Trabajos Fin de Grado (TFG) y Diplomas de Estudios Avanzados (DEA)

Permanent URI for this collectionhttps://docta.ucm.es/handle/20.500.14352/8

Browse

Now showing 1 - 20 of 3599

Un estudio sobre la complejidad comunicacional y sus aplicaciones en la predicción del tamaño de circuitos
(2026) Maurizio Paul, Ricardo; Rodríguez Laguna, Ismael
La búsqueda de cotas inferiores en la complejidad de circuitos sigue siendo uno de los desafíos más grandes en la informática teórica, especialmente debido a la barrera de las “demostraciones naturales” identificada por Razborov y Rudich. Esta barrera sugiere que las técnicas combinatorias “tradicionales” están intrínsecamente limitadas en su capacidad para separar clases de complejidad como P y NP. La complejidad comunicacional, a través de los juegos de Karchmer-Wigderson, proporciona un marco alternativo potente al traducir la profundidad de un circuito al coste de comunicación de un problema de búsqueda distribuida. En este texto investigamos el poder predictivo de métricas basadas en la teoría de la comunicación sobre la complejidad mínima de circuitos de funciones booleanas. Mientras que estudios previos han explorado métricas locales y combinatorias introducimos aquí un conjunto de medidas globales derivadas de la matriz de comunicación y de la estructura recursiva de la evaluación para medir su capacidad de estimar el número de puertas lógicas requeridas para implementarlos. Utilizando un entorno experimental desarrollado en Rust e integrado con la biblioteca Optimal5, analizamos un conjunto de datos conformado por los 616.126 representantes NPN de las funciones booleanas de n = 5 variables. Nuestros resultados demuestran que las medidas jerárquicas como la entropía de entrelazamiento en árbol, o TEE, y el ROBDD son los predictores superiores para el tamaño total del circuito, superando significativamente a las medidas de entropía plana. Además, mostramos que la inclusión de TEE permite resolver las colisiones de características entre funciones, elevando el límite teórico de precisión, o techo de Bayes, del 75,76% al 99,8%. Finalmente, notamos que si bien las métricas individuales suelen cumplir la condición de “abundancia” de las propiedades naturales, su intersección constituye una propiedad “rara”, abarcando solo el 5,13% de las funciones, ofreciendo potencialmente un camino para superar la barrera de las demostraciones naturales.
Inteligencia artificial para la gestión de inversiones financieras
(2026) Georgiev Kyuchukov, Vasil; Ramos de Lucas, David; Sánchez de León Acevedo, Francisco José; Vinagre Martínez, Sergio; García-Magariño García, Iván
La creciente accesibilidad a los mercados financieros no ha venido acompañada de una democratización equivalente del conocimiento financiero, lo que genera una brecha de riesgo significativa para el inversor minorista no profesional. Horizon es una plataforma web orientada a la predicción de tendencias bursátiles dirigida precisamente a este perfil de usuario, aportando módulos de formación en finanzas que acompañan al sistema de predicción de tendencias. El sistema integra un motor predictivo basado en XGBoost, entrenado por activo y validado mediante walkforward, con un módulo de Inteligencia Artificial Explicable que emplea valores SHAP justificando y ponderando los elementos que conforman cada predicción. Se complementa con un asistente conversacional basado en un Modelo de Lenguaje de Gran Escala que actúa como tutor financiero contextualizado. Este enfoque permite a la plataforma aportar valor tanto financiero como educativo a particulares que no disponen de información perfecta de los mercados financieros ni de los conceptos que los forman.
