El trabajo de oficina se ha convertido en la ocupación más prevalente en la sociedad contemporánea, lo que requiere largas horas de comportamiento sedentario que puede conducir a la fatiga mental y física, incluyendo el riesgo de desarrollar trastornos musculoesqueléticos (TME). Para abordar este problema, hemos propuesto un sistema innovador que utiliza el robot NAO para las alertas posturales, YoloV7 para la extracción de puntos de referencia y una red recurrente LSTM para la predicción postural. En nuestra evaluación, el modelo obtuvo una exactitud del 85%, una sensibilidad del 93% y una puntuación F1 del 89%. Estas métricas proporcionan información valiosa sobre la eficacia del sistema y ponen de relieve las áreas en las que pueden introducirse nuevas mejoras. Al perfeccionar el modelo y aprovechar un conjunto de datos más amplio, pretendemos mejorar la exactitud y precisión de la detección de malas posturas, lo que permitirá a los trabajadores de oficina adoptar hábitos posturales más saludables y reducir el riesgo de desarrollar TME.

A pesar de que la industria de los videojuegos ha crecido exponencialmente en los últimos años, la base de usuarios en dispositivos VR ha disminuido (International Data Corporation [IDC], 2023). Este artículo presenta un estudio de investigación centrado en la implementación de un sistema multiagente basado en Q-learning para el Ajuste Dinámico de la Dificultad (DDA) en un juego VR de lucha Unity 3D. El objetivo de este estudio es mejorar la experiencia de juego del jugador ajustando dinámicamente la dificultad del juego en respuesta a su rendimiento. La investigación utiliza la plataforma de desarrollo de juegos Unity, junto con el framework ML-Agents, para implementar el algoritmo Q-learning y entrenar agentes inteligentes capaces de adaptar el nivel de dificultad del juego. Nuestros resultados ponen de manifiesto el potencial del Q-learning y de los sistemas multiagentes para mejorar la DDA en los videojuegos. Basándonos en nuestras experiencias, prevemos futuros trabajos que impliquen probar y comparar métodos y enfoques alternativos para mejorar aún más las técnicas DDA, destacando su potencial para futuras investigaciones.

La leishmaniasis forma parte de un grupo de enfermedades denominadas ETD (Enfermedades Tropicales Desatendidas) que afecta a comunidades pobres y olvidadas y reporta más de 5.000 casos en regiones como Brasil, Perú y Colombia categorizándose como endémicas en las regiones mencionadas. En este estudio, presentamos un modelo de aprendizaje automático (Random Forest) para predecir casos en el futuro y predecir posibles brotes utilizando datos meteorológicos y epidemiológicos de la provincia de la Convención (Cusco - Perú). Comprender cómo las variables climáticas afectan los brotes de leishmaniasis es un problema importante para ayudar a crear y generar nuevos sistemas de prevención. Se utilizaron varias técnicas para obtener mejores métricas y mejorar el rendimiento de nuestro modelo, entre ellos la generación de datos sintéticos y optimización de hiperparámetros. Los resultados mostraron dos factores climáticos importantes para analizar y ningún brote durante los primeros 3 meses de 2023 en la provincia de La Convención.

La detección de contenido de odio es una tarea desafiante, especialmente en el contexto del monitoreo en tiempo real en Internet. La detección manual resulta agotadora e impráctica debido al alto volumen y frecuencia de datos en línea. Esta tesis propone la creación de un nuevo sistema de Inteligencia Artificial llamado NoHateS (abreviado del inglés “No more Hate Speech for Spanish text”, traducido al español como “No más contenido de odio en textos en español”). Este sistema está compuesto por varios componentes, siendo el principal BETO-CNN, que es la combinación del modelo BETO, un modelo basado en Transformers entrenado en un corpus en español, y una red neuronal convolucional (CNN de sus siglas en inglés). El cuál está diseñado para detectar si un texto contiene o no contenido de odio. El segundo componente se desarrolla para garantizar la accesibilidad, lo cual incluye una interfaz de programación de aplicaciones (API de sus siglas en inglés) que permite la integración sin problemas del modelo en diversas aplicaciones, y un Bot de Discord desarrollado para facilitar la manipulación de la mencionada API y ayudar a los usuarios a detectar contenido de odio en los canales de texto. Esta tesis también incluye pruebas con datos desequilibrados y aplica técnicas de aumento de datos para abordar este desafío y crear modelos más robustos. Los resultados demuestran la efectividad de NoHateS en la detección de contenido de odio y proporcionan recomendaciones para investigaciones futuras en este campo.

