http://hdl.handle.net/10366/4828 2026-08-27T17:50:14Z 2026-08-27T17:50:14Z Uribe Esquivel, Diego http://hdl.handle.net/10366/172541 2026-08-27T00:02:10Z 2025-07-01T00:00:00Z

[ES]Este trabajo explora diversas técnicas para implementar la desambiguación de nombres de autor (AND) en bases de datos bibliográficas antiguas con metadatos limitados. Se investigan distintos métodos que hayan sido usados. Se investigaron métodos de similitud sintáctica, como Levenshtein y Jaro-Winkler, técnicas de minería de texto; por ontologías, similitud sintáctica como TF-IDF, Word Embeddings como Word2Vec, BERT y embeddings con LLMs), enfoques de minería de datos abarcando algoritmos de Machine Learning supervisados, no supervisados y combinaciones (semi-supervisados). Así mismo, se abarcaron algunas técnicas de Deep Learning e incrustaciones de redes (Network Embeddings). La implementación del proyecto combina 3 métodos principales, la similitud de texto para nombres de autores, el Word Embedding de títulos, usando el LLM "nomic 2 la comparación por medio de la similitud del coseno, junto con redes de coautoría. Así mismo, se emplean herramientas como Apache Solr y ChromaDB para una gestión y recuperación eficiente de los datos.; [EN]This work explores various techniques for implementing Author Name Disambiguation (AND) in old bibliographic databases with limited metadata. Different methods that have been previously used were investigated. Syntactic similarity methods, such as Levenshtein and Jaro-Winkler, were researched, as were text mining techniques including ontology-based methods, syntactic similarity like TF-IDF, Word Embeddings (such as Word2Vec, BERT, and embeddings with LLMs), and data mining approaches covering supervised, unsupervised, and combined (semisupervised) Machine Learning algorithms. Additionally, some Deep Learning techniques and Network Embeddings were covered. The project’s implementation combines three main methods: text similarity for author names, Word Embedding of titles using the "nomic"LLM and comparison via cosine similarity, along with coauthorship networks. Furthermore, tools like Apache Solr and ChromaDB are employed for efficient data management and retrieval.

2025-07-01T00:00:00Z Miranda Rodriguez, Diego Marcelo http://hdl.handle.net/10366/172539 2026-08-27T00:02:09Z 2025-07-01T00:00:00Z

[ES]En la era actual de sobreinformación visual, las visualizaciones de datos se han consolidado como una herramienta clave para la comprensión y comunicación de fenómenos complejos. Sin embargo, su uso inapropiado o intencionadamente sesgado puede inducir a interpretaciones erróneas, afectando la percepción pública, la toma de decisiones y la integridad del conocimiento. Este Trabajo de Fin de Máster aborda dicha problemática desde una perspectiva innovadora, explorando el potencial de los modelos de lenguaje de gran tamaño (LLMs), específicamente aquellos con capacidades multimodales, para detectar visualizaciones de datos engañosas.El enfoque se centra en los elementos primitivos que componen los gráficos, integrando técnicas de ajuste fino y estrategias avanzadas de ingeniería de prompts. Los resultados demuestran que, con el ajuste adecuado, estos modelos pueden no solo identificar visualizaciones manipuladas, sino también argumentar sus hallazgos de forma explicativa y transparente. Se concluye que los LLMs ajustados representan una herramienta prometedora para fortalecer la alfabetización visual y combatir la desinformación gráfica en distintos ámbitos, como la educación, el periodismo y la investigación científica.; [EN]In the current era of visual information overload, data visualizations have established themselves as a key tool for understanding and communicating complex phenomena. However, their inappropriate or intentionally biased use can lead to misinterpretations, affecting public perception, decision-making, and the integrity of knowledge. This Master's Thesis addresses this problem from an innovative perspective, exploring the potential of large language models (LLMs), specifically those with multimodal capabilities, to detect misleading data visualizations. The focus is on the primitive elements that make up graphics, integrating fine-tuning techniques and advanced prompt engineering strategies. The results demonstrate that, with proper tuning, these models can not only identify manipulated visualizations but also justify their findings in an explanatory and transparent manner. The conclusion is that tuned LLMs represent a promising tool for strengthening visual literacy and combating graphic misinformation in various fields, including education, journalism, and scientific research.

