A nivel mundial, la gobernanza de datos es uno de los activos más
críticos en todo el mundo, ya que los datos deben ser protegidos y
gestionados durante su ciclo de vida. No obstante, siguen existiendo
numerosos problemas, entre ellos los relacionados con los riesgos de
seguridad o la administración y el control de accesos de estos datos.
PARAFRASEADO
A nivel global, la gestión de datos se ha convertido en uno de los
recursos más valiosos, ya que es fundamental asegurar y administrar
la información a lo largo de todo su ciclo de vida. Sin embargo,
persisten varios desafíos, articuladamente aquellos vinculados con la
seguridad y la adecuada administración y regulación de los accesos a
estos datos.
Seguidamente, se define el objetivo general: Implementar un sistema inteligente basado en
Deep Learning que contribuya a la automatización de datos en una empresa privada de
seguridad. Conjuntamente, los objetivos específicos planteados son: (a) Determinar en qué
medida un sistema inteligente basado en Deep Learning mejora la eficiencia en el
procesamiento y automatización de datos en una empresa privada de seguridad. (b)
Evaluar en qué medida un sistema inteligente basado en Deep Learning incrementa la
precisión en la identificación y clasificación de datos sensibles en una empresa privada de
seguridad. (c) Analizar en qué medida un sistema inteligente basado en Deep Learning
mejora la optimización de procesos clave en una empresa privada de seguridad.
Asimismo, se muestra de manera detallada la situación actual del problema y se establece
una relación con diversas investigaciones previas (antecedentes) que respaldan esta
investigación.
En estos últimos años, la tecnología blockchain ha tuvo un gran impacto en el escenario
financiero, no solo en su facilidad de gestión de las criptomonedas, sino también en
sectores vitales como la administración de la confianza, la administración de datos y la
automatización de procesos. De acuerdo con (Chen et al. 2024), blockchain sobresale por
su habilidad técnica de asegurar la confianza a través de mecanismos de consenso y
firmas digitales, así como por su transparencia, fundamental para la gobernanza de datos
y la automatización de sistemas financieros. Estas habilidades convierten a blockchain en
un recurso valioso para enfrentar los retos regulatorios y operativos en el sector financiero.
La incorporación de acuerdos inteligentes y la infraestructura de blockchain
descentralizada posibilitan una administración eficaz y segura de la información, además
de la automatización de procesos esenciales, lo que disminuye gastos y potencia la
eficiencia en las operaciones. Este análisis
subraya la importancia de profundizar en la investigación de las aplicaciones de blockchain
en varios sectores financieros y los desafíos de investigación aún por resolver, insinuando
que esta tecnología juega un rol crucial en la transformación de los sistemas financieros
hacia una transparencia, seguridad y eficacia superior.
En los últimos 10 años, la evaluación de la toxicidad mediante las técnicas
computacionales ha ganado mucha relevancia como una alternativa muy prometedora
frente a los ensayos tradicionales en organismos vivos o en laboratorios. Como señalan
(Xiao et al. 2024), la construcción de modelos que predicen la toxicidad de nanomateriales
enfrenta unos desafíos muy significativos, especialmente en la selección de los algoritmos
adecuados y el ajuste de parámetros clave, lo que requiere tanto un alto nivel de
conocimiento técnico como recursos considerables. No obstante, los avances en las
plataformas de aprendizaje automático automatizado (autoML), han simplificado el proceso
de creación de modelos de alta calidad, incluso para aquellos que cuentan con experiencia
limitada en el ámbito del ML. En este estudio comparativo se evaluó la efectividad de
diversas plataformas autoML, incluyendo Vertex Al, Azure y Dataiku, utilizando diversos
grupos de datos relacionados con los nanomateriales. Los resultados mostraron que los
modelos generados a través de autoML superaron a los tradicionales en cuanto a
precisión, puntuación F1, exactitud y capacidad de recuperación de datos. Este hallazgo
destaca el potencial de auto ML para mejorar la confiabilidad y la eficiencia en la
evaluación de la toxicidad de nanomateriales, un aspecto crucial para el desarrollo de
estrategias regulatorias y la protección tanto de la salud humana como del medio
ambiente.
De acuerdo con (Yaiprasert and Hidayanto 2023), en uno de sus estudios recientes se
enfocó en la aplicacion de técnicas de ML en el ámbito del marketing digital. El objetivo
principal era utilizar técnicas de IA para poder analizar los datos de los clientes, identificar
sus preferencias y predecir en base el análisis su comportamiento del mismo, esto con el
fin de brindar recomendaciones basadas en IA. La metodología empleada combinó el
poder de varios algoritmos, como los árboles de decisión, el clasificador Bayes Naïve y el
método de los vecinos más cercanos, utilizando un enfoque de conjunto que permitió
generar una predicción única y precisa. Los resultados fueron impresionantes: los
algoritmos de árboles de decisión y vecinos más cercanos lograron una precisión perfecta
del 100% y un error del 0%, respectivamente. Por su parte, el algoritmo de Bayes Naïve
alcanzó una precisión del 97.175%, con un error muy bajo de 0.028, lo que refleja su
capacidad para identificar correctamente las etiquetas en todas las clases con gran
precisión.
