Incorporación de técnicas de IA para asistir al preprocesamiento de datos para usuarios no expertos

Abstract

[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.