2025-07-01T00:00:00Z Miguel Jurado, Giannina Milagros http://hdl.handle.net/10366/172525 2026-08-26T00:04:46Z 2025-07-01T00:00:00Z

[ES]Este Trabajo de Fin de Máster parte del estudio de los espacios de datos como marco de referencia para la integración de fuentes de datos agroclimáticos, donde se presenta la propuesta del diseño y desarrollo de un espacio de datos agrícolas que integran fuentes públicas (SIAR) y privadas, mediante una arquitectura basada en microservicios, alineada con los principios europeos de soberanía del dato, interope- rabilidad y confianza en el intercambio de información.Sobre esta infraestructura se implementó un caso de uso orientado a la gestión inteligente del riego,centrado en la estimación de la Evapotranspiración de Referencia (ETo). Para ello,se entrena- ron y compararon dos algoritmos de aprendizaje automático Random Forest (RF) y Perceptrón Multicapa (MLP), utilizando datos diarios de cuatro estaciones agrocli- máticas ubicadas en la provincia de Soria. Se diseñaron tres experimentos que fueron reduciendo el número de variables de entrada,para evaluar la robustez yeficiencia de los modelos,siendo RF el algoritmo que mostró el mejor desempeño, alcanzando valores de R2 y NSE de hasta 0,986 en la estación S002 . Además, los resultados demostraron que es posible obtener estimaciones cercanas al valor de ETo sin re- currir a métodos tradicionales que requiere una mayor cantidad de variables como Penman-Monteith, lo cual simplifica su aplicación operativa en contextos donde la disponibilidad de datos o la capacidad técnica es limitada. El estudio concluye que la integración de espacios de datos con modelos de inteli- gencia artificial mejora significativamente el acceso a información clave para la toma de decisiones de riego ,favoreciendo una gestión hídrica más eficiente y abriendo el camino hacia soluciones Agrotech escalables y replicables.

2025-07-01T00:00:00Z Hernández Lemos, Marcelo http://hdl.handle.net/10366/172517 2026-08-26T00:04:43Z 2025-07-01T00:00:00Z

[ES]La detección automática de violencia en video mediante Visión e Inteligencia Artificial es un desafío que exige un equilibrio entre rendimiento, eficiencia y robustez. Este Trabajo de Fin de Máster realiza un estudio comparativo de cuatro arquitecturas de aprendizaje profundo seleccionadas por representar diferentes filosofías en el reconocimiento de acciones en video, cada una con características particulares: I3D, SlowFast, TSM y ViViT. Mediante un protocolo experimental estructurado en dos etapas, una con recursos computacionales estándar y otra con hardware de alto rendimiento, y partiendo de un preentrenamiento en Kinetics-400, se realizó un ajuste fino de cada modelo en los conjuntos de datos RWF-2000 y Real Life Violence Situations (RLVS). Además, se evaluó la capacidad de generalización en un dataset de diferente dominio, el Hockey Fights dataset. Los resultados muestran que, si bien ViViT alcanza los rendimientos más altos en dominios conocidos (F1-Scores de hasta 0.897 y 0.992), lo hace a costa de un elevado costo computacional y una robustez limitada ante cambios de dominio drásticos. Por otro lado, TSM mostró ser el modelo más equilibrado, combinando un muy buen rendimiento (F1-Scores de 0.856 y 0.983) con una eficiencia verdaderamente superior. Por su parte, SlowFast demostró ser la arquitectura más robusta al obtener las mejores métricas al generalizar a dominios distintos (F1-Score de hasta 0.796 en Hockey Fights). Se concluye que no existe una única arquitectura superior. La elección óptima depende de los requisitos de la aplicación, donde modelos eficientes como TSM presentan una alternativa pragmática y de gran rendimiento frente a enfoques más costosos como ViViT para su despliegue en sistemas reales.; [EN]Automatic detection of violence in video using Artificial Intelligence and Artificial Vision is a challenge that demands a balance between performance, efficiency, and robustness. This Master’s Thesis conducts a comparative study of four deep learning architectures selected for representing different philosophies in video action recognition, each with particular characteristics: I3D, SlowFast, TSM, and ViViT. Using a two-stage experimental protocol, one with standard computing resources and the other with high-performance hardware, and starting with pre-trained models on Kinetics-400, fine-tuning was performed on the RWF-2000 and Real Life Violence Situations (RLVS) datasets. Furthermore, generalization capabilities were evaluated on a dataset from a different domain, the Hockey Fights dataset. The results show that, while ViViT achieves the highest performance in familiar domains (F1 scores of up to 0.897 and 0.992), it does so at high computational cost and limited robustness to drastic domain changes. On the other hand, TSM proved to be the most balanced model, combining very good performance (F1 scores of 0.856 and 0.983) with truly superior efficiency. SlowFast, meanwhile, proved to be the most robust architecture, achieving the best metrics when generalizing to different domains (F1 scores of up to 0.796 in Hockey Fights). It is concluded that there is no single superior architecture. The optimal choice depends on the application requirements, where efficient models like TSM present a pragmatic and high-performance alternative to more expensive approaches like ViViT for deployment in real systems.

