Tema: Modelo de aprendizaje automático supervisado para predecir si un titular de una tarjeta de crédito (de una empresa retail financiero) pagará o no el saldo en mora del “pago mínimo facturado”.
Integrantes:
- GUZMAN MARTINEZ, JUAN
- HUAMAN CHAVEZ, JAVIER
- SALAS ESCOBAR, JORGE
Resumen:
En la presente investigación se desarrolla un modelo de machine learning supervisado de clasificación. Este modelo clasifica si un deudor pagará o no, en menos de un mes, el saldo en mora temprana del “pago mínimo facturado” de su tarjeta de crédito. Previo a ello, se revisó otras investigaciones similares, luego se desarrolló el modelo, y se realizó la discusión (comparación de esta investigación con las investigaciones anteriores). Finalmente, se describen las conclusiones.
Paper (archivo: Proyecto IA UNI 2022-II - Guzmán, Huamán, Salas.pdf):
Se adjunta documento con el paper en el formato indicado.
Pasos para el desarrollo del trabajo:
Se encuentran especificados en el capítulo III del paper: Modelo de machine learning propuesto.
PPT's:
- Figuras ampliadas del capítulo IV del paper (comparación con resultados de investigaciones anteriores).
- Presentación de exposición inicial: Introducción y 1 investigación del capítulo II - estado del arte.
Se encontraron 7 coincidencias
- 11 Ene 2023, 21:02
- Foros: Proyectos en Inteligencia Artificial
- Tema: IA para predecir si un titular de una tarjeta de crédito pagará o no el saldo en mora del “pago mínimo facturado".
- Respuestas: 0
- Vistas: 1342
- 21 Dic 2022, 12:59
- Foros: Internet of Things (IoT)
- Tema: Resumen de aplicaciones de inteligencia artificial usando internet de las cosas.
- Respuestas: 0
- Vistas: 6371
Resumen de aplicaciones de inteligencia artificial usando internet de las cosas.
Título: Resumen de aplicaciones de inteligencia artificial usando internet de las cosas.
Autor: JAVIER HUAMAN CHAVEZ.
Descripción: Se revisó 3 investigaciones, y se realizará la breve y concisa descripción de cada una de estas investigaciones. Se denotará a las investigaciones de la siguiente forma: “investigación 1”, “investigación 2”, e “investigación 3”.
Descripción del problema en la “investigación 1”
Se necesita monitorear y controlar, de mejor manera, la contaminación del aire. Para así evitar efectos adversos en la salud de las personas.
Algoritmos y resultados de las pruebas en la “investigación 1”
Algoritmos de aprendizaje automático que incrementan la precisión de los sensores.
Algoritmos de aprendizaje profundo para análisis temporales y espaciales.
Resultado: del compendio de aplicaciones que muestra este artículo, se concluye que la inteligencia artificial sí beneficia a los dispositivos de internet de las cosas, proporcionándole mayor precisión en el cálculo de la calidad del aire. Con esa información, se puede tomar decisiones rápidas y acertadas para mitigar la contaminación del aire.
Herramientas utilizadas en la “investigación 1”
Sensores de calidad del aire. Centro de datos de internet de las cosas (iOT) en la nube. Software de inteligencia artificial para mejorar la calidad del monitoreo de contaminación del aire.
Dataset utilizado en la “investigación 1”
Atributos: todos los tipos de partículas contaminantes del aire en micro micras de diámetro.
Variable de salida: nivel de contaminación del aire.
Descripción del problema en la “investigación 2”
Durante la pandemia del COVID-19, aparece la necesidad de detectar qué personas tienen fiebre, o no tienen mascarillas, en, por ejemplo, una multitud de personas por la ciudad.
Algoritmos y resultados de las pruebas en la “investigación 2”
Algoritmos de inteligencia artificial que detectan aquellas personas con fiebre, o sin mascarillas.
Resultados: las instancias clasificadas correctamente es 99.5%. El ROC área = 0.995.
Herramientas utilizadas en la “investigación 2”
Cámaras térmicas para detectar temperatura de las personas.
