La hipótesis en cuestión afirma que, dado el contexto teórico (i.e., definiciones matemáticas consideradas apropiadas para describir los fenómenos que se pretende estudiar) descrito en el artículo, existe una relación entre diversidad global y precisión de un ensamble de clasificadores. Por lo tanto, el propósito de esta investigación es estudiar la relación entre la precisión de ensambles y su diversidad dentro de un contexto geométrico y de información. Para lograrlo, interpretamos el problema como uno geométrico introduciendo un espacio métrico, donde los puntos son predicciones de clasificadores; la función de distancia, la métrica Variación de Información Normalizada (NVI, por sus siglas en inglés); y la construcción de un ensamble diverso es reducida a un problema de criba y novedosamente transformado a uno de programación cuadrática. La significancia estadística es asegurada haciendo uso de métodos Monte Carlo sobre 53 conjuntos de datos apropiados. El resultado es un algoritmo basado en una métrica usada en el contexto de teoría de la información, ideal para estudiar conjuntos de datos de alta dimensionalidad e inherentemente ruidosos. Por tanto, es relevante cuando el costo de adquirir muestras es muy alto; y la cantidad de variables, enorme. El marco teórico incluye las definiciones (e.g., definiciones relacionadas al concepto de diversidad o al espacio métrico utilizado), los teoremas (e.g., propiedades de espacios métricos) y algoritmos base (i.e., programación cuadrática) usados para conseguir los resultados. Los resultados muestran que, en promedio, el exceso de precisión de un ensemble diverso respecto de su contraparte aleatoria es función del valor de la diversidad global del mismo. Esto confirma la hipótesis inicial. Además, la metodología introducida para modelar el algoritmo introduce un marco que permite esclarecer la relación entre diversidad y precisión, ya que la representa en términos geométricos. / Ensemble models for classification are a Machine Learning approach that have frequently proven useful in generating results with higher performance and robustness tan mono-classifier models. Common advantages include tolerance for input data noise, decreased variance, and bias in predictions. Many studies justify the fact that the diversity of an ensemble is related to accuracy insomeway. However, the correct definition of diversity and the conditions needed for those statements to hold true remain unclear. The present work addresses this issue from a geometrical perspective presenting a method to build diverse ensembles based on the Normalized Variation of Information and explore which conditions correlate to the variability in its accuracy. The knowledge generated from this analysis will make it possible to clarify and bring in sight into how ensemble diversity is related to en semble accuracy.

Actualmente, la inteligencia artificial es una de las áreas de investigación más importantes para el desarrollo de tecnología en múltiples disciplinas. Aunque ha tenido un crecimiento exponencial en los últimos años, el entendimiento de cómo funciona es mínimo para la mayoría de las personas. En consecuencia de ello, su uso en actividades que implican una toma de decisiones es limitado, lo cual se evidencia en el Reporte 2023 de Artificial Intelligence Index [1]. Según este reporte, el cambio porcentual en las respuestas de adopción de la inteligencia artificial por industria y actividad entre el 2021 y 2022 ha sido de -15% y -13% para las actividades de marketing y ventas, y desarrollo de productos y/o servicios, respectivamente. Frente a esto se propone el diseño de un modelo que permita explicar los componentes básicos de un sistema basado en inteligencia artificial a través de un chatbot conversacional en idioma inglés. De este modo, la explicación se brinda en un formato sencillo (texto) y a través de un medio interactivo (conversación). El modelo explicativo se basa en la ontología XAIO, propuesta en este estudio y desarrollada a partir de dos ontologías de aprendizaje de máquina e inteligencia artificial explicable. Haciendo uso de un modelo de generación de lenguaje natural a partir de datos estructurados, el modelo explicativo genera explicaciones en lenguaje natural basadas en el conocimiento descrito en las tripletas de la ontología XAIO. Para evaluar el modelo se implementó un chatbot conversacional que utiliza un modelo de entendimiento de lenguaje natural para identificar intenciones y entidades, a partir de las cuales se realizan las consultas en la ontología que permiten obtener las tripletas. En la evaluación cuantitativa se obtuvo un BLEU promedio de 76.97, lo cual indica un buen desempeño en la tarea de generación de lenguaje natural a partir de datos estructurados. Asimismo, se desarrollaron sistemas de inteligencia artificial explicable con chatbot para la prueba con usuarios y se obtuvo un SUS de 69, indicando una usabilidad por encima del promedio. Finalmente, también se realizó una evaluación cualitativa para obtener las apreciaciones de los participantes acerca de los sistemas, las cuales señalan la coherencia al momento de responder, la sencillez de las respuestas y la interacción amigable con el chatbot. / Nowadays, artificial intelligence