Protege tus servidores: control de acceso basado en reservas
(2026) Fernández Sánchez-Tembleque, Pablo; Cámara Miró, Julián; Costero Valero, Luis María
El acceso remoto a sistemas mediante el protocolo SSH es el estándar en entornos académicos y profesionales para la administración y uso de dichos sistemas. Sin embargo, cuando varios usuarios requieren acceso simultáneo a un mismo servidor, pueden surgir conflictos, problemas de colisión y riesgos de seguridad. Esto mismo plantea la necesidad de un servicio con el que sea posible controlar automáticamente que los usuarios de un servidor se conecten en turnos definidos y limitados, de manera que el sistema rechace o acepte conexiones de acuerdo con una estructura de datos donde figuren estas reservas. Para abordar este problema, este trabajo presenta el servicio CBAC, o CalendarBased Access Control, el cual utiliza la autenticación mediante PAM usada por el demonio sshd para consultar un calendario de Google mediante la Google API donde los usuarios pueden reservar acceso al servidor. El sistema CBAC consiste principalmente en dos partes: un módulo personalizado insertado en la configuración PAM de SSH y un demonio escrito en Python que administra las peticiones de autorización y la comunicación con la API de Google.
Sofía: Gestión de matriculación y diplomas en una plataforma formativa
(2026) Paredes Sánchez, Michael Steven; González Del Campo Rodríguez Barbero, Ramón
Este Trabajo Fin de Grado aborda la mejora de una plataforma de gestión educativa, Sofía, capaz de integrarse con LMS tales como Moodle. En plataformas de gestión formativa integradas con LMS como Moodle, la sincronización de calificaciones y emisión de diplomas tienden a ser tareas repetitivas que se automatizan para mejorar su eficiencia. Este Trabajo Fin de Grado aborda los problemas de como automatizar estos procesos en Sofía para obtener la información deseada de Moodle periódicamente. El propósito general del trabajo es reducir la carga operativa y desarrollar una base sólida de gestión formativa. Para conseguir este objetivo, nos centramos en dos líneas. La primera implementa una tarea programada nocturna que sincroniza calificaciones desde Moodle a Sofia sin necesidad de intervenir manualmente. La segunda, integra un editor visual de plantillas de diplomas nuevo, capaz de detectar y sustituir palabras clave por datos reales del alumno y la edición que cursa al generar el diploma para cada estudiante.
Optimising airline crew scheduling using an autorostering system
(2026) Salhi Morales, Gonzalo; Hernández Cerezo, Alejandro; Gutiérrez Sánchez, Pablo
Building an airline’s crew roster is an NP-hard combinatorial problem governed by dense regulation: Subpart FTL of the European air operations regulation bounds a duty by when it starts, how many sectors it contains, and which time zone the crew member is acclimatised to. Large carriers have optimisation systems for this; small operators do not. The platform that dominates the charter segment offers complete legality checking but no automatic roster generation. This thesis designs, builds and evaluates Elara, a crew scheduling system for a small charter airline. Requirements were elicited through direct collaboration with an airline’s Operations Director, and the resulting design was validated with the same participant in a task-based usability session. The delivered system comprises a web application covering flights, pairings, crew assignment and non-flight duties, with its own flight time limitations engine; and an autorostering service that states the problem as a constraint model and solves it with an external solver. The two communicate solely through a database table acting as a job queue, so a generated roster is a proposal that a planner reviews before it reaches the operational schedule. This is what the regulation demands. The empirical evaluation comprises 216 runs crossing three solver backends, three planning horizons, four crew sizes and two objective modes. Its conclusion is conditional: the recommended backend dominates the alternatives only when parallel workers are available. The evaluation also surfaced two defects in the production code.
MinCheck: Herramienta de generación de contraejemplos mínimos para estudiantes.
(2026) Giurca, Miruna Nerea; Hernández Cerezo, Alejandro; Rodríguez Núñez, Clara
MinCheck es una plataforma web que integra la gestión de asignaturas y ejercicios de programación con un juez virtual capaz de generar un feedback adaptado al código del alumno. A partir del enunciado de un ejercicio en PDF y la solución de referencia que aporta el profesor, el sistema genera automáticamente los casos de prueba necesarios para evaluar las entregas. Cuando la entrega de un alumno resulta incorrecta, la aplicación no se limita a devolver un simple incorrecto, sino que busca, mediante pruebas basadas en propiedades, el contraejemplo más pequeño posible que invalide la solución del alumno, y ofrece una visualización paso a paso de las estructuras de datos durante la ejecución. De esta forma, le facilita al alumno la depuración de su código para encontrar el error y llegar a la solución correcta. La herramienta contempla dos roles: el profesor gestiona asignaturas y temas, sube enunciados y soluciones, genera casos de prueba que se incluyen en el ejercicio o aparte, y revisa las entregas de los alumnos; el alumno se matricula en las asignaturas mediante un código de acceso, entrega sus soluciones, recibe el feedback generado, consulta su historial de entregas, y visualiza la estructura de datos de su código. El desarrollo combina un frontend en Next.js, un backend en Flask apoyado en un servicio de FastAPI, una base de datos en Supabase y un modelo de lenguaje local para la interpretación de enunciados.