Videocámaras para detectar si las personas tienen o no mascarillas.
Software desarrollado de inteligencia artificial para la detección de personas con fiebre.
Software desarrollado de inteligencia artificial para la detección de personas sin mascarillas.
Dataset utilizado en la “investigación 2”
Atributos: imágenes térmicas del rostro de personas, para medir la temperatura. Imágenes de rostros de personas para detectar sin tienen mascarillas.
Variable de salida: Persona tiene fiebre o no. Persona tiene mascarilla o no.
Descripción del problema en la “investigación 3”
Predecir riesgo crediticio.
Algoritmos y resultados de las pruebas en la “investigación 3”
Algoritmo de bosque aleatorio para seleccionar los indicadores de evaluación de riesgo crediticio.
Algoritmo de regla de asociación para extraer información de riesgo financiero.
Herramientas usadas en la “investigación 3”
Software SPSS26.0 para la adecuación de muestreo estadístico.
Motor de búsqueda para obtención de transacciones y tarjetas bancarias.
Software desarrollado de aprendizaje automático y big data, para la evaluación crediticia.
Dataset utilizado en la “investigación 3”
Atributos: datos de transacciones y tarjetas bancarias.
Clase: 4 intervalos de calificación de riesgo.
Conclusiones
La inteligencia y el internet de las cosas son herramientas útiles y beneficiosas en diferentes ámbitos de aplicación. Así por ejemplo, apoya a detectar la calidad del aire (medio ambiente); la temperatura de personas (diagnóstico de potencial portante de COVID-19); o a detectar posibles riesgos crediticios (finanzas).
Referencias
Yang, C., Chen, H., Chang, E., Kristiani, E., Phuong, K. y Chang, J. (2021). Current advances and future challenges of AIoT applications in particulate matters (PM) monitoring and control. Hazardous Materials. 419. https://doi.org/10.1016/j.jhazmat.2021.126442
Barnawi, A., Chhikara, P., Tekchandani, R., Kumar, N. y Alzahrani, B. (2021). Artificial intelligence-enabled Internet of Things-based system for COVID-19 screening using aerial thermal imaging. Future Generation Computer Systems. 124, 119-132. https://doi.org/10.1016/j.future.2021.05.019
Wen, C., Yang, J., Gan, L. y Pan, Y. (2021). Big data driven Internet of Things for credit evaluation and early warning in finance. Future Generation Computer Systems. 124, 295-307. https://doi.org/10.1016/j.future.2021.06.003
Autor: JAVIER HUAMAN CHAVEZ.
Descripción: Se revisó 3 investigaciones, y se realizará la breve y concisa descripción de cada una de estas investigaciones. Se denotará a las investigaciones de la siguiente forma: “investigación 1”, “investigación 2”, e “investigación 3”.
Descripción del problema en la “investigación 1”
Se necesita monitorear y controlar, de mejor manera, la contaminación del aire. Para así evitar efectos adversos en la salud de las personas.
Algoritmos y resultados de las pruebas en la “investigación 1”
Algoritmos de aprendizaje automático que incrementan la precisión de los sensores.
Algoritmos de aprendizaje profundo para análisis temporales y espaciales.
Resultado: del compendio de aplicaciones que muestra este artículo, se concluye que la inteligencia artificial sí beneficia a los dispositivos de internet de las cosas, proporcionándole mayor precisión en el cálculo de la calidad del aire. Con esa información, se puede tomar decisiones rápidas y acertadas para mitigar la contaminación del aire.
Herramientas utilizadas en la “investigación 1”
Sensores de calidad del aire. Centro de datos de internet de las cosas (iOT) en la nube. Software de inteligencia artificial para mejorar la calidad del monitoreo de contaminación del aire.
Dataset utilizado en la “investigación 1”
Atributos: todos los tipos de partículas contaminantes del aire en micro micras de diámetro.
Variable de salida: nivel de contaminación del aire.
Descripción del problema en la “investigación 2”
Durante la pandemia del COVID-19, aparece la necesidad de detectar qué personas tienen fiebre, o no tienen mascarillas, en, por ejemplo, una multitud de personas por la ciudad.