is one of the most important research areas for the technological development of many disciplines. Although it has grown exponentially in recent years, understanding of how it works is minimal for most people. Consequently, its use in decision making activities is limited, as evidenced in the Artificial Intelligence Index Report 2023 [1]. According to this report, the percentage change in the response of artificial intelligence assimilation by industry and activity between 2021 and 2022 has been -15% and -13% for marketing and sales activities, and product and/or service development, respectively. In view of this, we propose the design of a model to explain the basic components of a system based on artificial intelligence through a conversational chatbot developed in English. Thus, the explanation is provided in a simple format (text) and through an interactive manner (conversation). The explanatory model is based on the XAIO ontology, proposed in this study, and developed from two ontologies of machine learning and explainable artificial intelligence. Using a natural language generation model from structured data, the explanatory model generates natural language explanations based on the knowledge described in the triplets of the XAIO ontology. For evaluation purposes, a conversational chatbot was implemented. This chatbot uses a natural language understanding model to identify intentions and entities. Then it uses ontology queries build from the intentions and entities to get the ontology triplets. Regarding quantitative evaluation, an average BLEU of 76.97 was obtained, which indicates a good performance in the task of natural language generation from structured data. Likewise, explainable artificial intelligence systems were developed with chatbot for user testing and a SUS of 69 was obtained, indicating above-average usability. Finally, a qualitative evaluation was also carried out to obtain the participants' feedback about the systems. They mainly pointed out the coherence at the time of answering, the simplicity of the answers and the friendly interaction with the chatbot.

A pesar de los avances en la igualdad de género en varios ámbitos, las mujeres en todo el mundo aún enfrentan mayores desafíos que los hombres en el ámbito laboral, con dificultades para encontrar empleos. La brecha de género persiste, ya que las mujeres ocupan con más frecuencia puestos de bajo rango y trabajan en condiciones laborales vulnerables. Según la Organización Internacional del Trabajo, en 2022, la brecha de participación en la fuerza laboral entre hombres y mujeres fue del 29.2%, influida por responsabilidades familiares y trabajos de cuidado no remunerados. En el Perú, también existe una brecha de género en la fuerza laboral, con una mayoría de hombres participando activamente en comparación con las mujeres. El presente estudio se enfoca en las mujeres peruanas con educación básica superior entre 25 y 44 años, las cuáles enfrentan desafíos en la búsqueda de empleo y el crecimiento profesional, la propuesta de solución para esta problemática se llama TINKIY, una multiplataforma que busca empoderar y promover el desarrollo de las mujeres profesionales a través de una variedad de servicios y recursos que abordan las necesidades actuales del mercado laboral. Esta multiplataforma será amigable para los usuarios y utilizará la inteligencia artificial, nuestra propuesta es sostenible y está alineada con los Objetivos de Desarrollo Sostenible ODS 5, con un índice de relevancia de 40% que impacta en la igualdad de género. Se tiene una propuesta con viabilidad financiera con una inversión inicial de S/.832’500.00, proyectando al término del quinto año de operación se obtiene un VAN positivo de S/. 637’608.00 y una TIR de 39.39% y un VAN Social de S/. 3’282.149. / Despite advances in gender equality in various areas, women around the world still face greater challenges than men in the workplace, with difficulties finding formal jobs. The gender gap persists, with women more often occupying low-ranking positions and working in vulnerable working conditions. According to the International Labor Organization, in 2022, the labor force participation gap between men and women was 29.2%, influenced by family responsibilities and unpaid care work. In Peru, there is also a gender gap in the workforce, with a majority of men actively participating compared to women. The present study focuses on Peruvian women with higher basic education between 25 and 44 years old, who face challenges in searching for employment and professional growth. The proposed solution for this problem is called TINKIY, a platform that seeks to empower and promote the development of professional women through a variety of services and resources that address current labor market needs. This multiplatform will be user-friendly and will use artificial intelligence, our proposal is sustainable and is aligned with the Sustainable Development Goals SDG 5, with a relevance index of 40% that impacts gender equality. There is a proposal with financial viability with an initial investment of S/.832,500.00, projecting at the end of the fifth year of operation a positive NPV of S/. 637’608.00, an IRR of 39.39% and a Social NPV of S/3,282.149.