LiverRisk: A survival analysis approach to heavily censored, incomplete longitudinal data for MASLD risk prediction, with a web-based clinical application.
(2026) Calderón Pérez, Pablo; Sarasa Cabezuelo, Antonio
Metabolic dysfunction-associated steatotic liver disease (MASLD) affects over 1.3 billion people worldwide, and a subset of patients progress to significant liver fibrosis, major hepatic events, or death. Current clinical practice relies on formulas such as FIB-4 and APRI, but both are computed from a single visit and cannot capture how a patient’s condition changes over time. This project builds a machine learning system that predicts the risk of a major hepatic event and death from a patient’s full longitudinal record. A complete pipeline transforms heavily censored, incomplete longitudinal data into 255 engineered features, including trend features capturing whether a patient’s condition is worsening over time. Three different survival models, a penalized Cox model, a Random Survival Forest, and a gradient-boosted model, were trained, tuned, and combined into a blended ensemble. The ensemble was evaluated using the concordance index (C-index) through repeated cross-validation, and benchmarked against FIB-4 and APRI using bootstrap confidence intervals. The final model reached a weighted C-index of 0.849, compared to 0.768 for FIB-4 and 0.671 for APRI, outperforming the current clinical practices. The trained model was deployed in an interactive web application, letting a clinician upload patient data and receive a risk prediction with a plain language explanation.
No-code machine learning market direction prediction system for uninformed investors
(2026) Caiguaraico Balboa, Eric Adrian; Wu Lin, Hua de; Ibares Timoteo, Javier; Sarasa Cabezuelo, Antonio
Predicting financial markets direction is no easy feat. The noisy and non-stationary nature of financial data makes it very difficult to build a robust system that consistently predicts market direction and lets you leverage it for profit. This is the reason that huge financial entities are the only institutions with access to these technologies. The common investor is left to his own accord and has almost no tools to decide his next investment. From this difficulty our project was born. Our main goal with this project is to offer a no-code environment to allow people with no technical skills to create ML models for financial market predictions. The system utilizes daily candle data, feature engineering techniques, feature analysis methodologies, smart target labelling and event sampling methodologies to create an environment capable of creating a financial ML model for any stock on the market. Furthermore a complete system was built from scratch to scrape and analyze news to feed the information to the models making them more competitive. Additionally the application includes a comprehensive report generation module that allows the user to generate a report of the predictions of all of the models under one project. The results of our application demonstrate that an easy to use system can be used for market direction prediction.
Detección de anomalías y mantenimiento predictivo en turbinas eólicas
(2026) Acinas Almela, Marcos; Santos Peñas, Matilde; Gómez Silva, María José
RESUMEN: La detección temprana de fallos en la operación de las turbinas eólicas es fundamental para garantizar la eficiencia del sistema, minimizar los costes de mantenimiento y evitar paradas imprevistas en la producción de energía. Sin embargo, la escasez de conjuntos de datos de aerogeneradores, y especialmente de registros de fallos etiquetados, supone un obstáculo crítico para el desarrollo de modelos predictivos eficaces. El presente Trabajo de Fin de Grado (TFG) tiene como objetivo la implementación y evaluación de un clasificador para comprobar la viabilidad de la inclusión de datos sintéticos anómalos en este ámbito. Para ello, se ha diseñado un experimento con un doble escenario en el que se contrasta un entorno de control base, condicionado por la escasez de fallos reales y el desbalanceo crítico de los registros SCADA públicos, frente a una configuración híbrida enriquecida artificialmente. Con el fin de estructurar este escenario híbrido, se emplea la arquitectura CTGAN para el aumento de datos de los fallos minoritarios, un algoritmo de submuestreo aleatorio para acotar la clase mayoritaria y un detector de anomalías basado en un autocodificador para extraer datos de comportamiento normal complejos. Finalmente, se entrena un clasificador multiclase basado en el algoritmo de aprendizaje automático XGBoost sobre ambos entornos. Los resultados obtenidos demuestran las ventajas de la inclusión de datos sintéticos en el modelado para enfrentar el problema de la escasez de datos.