Algoritmos y resultados de las pruebas en la “investigación 2”
Algoritmos de inteligencia artificial que detectan aquellas personas con fiebre, o sin mascarillas.
Resultados: las instancias clasificadas correctamente es 99.5%. El ROC área = 0.995.
Herramientas utilizadas en la “investigación 2”
Cámaras térmicas para detectar temperatura de las personas.
Videocámaras para detectar si las personas tienen o no mascarillas.
Software desarrollado de inteligencia artificial para la detección de personas con fiebre.
Software desarrollado de inteligencia artificial para la detección de personas sin mascarillas.
Dataset utilizado en la “investigación 2”
Atributos: imágenes térmicas del rostro de personas, para medir la temperatura. Imágenes de rostros de personas para detectar sin tienen mascarillas.
Variable de salida: Persona tiene fiebre o no. Persona tiene mascarilla o no.
Descripción del problema en la “investigación 3”
Predecir riesgo crediticio.
Algoritmos y resultados de las pruebas en la “investigación 3”
Algoritmo de bosque aleatorio para seleccionar los indicadores de evaluación de riesgo crediticio.
Algoritmo de regla de asociación para extraer información de riesgo financiero.
Herramientas usadas en la “investigación 3”
Software SPSS26.0 para la adecuación de muestreo estadístico.
Motor de búsqueda para obtención de transacciones y tarjetas bancarias.
Software desarrollado de aprendizaje automático y big data, para la evaluación crediticia.
Dataset utilizado en la “investigación 3”
Atributos: datos de transacciones y tarjetas bancarias.
Clase: 4 intervalos de calificación de riesgo.
Conclusiones
La inteligencia y el internet de las cosas son herramientas útiles y beneficiosas en diferentes ámbitos de aplicación. Así por ejemplo, apoya a detectar la calidad del aire (medio ambiente); la temperatura de personas (diagnóstico de potencial portante de COVID-19); o a detectar posibles riesgos crediticios (finanzas).
Referencias
Yang, C., Chen, H., Chang, E., Kristiani, E., Phuong, K. y Chang, J. (2021). Current advances and future challenges of AIoT applications in particulate matters (PM) monitoring and control. Hazardous Materials. 419. https://doi.org/10.1016/j.jhazmat.2021.126442
Barnawi, A., Chhikara, P., Tekchandani, R., Kumar, N. y Alzahrani, B. (2021). Artificial intelligence-enabled Internet of Things-based system for COVID-19 screening using aerial thermal imaging. Future Generation Computer Systems. 124, 119-132. https://doi.org/10.1016/j.future.2021.05.019
Wen, C., Yang, J., Gan, L. y Pan, Y. (2021). Big data driven Internet of Things for credit evaluation and early warning in finance. Future Generation Computer Systems. 124, 295-307. https://doi.org/10.1016/j.future.2021.06.003
- 20 Dic 2022, 20:08
- Foros: Inteligencia Artificial
- Tema: Resumen de trabajos de machine learning aplicados a la medicina.
- Respuestas: 0
- Vistas: 506
Resumen de trabajos de machine learning aplicados a la medicina.
Título: Resumen de trabajos de machine learning aplicados a la medicina.
Autor: JAVIER HUAMAN CHAVEZ.
Descripción: Se revisó 3 investigaciones de machine learning aplicados a la medicina, y a continuación, se describirá de forma breve y concisa cada una estas investigaciones. Se denotará a cada investigación de la siguiente forma: “Investigación 1”, “Investigación 2” e “Investigación 3”.
Descripción del problema en la “Investigación 1”
El sistema público de salud en Chile, requiere de una solución tecnológica que ayude a mejorar el diagnóstico y prevención de la retinopatía diabética (RD), y contribuya con la eficiencia en el uso de recursos oftalmológicos.
Algoritmos y resultados de las pruebas en la “Investigación 1”
El software DART, desarrollado para resolver el problema descrito anteriormente, incluye algoritmos de aprendizaje automático, que permite al sistema diagnosticar de forma automática las anomalías en la retina humana.
