En los diferentes trabajos incluidos en la presente Tesis Doctoral, que lleva por título "Predicción del Rendimiento académico y abandono en las carreras de la Escuela Politécnica Nacional, Ecuador", se analiza un conjunto de factores que van a ser claves en la predicción del rendimiento académico por una parte y del abandono en Educación Superior por otra, incluyéndose además, en uno de los trabajos aportados, la situación particular de los grupos vulnerables ante las tareas educativas a completar en este nivel educativo.

La presente tesis es el resultado de la integración de los campos de la inteligencia artificial y la seguridad computacional, los cuales convergen en un producto cuyo objetivo principal es mejorar la visibilidad al usuario final en cuanto a las incidencias de malware, teniendo en cuenta características que dichos eventos tienen en común. En primer lugar, se hizo un análisis detallado de los eventos de malware (o software malicioso) para detectar y seleccionar aquellos parámetros que los definen dentro de un contexto de resolución de problemas, el cual busca responder a preguntas tales como el cuándo, dónde y quién originó el evento. Tras culminar el paso anterior, dichos datos ingresan al proceso de entrenamiento del Mapa Auto-Organizado, modelo de red neuronal seleccionado para la presente tesis; el gráfico resultante, tras una serie de ajustes de configuración, permite cumplir con el objetivo de la tesis anteriormente planteado. Con el producto final se busca mostrar de manera práctica cómo herramientas, tales como los Mapas Auto-Organizados, pueden optimizar la visualización de gran cantidad de datos, en este caso incidencias de malware, todo ello alineado a las tendencias que ya se vienen presentando hoy en día en el área de tecnologías de información y que incluyen a la inteligencia artificial como un nuevo actor. / Tesis

Ingeniero Civil de Minas / El desafío de disminuir los costos de las operaciones mineras es un tema de interés dentro de la industria, el cual cobra especial relevancia estos últimos años debido a la constante baja del precio del cobre, junto con la disminución continua de las leyes de los yacimientos cupríferos y la escaza probabilidad de encontrar nuevos yacimientos de dimensiones significativas. En consecuencia, actualmente el trabajo no solo se debe centrar en la disminución de los costos, sino también en optimizar diversos procesos con el fin de lograr una mejor productividad y eficiencia. El siguiente trabajo se centró en disminuir los tiempos perdidos asociados a las demoras en los cambios de turnos existentes en la minería a cielo abierto, mediante la creación de nuevas herramientas de gestión que apuntan hacia una producción continua. Lo anterior se llevó a cabo a través del uso de redes neuronales y un árbol de optimización, el cual basa su criterio en el rendimiento personal de cada operador. De esta forma, se obtuvieron y cuantificaron los resultados a través de simulaciones computacionales en donde se comparó la productividad actual de una faena minera versus la productividad utilizando el modelo planteado en este trabajo. Los resultados obtenidos aplicando el modelo de optimización arrojaron que se logró disminuir en un 9.8% las demoras asociadas a los cambios de turno, lo que es equivalente a 398 minutos y a 24 descargas extras por turno, tomando en cuenta que el caso de estudio se realizó para una flota de 130 camiones de extracción. Lo anterior, en términos económicos se traduce en 5.7 MUSD anuales, considerando que solamente se ahorraran los costos asociados al transporte de mineral, suponiendo un costo de transporte igual a 1 dólar por tonelada y una carga efectiva de 330 toneladas por camión. Al finalizar el trabajo, se observa que la posibilidad de mejorar el proceso de asignación de estacionamientos es completamente factible, al igual que mejorar el modelo planteado incluyendo otras condiciones de borde que puedan ayudar a realizar una simulación más realista, pero que deben ser personalizadas acorde a la manera de operar de cada faena. Por otro lado, se detectó que para las mismas condiciones de trabajo, existen operadores que tienen rendimientos completamente distintos, por lo que se recomienda realizar un análisis de velocidades por trabajador, en donde se comparen sus rendimientos individuales con los rendimientos que debiesen alcanzar las máquinas según su catálogo. Por último, se concluye que el uso de redes neuronales como herramienta de gestión genera un valor agregado en la toma de decisiones que estén relacionadas a la formación de grupos de trabajo, además de identificar características que ayuden a entender y manejar el comportamiento de ciertas variables tales como la productividad o utilización dentro de una operación minera.