2025-07-01T00:00:00Z Goiria Anzuela, Elena http://hdl.handle.net/10366/172508 2026-08-26T00:04:41Z 2025-07-01T00:00:00Z

[ES]El llanto infantil es clave para la monitorización del estado de salud de los bebés. La clasificación automática del llanto puede ayudar en la detección temprana de patologías y en la toma de decisiones clínicas, especialmente en entornos como las Unidades de Cuidados Intensivos Neonatales (UCIN). Este trabajo presenta un análisis comparativo de cinco modelos de clasificación (Máquina de vectores de soporte (SVM), Random Forest, redes neuronales convolucionales, redes neuronales recurrentes bidireccionales y Transformer) entrenados sobre espectrogramas de Mel para la categorización de cinco tipos de llanto (Hambre, Dolor, Asfixia, Normal y Sordo). Los resultados muestran que Transformer y SVM ofrecen las mejores prestaciones, con balanced accuracy superiores al 88%, seguidos de Random Forest. El estudio confirma la eficacia de las representaciones espectrales densas y destaca la necesidad de avanzar hacia sistemas robustos y explicables para su integración en entornos clínicos y domésticos.; [EN]Infant crying is key to monitoring the health status of infants. Automatic classification of crying can help in the early detection of pathologies and in clinical decision making, especially in settings such as Neonatal Intensive Care Units (NICU). This paper presents a comparative analysis of five classification models (Support Vector Machine (SVM), Random Forest, Convolutional Neural Networks, Bidirectional Recurrent Neural Networks and Transformer) trained on Mel spectrograms for the categorization of five types of cry (Hungry, Pain, Choking, Normal and Deaf). The results show that Transformer and SVM offer the best performance, with balanced accuracies above 88%, followed by Random Forest. The study confirms the effectiveness of dense spectral representations and highlights the need to move towards robust and explainable systems for integration in clinical and home environments.

2025-07-01T00:00:00Z Díez Gastón, Pablo http://hdl.handle.net/10366/172503 2026-08-26T00:04:40Z 2025-07-01T00:00:00Z

[ES]El presente Trabajo de Fin de Máster tiene como objetivo principal desarrollar una herramienta de análisis narrativo que permita representar visualmente la estructura de un guion cinematográfico y compararla con modelos narrativos clásicos como el Viaje del Héroe y la Pirámide de Freytag. Para ello, se ha empleado un enfoque basado en técnicas de procesamiento de lenguaje natural y clasificación automática, combinando la detección de puntos clave narrativos con modelos de clasificación zero-shot. Esta aproximación ha permitido generar visualizaciones que reflejan la evolución dramática del guion y su grado de alineación con estructuras narrativas canónicas. El trabajo no solo contribuye a reducir la brecha entre la teoría de la narrativa y las aplicaciones computacionales, sino que también proporciona una herramienta práctica para el análisis sistemático de guiones. Además, sienta las bases para futuras aplicaciones en escritura asistida, análisis comparativo entre géneros y desarrollo de sistemas narrativos inteligentes.; [EN]This Master’s Thesis aims to develop a narrative analysis tool that provides a visual representation of the structure of a film script and enables its comparison with classical narrative models such as the Hero’s Journey and Freytag’s Pyramid. The proposed approach combines natural language processing techniques with automatic classification, integrating the detection of key narrative points and the use of zero-shot classification models. This methodology allows for the generation of visualizations that reflect the dramatic progression of the script and its alignment with canonical narrative structures. The project contributes to bridging the gap between narratological theory and computational applications, while also offering a practical tool for systematic screenplay analysis. Furthermore, it lays the groundwork for future applications in assisted writing, cross-genre comparisons, and intelligent narrative systems.

