Informática con mención en Ciencias de la Computación
https://repositorio.pucp.edu.pe/index/handle/123456789/51445
2024-03-28T13:51:48ZAplicación del análisis de simetrías parciales en la restauración de objetos arqueológicos
https://repositorio.pucp.edu.pe/index/handle/123456789/196930
Aplicación del análisis de simetrías parciales en la restauración de objetos arqueológicos
Pérez Sinticala, Carlos Enrique
La restauración de objetos es una tarea crucial en el ámbito de la reconstrucción tridimensional
de objetos dentro del campo de la computación gráfica. En el caso de los objetos
arqueológicos, esta labor adquiere una gran relevancia debido a la inmensa riqueza cultural
que posee el Perú. Las muestras obtenidas suelen presentar imperfecciones por el deterioro
inherente al paso del tiempo o por procesos de fragmentación y su restauración manual por
usuarios expertos, que ha sido una práctica común, es costosa y poco eficiente, lo que hace
necesario contar con métodos automáticos de restauración digital.
En general, los procesos de restauración de objetos pueden ser divididos en dos categorías:
los que completan objetos usando otros objetos como referencia y los que analizan el propio
objeto, buscando detectar características repetitivas en el mismo. En esa segunda categoría, el
análisis de simetrías es una de las principales técnicas de reconocimiento de patrones, los que
serán expresados como transformaciones geométricas que al aplicarse permitirán completar
los fragmentos perdidos.
La presente tesis propone un algoritmo de detección de simetrías aproximadas parciales
basado en propiedades diferenciales de la superficie del objeto tridimensional, representado
por una malla de triángulos. Sobre la base de las simetrías detectadas, se propone un algoritmo
de refinamiento, para luego proceder con el completado del objeto.
La evaluación del algoritmo comprende el uso de objetos tridimensionales de los que se extrae
los parámetros de las simetrías para medir su distancia con la simetría calculada por el
algoritmo y la localización geométrica de sus vértices para, luego de simular una fractura
retirando una porción del objeto, medir la congruencia del proceso de completado de la
geometría faltante. Estos valores de congruencia del algoritmo propuesto son óptimos en la
comparación con otros trabajos recientes del estado del arte.
2024-01-25T00:00:00ZDiseño de un modelo explicativo basado en ontologías aplicado a un chatbot conversacional
https://repositorio.pucp.edu.pe/index/handle/123456789/196709
Diseño de un modelo explicativo basado en ontologías aplicado a un chatbot conversacional
Arteaga Meléndez, Daniel Martin
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.
2024-01-15T00:00:00ZEstimación del carbono almacenado en paisajes agropecuarios y ganaderos a partir de Imágenes multiespectrales capturadas por drones, y técnicas de aprendizaje profundo
https://repositorio.pucp.edu.pe/index/handle/123456789/196589
Estimación del carbono almacenado en paisajes agropecuarios y ganaderos a partir de Imágenes multiespectrales capturadas por drones, y técnicas de aprendizaje profundo
Tovar Galarreta, Juan Carlos Alfredo
Los paisajes agrícolas y ganaderos están estrechamente relacionados con el flujo de
carbono, ya que actúan como reservorios de carbono en forma de biomasa. La
evaluación de las reservas de carbono almacenadas en estas zonas es importante
para apoyar la toma de decisiones que impidan que estas zonas se conviertan en
fuentes de emisión de carbono. Sin embargo, las técnicas tradicionales de
estimación de las reservas de carbono requieren un muestreo in situ, lo que supone
una tarea extenuante, arriesgada, costosa DE escasa cobertura. En este estudio,
proponemos una metodología, basada en imágenes multiespectrales capturadas por
drones y modelos de aprendizaje profundo, para automatizar la tarea de estimar
mapas de reservas de carbono almacenados en paisajes agrícolas y ganaderos.