Actualidad y expectativas de la tecnología fotovoltaica
(2026) Rueda Jiménez, Ana; Martil De La Plaza, Ignacio; García Hemme, Eric
RESUMEN: El presente Trabajo de Fin de Grado estudia la tecnología fotovoltaica estructurado en tres partes: una teórica, centrada en las células solares de unión simple y en las arquitecturas de multiunión y tándem; una práctica, donde se realiza la caracterización experimental de una célula de silicio convencional; y una parte de simulación numérica, en la que se desarrolla un modelo ajustado mediante el software PC1D para validar los mecanismos físicos. En la sección teórica se analizan los fundamentos físicos del efecto fotovoltaico y las limitaciones termodinámicas que restringen la eficiencia de las células de silicio de unión simple. Como solución tecnológica para superar dichas barreras, se estudian las células multiunión, destacando especialmente el tándem Perovskita-Silicio por alcanzar eficiencias superiores al 30 %. En la parte práctica, se realiza la caracterización eléctrica del dispositivo mediante medidas en condiciones de oscuridad y tres niveles de iluminación. A partir de estas, se extraen parámetros clave como el factor de idealidad, la corriente de saturación y las resistencias serie y paralela, entre otros. Finalmente, en la fase de simulación se replica la respuesta empírica de la célula, permitiendo identificar las discrepancias entre la simulación y la medida real.
Estimación automática de parámetros de síntesis FM para la obtención de timbres musicales mediante redes neuronales
(2026) Jiménez Izquierdo, Ángel; Cendejas Rodríguez, David; Gómez-Zamalloa Gil, Miguel; Sánchez Hernández, Jaime
La invención de los sintetizadores en los años 60 revolucionó el mundo de la música, antes dominada por los instrumentos analógicos tradicionales. La llegada de la música sintética y del ordenador como elemento central de la producción moderna han definido la forma de trabajar de los artistas modificando su sonido y procesos creativos. Desde entonces los productores musicales y diseñadores de sonido han pasado años aprendiendo a dominar los sintetizadores para definir y crear timbres musicales nunca antes vistos, sin embargo, dicho proceso a menudo requiere de mucha maestría, pues los distintos tipos de síntesis suelen ser complejos, modulares y escalables, lo que lo convierte en una tarea altamente complicada para la mayoría de los músicos. Es común que incluso los mejores diseñadores de sonido encuentren dificultad en replicar otros sonidos sintéticos, pues dependen directamente del hardware utilizado y de la secuencia de efectos y modulaciones sonoras aplicadas. Es por ello que la aplicación del aprendizaje profundo a la síntesis abre todo un abanico de posibilidades al delegar la detección de patrones y conocimiento técnico requerido a la inteligencia artificial, permitiendo al artista ocuparse de la experimentación y la creación que le pertenece. Mediante el uso de Redes Neuronales Convolucionales (CNNs), este proyecto busca automatizar la estimación de parámetros en la compleja síntesis FM. Así, la IA resuelve la barrera técnica de replicar un sonido (sound matching), convirtiéndose en una herramienta directa al servicio de la creatividad.