Literature offers several supervised machine learning algorithms focused on binary classification for solving daily problems. Compared to well-known conventional classifiers, the Straight-line Segment Classifier (SLS Classifier) stands out for its low complexity and competitiveness. It takes advantage of some good characteristics of Learning Vector Quantization and Nearest Feature Line. In addition, it has lower computational complexity than Support Vector Machines. The SLS binary classifier is based on distances between a set of points and two sets of straight line segments. Therefore, it involves finding the optimal placement of straight line segment extremities to achieve the minimum mean square error. In previous works, we explored three different evolutive algorithms as optimization methods to increase the possibilities of finding a global optimum generating different solutions as the initial population. Additionally, we proposed a new way of estimating the number of straight line segments by applying an unsupervised clustering method. However, some interesting questions remained to be further analyzed, such as a detailed analysis of the parameters and base definitions of the optimization algorithm. Furthermore, it was straightforward that the straight-line segment lengths can grow significantly during the training phase, negatively impacting the classification rate. Therefore, the main goal of this thesis is to outline the SLS Classifier baseline and propose some theoretical improvements, such as (i) Formulating an optimization approach to provide optimal final positions for the straight line segments; (ii) Proposing a model selection approach for the SLS Classifier; and, (iii) Determining the SLS Classifier performance when applied on real problems (10 artificial and 8 UCI public datasets). The proposed methodology showed promising results compared to the original SLS Classifier version and other classifiers. Moreover, this classifier can be used in research and industry for decisionmaking problems due to the straightforward interpretation and classification rates.

La presente investigación tiene como objetivo utilizar la tecnología basada en machine learning, para la identificación de obras urbanas en la ciudad de Lima. La posibilidad de extraer y analizar información de medios sociales mediante el análisis de sentimientos, también conocido como minería de opinión (opinion mining), es, para Liu (2015), un campo de estudio que se centra en analizar las opiniones que expresan o implican sentimientos positivos o negativos. Para abordar esta problemática se propone un modelo para la clasificación de mensajes de Twitter de forma automática, a fin de comprender cuál es la intención que tiene el usuario cuando publica un mensaje sobre las obras urbanas en la ciudad de Lima, en especial pistas, parques y veredas, además de identificar la ubicación de estas obras en sus diferentes distritos. La investigación permitió reconocer patrones de comportamiento que son de gran importancia para la Municipalidad de Lima, debido a que, al tener identificada la problemática de las obras urbanas por distritos, podrá plantear estrategias para priorizar obras de manera anticipada y así poder planificarlas para su ejecución en el periodo municipal. Los resultados obtenidos utilizando el algoritmo de clasificación supervisada support vector machine (SVM) muestran valores de aciertos del modelo de alrededor del 78% en análisis de sentimientos. Se realizó una primera clasificación de distritos que necesitan urgentemente de obras urbanas, disgregada en tres tipos: parques, pistas y veredas. Los resultados generales del modelo son buenos en comparación con las investigaciones de otros autores como Aiala et al. (2017). / This research is called "Identification of urban works for the city of Lima through the use of tools based on Machine Learning", it has as goal the use of technology based on Machine Learning for the identification of urban works in the city of Lima. The possibility of extracting and analyzing information from different social media through sentiment analysis, also known as opinion mining; that for Liu (2015), is a field of study that focuses mainly on analyzing the opinions that express or imply positive or negative feelings. To address this topic, a model is proposed for the automatic classification of Twitter messages to try to understand the intention of the user when he publishes a message about urban works in the city of Lima, especially roads, parks, and sidewalks, additionally it is necessary to identify the location of urban works in the districts of Lima. This research allowed to identify patterns of behavior that are of great importance for Lima Municipality, because by having identified the problem of urban works by districts, it will allow them to propose strategies that allow prioritizing the districts with demand for urban works in advance and be able to plan them for execution in the governance period. The results obtained using the Support Vector Machine (SVM) supervised classification algorithm, show us values of correctness of the model around 78% in sentiment analysis. A first classification of districts was made with the urgently needs urban works and has been classified into the three types of urban works: parks, tracks, sidewalks. The general results of the model are good when comparing the research of other authors such as Aiala et al. (2017).