2025-07-01T00:00:00Z Castro Leira, Marta de http://hdl.handle.net/10366/172495 2026-08-26T00:04:38Z 2025-06-01T00:00:00Z

[ES]El preprocesamiento de datos es una etapa crítica en el análisis y aprendizaje automático, pero suele resultar compleja y poco accesible para usuarios sin experiencia técnica. Este trabajo propone un sistema interactivo que asiste el preprocesamiento mediante técnicas de Inteligencia Artificial (IA), orientado a usuarios no expertos. Para fundamentar el desarrollo, se realizó una revisión sistemática de la literatura (SLR), que permitió identificar las técnicas más relevantes y los principales vacíos de accesibilidad y explicabilidad. Con estos hallazgos se diseñó un prototipo que combina un backend en Flask y un frontend en Angular, integrando procesos automáticos de limpieza, normalización, selección de características y evaluación con AutoML. La validación práctica con usuarios no técnicos permitió identificar mejoras y refinar la herramienta para que resulte más accesible y comprensible. Los resultados sugieren que esta solución no solo automatiza el preprocesamiento, sino que también democratiza su uso, convirtiéndolo en una herramienta educativa y práctica. Como trabajo futuro, se plantean mejoras generales que fortalezcan aún más la accesibilidad y la personalización del proceso.; [EN]Data preprocessing is a critical stage in analysis and machine learning, but it is often complex and inaccessible to users without technical experience. This work proposes an interactive system that assists preprocessing using Artificial Intelligence (AI) techniques, aimed at non-expert users. To inform the development, a systematic literature review (SLR) was conducted, which identified the most relevant techniques and the main gaps in accessibility and explainability. Based on these findings, a prototype was designed that combines a backend in Flask and a frontend in Angular, integrating automatic cleaning, normalisation, feature selection and evaluation processes with AutoML. Practical validation with non-technical users allowed us to identify improvements and refine the tool to make it more accessible and understandable. The results suggest that this solution not only automates preprocessing but also democratises its use, making it an educational and practical tool. As future work, we propose general improvements that further strengthen the accessibility and customisation of the process.

2025-06-01T00:00:00Z Álvarez Sánchez, Arturo http://hdl.handle.net/10366/170706 2026-03-21T01:00:53Z 2025-07-01T00:00:00Z

[ES]En la era digital actual, los sistemas de recomendación juegan un papel crucial en la manera en que los usuarios descubren y acceden a productos, servicios y contenidos a través de la web. Estos sistemas son fundamentales en diversas plataformas como servicios de streaming, tiendas en línea, redes sociales y motores de búsqueda. Tradicionalmente, los sistemas de recomendación se han clasificado en varias categorías, entre las que destacan el filtrado colaborativo, el filtrado basado en contenido y los métodos basados en conocimiento. Estos enfoques han utilizado históricamente diversos tipos de información, como las interacciones entre los usuarios y los ítems, información acerca de los objetos o características demográficas de los usuarios. No obstante, con el crecimiento exponencial de los datos en la era del big data, ha aumentado la disponibilidad de fuentes de información adicionales, conocidas como side information, que pueden integrarse para mejorar los modelos tradicionales. Esta información puede incluir datos contextuales, interacciones sociales, registros de comportamiento o metadatos variados, permitiendo construir sistemas de recomendación más personalizados y robustos. Por lo general, esta información se presenta en formato numérico o cadena, aunque actualmente se proponen y utilizan formatos más complejos y difíciles de procesar, como los textuales y visuales. El objetivo de este trabajo es realizar un estudio comparativo entre los sistemas de recomendación clásicos y las nuevas propuestas que utilizan información secundaria, como las características visuales de las imágenes, para determinar si esta información adicional mejora significativamente las recomendaciones. A través de este trabajo, se pretende aportar una comprensión más profunda de los beneficios y limitaciones del uso de este tipo de información secundaria en los sistemas de recomendación, proporcionando una base sólida para futuras investigaciones y desarrollos en este campo.; [EN]In today’s digital age, recommender systems play a crucial role in the way users discover and access products, articles, services and content across the web. These systems are fundamental in various platforms such and items, information about objects, or demographic characteristics of users. However, with the exponential growth of data in the era of big data, the availability of additional sources of information, known as “side information,” that can be integrated to enhance traditional models has increased. This information can include contextual data, social interactions, behavioral logs or various metadata, enabling more personalized and robust recommender systems to be built. Generally, this information is presented in numeric or string format, although more complex and difficult to process formats, such as textual and visual, are now being proposed and used. The objective of this work is to perform a comparative study between classical recommender systems and new proposals that use secondary information, such as the visual characteristics of images, to determine whether this additional information significantly improves recommendations. Through this work, we aim to provide a deeper understanding of the benefits and limitations of using this type of secondary information in recommender systems, providing a solid foundation for future research and development in this field. As streaming services, online stores, social networks and search engines. Traditionally, recommender systems have fallen into several categories, including collaborative filtering, content-based filtering and knowledge-based methods. These approaches have historically used various types of information, such as interactions between users.

