Ingeniera Civil Industrial / El presente trabajo de título tiene como objetivo determinar si existe un mercado potencial interesado en adquirir un servicio de análisis de imágenes que entregue la predicción visual de las personas sobre estas. Y si existiese el mercado, diseñar un modelo de negocio para un servicio basado en dicha herramienta y en las necesidades del cliente objetivo. AKORI es un proyecto que se ha desarrollado desde el año 2012 entre las facultades de ciencias físicas y matemáticas y de medicina de la Universidad de Chile. Se basa en un algoritmo de redes neuronales, el cual permite simular la atención visual de las personas sobre una imagen y predecir qué zonas llaman más la atención al ser humano. Actualmente se tiene un prototipo funcional que permite analizar páginas web mediante la captura de pantalla de la página y el posterior análisis de la imagen. Surge la oportunidad de comercializar un servicio basado en dicho algoritmo, al tener un prototipo funcional similar a servicios comercializados en el mercado internacional por cientos de dólares. Por lo que la hipótesis de la memoria es: Es posible diseñar un producto o servicio basado en la predicción visual de las personas de tal forma que exista un mercado en Chile interesado en adquirirlo y por ende, el proyecto AKORI sería comercializable. Existen diversas herramientas para analizar diseños, desde servicios de analítica de sesiones de usuarios, análisis experto, agencias de experiencia del usuario, entre otras. La herramienta AKORI presenta como ventaja competitiva, el entregar un reporte objetivo, rápido y económico versus servicios personalizados. Se opta por la metodología Lean Canvas para la obtención del modelo de negocios porque se centra en las necesidades reales de los clientes, está orientada a servicios web y emprendimientos tecnológicos y porque no considera únicamente el lienzo de negocios, sino una metodología completa basada en la iteración de experimentos y la validación de hipótesis. Se validó la existencia de un nicho de clientes interesado en el servicio, el cual consta de agencias de publicidad y diseño web con diseños a la medida. Los clientes potenciales ayudaron a diseñar un servicio web orientado a sus necesidades, el cual entregaría un reporte de cuatro mapas distintos y su mayor beneficio para el cliente es la validación cuantificable y objetiva de sus diseños. Validando de esta forma la hipótesis de la memoria. Se realizó una estimación de los flujos de caja libre a obtenerse por el servicio en un horizonte de cinco años, obteniéndose un valor presente neto de dos mil ochocientos sesenta millones de pesos aproximadamente.

Memoria para optar al título de Ingeniero Civil Mecánico / Identificar daños en una estructura permite anticiparse frente a fallas de consideración o totales, a fin de poder realizar las mantenciones necesarias. Una técnica ampliamente utiliza encontrar la ubicación y magnitud de daño en una estructura es mediante el análisis de sus modos de vibración, ya que estos difieren si una estructura tiene o no fallas. En la literatura se ha logrado identificar la ubicación de daño estructural del puente I- 40 utilizando datos recolectados de sus modos de vibración y temperatura, modelando la estructura con elementos finitos y sus fallas como una reducción de rigidez en un elemento seleccionado. Sin embargo, el método utilizado es lento de aplicar pues requiere resolver un problema de optimización mediante un algoritmo de optimización global. En el presente estudio se utilizan redes neuronales profundas convolucionales (RNPC), las que han demostrado su robustez respecto a otros métodos utilizados actualmente debido a su rapidez de trabajo, la confiabilidad de sus resultados y la facilidad de entrada de los datos, ya que no requieren ser previamente manipulados por el usuario. Se identifican, localizan y cuantifican los daños estructurales del puente I-40 de Nuevo México utilizando RNPC y los datos de vibración del puente, además, se desarrolla una metodología para representar las vibraciones del puente en imágenes que puedan ser procesadas por una red neuronal profunda convolucional. Finalmente se realiza una validación de la metodología de identificación de daño propuesta, por medio de datos numéricos y experimentales. Para procesar los datos, crear las imágenes y procesar dichas imágenes en el algoritmo de redes neuronales profundas convolucionales, se utilizará el software MATLAB.