En el país, existe una gran cantidad de casos de fraude, esto también sucede en las empresas del sector financiero. En la medida que se tiene un crecimiento económico en el país, la mediana y pequeña empresa tiene la necesidad de invertir en sus negocios y para esto requieren préstamos. En este ámbito, los bancos, cajas municipales, cajas rurales, cooperativas, etc. desarrollan la intermediación financiera, que consta de trasladar los recursos (dinero) del cliente ahorrista al cliente prestamista a una tasa mayor. Los asesores de crédito obtienen préstamos para sus clientes, realizando diversas evaluaciones y, según el nivel de riesgo, se realiza el préstamo. En varias empresas, esta evaluación no sigue el orden correcto y para lograr las metas y recompensas los asesores no siguen las evaluaciones correctas, lo que genera fraude a nivel crediticio. Los órganos de control pertinentes no siempre se dan cuenta de esto. El ODS que se busca impactar es el siguiente: ODS 16 “Paz, justicia e instituciones sólidas”; específicamente, con la meta 16.5 “Reducir considerablemente la corrupción y el soborno en todas sus formas”. Con este proyecto se entregará un modelo de predicción de patrones de fraude, usando inteligencia artificial, que evalúe de manera directa a los asesores de crédito, usando como origen y base las centrales de riesgos externas (Infocorp, SBS, Sentinel, Sunarp, Reniec, antecedentes policiales/penales/judiciales y migraciones) y fuentes de información internas (Siper-RRHH, Core, SIG- Comisiones, Cosechas) y, en base al resultado de esta evaluación, dirigir las tareas de auditoría acerca de la cartera de clientes de dichos colaboradores. En base a la realización de la evaluación financiera del proyecto, se confirmó que es viable y rentable, con un VAN de S/4’205,238.00 y un VANS de S/4’902,523.00, lo cual indicó que el proyecto recupera la inversión y crea valor. / In the country, there are many cases of fraud, and this also happens in companies in the financial sector. As the country's economy grows, small and medium-sized enterprises need to invest in their businesses and therefore require loans. In this area, banks, municipal savings banks, rural savings banks, cooperatives, etc. carry out financial intermediation, which consists of transferring the resources (money) from the savings client to the lending client at a higher rate. Credit counsellors obtain loans for their clients by making various assessments and, depending on the level of risk, the loan is made. In several companies, this assessment does not follow the correct order and in order to achieve the goals and rewards the assessors do not follow the correct assessments, which leads to fraud at the credit level. This is not always noticed by the relevant control bodies. The SDG to be impacted is the following: SDG 16 "Peace, justice and strong institutions"; specifically, with target 16.5 "Significantly reduce corruption and bribery in all its forms". This project will provide a model for predicting fraud patterns, using artificial intelligence, which directly evaluates credit advisors, using external risk centres (Infocorp, SBS, Sentinel, Sunarp, Reniec, police/criminal/judicial records and migrations) and internal information sources (Siper-RR. HH, Core, SIG-commissions, harvests) as a source and basis, and, based on the result of this evaluation, direct the audit tasks on the client portfolio of these collaborators. Based on the financial evaluation of the project, it was confirmed that the project is viable and profitable, with an NPV of S/4'205,238.00 and an NPV of S/4'902,523.00, which indicated that the project recovers the investment and creates value.