2025-07-01T00:00:00Z Hernández Ramos, Pedro http://hdl.handle.net/10366/168164 2025-12-10T01:01:50Z 2010-09-03T00:00:00Z

[ES] El presente trabajo se ha realizado como Tesis de Fin de Máster del Máster en Sistemas Inteligentes de la Universidad de Salamanca, correspondiente al curso académico 2009-2010. En el trabajo se presentan los resultados obtenidos del análisis de los cromosomas 8, 11 y 12 del genoma humano, para la determinación de las posiciones donde se encuentran las islas CpG mediante la implementación en MatLab de Modelos Ocultos de Markov. Este método diverge con respecto a otros empleados en la actualidad en que éste, a diferencia de los otros, no se fundamenta en mediciones sobre la propia secuencia, sino que emplea principios estocásticos para establecer relaciones entre los elementos de la secuencia y el modelo que lo sustenta. Las conclusiones obtenidas permiten la extrapolación del método utilizado para la búsqueda, de dichas islas, en otros genomas de mamíferos.; [EN] This work was carried out as a Master's Thesis for the Master's in Intelligent Systems at the University of Salamanca, corresponding to the 2009-2010 academic year.The paper presents the results obtained from the analysis of chromosomes 8, 11 and 12 of the human genome, for the determination of the positions where CpG islands are located through the implementation of Hidden Markov Models in MatLab.This method differs from others currently in use in that, unlike the others, it is not based on measurements of the sequence itself, but rather uses stochastic principles to establish relationships between the elements of the sequence and the model that supports it.The conclusions obtained allow the method used to search for these islands to be extrapolated to other mammalian genomes.

2010-09-03T00:00:00Z Sánchez Martín, Diego http://hdl.handle.net/10366/164911 2025-05-03T00:00:30Z 2024-06-01T00:00:00Z

[ES]La selección de características desempeña un papel fundamental en la mejora de la eficiencia y precisión de los modelos de machine learning. A nivel mundial, la cantidad de datos generados se duplica aproximadamente cada dos años, alcanzando niveles insostenibles y presentando un gran desafío. Este trabajo profundiza en el estudio de los enfoques filter, wrapper y embedded mediante la implementación de los algoritmos Random Forest, LASSO, Forward Feature Selection, Genetic Algorithm, Correlation y Relief. Además, se emplean múltiples herramientas para la construcción de modelos eficientes y soluciones óptimas. Se ha logrado determinar cuáles de estos algoritmos funcionan mejor en términos de eficiencia, tamaño del conjunto de datos y plataformas utilizadas, aplicando una metodología centrada en la recopilación de datos, modelado y posterior análisis. Para líneas futuras, se propone la continuación del estudio para aportar mayor veracidad a los resultados obtenidos, así como una posible mejora mediante el empleo de algoritmos híbridos que ofrezcan una solución más robusta y efectiva.; [EN]Feature selection plays a key role in improving the efficiency and accuracy of machine learning models. Globally, the amount of data generated doubles approximately every two years, reaching unsustainable levels and presenting a major challenge. This work delves into the study of filter, wrapper and embedded approaches by implementing Random Forest, LASSO, Forward Feature Selection, Genetic Algorithm, Correlation and Relief algorithms. In addition, multiple tools are used for the construction of efficient models and optimal solutions. It has been possible to determine which of these algorithms work best in terms of efficiency, dataset size and platforms used, applying a methodology focused on data collection, modeling and subsequent analysis. For future lines, the continuation of the study is proposed to provide greater veracity to the results obtained, as well as a possible improvement through the use of hybrid algorithms that offer a more robust and effective solution.