En la matriz de confusión, se observa lo siguiente:
226 instancias han sido clasificadas como “positivo para retinopatía diabética” cuando realmente sí lo eran.
13 instancias han sido clasificadas como “negativo para retinopatía diabética” cuando realmente eran positivo.
657 instancias han sido clasificadas correctamente como “negativo para retinopatía diabética”.
227 instancias han sido clasificadas como “positivo para retinopatía diabética” cuando realmente eran negativo.
Además, se deduce que el TP Rate para la clase “positivo para retinopatía diabética”, es 94.56% (226/239). Y el TP Rate para la clase “negativo para retinopatía diabética” es 74.32% (657/884). El ROC área es 0.915.
Herramientas en la “Investigación 1”
Software DART, incluye algoritmos de aprendizaje automático para la detección de anormalidades en la retina humana.
Metodología doble ciego, para comparar los resultados de DART y de los oftalmólogos.
Fotografías oculares de fondo de ojo, es el input principal de datos para DART.
Red neuronal artificial para detectar indicios de edema macular diabético (incluido en DART).
Red neuronal artificial para diagnosticar signos de retinopatía diabética (incluido en DART).
Plataforma web chilena “teleoftalmología”, de donde se obtuvo las fotografías oculares de fondo de ojo.
Dataset en la “Investigación 1”
Los atributos principales son:
Las fotografías oculares de fondo de ojo.
La calificación general (ambos ojos) del oftalmólogo acerca de la ausencia, o grado de presencia de retinopatía diabética.
La clase tiene 2 valores:
Oftalmólogo negativo, cuando el paciente no tiene retinopatía diabética.
Oftalmólogo positivo, cuando el paciente sí tiene retinopatía diabética.
Descripción del problema en la “Investigación 2”
Se requiere emplear soluciones innovadoras para diagnosticar, en poco tiempo, la tuberculosis. El estudio piloto se realizó en 5 centros de salud en el distrito limeño de Ate Vitarte (Perú).
Algoritmos y resultados de las pruebas en la “Investigación 2”
Algoritmo de Red neuronal convolucional, para detectar tuberculosis.
Los resultados, de las encuestas a los profesionales de salud, acerca del uso del software eRx para detectar tuberculosis, los autores indican que serán reportados en una siguiente publicación.
Herramienta en la “Investigación 2”
Software eRx para detección de tuberculosis.
Dataset en la “Investigación 2”
Atributo: Fotografías de Rayos X a la caja toráxica de los pacientes.
Clase: positivo o negativo para tuberculosis.
Descripción del problema en la “Investigación 3”
Dificultad en la identificación de cadáveres, por pérdida del hueso mandibular.
Algoritmos y resultados de las pruebas en la “Investigación 3”
Máquina de soporte vectorial con kernel lineal (Aprendizaje automático).
Coeficientes de correlación: 0.71 para la altura de la rama mandibular derecha. 0.72 para el ancho bigoníaco. 0.76 para el ancho bicondíleo. 0.84 para la distancia entre el cóndilo derecho y el mentón. Y 0.85 para la distancia entre el cóndilo izquierdo y el mentón.
Herramientas en la “Investigación 3”
Radiografías postero-anteriores de pacientes colombianos, con dentición completa.
Programa Tpsdig2 para localizar los puntos de referencia anatómicos.
Excel y Matlab para el cómputo de los datos obtenidos con Tpsdig2.
Programa Rapidminer para el análisis de red neuronal artificial.
Dataset en la “Investigación 3”
Variables de entrada: coordenadas radiográficas de mandíbulas de pacientes.
Variable de salida: medidas morfológicas mandibulares, que se pueden utilizar, para la identificación de cadáveres.
Conclusiones
“Investigación 1”: el software DART tiene resultados favorables para ser utilizado en la detección de retinopatía diabética. Y también se demostró lo factible de ser implementada en un sistema nacional de salud (en este caso Chile).