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.

La predicción de la cantidad demandada de agua potable es de gran importancia hoy en día para las corporaciones pertenecientes al sector saneamiento. Realiza esta predicción a mediano plazo es una necesidad vital para estas empresas, dado que de ello depende la satisfacción de los usuarios del servicio de saneamiento, los cuales se verían perjudicados en caso este servicio deje de trabajar en horas altamente criticas para ellos. El presente trabajo pretende demostrar que el empleo de técnicas computacionales basadas en inteligencia artificial, como las redes neuronales artificiales, reducen el nivel de error de las predicciones de la demanda de agua potable.

El presente trabajo de investigación tiene como objetivo realizar un sistema inteligente que permita identificar adecuadamente los mangos Kent no exportables en el área de muestreo de una empresa agroindustrial de la región de Lambayeque. Esto se dio gracias a la problemática que se logró encontrar en la empresa estudiada. Para llevar a cabo la solución, se plantearon tres objetivos específicos, estos son: implementar un algoritmo para el preprocesamiento de imágenes de entrada, implementar una red neuronal artificial para una identificación adecuada de los mangos no exportables y obtener la valoración de usabilidad de la solución de acuerdo con la percepción del usuario. Para poner en marcha todo esto, se plantearon dos metodologías a seguir. Estas fueron: La metodología de Machine Learning y la Programming extreme, una fue para crear el modelo computacional y la otra para el sistema web. Los resultados obtenidos por esta solución lograron satisfacer las necesidades planteadas por la entidad. Logrando así un 85% de asertividad al momento de pronosticar las imágenes cargadas.

En el presente artículo se investiga la implementación de las Redes Neuronales Artificiales como un tipo de Inteligencia Artificial con la finalidad de reducir los costos de concreto armado. Por esto, se propuso el uso de este tipo de algoritmo con el objetivo de optimizar las secciones de los muros de corte en edificaciones de 6 pisos sin irregularidades. Se configuraron 10 redes neuronales distintas con el fin de elegir la que se adapte mejor a los datos empleados para el entrenamiento. En cada algoritmo se establecieron como variables de entrada el ancho y largo de la edificación; y la distancia entre luz máxima del eje X e Y. Sin embargo, el número de capas ocultas y el de neuronas en cada una de ellas fue distinto. En la etapa de entrenamiento se emplearon 30 casos con dimensiones optimizadas, con esto se obtuvo que la red neuronal predice la longitud total de la placa y su espesor con un error del 10%. / This article investigates the use of Artificial Neural Networks as a type of Artificial Intelligence in order to reduce the costs of reinforced concrete. For this reason, the use of this type of algorithm was proposed with the objective of optimizing the sections of the shear walls in 6-story buildings without irregularities. Ten different neural networks were configured in order to choose the one that best suits the data used for training. In each algorithm, the width and length of the building; and the distance between maximum span of the X and Y axis were established as input variables. However, the number of hidden layers and the number of neurons in each of them was different. In the training stage, 30 cases with optimized dimensions were used, with this it was obtained that the neuronal network predicts the total length of the shear wall and its thickness with an error of 10%. / Trabajo de investigación

Publicación a texto completo no autorizada por el autor / Investigación cuyo propósito es el planteamiento de técnicas predictivas, basadas en las metodologías de los modelos de las Redes Neuronales Artificial o RNA, que permitan un mejor ajuste de las características de la curva de demanda, con un alto grado de validación estadística y correcta predicción del comportamiento futuro de dicha variable. / Tesis