2024-06-01T00:00:00Z Mercado Hernández, Erick José http://hdl.handle.net/10366/164908 2025-05-03T00:00:29Z 2024-07-01T00:00:00Z

[ES]Este trabajo de investigación examina la optimización de redes de distribución energética mediante la incorporación de técnicas de inteligencia artificial y el uso de herramientas de simulación avanzadas basadas en motores de videojuegos, específicamente Unity. Se destaca la aplicación del aprendizaje por refuerzo, junto con otras técnicas de IA, para la mejora en la eficiencia y manejo de las cargas energéticas en condiciones dinámicas y variables. Este enfoque permite no solo anticipar las fluctuaciones en la demanda y la oferta de energía, sino también adaptar las estrategias de operación en tiempo real para maximizar la eficiencia del sistema. A través de un proceso de simulación, se han probado diversas estrategias de gestión energética. Estas simulaciones proporcionan un ambiente seguro y controlado para experimentar con diferentes configuraciones y escenarios sin los riesgos asociados con las pruebas en sistemas reales. Los resultados obtenidos indican que la implementación de la IA en la gestión de redes energéticas puede conducir a una notable reducción de pérdidas energéticas y a una gestión más eficiente de la carga. Este aspecto es particularmente relevante dado el creciente enfoque hacia la sostenibilidad y la necesidad de sistemas energéticos que puedan adaptarse y manejar eficazmente recursos renovables.; [EN]The focus of this study is on the optimisation of energy distribution networks through the application of advanced artificial intelligence (AI) techniques and the use of video game engines such as Unity for simulation. It explores methods such as reinforcement learning to improve the efficiency and management of loads under dynamic and variable conditions. Simulations allow testing and validation of energy management strategies in a safe and controlled environment, providing valuable insights for practical implementation. The results demonstrate that the combination of AI and simulation can reduce energy losses and effectively accommodate renewable energy integration.

2024-07-01T00:00:00Z García Pechero, Javier http://hdl.handle.net/10366/164905 2025-05-03T00:00:19Z 2024-07-01T00:00:00Z

[ES]El presente informe técnico de fin de máster detalla el diseño, implementación y validación de un sistema avanzado de inteligencia de amenazas que integra técnicas de búsqueda elástica e inteligencia artificial. Este sistema, recopila, procesa y analiza información de reportes de ciberseguridad de empresas reconocidas del sector, mejorando significativamente la eficiencia y eficacia en la detección de amenazas cibernéticas. La contribución principal es la creación de una ontología comprehensiva para la inteligencia de amenazas en ciberseguridad, basada en el marco MITRE ATT&CK. Esta ontología estandariza y estructura el conocimiento en el área, facilitando la comunicación entre sistemas y profesionales, y mejorando significativamente la identificación y análisis de amenazas. El sistema destaca por su capacidad para procesar datos no estructurados de reportes de ciberseguridad, utilizando un modelo de lenguaje avanzado con procesamiento del lenguaje natural para extraer entidades, como vulnerabilidades, tácticas, técnicas y procedimientos (TTP) de atacantes, e indicadores de compromiso (IoC). Estas entidades se almacenan en una base de datos que emplea técnicas de búsqueda elástica, permitiendo una recuperación eficiente de la información.; [EN]This technical report details the design, implementation and validation of an advanced threat intelligence system that integrates elastic search and artificial intelligence techniques. This system collects, processes and analyzes information from cybersecurity reports of well-known companies in the industry, significantly improving the efficiency and effectiveness of cyber threat detection. A major contribution is the creation of a comprehensive ontology for cybersecurity threat intelligence, based on the MITRE ATT&CK framework. This ontology standardizes and structures knowledge in the area, facilitating communication between systems and professionals, and significantly improving threat identification and analysis. The system stands out for its ability to process unstructured data from cybersecurity reports, using an advanced language model with natural language processing to extract key entities such as vulnerabilities, tactics, techniques and procedures (TTP) of attackers, and indicators of compromise (IoC). These entities are stored in a database that employs elastic search techniques, enabling efficient information retrieval.