“Investigación 2”: la inteligencia artificial es un gran apoyo para el diagnóstico de tuberculosis.
“Investigación 3”: El modelo de red neuronal utilizado en la investigación, contribuye en la reconstrucción facial de cadáveres (ciencia forense).
Referencias
Arenas, J., Abarca, I., Rojas, M., Bernuy, F. y Donoso, R. (2021). Clinical validation of an artificial intelligence-based diabetic retinopathy screening tool for a national health system [Archivo PDF]. https://www.nature.com/articles/s41433-020-01366-0
Curioso, W. y Brunette, M. (2020). Inteligencia artificial e innovación para optimizar el proceso de diagnóstico de la tuberculosis [Archivo PDF]. http://www.scielo.org.pe/scielo.php?scr ... 0000300554
Viloria, A., Mendinueta, M., Borrero, L. y Bonerge, O. (2020). Prediction of Mandibular Morphology through Artificial Neural Networks [Archivo PDF]. https://www.sciencedirect.com/science/a ... 0920305019
Autor: JAVIER HUAMAN CHAVEZ.
Descripción: Se revisó 3 investigaciones de machine learning aplicados a la medicina, y a continuación, se describirá de forma breve y concisa cada una estas investigaciones. Se denotará a cada investigación de la siguiente forma: “Investigación 1”, “Investigación 2” e “Investigación 3”.
Descripción del problema en la “Investigación 1”
El sistema público de salud en Chile, requiere de una solución tecnológica que ayude a mejorar el diagnóstico y prevención de la retinopatía diabética (RD), y contribuya con la eficiencia en el uso de recursos oftalmológicos.
Algoritmos y resultados de las pruebas en la “Investigación 1”
El software DART, desarrollado para resolver el problema descrito anteriormente, incluye algoritmos de aprendizaje automático, que permite al sistema diagnosticar de forma automática las anomalías en la retina humana.
En la matriz de confusión, se observa lo siguiente:
226 instancias han sido clasificadas como “positivo para retinopatía diabética” cuando realmente sí lo eran.
13 instancias han sido clasificadas como “negativo para retinopatía diabética” cuando realmente eran positivo.
657 instancias han sido clasificadas correctamente como “negativo para retinopatía diabética”.
227 instancias han sido clasificadas como “positivo para retinopatía diabética” cuando realmente eran negativo.
Además, se deduce que el TP Rate para la clase “positivo para retinopatía diabética”, es 94.56% (226/239). Y el TP Rate para la clase “negativo para retinopatía diabética” es 74.32% (657/884). El ROC área es 0.915.
Herramientas en la “Investigación 1”
Software DART, incluye algoritmos de aprendizaje automático para la detección de anormalidades en la retina humana.
Metodología doble ciego, para comparar los resultados de DART y de los oftalmólogos.
Fotografías oculares de fondo de ojo, es el input principal de datos para DART.
Red neuronal artificial para detectar indicios de edema macular diabético (incluido en DART).
Red neuronal artificial para diagnosticar signos de retinopatía diabética (incluido en DART).
Plataforma web chilena “teleoftalmología”, de donde se obtuvo las fotografías oculares de fondo de ojo.
Dataset en la “Investigación 1”
Los atributos principales son:
Las fotografías oculares de fondo de ojo.
La calificación general (ambos ojos) del oftalmólogo acerca de la ausencia, o grado de presencia de retinopatía diabética.
La clase tiene 2 valores:
Oftalmólogo negativo, cuando el paciente no tiene retinopatía diabética.
Oftalmólogo positivo, cuando el paciente sí tiene retinopatía diabética.
Descripción del problema en la “Investigación 2”
Se requiere emplear soluciones innovadoras para diagnosticar, en poco tiempo, la tuberculosis. El estudio piloto se realizó en 5 centros de salud en el distrito limeño de Ate Vitarte (Perú).
Algoritmos y resultados de las pruebas en la “Investigación 2”
Algoritmo de Red neuronal convolucional, para detectar tuberculosis.