PARAFRASEADO:
A continuación, se establece el propósito general: Desarrollar un sistema inteligente
basado en DL que facilite la automatización de datos en una empresa privada de
seguridad. De manera paralela, los objetivos específicos son los siguientes: (a) Evaluar
hasta qué punto un sistema inteligente basado en DL mejora la eficiencia en el
procesamiento y automatización de datos en dicha empresa. (b) Examinar cómo un
sistema basado en DL incrementa la precisión en la identificación y clasificación de datos
sensibles. (c) Investigar en qué medida un sistema inteligente optimiza los procesos clave
dentro de esta organización.
Además, se describe detalladamente la situación actual del problema, vinculándola con
investigaciones previas que sustentan este trabajo.
En los últimos años, la tecnología blockchain ha tenido un impacto notable en el ámbito
financiero, no solo por su capacidad para gestionar criptomonedas, sino también en áreas
clave como la administración de confianza, gestión de datos y automatización de
procesos. Según Chen et al. (2024), blockchain se distingue por su capacidad técnica de
asegurar la confianza mediante mecanismos de consenso y firmas digitales, y su
transparencia resulta esencial para la gobernanza de datos y la automatización en
sistemas financieros. Estas capacidades hacen que blockchain sea un recurso estratégico
para afrontar retos regulatorios y operacionales en el sector financiero. La integración de
contratos inteligentes y la infraestructura descentralizada que ofrece blockchain permite
una gestión eficiente y segura de la información, además de la automatización de
procesos críticos, lo que reduce costos y mejora la eficiencia operativa. Este análisis pone
de relieve la relevancia de continuar investigando las aplicaciones de blockchain en el
ámbito financiero y los desafíos aún pendientes, sugiriendo que esta tecnología será clave
en la evolución hacia sistemas más transparentes, seguros y eficientes.
En la última década, la evaluación de la toxicidad mediante técnicas computacionales ha
ganado protagonismo como una alternativa prometedora frente a los métodos tradicionales
en laboratorio o en organismos vivos. Xiao et al. (2024) subrayan que construir modelos
predictivos de la toxicidad de nanomateriales presenta retos significativos, particularmente
en la elección de algoritmos y el ajuste de parámetros cruciales, lo que requiere
experiencia técnica y recursos. Sin embargo, los avances en plataformas de autoML han
simplificado la creación de modelos de alta calidad, incluso para usuarios con experiencia
limitada en ML. Un estudio comparativo evaluó diversas plataformas autoML como Vertex
AI, Azure y Dataiku con datos de nanomateriales, demostrando que los modelos autoML
superaron a los métodos tradicionales en precisión, puntuación F1 y exactitud. Estos
resultados muestran el potencial del autoML para mejorar la fiabilidad y eficiencia en la
evaluación de la toxicidad de nanomateriales, un aspecto crítico para estrategias
regulatorias y la protección del medio ambiente y la salud humana.
Yaiprasert y Hidayanto (2023) se centraron en la aplicación de técnicas de ML en el
marketing digital. El objetivo fue utilizar IA para analizar datos de clientes, identificar sus
preferencias y predecir su comportamiento, proporcionando recomendaciones basadas en
IA. La metodología combinó algoritmos como árboles de decisión, el clasificador Bayes
Naïve y el método de los vecinos más cercanos, empleando un enfoque conjunto para
generar una predicción precisa. Los resultados fueron destacables: los árboles de decisión
y vecinos más cercanos alcanzaron una precisión perfecta del 100%, mientras que Bayes
Naïve logró un 97.175% de precisión, con un error muy bajo, lo que demuestra su
capacidad para clasificar correctamente las etiquetas en todas las clases.
En síntesis, este trabajo demostró la efectividad de las técnicas de ML supervisadas para
la detección de anomalías en las redes 5G O-RAN.
De acuerdo con (Pandey et al. 2023), en su investigación sobre un Sistema Inteligente de
Gestión de Documentos (IDMS), implementaron dicho sistema utilizando tecnologías
avanzadas como IA, ML, Procesamiento de Lenguaje Natural y Reconocimiento Óptico de
Caracteres para optimizar los procesos de trabajo de documentos. El objetivo principal era
abortar de manera amplia el desafío de gestionar los documentos de una forma eficaz,
garantizando la seguridad, precisión y accesibilidad. La metodología resalta las funciones
del IDMS que sirvieron para poder incorporar la recolección y procesamiento de datos que
hacen referencia a facturas médicas, tarjetas Aadhaar y tarjetas PAN. Asimismo, aplicaron
dos metodos: Easy OCR y un enfoque híbrido que combinaba el Procesamiento de
Lenguaje Natural (Expresiones Regulares) y Reconocimiento Óptico de Caracteres.
PARAFRASEADO
En resumen, este estudio demostró la eficacia de las técnicas supervisadas de ML para
identificar anomalías en las redes 5G O-RAN. Según Pandey et al. (2023), su investigación
sobre un Sistema Inteligente de Gestión de Documentos (IDMS) implementó esta solución
utilizando tecnologías avanzadas como IA, ML, Procesamiento de Lenguaje Natural y
Reconocimiento Óptico de Caracteres, con el objetivo de optimizar los flujos de trabajo
relacionados con la gestión documental. El enfoque principal fue abordar de manera
integral el reto de gestionar documentos de forma eficiente, garantizando seguridad,
precisión y accesibilidad. La metodología destaca las funciones del IDMS, que permitieron
integrar la recopilación y procesamiento de información de documentos como facturas
médicas, tarjetas Aadhaar y PAN. Además, se emplearon dos métodos: Easy OCR y un
enfoque híbrido que combinaba el Procesamiento de Lenguaje Natural (mediante
Expresiones Regulares) con Reconocimiento Óptico de Caracteres.