La inferencia de Redes Neuronales Profundas (o DNNs, por sus siglas en inglés, Deep Neural Networks) se ha vuelto cada vez más demandante en términos de almacenamiento de memoria, complejidad computacional y consumo de energía. Desarrollar hardware especializado en DNNs puede ser un proceso tedioso, que se alarga aún más si se considera el tiempo requerido en escribir software para ello. Así, esta tesis consiste en la validación del acelerador de hardware de redes neuronales NVDLA (por sus siglas en inglés, Nvidia Deep Learning Accelerator) utilizando un ambiente de co-simulación basado en su plataforma híbrida: un CPU implementado como Prototipo Virtual (PV), basado en el Quick Emulator (QEMU), y el modelo de hardware en RTL del NVDLA dentro de un FPGA. Para ello, la arquitectura más portátil del NVDLA nv_small es configurada en el FPGA de una instancia F1 del servicio E2C AWS. Para complementar el sistema, el PV del NVDLA es usado, consistiendo de un CPU Arm emulado con QEMU, ejecutando el sistema operativo Linux y el software runtime del NVDLA, dentro de una capa de SystemC/TLM conectada al FPGA de la instancia F1 a través de un puerto PCIe. Una vez que la plataforma híbrida de co-simulación está configurada, se ejecutan regresiones de pruebas de hardware en la implementación en el FPGA para revisar la propia funcionalidad e integridad de los bloques que componen al NVDLA. Luego, se ejecutan pruebas de sanidad de software en el PV para confirmar la configuración correcta de todo el sistema integrado. Finalmente, la DNN AlexNet es ejecutada. Los resultados muestran la propia funcionalidad del hardware y del PV, y que la red AlexNet se ejecutó exitosamente en el ambiente de co-simulación, tomando aproximadamente 112 minutos. / Deep neural network (DNN) inference has become increasingly demanding over the years in terms of memory storage, computational complexity, and energy consumption. Developing hardware targeting DNNs can be a lengthy process, which only grows if considered the time of writing software for it. Therefore, this thesis consists of the validation of the NVDLA deep learning hardware accelerator (NVDLA) using a co-simulation environment based on its hybrid platform: a CPU implemented as a Virtual Prototype (VP) based on Quick Emulator (QEMU) and the NVDLA RTL hardware model on a FPGA. For this, the more portable nv_small architecture of the NVDLA is configured into the FPGA of a F1 instance from the EC2 AWS service. To complement the system, the VP of the NVDLA is used, consisting of an Arm CPU emulated with QEMU running a Linux OS and the NVDLA runtime software, inside a SystemC/TLM wrapper connected to the F1 instance FPGA through a PCI express port. Once the hybrid co-simulation platform is set up, hardware regression tests are run on the FPGA implementation in order to check proper functionality and integrity of the NVDLA component blocks, sanity software tests are run on the VP to check the correct setup of the whole stack, and finally the AlexNet DNN is executed. The results showed proper hardware and VP functionality, and the AlexNet execution in the cosimulation environment was successful, taking approximately 112 minutes.

