Tema: Implementación de asistente de IA para la detección de obligaciones ambientales en Intrumentos de Gestión Ambiental
Integrantes:
- Quispe Huaman, Aldair
- Rodriguez Infantes, Efrain
- Huamani Ortega, Ronald
- Ibaceta Canchaya, Joel
Resumen:
El trabajo propone un asistente de inteligencia artificial para automatizar la detección y gestión de obligaciones ambientales en Instrumentos de Gestión Ambiental (IGA) del Perú. Mediante una arquitectura RAG, los IGA en PDF se transforman en una base de conocimiento consultable: se convierten a texto, se segmentan, se indexan con embeddings y se recuperan pasajes relevantes para que modelos de lenguaje identifiquen y estructuren obligaciones específicas.
El sistema integra modelos cuantizados de bajo consumo que extraen campos clave como acción requerida, sujeto obligado, plazos y evidencia textual. El prototipo demuestra que la IA generativa puede reducir significativamente la carga manual de revisión, mejorar la eficiencia y fortalecer la trazabilidad en la fiscalización ambiental.
Datos y Código: https://github.com/Enki665/UNI-Procesam ... atural.git
Se encontraron 2 coincidencias
- 13 Ene 2026, 23:45
- Foros: Proyectos en Inteligencia Artificial
- Tema: Implementación de asistente de IA para la detección de obligaciones ambientales en Intrumentos de Gestión Ambiental
- Respuestas: 0
- Vistas: 103
- 22 Ene 2025, 23:11
- Foros: Proyectos en Inteligencia Artificial
- Tema: Predicción de causal de paralización de obras según sus características
- Respuestas: 0
- Vistas: 4568
Predicción de causal de paralización de obras según sus características
TEMA:
Predicción de causal de paralización de obras según sus características
ABSTRACT:
En el presente trabajo de investigación se desarrollaron modelos de Machine Learning supervisados para predecir la causal de paralización de una obra de inversión pública. Los modelos implementados incluyeron Tree J48, Random Forest, SVM (Support Vector Machines) y Redes Neuronales. Para este propósito, se construyó un dataset a partir de los datos de los informes trimestrales de la Contraloría General de la República del Perú, recopilando información desde septiembre de 2023 hasta septiembre de 2024. Este dataset contiene un total de 13,756 registros que incluyen variables como las características de la obra, ubicación, porcentaje de avance, tipología de obra, modalidad de contratación, entre otras.
Los resultados muestran la efectividad de los algoritmos de Machine Learning para predecir las causales de paralización, destacando Random Forest como el modelo con mejor desempeño. Este trabajo constituye un avance significativo en la optimización de la gestión de proyectos de infraestructura pública en el Perú y abre nuevas posibilidades para la toma de decisiones basada en datos.
INTEGRANTES:
Apaestegui Ortega, Roger
Huamani Ortega, Ronald
Palomino Gonzales, Javier
Rodriguez Infantes, Efrain
Trejo Noreña, Pablo
Predicción de causal de paralización de obras según sus características
ABSTRACT:
En el presente trabajo de investigación se desarrollaron modelos de Machine Learning supervisados para predecir la causal de paralización de una obra de inversión pública. Los modelos implementados incluyeron Tree J48, Random Forest, SVM (Support Vector Machines) y Redes Neuronales. Para este propósito, se construyó un dataset a partir de los datos de los informes trimestrales de la Contraloría General de la República del Perú, recopilando información desde septiembre de 2023 hasta septiembre de 2024. Este dataset contiene un total de 13,756 registros que incluyen variables como las características de la obra, ubicación, porcentaje de avance, tipología de obra, modalidad de contratación, entre otras.
Los resultados muestran la efectividad de los algoritmos de Machine Learning para predecir las causales de paralización, destacando Random Forest como el modelo con mejor desempeño. Este trabajo constituye un avance significativo en la optimización de la gestión de proyectos de infraestructura pública en el Perú y abre nuevas posibilidades para la toma de decisiones basada en datos.
INTEGRANTES:
Apaestegui Ortega, Roger
Huamani Ortega, Ronald
Palomino Gonzales, Javier
Rodriguez Infantes, Efrain
Trejo Noreña, Pablo