Los resultados, de las encuestas a los profesionales de salud, acerca del uso del software eRx para detectar tuberculosis, los autores indican que serán reportados en una siguiente publicación.
Herramienta en la “Investigación 2”
Software eRx para detección de tuberculosis.
Dataset en la “Investigación 2”
Atributo: Fotografías de Rayos X a la caja toráxica de los pacientes.
Clase: positivo o negativo para tuberculosis.
Descripción del problema en la “Investigación 3”
Dificultad en la identificación de cadáveres, por pérdida del hueso mandibular.
Algoritmos y resultados de las pruebas en la “Investigación 3”
Máquina de soporte vectorial con kernel lineal (Aprendizaje automático).
Coeficientes de correlación: 0.71 para la altura de la rama mandibular derecha. 0.72 para el ancho bigoníaco. 0.76 para el ancho bicondíleo. 0.84 para la distancia entre el cóndilo derecho y el mentón. Y 0.85 para la distancia entre el cóndilo izquierdo y el mentón.
Herramientas en la “Investigación 3”
Radiografías postero-anteriores de pacientes colombianos, con dentición completa.
Programa Tpsdig2 para localizar los puntos de referencia anatómicos.
Excel y Matlab para el cómputo de los datos obtenidos con Tpsdig2.
Programa Rapidminer para el análisis de red neuronal artificial.
Dataset en la “Investigación 3”
Variables de entrada: coordenadas radiográficas de mandíbulas de pacientes.
Variable de salida: medidas morfológicas mandibulares, que se pueden utilizar, para la identificación de cadáveres.
Conclusiones
“Investigación 1”: el software DART tiene resultados favorables para ser utilizado en la detección de retinopatía diabética. Y también se demostró lo factible de ser implementada en un sistema nacional de salud (en este caso Chile).
“Investigación 2”: la inteligencia artificial es un gran apoyo para el diagnóstico de tuberculosis.
“Investigación 3”: El modelo de red neuronal utilizado en la investigación, contribuye en la reconstrucción facial de cadáveres (ciencia forense).
Referencias
Arenas, J., Abarca, I., Rojas, M., Bernuy, F. y Donoso, R. (2021). Clinical validation of an artificial intelligence-based diabetic retinopathy screening tool for a national health system [Archivo PDF]. https://www.nature.com/articles/s41433-020-01366-0
Curioso, W. y Brunette, M. (2020). Inteligencia artificial e innovación para optimizar el proceso de diagnóstico de la tuberculosis [Archivo PDF]. http://www.scielo.org.pe/scielo.php?scr ... 0000300554
Viloria, A., Mendinueta, M., Borrero, L. y Bonerge, O. (2020). Prediction of Mandibular Morphology through Artificial Neural Networks [Archivo PDF]. https://www.sciencedirect.com/science/a ... 0920305019
- 22 Oct 2022, 13:01
- Foros: Inteligencia Artificial
- Tema: Propuestas de proyecto final IA Maestría UNI 2022-II
- Respuestas: 0
- Vistas: 658
Propuestas de proyecto final IA Maestría UNI 2022-II
Integrantes:
GUZMAN MARTINEZ, JUAN
HUAMAN CHAVEZ, JAVIER
SALAS ESCOBAR, JORGE
Curso:
Inteligencia Artificial
GUZMAN MARTINEZ, JUAN
HUAMAN CHAVEZ, JAVIER
SALAS ESCOBAR, JORGE
Curso:
Inteligencia Artificial
- 15 Oct 2022, 13:44
- Foros: Inteligencia Artificial
- Tema: BTS en Python para tiempos de aterrizajes y despegues de aviones.
- Respuestas: 0
- Vistas: 540
BTS en Python para tiempos de aterrizajes y despegues de aviones.
Integrantes:
GUZMAN MARTINEZ, JUAN
HUAMAN CHAVEZ, JAVIER
SALAS ESCOBAR, JORGE
BTS en Python para tiempos de aterrizajes y despegues de aviones. Se adjunta descripción del trabajo en PDF (al final de este archivo aparece el enlace del código fuente en Python colab).