En los procesos industriales, y principalmente en aquellos de producción continua, es imprescindible implementar programas de mantenimiento preventivo y predictivo, a fin de evitar pa-radas indeseadas y disminuir costos de reparación. En muchos de estos procesos los motores de inducción (MI) constituyen un componente fundamental, lo que lleva al gran interés por parte de la industria de desarrollar técnicas de mantenimiento predictivo de carácter no invasivo para estas máquinas. Por otra parte, a la hora de analizar faltas en un accionamiento eléctrico constituido por el conjunto motor-carga, general-mente son mayores los problemas asociados a la carga impul-sada que los del propio motor. Por esta razón, en el desarrollo de estrategias de diagnóstico es muy importante discriminar el origen de la falta (mecánico o eléctrico), como también detec-tar y diagnosticar correctamente las faltas asociadas a la carga. El objetivo de la presente tesis es el estudio de la detección y el diagnóstico de faltas de origen mecánico en accionamientos con MI, particularmente el análisis de técni-cas de detección y diagnóstico de faltas debidas a desbalan-ces mecánicos, desalineación, excentricidad, y su discrimina-ción de estas con aquellas que ocasionan faltas de caracterís-ticas similares, particularmente las debidas a rotura de barras del rotor. Para ello se presentan modelos matemáticos del accionamiento, el cual incluye el modelo del MI y la carga impulsada. Se modelan además los efectos causados por la presencia de irregularidades en la carga: desbalance, desali-neación en el acoplamiento motor-carga, y excentricidad. Mediante estos modelos se realiza el análisis por simulación de diferentes técnicas de detección de faltas basadas en la medición de variables eléctricas. Las estrategias estudiadas y simuladas son luego validadas experimentalmente a partir de datos obtenidos en bancos de ensayos que permiten emular las faltas particulares en estudio, y de mediciones realizadas en la industria. En lo referente a las faltas originadas debido a desalineación, los resultados obtenidos son comparados con estrategias comúnmente usadas en la industria: vibraciones mecánicas y termografía infrarroja. Se propone también un observador adaptivo de estructura variable que permite estimar velocidad y par de carga, en base a las mediciones de tensiones y corrientes del motor. Con esta propuesta se obtiene una estimación de la perturbación de par de carga, que puede usarse para el diagnóstico de faltas, como también para su compensación en el caso de un accionamiento a lazo cerrado. Se presenta además dos aplicaciones para el diagnós-tico automático de faltas mediante el uso de redes neuronales no supervisadas del tipo mapa auto-organizados (Self-Organi-zing Maps - SOM). Dichas aplicaciones permiten la clasifica-ción de las faltas con una mínima interpretación por parte del especialista. En cuanto a la primera red, se creó e implemento en el diagnóstico de faltas producidas por desbalances mecá- nicos en máquinas accionadas mediante motores de inducción y por desalineación entre los ejes motor-carga. La segunda red, se creó e implemento bajo la necesidad de detectar las faltas que presentan síntomas de características similares, es decir, que poseen en el análisis del espectro de la corriente las mismas frecuencias características de faltas, como ser el caso de barras rotas y cargas oscilantes de baja frecuencia. Los resultados obtenidos en el presente trabajo de tesis afirman la posibilidad de detección de faltas de origen tanto eléctrico como mecánico mediante las técnicas estudiadas, basadas en la medición de variables eléctricas. / In industrial processes, mainly in those of continuous pro-duction, it is necessary to implement preventive and predic-tive maintenance programs in order to prevent unwanted stops and reduce repair costs. In many of these processes, induction motors (IM) constitutes a major component, leading to great interest from industry to develop non-invasive predictive maintenance techniques for these machines. On the other hand, when analyzing faults in an electric drive consisting of motor-load set, problems associated with the driven load of the motor are generally more important than those of the electric machine itself. For this reason, the deve-lopment of diagnostic strategies is very important to distin-guish the origin of the fault (mechanical or electrical) as well as to detect and correctly diagnose the faults associated with the load. The objective of this thesis is to study the detection and diagnosis of mechanical faults in actuators with MI, and particularly the analysis of techniques to detect faults due to mechanical unbalance and misalignment.With this aim, a mathematical model of the drive, which includes the IM model and the driven load, is presented. The effects of the of irregularities in the load, particularly imbalance and misa-lignment in the motor-load coupling are also included in the model. Using these models, a simulation analysis of different fault detection techniques based on measurement of electri-cal variables is performed. Studied and simulated strategies are then validated experimentally, using data from bench testing to emulate the faults studied and measurements made in the industry. The results of these strategies are compared with commonly used strategies in the industry: mechanical vibration and infrared thermography. An adaptive variable structure observer (sliding mode observer) to estimate speed and load torque is also proposed. The estimation is performed using the measurements of voltages and currents and the motor model. This proposal provides an estimate of the dis-turbance load torque which can be used to diagnose faults, as well as for compensation in case of a closed-loop drive. A method for automatic diagnosis of faults using unsupervised neural networks is also presented. This method allows the classification of faults with a minimal interpretation by the specialist. The obtained results affirm the possibility of de-tecting faults of both electrical and mechanical origin through the techniques studied, based on the measurement of electrical variables.