Sistema de optimización para la extracción y visualización de datos basado en Inteligencia Artificial en empresa del sector minero
Average rating
Cast your vote
You can rate an item by clicking the amount of stars they wish to award to this item.
When enough users have cast their vote on this item, the average rating will also be shown.
Star rating
Your vote was cast
Thank you for your feedback
Thank you for your feedback
Advisors
Sánchez Castro, Jorge ArturoIssue Date
2025-03-02Keywords
Inteligencia artificialExtracción de datos
Visualización de datos
Procesamiento de lenguaje natural
Metadata
Show full item recordOther Titles
Optimization system for data extraction and visualization based on Artificial Intelligence in a company in the mining sectorDOI
http://doi.org/10.19083/tesis/684741Additional Links
https://audio.com/raupc/audio/17603Abstract
Este proyecto investiga y desarrolla un innovador sistema de optimización para la extracción y visualización de datos aplicando Inteligencia Artificial (IA) en el sector minero. Enfocándose en optimizar la eficiencia operativa y la toma de decisiones estratégicas, el estudio propone un enfoque integrado que combina técnicas avanzadas de Procesamiento de Lenguaje Natural (PLN) y aprendizaje automático. El objetivo principal es transformar la toma de decisiones mediante datos en las empresas mineras, permitiendo así una mejor interpretación y uso de la información para optimizar procesos y decisiones. El sistema desarrollado se basa en una exhaustiva revisión de literatura y análisis de las necesidades actuales del sector minero, identificando las brechas y oportunidades en la gestión de datos. Se implementaron algoritmos de IA para automatizar y mejorar la extracción y procesamiento de datos, resultando en una herramienta capaz de analizar grandes volúmenes de información de manera eficiente y precisa. Los resultados obtenidos demuestran una notable mejora en la rapidez y precisión de la extracción de datos, así como en la calidad en la visualización de datos para una mejor toma de decisiones. Este proyecto no solo aporta a la eficiencia operativa en el sector minero, sino que también busca aportar a futuras investigaciones y desarrollos tecnológicos en la integración de la IA en otros campos industriales. La investigación concluye resaltando la importancia de adaptar y adoptar tecnologías emergentes en sectores tradicionales, como la minería, para mantener la competitividad y enfrentar los desafíos del mercado actual.This project investigates and develops an innovative optimization system for data extraction and visualization using Artificial Intelligence (AI) in the mining sector. Focusing on improving operational efficiency and strategic decision-making, the study proposes an integrated approach combining Natural Language Processing (NLP) and prediction techniques. The main goal is to transform data management and analysis in mining companies, enabling better interpretation and use of information to optimize processes and decisions. The developed system is based on a thorough literature review and analysis of the current needs in the mining sector, identifying gaps and opportunities in data management. AI algorithms were implemented to automate and enhance data extraction and processing, resulting in a tool capable of analyzing large volumes of information efficiently and accurately. The results demonstrate a significant improvement in the accuracy and speed data extraction, as in the quality of visualization of information relevant to decision-making. This project not only contributes to operational efficiency in the mining sector but also aims to contribute to future research and technological developments in the integration of AI into other industrial fields. The research emphasizes the need to embrace and integrate new technologies in traditional industries such as mining to stay competitive and meet the demands of the current market.
Type
info:eu-repo/semantics/bachelorThesisRights
info:eu-repo/semantics/openAccessLanguage
spaEmbedded videos
ae974a485f413a2113503eed53cd6c53
http://doi.org/10.19083/tesis/684741
Scopus Count
Collections