Memoria para optar al título de Ingeniero Civil Eléctrico / El presente trabajo tiene como objetivo principal la predicción de robos de vehículos en la ciudad Santiago de Chile, mediante la confección de un modelo de Redes Neuronales que se alimente de información gráfica, socioeconómica y temporal de un sector geográfico de robo. Para ello se utiliza la base de edatos de robos de vehículos de la Asociación de aseguradoras de autos de Chile (AACH), y a cada muestra se le asignan cuatro imágenes de Google Street View, 15 características socioeconómicas extraídas del Instituto Nacional de Estadística (INE) y de la Infraestructura de Datos Geospaciales de Chile (IDE), en conjunto con la temperatura en la fecha del incidente y la cantidad de incidentes cercanos que ocurren en el mes anterior. Esta memoria está enmarcada en el proyecto Fondef ID16I10222, liderado por los profeso- res Richard Webe y Ángel Jiménez del departamento de Ingeniería Industrial de la Univer- sidad de Chile. Para alcanzar el objetivo señalado al comienzo ,se propone un modelo de red neuronal alimentado por joint features y deep features; esto es que la red neuronal aprende de dis- tintos formatos de información como lo son datos estadísticos e imágenes. Además, en el caso de las imágenes, no son utilizadas directamente sino que se extraen carecterísticas de ellas, mediante una segunda red convolucional denominada Alexnet. Para entrenar la red es necesario disponer de zonas seguras, para lo cual se organiza la base de datos de ro- bos por fecha y se agrupa por mes, períodos en los cuales se denotan como zonas seguras aquellas que en el presente mes no posean a la redonda de 500 metros una ubicación de robos. El principal resultado esperado de la aplicación de este modelo es la obtención de proba- bilidades por zonas en una grilla de 0.01 grados de latitud y longitud sobre Santiago de Chile que puede ser representado como un heatmap de riesgo en la ciudad. Del modelo presentado, utilizando el conjunto completo de características se obtiene un 97.7% de accuracy, un 95% de precisión , un 98.9% de recall y un 97% de F1. Además al hacer reducción de características mediante Recursive feature selection y seleccionar las principales 1000 características, se obtiene un 92.96 % de accuracy, un 93.46 % de precisión, un 92.09 % de recall y un 92.77 % de F1. Con esto se concluye que el desempeño del modelo propuesto efectivamente permite una alta tasa de clasificación y además permite la creación de una representación gráfica. / Fondef 16I10222

Memoria para optar al título de Ingeniero Civil en Computación / El proyecto consiste en generar un modelo de clasificación de influenciadores. El contexto es el mercado de marketing digital en Instagram, red social basada en publicaciones de sus usuarios, donde se puede comentar las publicaciones de otras personas y dar likes. Un influen- ciador es un usuario que es considerado influyente ; tiene muchos seguidores, normalmente más de 3.000, y realiza campañas publicitarias en las que promociona productos a través de su cuenta personal de Instagram. Haip es una empresa dedicada a este mercado, que busca encontrar los influenciadores más apropiados para campañas publicitarias de, por ejemplo, productos deportivos o de belleza. Actualmente, buscar influenciadores es un proceso costoso porque es, en su mayoría, manual, y requiere de un gasto considerable de tiempo. Por esto es que se busca clasificar a los influenciadores en categorías como deporte , aire libre , etc. Conocer de antemano las categorías a las que pertenece cada influenciador permitirá agilizar las operaciones de la empresa y optimizar los procesos. Para lograr el objetivo planteado, se usan modelos de aprendizaje de máquinas tales como redes neuronales, word embeddings y SVMs. Para ello se deben recolectar suficientes datos y entrenar los modelos de manera eficiente. Los datos para clasificar a los influenciadores consisten en sus publicaciones, los que incluyen una o más imágenes y un texto, sin embar- go, para entrenar los modelos es necesario primero juntar una cantidad suficiente de datos previamente etiquetados, lo que se logra buscando fuentes de imágenes de acceso público en ImageNet y Pexels. Para clasificar una publicación, se usa ResNet, primero para clasificar la imagen y segundo para producir un vector en R n a partir de la imagen, y fastText para hacer lo mismo a partir del texto. Luego se usa una red neuronal para la clasificación usando ambos vectores. Finalmente se compara la precisión de la clasificación usando solo las imágenes, solo los textos, y usando ambos. Se logra diseñar un clasificados que es muy efectivo para clasificar en 5 categorías. El clasificador se compara con un conjunto de influenciadores ya clasificados por un grupo de 2 personas, y tiene un rendimiento suficientemente alto, por lo que pasa a ser usado en la plataforma de Haip. En un trabajo futuro, se puede extender el clasificador para aumentar la cantidad de categorías.