La industria de entregas a domicilio ha experimentado un auge significativo debido a la creciente demanda de los consumidores que buscan la comodidad de recibir productos y alimentos directamente en sus hogares. El avance de tecnologías y aplicaciones móviles ha impulsado el crecimiento de este mercado, permitiéndole adaptarse a las preferencias cambiantes de los consumidores [10] [19]. Sin embargo, un componente crítico en este proceso son los repartidores, quienes, tras la realización de un pedido por parte del cliente en la plataforma de la empresa, reciben notificaciones que les ofrecen una serie de pedidos sugeridos. Si aceptan, asumen la responsabilidad de recoger y entregar el pedido a los consumidores, así como la ganancia asociada, pero en ocasiones, los repartidores pueden declinar la aceptación de un pedido, lo que potencialmente conlleva a retrasos en la entrega, generando experiencias insatisfactorias para los usuarios. Este aspecto se presenta como un desafío significativo en la optimización de las operaciones de entrega a domicilio, el cual puede abordarse con soluciones de aprendizaje de máquina. En este artículo se presentan los resultados de la experimentación realizada con diversos modelos de aprendizaje de máquina, aplicándose la técnica de balanceo Smartly OverSampling con SMOTE. Los modelos se aplicaron a un conjunto de datos proporcionado por una institución latinoamericana líder en el sector de entregas a domicilio, reportando el algoritmo LightGBM, los mejores resultados con un AUC de 0.88 y un Average Precision Recall de 0.47.

Con el crecimiento exponencial de la inteligencia artificial (IA) y la utilización del modelo del lenguaje presente, por ejemplo, en el chatGPT, el riesgo a un desempleo masivo en el futuro se hace cada vez más evidente. Según el reporte de la startup Layoffs.fyi, a finales de abril de 2024, cincuenta y siete empresas de tecnología ya han despedido a veintidós mil trescientos tres trabajadores. Esta nueva realidad exige que el ordenamiento jurídico contemple una regulación adecuada para el despido colectivo por motivos tecnológicos. De esta manera, la presente investigación tiene el objetivo de demostrar que la introducción del chatGPT en el Perú exige la modificación del marco normativo contenido en el Texto Único Ordenado de la Ley de Productividad y Competitividad Laboral. Esto se debe a que el marco normativo vigente podría resultar insuficiente para garantizar los derechos de los trabajadores en el trámite administrativo de los despidos masivos derivados del uso de la IA. Las conclusiones a las que llega la presente investigación es que no resulta adecuada la regulación actual de la terminación colectiva de los contratos de trabajo por motivos tecnológicos establecida en el TUO de la LPCL por las siguientes razones: i) no existe definición específica sobre lo que se entiende por motivos tecnológicos, y ii) si bien el procedimiento de cese colectivo es transversal para el motivo estructural, económico, tecnológico, la finalidad del informe técnico pericial, solicitado por la norma como requisito, tendría que ser distinto para motivos tecnológicos y debe ser elaborado por una empresa auditora en sistemas de inteligencia artificial y autorizada por la Contraloría General de la República. / With the exponential growth of artificial intelligence (AI) and the use of the language model present, for example, in chatGPT, the risk of mass unemployment in the future becomes increasingly evident. According to the report by the startup Layoffs.fyi, as of the end of April 2024, fifty-seven technology companies have already laid off twenty-two thousand three hundred and three workers. This new reality requires that the legal system contemplate adequate regulation for collective dismissal for technological reasons. In this way, the present research aims to demonstrate that the introduction of chatGPT in Peru requires the modification of the regulatory framework contained in the Single Ordered Text of the Labor Productivity and Competitiveness Law. This is because the current regulatory framework could be insufficient to guarantee the rights of workers in the administrative process of mass layoffs resulting from the use of AI. The conclusions reached by this investigation are that the current regulation of the collective termination of employment contracts for technological reasons established in the TUO of the LPCL is not appropriate for the following reasons: i) there is no specific definition of what is understood for technological reasons, and ii) although the procedure of this group is transversal for the structural, economic, technological reason, the purpose of the expert technical report, requested by the standard as a requirement, would have to be different for technological reasons and must be prepared by an auditing company in artificial intelligence systems and authorized by the Comptroller General of the Republic. / Trabajo académico

