Browsing by Subject "Models"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Modelo de lenguaje natural para el análisis de conversaciones de WhatsApp entre un asesor de cobranzas y un cliente
    (Pontificia Universidad Javeriana Cali, 2025) Alvear Corro, Jesús David; Ramírez Ovalle, Carlos Ernesto
    El siguiente proyecto aborda la necesidad de mejorar la gestión de cobranzas en entidades bancarias dado el repentino aumento de la cartera vencida, lo que pone en presión la eficacia de las estrategias de cobranzas, el objetivo del proyecto se enfoca en la implementación de un modelo avanzado de procesamiento de lenguaje natural (PLN) como BERT. Este analiza las conversaciones de WhatsApp entre asesores de cobranza y clientes, para mejorar la eficiencia en la gestión de cobranzas identificando patrones de comportamiento y analizando el sentimiento expresado en estas interacciones. El desarrollo del modelo se estructura en varias fases clave. Primero, se establece una robusta gestión de datos y creación de pipelines para capturar sistemáticamente las conversaciones de WhatsApp. Esto incluye el almacenamiento, procesamiento, limpieza, normalización y entrenamiento de los datos, asegurando una base sólida para el análisis posterior. Se implementan modelos avanzados como BERT para evaluar la calidad de las conversaciones y analizar el sentimiento expresado por los clientes. Los modelos BERT se utilizarán para la clasificación de sentimientos, proporcionando así una comprensión profunda de la percepción y la actitud de los clientes frente a sus obligaciones financieras. La evaluación del modelo es exhaustiva, considerando métricas estándar como precisión, exactitud y F1- score, así como la capacidad del modelo para generalizar a nuevas conversaciones y su interpretabilidad. Esto garantiza que el modelo seleccionado cumpla con los estándares de calidad necesarios para su implementación en un entorno operativo real. Además de mejorar la eficiencia en la gestión de cobranzas, el proyecto logra proporcionar herramientas para una evaluación temprana del desempeño de los asesores. Esto se logra mediante el análisis automatizado de las interacciones, identificando conversaciones críticas y áreas donde los asesores podrían mejorar en la comunicación con los clientes.
  • Thumbnail Image
    Item
    Predicción del comportamiento de la malaria en Colombia usando modelos de machine learning
    (Pontificia Universidad Javeriana Cali, 2025) Certuche González, Sofy Johanna; Santa Zaira, Jaime; Pizo Gurrute, Zaira Idaly; Ortega Lenis, Delia
    La malaria humana o paludismo es una enfermedad infecciosa transmitida por vectores, en este caso son los mosquitos hembras del género Anopheles que proliferan en zonas inferiores a 1600 metros en donde está localizada el 80 % de la Colombia rural, siendo susceptibles de contraer la infección alrededor de 25 millones de personas. La “Estrategia Técnica Mundial contra la Malaria 2016-2030” pactada por la OMS tiene como objetivo erradicar la enfermedad en 85 países que se consideran endémicos dentro de los cuales se encuentra Colombia por sus condiciones climáticas considerándose un problema de salud pública con un reporte del 10 % de los casos de malaria que se registran en la región de las Américas. Debido a la carga de la enfermedad se cuenta aproximadamente con 106 grupos de investigación sólo en la región y su comportamiento epidemiológico se ha tratado de explicar a través de modelos matemáticos (estadísticos y determinísticos), epidemiológicos (SI, SIR, SIS) y con aproximaciones desde la ciencia de datos (Deep Learning, Machine Learning). Teniendo en cuenta la prevalencia de la enfermedad y su definición como problema de salud pública con estrategias exitosas basadas en el diagnóstico y tratamiento precoz, este proyecto tiene como objetivo desarrollar un modelo predictivo con técnicas de Machine Learning para efectuar una aproximación al comportamiento epidemiológico de la malaria en un departamento en Colombia durante el periodo 2015 2023 debido a que la comprensión de la enfermedad a partir de diferentes modelos va a permitir realizar predicciones temporales, prácticas y aplicables, optimizando tiempo y recursos.