Aplicamos una arquitectura de red neuronal U-Net para discriminar las zonas
arbóreas y pastizales. Luego, se desarrolla un modelo basado en redes neuronales
convolucionales para la estimación de la densidad de carbono a partir de imágenes
multiespectrales. Resultados experimentales en paisajes agrícolas y ganaderos de la
Amazonía peruana mostraron la efectividad de la metodología propuesta, reportando
un mIoU de 87%, un RMSE de 2.44 para zonas arbóreas, y un RMSE de 1.84 para
zonas de pastura. Concluimos que la estimación de la densidad de carbono es
alcanzable con el enfoque propuesto. Esta metodología puede ser útil para la toma
de decisiones y puede contribuir a la gestión o al control del cambio climático.; Agricultural and livestock landscapes are closely related to carbon flux, serving as carbon 1 reservoirs in the form of biomass.The assessment of carbon stocks stored in these areas is important to 2 support decision-making that prevents these areas from becoming carbone misión sources. However, 3 traditional carbon stock estimation techniques require on-site sampling, which is a strenuous, risky, 4 expensive and low-coverage task. In this study, we propose a methodology, based on multispectral 5 images captured by drones and Deep learning models, to automate the task of estimating maps of 6 carbon stocks sequestered in agricultural and livestock landscapes. We applied U-Net neural network 7 architecture to discriminate arboreal and grasslands zones. Then, a convolutional neural-network 8 based model is developed for carbon density estimation from multispectral images. Experimental 9 results on agricultural and livestock landscapes in Peruvian Amazon regions showed the effectiveness 10 of the proposed methodology, reporting mIoU of 87%, RMSE of 2.44 for arboreal zones, and RMSE 11 of 1.84 for grassland zones. We conclude that the carbon density estimation is achievable with the 12 proposed approach. This methodology can be helpful for decision-making and may contribute to the 13 management or controlling climate change.
2024-01-10T00:00:00ZModelo de regresión para el pronóstico de la cantidad de denuncias por delitos que se registran en las Comisarías de la Policía Nacional de Perú en Lima Metropolitana
https://repositorio.pucp.edu.pe/index/handle/123456789/195469
Modelo de regresión para el pronóstico de la cantidad de denuncias por delitos que se registran en las Comisarías de la Policía Nacional de Perú en Lima Metropolitana
Chipa Sierra, Roger
En nuestro país, la cantidad promedio de denuncias por delitos de manera mensual
en el año 2019 presenta 30,000 casos, lo cual se ha ido incrementando a lo largo
de los años, por lo que es de crucial importancia generar estrategias de seguridad
ciudadana que ayuden a mejorar el bienestar de la sociedad peruana, para ello es
crucial tener información fiable y de calidad para la toma de decisiones; asimismo,
tiene una Dirección de Tecnologías de la Información y Comunicación de la Policía
(DIRTIC), la cual dentro de su estructura tiene a su cargo a la División de Estadística
(DIVEST) y la División de Informática (DIVINFOR), las cuales tienen como función el
control del Sistema de Denuncias Policiales en la cual el 80 % de las comisarías de la
Policía Nacional del Perú se encuentran interconectadas y existe un 20 % que no se
encuentran interconectadas, por lo cual el 20 % de comisarías no registra información
en el Sistema de Denuncias Policiales, generando una incertidumbre para la toma
de decisiones.
Es por tal motivo que la División de Estadística (DIVEST) propone un modelo para
el pronóstico de la cantidad de denuncias por delitos que se registran en las comisarías
de la Policía Nacional de Perú en Lima Metropolitana, en base a la técnica
de regresión RANDOM FOREST REGRESSOR Y ÁRBOL DE DECISIÓN DE REGRESIÓN,
con la cual se podrá conocer cuál de las dos técnicas genera un mejor
pronóstico en base a la información que proviene del SIDPOL y del INEI.; In our country, the average number of complaints for crimes on a monthly basis in
2019 presents 30,000 cases, which has been increasing over the years, so it is of
crucial importance to generate citizen security strategies that help to improve the
well-being of Peruvian society, for this it is crucial to have reliable and quality information
for decision-making; likewise, it has a Police Information and Communication
Technologies Directorate (DIRTIC), which within its structure has in charge of the
Statistics Division (DIVEST) and the Information Technology Division (DIVINFOR),
whose function is to control the Police Complaints System in which 80 % of the Peruvian
National Police stations are interconnected and there are 20 % that are not
interconnected, for which reason 20 % of police stations do not record information in
the Police Complaints System, generating uncertainty for decision-making.
It is for this reason that the Statistics Division (DIVEST) proposes a model for forecasting
the number of complaints for crimes that are registered in the Peruvian National
Police stations in Metropolitan Lima, based on the RANDOM FOREST regression
technique. REGRESOR AND REGRESSION DECISION TREE, with which it will be
possible to know which of the two techniques generates a better prognosis based on
the information that comes from SIDPOL and INEI.
2023-08-31T00:00:00Z