Desarrollo de un tutor inteligente basado en LLMs para la enseñanza de la programación
(2026) González de Frutos, Carlos; Méndez Pozo, Gonzalo; Gómez Martín, Pedro Pablo
La enseñanza de la algoritmia y la programación presenta importantes barreras cognitivas, especialmente en asignaturas introductorias donde los estudiantes deben desarrollar habilidades de razonamiento abstracto y resolución de problemas. En este contexto, los sistemas tradicionales de evaluación automática utilizados en entornos educativos suelen proporcionar una retroalimentación limitada, basada en veredictos genéricos que dificultan que el estudiante comprenda el origen de sus errores y progrese de forma autónoma. El presente Trabajo de Fin de Grado aborda esta problemática mediante el diseño, implementación y validación de un Sistema de Tutoría Inteligente basado en modelos de lenguaje de gran tamaño para la asignatura de Fundamentos de Algoritmia. La plataforma desarrollada integra el juez en línea DOMjudge para la evaluación precisa de código junto con un sistema multiagente orientado a proporcionar asistencia pedagógica personalizada. Entre sus funcionalidades se incluyen la retroalimentación mediante pistas socráticas progresivas durante los problemas de programación, la resolución de dudas teóricas mediante técnicas de generación aumentada por recuperación, la creación dinámica de simulacros de examen y el seguimiento adaptativo del progreso del estudiante. La validación realizada mediante una prueba piloto con usuarios reflejó una percepción favorable de la plataforma, especialmente en aspectos relacionados con la retroalimentación guiada y la generación automática de contenido. Los resultados obtenidos evidencian que la combinación de evaluación automatizada y asistencia pedagógica basada en sistemas multiagente apoyados en modelos de lenguaje constituye una aproximación sólida y prometedora para el desarrollo de herramientas inteligentes de apoyo a la enseñanza universitaria de la programación.
Desarrollo de un sistema predictivo para inversión en bolsa.
(2026) Valero Márquez, Beatriz; Marín Díaz, Gabriel
Este Trabajo de Fin de Grado presenta el desarrollo de un sistema predictivo para apoyo a la inversión en activos financieros, aplicado en este prototipo a criptoactivos líquidos, implementado mediante una arquitectura modular en Python. El backend, desarrollado con FastAPI, se encarga de obtener datos financieros, ejecutar predicciones y gestionar operaciones simuladas de compra y venta mediante SQLModel sobre SQLite. De esta forma se garantiza la integridad transaccional del sistema. El frontend, implementado con HTML5 y JavaScript asíncrono, proporciona una interfaz interactiva para visualizar precios, señales y el estado de la cartera. Desde el punto de vista analítico, el sistema incorpora un proceso de ingeniería de características basado en indicadores técnicos como RSI, MACD, Bandas de Bollinger y ADX. A partir de estas variables, se construye un modelo de aprendizaje supervisado orientado a predecir si un activo tiene probabilidad de superar una rentabilidad objetivo del 2,5% en un horizonte temporal de 5 días. Para ello, se emplea una arquitectura de Ensemble Learning basada en un Voting Classifier que combina los algoritmos XGBoost y LightGBM. El fin es mejorar la robustez predictiva frente al ruido y la volatilidad del mercado. La evaluación del sistema se realiza mediante métricas de clasificación y análisis financiero en un entorno de paper trading, es decir, de simulación sin riesgo económico real. Los resultados obtenidos muestran una capacidad predictiva moderada, con un F1-Score de 0,35 en el conjunto de prueba y un ROC-AUC de 0,578. En la simulación realizada, la estrategia reduce el drawdown máximo al -25,94 %, frente al -55,40% observado en una estrategia base de buy-and-hold. Estos resultados deben interpretarse como evidencia exploratoria sobre la utilidad práctica del sistema en simulación, y no como una demostración de rentabilidad real en mercado.