Este proyecto tiene como finalidad implementar un sistema de reconocimiento facial que mejorará la eficiencia al momento de tomar asistencia en institutos educativos, así como incrementar la seguridad en casos de suplantación de identidad. Para lograr nuestro objetivo, se creará un sistema de reconocimiento facial que al recibir una fotografía de los alumnos presentes en el aula, los identificará y confirmará su asistencia en la base de datos. Será importante la investigación de modelos pre entrenados utilizando la técnica ágil de benchmarking, los modelos analizados y comparados nos servirán como base para el desarrollo del sistema de reconocimiento facial. Este programa será conectado con una aplicación que utilizará una interfaz sencilla para que los profesores puedan ahorrar tiempo de la clase o evaluaciones en tomar asistencia o confirmar la identidad de los alumnos presentes. También, aumentará la seguridad evitando posibles suplantaciones de identidad con herramientas como moldes de huella dactilar falso (exámenes de admisión) o exámenes parciales y/o finales (DNI falso). El sistema creado será escalable, es decir que la base será fundamental para el desarrollo de un futuro proyecto más grande. El proyecto podría identificar incluso a más personas o ser implementado para un sistema de reconocimiento en tiempo real. A su vez, podría programarse para ser compatible con el sistema operativo MacOS, ampliando su uso a otros dispositivos. El alcance del proyecto ha sido contemplado para ser desarrollado a lo largo de las 28 semanas y probado en el semestre académico 2023-01 en la Universidad Peruana de Ciencias Aplicadas en Lima.

El presente proyecto tiene como finalidad desarrollar un aplicativo móvil que permita analizar partituras para poder convertirlas en música. Ello, con la finalidad de poder afrontar la carencia de educación musical presente en las escuelas de educación primaria y secundaria. Se plantea que, haciendo uso de este aplicativo, en primera instancia puedan aprender de una manera más interactiva las bases de lecturas de partituras, escuchar la tonalidad y el sonido que tienen. El proceso de desarrollo del proyecto consta de 4 pasos: Definición, Planificación, Experimentación y Resultados.

La enseñanza de los movimientos del robot siempre se ha considerado un tema complejo en el que hay mucho interés, ya que el más mínimo cambio en la programación del robot puede generar un alto tiempo de inactividad que puede durar más de un mes. En este trabajo, llevamos a cabo un estudio de los movimientos humanos para implementar un nuevo método de Programación de Robots por Demostración utilizando redes neuronales. Los métodos actuales requieren especialistas con altos conocimientos matemáticos y lógicos para enseñar los movimientos de los robots. Usando un famoso algoritmo de estimación de pose llamado Open Pose y un método de “lifting” 3D, obtenemos la pose estimada del brazo de la persona en un espacio 3D simulado. Luego, usamos varias herramientas de clasificación para traducir la pose predicha al robot. Los resultados muestran que es factible hacer que la programación de robots sea más accesible utilizando la estimación de pose.

La presente propuesta “Algoritmo de toma de decisiones para la generación de historias en videojuegos usando técnicas de machine learning”, tiene como intención diseñar y desarrollar un videojuego que posea múltiples caminos argumentales sin necesidad de que los desarrolladores tengan que implementarlos de forma manual. Automatizar el desarrollo de la historia de un videojuego ayuda a reducir costos y tiempos de desarrollo, ya que disminuye el trabajo del equipo desarrollador, además de que permite desarrollar un videojuego con miles de caminos argumentales diferentes. A pesar de que se ha logrado crear métodos para automatizar la generación de diferentes contenidos de videojuegos como niveles, mapas, personajes, melodías, gráficos, entre otros, aun no existe una forma comercialmente viable para generar historias de videojuegos. Nosotros planteamos una solución que podría usarse comercialmente. Para lograr esto, descomponemos las acciones posibles en acciones atómicas, y dotamos a cada personaje no jugable (NPC) un modelo de machine learning, para que sea capaz de tomar sus propias decisiones en el mundo del juego, para que cada uno decida como actuar de forma procedural. Si los NPC se comportan de forma diferente, entonces los sucesos ocurrirán de forma distinta. Para armar el modelo de machine learning con el que los NPCs tomaran decisiones hacemos uso de Q-Learning, un algoritmo perteneciente al paradigma de reinforcement learning. A diferencia de otros algoritmos, este es model-free, lo que significa que no requiere de un modelo del entorno para funcionar. Tampoco requiere que se le brinde de un dataset con anterioridad, solo necesita un conjunto de agentes (los NPCs), que estos puedan ejecutar acciones, y que reciban un feedback de su desempeño. Debido a todo esto, este algoritmo se adapta muy bien a nuestro caso.

El reconocimiento de gestos del lenguaje de señas a través del procesamiento de imágenes y el aprendizaje automático han sido ampliamente estudiados en años recientes. En esta tesis se presenta un conjunto de datos que consta de 2400 imágenes de los gestos estáticos del lenguaje de señas peruano alfabeto, además de aplicarlo a un sistema de reconocimiento de gestos con cámaras de baja resolución. Para el reconocimiento de gestos, se utilizó el descriptor de características de Histograma de Gradientes Orientados, junto con 4 algoritmos de clasificación. Los resultados mostraron que utilizando el Histograma de Gradientes Orientados junto con el algoritmo de clasificación de Support Vector Machine, se obtuvo el mejor resultado con un accuracy de 89.46% y el sistema pudo reconocer los gestos con variaciones de traslación, rotación y escala.