2024-07-01T00:00:00Z García Martín, Alberto http://hdl.handle.net/10366/164903 2025-05-03T00:00:27Z 2024-07-01T00:00:00Z

[ES]Los grandes modelos de lenguaje (LLM) han revolucionado la inteligencia artificial, aplicándose en diversas tareas como los sistemas de recomendación. Este trabajo revisa la literatura existente y propone reproducir un método de recomendación secuencial llamado LlamaRec, que utiliza un enfoque de dos fases: primero selecciona candidatos con un modelo tradicional y luego los reordena con un LLM. Los resultados muestran que LlamaRec es efectivo en varios dominios y que puede mejorarse con modelos más avanzados, aunque enfrenta limitaciones como la necesidad de altos recursos computacionales. Este estudio sugiere futuras investigaciones para optimizar el entrenamiento y mejorar la reproducibilidad en sistemas de recomendación basados en LLM.; [EN]Large language models (LLMs) have disrupted artificial intelligence, being applied to multiple tasks such as recommender systems. This work reviews the existing literature and proposes evaluating an LLM-based sequential recommendation method called LlamaRec, which uses a two-phase approach: first, it retrieves candidates with a traditional model and then ranks them with an LLM. The results show that LlamaRec is effective across multiple domains and can be improved with more advanced models, though it faces limitations like the need for significant computational resources. This study suggests future research to optimize training and reproducibility practices in LLM-based recommendation systems

2024-07-01T00:00:00Z Francés Tostado, Germán http://hdl.handle.net/10366/164901 2025-05-03T00:00:28Z 2024-07-01T00:00:00Z

[ES]En la sociedad globalizada actual el envío de artículos mediante mensajería está siendo cada vez más creciente, por lo que está ocurriendo un auge en técnicas de optimización para que las empresas puedan enviar más artículos con menos costes. Este trabajo consistirá en el estudio del problema de la mochila mediante la aplicación de técnicas de optimización combinatoria y aprendizaje automático, con el objetivo de superar las limitaciones de los métodos tradicionales. Para ello, se evaluarán diversos algoritmos, incluyendo heurísticas clásicas y métodos basados en aprendizaje profundo. Estos métodos son puestos a prueba en un conjunto de escenarios simulados (casos de estudio) que reflejan diversas condiciones de empaquetado, con el fin de evaluar la adaptabilidad y robustez de las diferentes técnicas. Con los resultados obtenidos del análisis, se ha implementado una plataforma web encargada de realizar la optimización de empaquetado de manera interactiva e ideada para operarios de almacén encargados de realizar la preparación de envíos. De esta manera, el sistema ayudará a los operarios que se encargan de la logística de los bultos, indicándoles cómo empaquetar los artículos, para reducir errores humanos y mejorando su eficiencia.; [EN]In today’s globalized society, the shipment of items through courier services is increasingly growing, leading to a surge in optimization techniques so that companies can ship more items at lower costs. This work involves the study of the knapsack problem through the application of combinatorial optimization techniques and machine learning, surpassing the limitations of traditional methods. For this purpose, various algorithms, including classic heuristics and methods based on deep learning, will be evaluated. These methods are tested in a set of simulated scenarios that reflect various packing conditions, in order to assess the adaptability and robustness of the different techniques. With the results obtained from the analysis, a web platform has been implemented that is responsible for carrying out packaging optimization interactively designed for warehouse operators in charge of preparing shipments. In this way, the system will help operators who are in charge of logistics of the packages, indicating how to pack to reduce human errors and improve their efficiency

2024-07-01T00:00:00Z Cordón Muñoz, José Antonio http://hdl.handle.net/10366/164899 2025-05-03T00:00:32Z 2024-06-01T00:00:00Z

[ES]El presente informe técnico de fin de máster detalla el diseño, implementación y validación de TransformerGuard, un asistente proactivo de ciberseguridad que integra inteligencia artificial generativa. Este asistente tiene la capacidad de razonar, tomar decisiones informadas y actuar en consecuencia, interactuando con diversos sistemas, bases de datos, internet y herramientas para ofrecer respuestas precisas y actualizadas sobre los últimos acontecimientos en el campo (como amenazas, vulnerabilidades y ataques), adaptadas a la infraestructura específica del usuario y minimizando las alucinaciones. TransformerGuard se ha desarrollado utilizando agentes avanzados de inteligencia artificial, técnicas de prompt-engineering y modelos de lenguaje de gran escala (LLM) de última generación. Una de las principales ventajas de TransformerGuard es su capacidad de funcionar en ordenadores domésticos sin depender de recursos externos, gracias a que emplea modelos de código abierto que, además, garantizan la privacidad de las conversaciones y reducen significativamente los costes de mantenimiento y uso. El diseño del asistente es modular y reutilizable, acorde con las directrices y estándares actuales para arquitecturas de aplicaciones que integran LLM, asegurando la máxima eficiencia operativa.; [EN]This master’s thesis technical report elaborates on the design, implementation, and validation of TransformerGuard, a proactive cybersecurity assistant that incorporates generative artificial intelligence. This assistant is capable of reasoning, making informed decisions, and acting accordingly, interacting with various systems, databases, the internet, and tools to provide precise and up-to-date responses about the latest developments in the field (such as threats, vulnerabilities, and attacks), tailored to the user’s specific infrastructure and minimizing hallucinations. TransformerGuard has been developed using advanced artificial intelligence agents, prompt-engineering techniques, and state-of-the-art large language models (LLMs). A primary advantage of TransformerGuard is its ability to operate on personal computers without relying on external resources, utilizing open-source models that also ensure the privacy of conversations and significantly reduce maintenance and use costs. The design of the assistant is modular and reusable, in line with current guidelines and standards for application architectures that integrate LLMs, ensuring maximum operational efficiency.

