Browsing by Subject "Inteligencia Artificial"

Now showing 1 - 3 of 3
  • Thumbnail Image
    Item
    Framework para la integración de herramientas de inteligencia artificial en los productos de software para el área de seguridad y salud en el trabajo desarrollados por la corporación Talentum
    (Pontificia Universidad Javeriana Cali, 2024) Caicedo Cuellar, Fabian Andrés; Ceballos Argote, Oscar Orlando
    A pesar de los evidentes avances en el área de la Inteligencia Artificial (IA), su integración efectiva en soluciones de software orientadas a la Seguridad y Salud en el Trabajo presenta desafíos que abarcan desde aspectos técnicos hasta cuestiones éticas y de privacidad, y demandan una comprensión profunda y enfoques adaptados para asegurar implementaciones exitosas que realmente beneficien a los usuarios finales y a las organizaciones involucradas. De ahí que, la presente investigación propone un framework para incorporar componentes de IA en arquitecturas de software preexistentes con énfasis en SST. El framework se compone de prácticas recomendadas, componentes arquitectónicos y criterios para una integración eficaz de una IA, buscando no solo la adaptación técnica sino también el aprovechamiento máximo de la IA para garantizar su impacto y perdurabilidad. En particular, como caso de estudio, se selecciona un proyecto de desarrollo de software el cual incluye en sus requerimientos funcionales la necesidad de incorporar componentes de IA. La Corporación Talentum es una entidad prominente en la implementación de proyectos gubernamentales en Colombia.
  • Thumbnail Image
    Item
    Identificación de la actividad de la toxoplasmosis ocular mediante distintas redes neuronales convolucionales
    (Pontificia Universidad Javariana Cali, 2025) Raigoso Espinosa, Juan David; Olarte Zuluaga, Juliana Andrea; Mejía Salgado, Germán Alberto; Vargas Cardona, Hernán Darío
    Este proyecto se centró en la aplicación de redes neuronales convolucionales (CNN) para la identificación automática de la actividad de la toxoplasmosis ocular (TO) en imágenes de fondo de ojo. La TO es una causa significativa de discapacidad visual severa. La importancia de este proyecto radica en su potencial para mejorar el diagnóstico y tratamiento de la TO, especialmente en áreas con acceso limitado a especialistas en oftalmología. Los objetivos específicos incluyeron la gestión de una base de datos de imágenes de fondo de ojo, el entrenamiento de CNN’s para identificar la actividad de la TO, y la evaluación del rendimiento de estas técnicas de clasificación. Se aplicó transfer learning con 3 CNN que previamente han sido utilizadas en tareas de clasificación médica (ResNetV2, VGG16, InceptionV3) y se realizaron dos arquitecturas de CNN propias; obteniendo el mejor resultado priorizando una alta sensibilidad hacia la clase activa con una ResNetV2 con 10 épocas, función de activación ReLU, optimizador Adam, Tasa de aprendizaje 1e-4, Tamaño de lote de 32 y utilizando técnicas de balanceo de datos como Synthetic Minority Over-sampling Technique (SMOTE) y data augmentation. Obteniendo una exactitud (accuracy) del modelo de 0.81 ± 0.02. Para la clase activa una sensibilidad de 0.9 ± 0.06, una especificidad de 0.69 ± 0.08 y un F1 Score de 0.77 ± 0.02; mientras que, para la clase inactiva, una sensibilidad de 0.77 ± 0.07, especificidad de 0.91 ± 0.03 y F1 score de 0.84 ± 0.03 Este proyecto demuestra la capacidad de la inteligencia artificial y las CNN en clasificar lesiones retinocoroideas de TO activas o inactivas, facilitando así la toma de decisiones terapéuticas.
  • Thumbnail Image
    Item
    Identificación de la actividad de la toxoplasmosis ocular mediante distintas redes neuronales convolucionales
    (Pontificia Universidad Javariana Cali, 2025) Mejía Salgado, Germán Alberto; Olarte Zuluaga, Juliana Andrea; Raigoso Espinosa, Juan David; Vargas Cardenas, Hernán Darío
    Este proyecto se centró en la aplicación de redes neuronales convolucionales (CNN) para la identificación automática de la actividad de la toxoplasmosis ocular (TO) en imágenes de fondo de ojo. La TO es una causa significativa de discapacidad visual severa. La importancia de este proyecto radica en su potencial para mejorar el diagnóstico y tratamiento de la TO, especialmente en áreas con acceso limitado a especialistas en oftalmología. Los objetivos específicos incluyeron la gestión de una base de datos de imágenes de fondo de ojo, el entrenamiento de CNN’s para identificar la actividad de la TO, y la evaluación del rendimiento de estas técnicas de clasificación. Se aplicó transfer learning con 3 CNN que previamente han sido utilizadas en tareas de clasificación médica (ResNetV2, VGG16, InceptionV3) y se realizaron dos arquitecturas de CNN propias; obteniendo el mejor resultado priorizando una alta sensibilidad hacia la clase activa con una ResNetV2 con 10 épocas, función de activación ReLU, optimizador Adam, Tasa de aprendizaje 1e-4, Tamaño de lote de 32 y utilizando técnicas de balanceo de datos como Synthetic Minority Over-sampling Technique (SMOTE) y data augmentation. Obteniendo una exactitud (accuracy) del modelo de 0.81 ± 0.02. Para la clase activa una sensibilidad de 0.9 ± 0.06, una especificidad de 0.69 ± 0.08 y un F1 Score de 0.77 ± 0.02; mientras que, para la clase inactiva, una sensibilidad de 0.77 ± 0.07, especificidad de 0.91 ± 0.03 y F1 score de 0.84 ± 0.03 Este proyecto demuestra la capacidad de la inteligencia artificial y las CNN en clasificar lesiones retinocoroideas de TO activas o inactivas, facilitando así la toma de decisiones terapéuticas