Sistema de ultra bajo consumo para la monitorización de constantes vitales
(2026) Sacristán Martín, Sofía; Mercado Cerezo, Rocío; Bascones García, Daniel; Morcillo Salgado, Borja
Las enfermedades cardiovasculares constituyen actualmente una de las principales causas de mortalidad a nivel mundial. Entre ellas, las alteraciones del ritmo cardíaco, conocidas como arritmias, representan un problema especialmente relevante, debido a que, en muchos casos, pueden manifestarse de forma intermitente y pasar desapercibidas durante revisiones médicas convencionales. Esta situación ha impulsado, durante las ´ultimas décadas, el desarrollo de sistemas capaces de monitorizar de forma continua la actividad eléctrica del corazón mediante un electrocardiograma (ECG), permitiendo detectar anomalías de manera temprana, y mejorar la capacidad clínica. Históricamente, los sistemas de monitorización cardíaca han evolucionado desde grandes equipos hospitalarios hasta dispositivos portátiles cada vez más compactos y autónomos. Tecnologías como los monitores Holter, los marcapasos inteligentes o los dispositivos wearable actuales han demostrado la importancia de disponer de herramientas capaces de registrar y analizar señales cardíacas fuera del entorno clínico. Sin embargo, muchos de estos sistemas continúan dependiendo del envío continuo de datos hacia grandes estaciones de procesamiento, lo que incrementa significativamente el consumo energético, la necesidad de conectividad permanente y la complejidad del sistema. El objetivo principal de este trabajo es desarrollar un sistema autónomo capaz de detectar posibles anomalías cardíacas en tiempo real, ejecutando algoritmos de inteligencia artificial directamente en el microcontrolador, reduciendo así tanto la dependencia de sistemas externos como el consumo energético asociado a la transmisión continua de datos biomédicos. Para abordar este problema, se ha desarrollad un sistema de procesamiento inteligente capaz de analizar señales ECG y clasificar automáticamente los latidos cardiacos mediante técnicas de inteligencia artificial. El algoritmo, inicialmente diseñado y validado en un entorno de simulación utilizando la base de datos MIT-BIH, combina métodos de detección de latidos, extracción de características y clasificación mediante redes neuronales artificiales. Posteriormente, todo el procesamiento ha sido adaptado e integrado en un microcontrolador de bajo consumo, permitiendo la ejecución del sistema completo en tiempo real sobre hardware embebido. Finalmente, el trabajo incluye una evaluación experimental tanto funcional como energética de la solución desarrollada. Las pruebas realizadas permiten verificar el correcto funcionamiento del sistema en escenarios reales de adquisición ECG, así como analizar el impacto energético de las diferentes etapas de procesamiento y transmisión de datos. Los resultados obtenidos muestran que la ejecución local de algoritmos de inteligencia artificial sobre el microcontrolador resulta viable desde el punto de vista temporal y energético, reforzando el potencial de las tecnologías TinyML para futuras aplicaciones biomédicas portátiles de monitorización cardíaca continua.
Aplicación para la navegación en colecciones de contenidos multimedia.
(2026) Hibjan Cardona, Juan Andrés; Prado de Souza, Leonardo; Sierra Rodríguez, José Luis
El acúmulo de contenidos en las plataformas digitales contemporáneas ha sobrepasado la capacidad de los mecanismos clásicos de búsqueda y filtrado para acompañar al usuario en su exploración. La búsqueda directa exige conocer de antemano lo que se busca, el filtrado por categorías opera sobre taxonomías rígidas, y los sistemas de recomendación restan agencia al usuario al ocultar los criterios sobre los que operan. Este Trabajo de Fin de Grado propone un motor de exploración de colecciones digitales que combina tres mecanismos complementarios: filtrado facetado por metadatos, navegación transversal entre colecciones relacionadas mediante referencias semánticas y operaciones de conjuntos sobre los resultados parciales. El sistema se articula como una arquitectura cliente-servidor. El núcleo de navegación se ha desarrollado en Java sobre una base de datos relacional, exponiendo sus capacidades a través de una API RESTful. La interfaz web, desarrollada en JavaScript, da al usuario acceso interactivo a los filtros, a los enlaces entre colecciones y al conjunto unión, que conserva los resultados guardados durante la sesión. La validación funcional se ha realizado sobre volcados de dos catálogos públicos de naturaleza distinta, TMDB y DBLP, y la usabilidad de la interfaz se ha evaluado mediante un protocolo formal de pruebas con usuarios.
Desarrollo de una aplicación para la búsqueda y compartición de facts.
