiento del generalista, representando una solución más completa y resiliente para la moderación de contenido. 2025-09-01T00:00:00Z https://hdl.handle.net/20.500.12880/14092 Diseño de un sistema inteligente de agente conversacional para consultas académicas en entornos universitarios Ábalos Ramírez, Kevin Bryan Andrés Este trabajo presenta el diseño, implementación y evaluación de un agente conversacional orientado a tareas para el acceso a información académica y administrativa en educación superior. Partimos del problema de la fragmentación informativa en múltiples plataformas institucionales y de la sobrecarga de los canales tradicionales de atención. Metodológicamente, se adoptó CRISP-DM y se propuso una arquitectura modular con tres pilares: (i) ingesta y normalización documental (segmentación en chunks, metadatos y embeddings), (ii) recuperación semántica mediante Retrieval-Augmented Generation (RAG) sobre ChromaDB y OpenAIEmbeddings, y (iii) generación con un LLM (ChatOpenAI gpt-4o-mini) orquestado con LangChain (patrón ReAct) y expuesto vía interfaz web en Chainlit. El sistema prioriza trazabilidad y transparencia al citar explícitamente la fuente de cada respuesta. La validación se realizó con un benchmark de preguntas frecuentes institucionales en un escenario de chat testing. Los resultados muestran una precisión del 82,4%, cobertura del 91,7%, First Turn Resolution del 76,3% y latencia mediana de 6,2 s, evidenciando viabilidad técnica y experiencia de uso fluida para un despliegue inicial. La propuesta se alinea con la transformación digital universitaria y promueve accesibilidad y equidad en el acceso a la información. 2025-09-01T00:00:00Z