http://localhost:8080/xmlui/handle/123456789/1351 2026-05-28T09:21:28Z http://localhost:8080/xmlui/handle/123456789/1395 Título : Aplicación web asistida por inteligencia artificial para diagnosticar fracturas en imágenes radiológicas caninas. Autor : Barreto Jara, Ana Cecilia; Garay Morínigo, Matías Alejandro; Ayala Díaz, Katia Andrea Resumen : Actualmente, la medicina veterinaria en Paraguay enfrenta desafíos significativos en el diagnóstico por imágenes, particularmente en la interpretación de radiografías para detectar fracturas óseas en caninos. La escasez de radiólogos veterinarios especializados obliga a profesionales generales a realizar interpretaciones radiológicas sin formación específica, incrementando el riesgo de errores diagnósticos que pueden derivar en tratamientos inadecuados y comprometer la recuperación animal. En respuesta a esta problemática, se desarrolló FractosIA, una aplicación web asistida por inteligencia artificial para diagnosticar fracturas en radiografías caninas, integrando tecnologías modernas de visión por computadora y aprendizaje profundo mediante redes neuronales convoluciones. El objetivo del sistema es permitir a los veterinarios cargar imágenes radiológicas, procesarlas mediante algoritmos de inteligencia artificial y obtener diagnósticos asistidos en tiempo real. Se evaluaron tres arquitecturas avanzadas: ResNet50, EfficientNetB3 y Visión Transformer, entrenadas con un dataset de más de 400 imágenes radiológicas etiquetadas en colaboración con profesionales veterinarios. La metodología abarcó la recolección y etiquetado del dataset, el desarrollo y entrenamiento de modelos en entorno con GPU especializada, y la implementación de una aplicación web completa integrando servicios en la nube para autenticación, almacenamiento de datos y gestión de imágenes. Los resultados demostraron que EfficientNetB3 fue la arquitectura más efectiva, alcanzando 82,79% de precisión en clasificación del tipo de fractura y 85,96% en identificación de ubicación anatómica. El sistema final permite subir radiografías, visualizarlas con herramientas interactivas (zoom, paneo, recorte), obtener diagnóstico automático, generar reportes en PDF y gestionar el historial de análisis. Las pruebas de integración confirmaron el correcto funcionamiento de todos los módulos con tiempos de respuesta apropiados para el entorno clínico, demostrando una tasa de éxito superior al 82% y estableciendo su viabilidad como herramienta de apoyo diagnóstico en medicina veterinaria. 2025-01-01T00:00:00Z http://localhost:8080/xmlui/handle/123456789/1390 Título : Uso de inteligencia artificial para identificar materiales por difracción de rayos x Autor : Kassem Moussa, Mohamad; Sanabria Gaona, Alexis Javier; Arrúa Ginés, Jorge Luis; Karin Moussa, Hussein Abdul Resumen : La identificación tradicional de fases cristalinas mediante difracción de rayos x (DRX) requiere un análisis manual experto que consume entre 8 y 12 horas por muestra, presentando tasas de error del 15% al 30% en sistemas multifásicos. Para resolver esta problemática analítica y operativa, este trabajo presenta el desarrollo de un sistema basado en inteligencia artificial capaz de automatizar la identificación de materiales. La solución propuesta utiliza redes neuronales convolucionales (CNN) para reconocer patrones característicos en difractogramas, procesando y validando un conjunto de datos extraído principalmente de la Crystallography Open Database. La implementación del modelo logró reducir el tiempo de análisis de horas a minutos por muestra y alcanzó una precisión de identificación de 87.8% en los compuestos químicos estudiados y una precisión de 91.8% en los sistemas cristalinos estudiados. Se concluye que esta arquitectura neuronal optimiza significativamente los recursos del laboratorio, mitigando el error humano y acelerando el procesamiento de datos complejos. 