(2026) Andrés Sedgwick, Samuel; ANTONIO SARASA CABEZUELO; Sarasa Cabezuelo, Antonio
El proyecto consiste en el desarrollo de una aplicación que permitirá a los usuarios buscar información sobre diferentes temas que les interese. Esta información se les presentará como hechos cortos relacionados con los temas que elijan para que puedan aprender los puntos más importantes de una forma rápida y sencilla. Los usuarios tendrán a su disposición varias funcionalidades. La principal es la de poder elegir que temas quieren descubrir y la generación los hechos que se presentaran para estos temas (los cuales se obtiene al combinar la información de Wikipedia con la IA). A parte de estos, podrán crear diferentes perfiles que tendrán diferentes tópicos asociados, guardar sus hechos favoritos para poder volver a verlos en el futuro, compartir los hechos y también podrán poner a prueba su conocimiento realizando tests. El proyecto ha sido desarrollado como aplicación Android, que trabaja con la base de datos Firebase para la gestión de los datos. También utiliza la API de Wikipedia para poder extraer la información, y la IA de Google para poder generar los hechos y tests específicos.
Diseño y desarrollo de juego serio para mejorar la capacidad de planificación en niños y adolescente con TDAH
(2026) Iglesias Calvo, Nahia; Romero Hernández, Alejandro
El Trastorno por Déficit de Atención e Hiperactividad (TDAH) es uno de los trastornos más comunes de la infancia. Sus síntomas principales son patrones de falta de atención, hiperactividad e impulsividad que persisten en el individuo y afectan en el funcionamiento ejecutivo, además del impacto que tiene en distintos aspectos de la vida diaria. La capacidad de planificación es una parte importante del funcionamiento ejecutivo que se ve afectada por este trastorno. En este trabajo se ha diseñado y desarrollado Misión Colombia, un juego serio adaptable centrado en mejorar la capacidad de planificación y ejecución de tareas en la población infantojuvenil con TDAH. Se han realizado pruebas a usuarios de entre 8 y 16 años en colaboración con la Universidad Tecnológica de Pereira (Colombia) y se han analizado los datos por sesión, nivel e intento para verificar que los juegos serios pueden ser una herramienta efectiva para mejorar la capacidad de planificación en niños y adolescentes con TDAH. Los resultados indican una disminución de errores relativos y una mayor cantidad de tareas planificadas y ejecutadas realizadas correctamente en proporción, además, de un menor tiempo de reacción al responder a las preguntas del juego a medida que avanzan los intentos, niveles y sesiones.
Modmessage, diseño e implementación de una API abierta de moderación textual mediante inteligencia artificial pra su integracio en una aplicacion real.
(2026) Zhu Chen, Xue Bo; González Del Campo Rodríguez Barbero, Ramón
Actualmente la moderación de contenido, en este caso, escrito y la revisión del discurso en diversas plataformas públicas es una problemática de máxima prioridad tanto para la sociedad como para los intereses del medio. Hoy día tanto redes sociales como chats en plataformas de Streamin y de más no podrían ser funcionales sin un apartado de moderación. Uno de los mayores problemas a los que se enfrenta este tipo de sitios de encuentro y discusión comunes es no caer en discursos de odio, acoso, desinformación o tendencia a la estafa. Por ello se ha planteado una API de código abierto, modular basada en microservicios fácilmente integrable para su uso desde un cliente. Para este proyecto dicha API consta de 3 microservicios básicos, sin embargo, la modularidad de la aplicación completa permite añadir nuevos servicios, patrones de configuración y modificación de parámetros a gusto del usuario. Gracias al amplio ecosistema de librerías y modelos de inteligencia artificial de código abierto se permite desarrollar soluciones de moderación avanzadas sin necesidad de diseñar algoritmos desde cero. Esto posibilita centrar el esfuerzo en la integración, configuración y adaptación de dichos modelos a un entorno real, reduciendo significativamente el tiempo de desarrollo y facilitando la creación de soluciones robustas y extensibles. Al encontrarse el proyecto accesible, cualquiera puede incrementar su diseño o descargar su estado actual para uso personal. Como demostración final se ha desarrollado conjuntamente una aplicación que sirve como plataforma para ver su uso en un caso real.
Aplicación Web para la recomendación de rutas aéreas óptimas mediante Inteligencia Artificial.