GUZMAN MARTINEZ, JUAN
HUAMAN CHAVEZ, JAVIER
SALAS ESCOBAR, JORGE
BTS en Python para tiempos de aterrizajes y despegues de aviones. Se adjunta descripción del trabajo en PDF (al final de este archivo aparece el enlace del código fuente en Python colab).
- 08 Oct 2022, 10:50
- Foros: Inteligencia Artificial
- Tema: Sistema experto que decide aplicar o no, el seguro de tarjeta protegida por motivo de una transacción anómala específica
- Respuestas: 0
- Vistas: 541
Sistema experto que decide aplicar o no, el seguro de tarjeta protegida por motivo de una transacción anómala específica
TRABAJO DE SISTEMA EXPERTO (ver archivo PDF adjunto).
INTEGRANTES:
GUZMAN MARTINEZ, JUAN
HUAMAN CHAVEZ, JAVIER
SALAS ESCOBAR, JORGE
Curso: Inteligencia artificial - Maestría UNI 2022-II.
Sistema experto que decide si se aplica o no, el seguro de tarjeta de débito protegida. Específicamente, para el caso de un pago con tarjeta de débito, no reconocido por el titular, por motivo de robo de esta tarjeta de débito.
INTEGRANTES:
GUZMAN MARTINEZ, JUAN
HUAMAN CHAVEZ, JAVIER
SALAS ESCOBAR, JORGE
Curso: Inteligencia artificial - Maestría UNI 2022-II.
Sistema experto que decide si se aplica o no, el seguro de tarjeta de débito protegida. Específicamente, para el caso de un pago con tarjeta de débito, no reconocido por el titular, por motivo de robo de esta tarjeta de débito.
- 29 Sep 2022, 10:56
- Foros: Inteligencia Artificial
- Tema: ¿De qué manera positiva puede impactar la inteligencia artificial en la seguridad ciudadana?
- Respuestas: 0
- Vistas: 501
¿De qué manera positiva puede impactar la inteligencia artificial en la seguridad ciudadana?
La inteligencia artificial puede apoyar a las fuerzas del orden, en la prevención y detección de delitos y crímenes. Por ejemplo, la inteligencia artificial utiliza cámaras de videovigilancia con reconocimiento facial, para identificar y capturar a los delincuentes. Incluso se utilizan drones o lentes inteligentes para la videovigilancia. La inteligencia artificial también utiliza cartografías de los lugares con mayor repercusión delictiva, y así optimizar las rutas de patrullaje. También utiliza robots para tareas de mayor riesgo para los humanos, por ejemplo, para desactivar explosivos. La inteligencia artificial también utiliza modelos predictivos, por ejemplo, la policía de Vancouver (Canadá) usa este tipo de modelos para identificar zonas donde se espera que sucedan robos, y luego envía efectivos policiales para disuadir a potenciales ladrones u otros delincuentes. Los Circuitos Cerrados de Televisión (CCTV) con inteligencia artificial posibilitan la detección de personas con armas en la vía pública, individuos que merodean con actitud sospechosa, grescas callejeras, robos por sorpresa, zonas con falta de iluminación, entre otras. Este sistema luego envía de manera automática, una notificación en tiempo real a las autoridades pertinentes, con el objetivo de que puedan actuar de forma más eficiente y rápida. Los algoritmos que se emplea en la inteligencia artificial para prevenir el delito, requiere de datos básicos, tales como: videos de cámaras de seguridad, imágenes, tráfico en tiempo real, presencia de multitud de personas en determinados lugares y horas, etc. La inteligencia artificial también es capaz de precisar si una misma persona cometió varios delitos, comparando los datos relacionados con cada delito. Y con esta información, la inteligencia artificial predice el próximo movimiento del criminal.
Alumno: JAVIER HUAMAN CHAVEZ
Curso: Inteligencia Artificial (Maestría en Ingeniería de Sistemas - UNI)
Alumno: JAVIER HUAMAN CHAVEZ
Curso: Inteligencia Artificial (Maestría en Ingeniería de Sistemas - UNI)