2024-06-01T00:00:00Z Caballero Sandoval, Javier http://hdl.handle.net/10366/164890 2025-05-02T10:48:21Z 2024-06-01T00:00:00Z

[ES]En la actualidad, las personas invidentes son capaces de leer, a partir del lenguaje braille incluido en la caja de los medicamentos, una pequeña información sobre los mismos. Además, el acceso al prospecto completo se ve limitado para personas que poseen visión reducida, debido a problemas visuales (miopía, vista cansada, entre otros) por el pequeño tamaño de su letra. A través de esta investigación, se trata de solucionar esta problemática, mediante un modelo de visión artificial que pueda identificar diferentes cajas de medicamentos desde el propio dispositivo móvil. Además, que utilizando Procesamiento del Lenguaje Natural (PLN) se pueda generar una respuesta a cualquier pregunta del usuario acerca del medicamento, teniendo en cuenta el contexto del prospecto. Para lograr este objetivo, se ha creado un dataset de cajas de medicamentos españoles. Posteriormente, se han entrenado dos modelos pre-entrenados de clasificación (MobileNetV2 y ResNet50) y otros dos de detección para (EfficientDet-Lite0 y EfficientDet-Lite2) capaces de identificar la caja del medicamento a través de las imágenes proporcionadas por el dispositivo móvil del usuario en tiempo real. Por otro lado, se trata de obtener un modelo de PLN que tenga la capacidad de generar una respuesta a una pregunta de un usuario. Se han creado otros dos conjuntos de datos con la finalidad de responder a las preguntas del usuario acerca del medicamento. El primer dataset tiene como objetivo determinar en qué sección del prospecto se encuentra la respuesta a la pregunta. El segundo tiene la finalidad de generar la respuesta a la pregunta teniendo como contexto la sección elegida en el paso anterior. Se ha realizado fine-tuning con los dos conjuntos de datos de un modelo pre-entrenado con texto español basado en la arquitectura BART. Para finalizar, se ha implementado una aplicación disponible para Android que permite utilizar ambos modelos de machine learning obtenidos.; [EN]Nowadays, blind people are able to read, from the braille language included on the medicine box, a small amount of information about the medicine. In addition, access to the full package patient information is limited for people with reduced vision, due to visual problems (myopia, eyestrain, among others) because of the small size of the print. This research aims to solve this problem by means of an artificial vision model that can identify different boxes of medicines from the mobile device itself. Furthermore, using Natural Language Processing (NLP), it can generate an answer to any question from the user about the medicine, taking into account the context of the patient information leaflet. To achieve this goal, a dataset of Spanish medicine boxes has been created. Subsequently, two pre-trained classification models (MobileNetV2 and ResNet50) and two detection models (EfficientDet-Lite0 and EfficientDet-Lite2) capable of identifying the drug box through the images provided by the user's mobile device in real time have been trained. On the other hand, the aim is to obtain a PLN model that has the ability to generate an answer to a user's question. Two other datasets have been created in order to answer the user's questions about the medicine. The first dataset is intended to determine in which section of the package leaflet the answer to the question is found. The second one aims to generate the answer to the question in the context of the section chosen in the previous step. We have performed fine-tuning with the two datasets of a pre-trained model with Spanish text based on the BART architecture. Finally, an application available for Android has been implemented that allows the use of both models of machine learning obtained.

2024-06-01T00:00:00Z