(2026) Hidalgo Arias, Rubén; Ruiz Reyes, Nicolás; Ulffe Alta, Leonardo; Bravo Agapito, Javier
La planificación de viajes aéreos multidestino es actualmente un proceso ineficiente que obliga al usuario a realizar búsquedas manuales complejas para optimizar rutas y escalas. Los buscadores tradicionales suelen ignorar combinaciones inteligentes, limitando las opciones de ahorro y personalización. Este trabajo presenta flAIghts, una aplicación web para automatizar la creación de itinerarios complejos y optimizar la experiencia de viaje. El objetivo es facilitar la organización de rutas multi ciudad mediante el cálculo algorítmico de conexiones y la personalización de preferencias. Desarrollada con React, Node.js y Docker, flAIghts utiliza algoritmos de Yen y Dijkstra para obtener rutas con escalas y un algoritmo genético para optimizar viajes multidestino. Además, integra un asistente de IA (LLM) con tool-calling para interactuar mediante lenguaje natural y visualizaciones en un globo terráqueo 3D. La evaluación con 20 usuarios validó la eficacia del sistema, alcanzando una puntuación SUS de 86,13 (Excelente). Los resultados demuestran que la herramienta es intuitiva y resuelve con éxito las necesidades de planificación detectadas. En conclusión, flAIghts demuestra que la integración de algoritmos de búsqueda y técnicas de IA simplifica significativamente la planificación turística. El proyecto ofrece una solución funcional y escalable que transforma la búsqueda de vuelos en un proceso automatizado y eficiente.
Predicción del consumo de gas en transacciones Ethereum usando Machine Learnig sobre datos con información de storage.
(2026) Rodriguez de la Fuente, Ana; Albert Albiol, Elvira María; Gordillo Alguacil, Pablo
La ejecución de transacciones en la blockchain de Ethereum requiere el pago anticipado del coste computacional, o gas. Una estimación insuficiente provoca excepciones out-of-gas, que invalidan la ejecución sin devolver el importe abonado. Esta problemática motiva el desarrollo de herramientas de estimación anticipada del consumo de gas. Tradicionalmente, ´estas se basan en técnicas de análisis estático, lo que permite obtener cotas superiores del coste, pero presenta limitaciones derivadas de la naturaleza dinámica de las operaciones sobre almacenamiento persistente (storage). Este Trabajo Fin de Grado estudia la aplicación de técnicas de aprendizaje automático para la predicción del consumo de gas en transacciones de Ethereum incorporando información relativa al estado del storage previo a la ejecución. Para ello, se basa en un dataset de más de diez millones de transacciones correspondientes a los contratos más utilizados de la red Ethereum, enriquecido con información de almacenamiento persistente obtenida a través de la simulación de transacciones sobre un nodo Erigon. Esta información es transformada apropiadamente en una representación vectorial numérica de 64 bits para su utilización por modelos de aprendizaje automático y acotada para un rango de transacciones de 10.000-200.000 por contrato y signatura para la optimización de recursos. Se han desarrollado y evaluado modelos específicos para cada par contrato-signatura basados en distintos algoritmos de regresión, incluyendo Linear Regression, Ridge Regression, Support Vector Regression, Random Forest, Gradient Boosting y XGBoost. Asimismo, se analizaron diferentes estrategias para gestionar la ausencia de información de storage en ciertas transacciones del dataset, incluyendo la eliminación de muestras, la imputación mediante valores por defecto y la inferencia mediante K-Nearest Neighbors. Los resultados muestran que la incorporación de información de storage mejora de forma consistente el rendimiento de los modelos basados en ´arboles de decisión, especialmente Random Forest, Gradient Boosting y XGBoost. Además, los análisis de interpretabilidad realizados mediante SHAP evidencian que las variables relacionadas con el almacenamiento persistente poseen una influencia significativa en la predicción del consumo de gas. Estos hallazgos confirman la relevancia del estado del storage y evidencian la utilidad del ML como complemento al análisis estático. No obstante, los resultados también reflejan la necesidad de profundizar en la comparación cuantitativa entre ambos enfoques y de continuar optimizando los modelos desarrollados para mejorar su aplicabilidad en entornos reales.

Browse

Recent Submissions