[pt] Na geotecnia, os parâmetros de resistência do solo são essenciais para qualquer projeto. Os ensaios de campo e laboratório são essenciais, mas ainda enfrentam muitas limitações práticas e financeiras. Além disso, métodos tradicionais, apoiados em relações empíricas ou teóricas, frequentemente não conseguem abranger a complexidade comportamental do solo. Diante disso, destaca-se a necessidade de explorar alternativas para superar essas barreiras. Neste contexto, a inteligência artificial surge como uma abordagem inovadora. Este estudo propõe um modelo preditivo para analisar a curva tensão-deslocamento em ensaios de cisalhamento direto e tensão-deformação em ensaios de cisalhamento simples (Direct Simple Shear - DSS) em areia. Após coletar e digitalizar dados de diversas fontes acadêmicas, formou-se uma base experimental robusta para treinar três algoritmos de Machine Learning (ML): Support Vector Regression (SVR), Random Forest (RF) e Feedforward Neural Network (FNN). Foram realizadas análises comparativas dos modelos, com foco particular na avaliação de métricas de desempenho e curvas dos ensaios de validação. O RF destacou-se por sua precisão e confiabilidade. Embora os modelos SVR e FNN tenham demonstrado utilidade, o RF emergiu como o mais eficaz. Este resultado reforça a viabilidade dos modelos de ML, particularmente o RF, como ferramentas valiosas para engenheiros geotécnicos e pesquisadores na previsão do comportamento de areias, mesmo com um conjunto de dados limitado. / [en] In geotechnics, soil resistance parameters are essential for any project. Field and laboratory tests are essential, but still face many practical and financial limitations. Moreover, traditional methods, relying on empirical or theoretical relationships, often fail to encompass the soil s behavioral complexity. In light of this, there is a highlighted need to explore alternatives to overcome these barriers. In this context, artificial intelligence emerges as an innovative approach. This study proposes a predictive model to analyze the stress-displacement curve in direct shear tests and stress-strain in Direct Simple Shear (DSS) in sand. After collecting and digitizing data from various academic sources, a robust experimental base was formed to train three Machine Learning (ML) algorithms: Support Vector Regression (SVR), Random Forest (RF), and Feedforward Neural Network (FNN). Comparative analyses of the models were conducted, with a particular focus on the evaluation of performance metrics and validation test curves. RF stood out for its accuracy and reliability. Although the SVR and FNN models demonstrated utility, RF emerged as the most effective. This result reinforces the viability of ML models, particularly RF, as valuable tools for geotechnical engineers and researchers in predicting the behavior of sands, even with a limited data set.

El estrés laboral se ha erigido en un desafío significativo en el entorno laboral del Perú, afectando negativamente en la salud, productividad, competitividad de los empleados; y, la rentabilidad de las empresas. Este problema se ve reflejado en el retroceso del Perú en el Ranking Mundial del Talento, donde se mide las competencias necesarias para que las empresas y la economía logren la creación de valor a largo plazo. En particular, el Perú presenta debilidades en infraestructura de salud e ineficiencias en la atracción y retención de talento del capital humano (Centrum PUCP, 2023). “Balance Time”, una solución integral para la gestión del estrés laboral en el sector de servicios y financieras empresariales. Esta solución integra datos cuantitativos y cualitativos, proporcionados por los smartwatches y por los psicólogos expertos. Potenciada con inteligencia artificial, nuestra propuesta ofrecerá recomendaciones personalizadas. La inversión inicial asciende a S/ 437,079 con financiamiento bancario del 34%. El VAN económico asciende a 5,676,775 soles con una TIR de 127.67%, y el un VAN social asciende a S/4,721,262 a una tasa del 8%. Estos resultados demuestran que "Balance Time" es una propuesta viable y sostenible / Workplace stress has emerged as a significant challenge in the workplace environment in Peru, negatively affecting the health, productivity, and competitiveness of employees, as well as the profitability of companies. This issue is reflected in Peru's decline in the World Talent Ranking, which measures the necessary competencies for companies and the economy to create long-term value. Specifically, Peru exhibits weaknesses in healthcare infrastructure and inefficiencies in attracting and retaining human capital talent (Centrum PUCP, 2023). "Balance Time," a comprehensive solution for managing work-related stress in the services and financial business sectors. This solution integrates quantitative and qualitative data provided by smartwatches and expert psychologists. Empowered by artificial intelligence, our proposal will offer personalized recommendations. The initial investment amounts to S/437,079 with 34% bank financing. The economic NPV amounts to 5,676,775 soles with an IRR of 127.67%, and the social NPV amounts to S/4,721,262 at a rate of 8%. These results demonstrate that "Balance Time" is a viable and sustainable proposal.