2026-01-01T00:00:00Z http://localhost:8080/xmlui/handle/123456789/1389 Título : Percepción pública sobre conectividad doméstica y móvil en Paraguay, mediante lenguaje natural y aprendizaje automático Autor : Romero Giménez, Matías Alejandro; Martínez Stietz, Alejandro Valentín; Ayala Díaz, Katia Andrea; Delgado, Lourdes Resumen : Se evaluó la percepción pública sobre los servicios de conectividad doméstica y móvil en Paraguay (2020–2024) mediante técnicas de Procesamiento de Lenguaje Natural (PLN) y Aprendizaje Automático. Se construyó un corpus integrado (7 898 comentarios) proveniente de fuentes abiertas (Twitter/X, Reddit y Google Maps), contemplando el contexto bilingüe español–guaraní. El flujo elaborado incluyó recolección automatizada, tratamiento previo y preprocesamiento lingüístico (normalización, manejo de negaciones, detección de idioma y mapeo de emojis), vectorización con TF–IDF para los modelos. Se compararon tres enfoques de clasificación de sentimientos: Naive Bayes (NB) y Perceptrón Multicapa (MLP) como referencias eficientes sobre TF–IDF, y un modelo BERT multilingüe como alternativa contextual principal. Las reseñas con rating de Google Maps sirvieron como semilla de etiquetado para el entrenamiento y la evaluación, con partición estratificada y validación. Los resultados se integraron en un modelo dimensional en estrella y tableros interactivos en Power BI para facilitar lectura ejecutiva por empresa, plataforma y periodo. Los hallazgos muestran predominio de sentimiento negativo (63 %) y positivo (31 %), con fracción neutra acotada, además de patrones temáticos recurrentes vinculados a cobertura, velocidad, atención e incidencias del servicio. El desempeño del sistema satisfizo el criterio de éxito establecido (exactitud 70 %) y permitió responder preguntas de estudio con trazabilidad desde los artefactos generados (datasets consolidados, métricas y paneles). Se discuten implicancias para la mejora del servicio y líneas futuras de trabajo. 2026-01-01T00:00:00Z http://localhost:8080/xmlui/handle/123456789/1388 Título : Sistema de ciberseguridad basado en deep learning para redes empresariales Autor : Ovelar Bogado, Evelio Jacin; Avalos Ferreira, Rodolfo Emmanuel; Almeida Delgado, Carlos Domingo Resumen : Las intrusiones en redes empresariales constituyen un riesgo operativo y financiero, con impacto en la continuidad del negocio y la confianza de los usuarios. Aunque existen firewalls e IDS basados en firmas, su capacidad de detección es limitada frente a ataques de día cero, técnicas de evasión y tráfico cifrado. Este Trabajo Final de Grado propone un sistema de ciberseguridad basado en deep learning para tráfico sobre VPN, orientado a la detección en tiempo real de actividades anómalas en entornos corporativos. El objetivo principal fue implementar un prototipo capaz de analizar flujos de red, identificar comportamientos maliciosos y emitir alertas con baja latencia y reducida tasa de falsos positivos. La investigación es tecnológica, de enfoque cuantitativo y alcance descriptivo–comparativo. El método incluyó la integración de los conjuntos de datos CICIDS2017 y UNSW-NB15, seleccionados por su diversidad de ataques y uso extendido, la construcción de un vector unificado de 118 características de flujo en un orden fijo y reproducible, la estandarización sin leakage, la partición estratificada, el entrenamiento de un modelo híbrido basado en redes CNN y LSTM, la implementación de un servicio de inferencia mediante API REST (FastAPI ) y el diseño de un panel de monitoreo. La evaluación consideró precisión, recall, F1 y AUC, además de latencia de inferencia y uso de CPU y memoria RAM. Para la interpretabilidad se incorporaron técnicas de Inteligencia Artificial Explicable (XAI ), como SHAP. Los resultados cumplieron ampliamente el criterio de éxito establecido, entendido como un desempeño mínimo aceptable de 70%. En la evaluación offline, el modelo alcanzó una exactitud de 0,9915, precisión de 0,9904, recall de 0,9972, F1 de 0,9938 y AUC de 0,9997, con latencias compatibles con operación continua. Frente a enfoques basados en firmas, como Snort y Suricata, mostró mayor adaptabilidad sobre flujos cifrados. Como alcance y límite, el sistema opera sobre metadatos de flujo sin inspección de payload y fue validado en un entorno controlado, por lo que su despliegue productivo requiere calibración continua según el perfil de tráfico y las políticas de cada organización. 2026-01-01T00:00:00Z