Red de Universidades con Carreras en Informática (RedUNCI)

Red de Universidades con Carreras en Informática (RedUNCI) Red Nacional de Universidades con Carreras en Informática http://sedici.unlp.edu.ar:80/handle/10915/18267 2026-05-14T11:22:57Z 2026-05-14T11:22:57Z Sistema IoT para arte inmersivo: una instalación interactiva Córdoba, Sofia Milagros Kuzman, Melisa G. http://sedici.unlp.edu.ar:80/handle/10915/191537 2026-03-05T20:07:09Z 2025-01-01T00:00:00Z

2025-01-01T00:00:00Z En este trabajo se presenta un sistema que combina tecnologías IoT con arte inmersivo, orientado a generar experiencias sensibles y reactivas. Mediante sensores conectados a un microcontrolador ESP32, se adquieren mediciones de las condiciones ambientales y la presencia de personas, generando respuestas visuales o alertas configurables. La comunicación entre los dispositivos se establece a través del protocolo MQTT, permitiendo una interacción fluida entre el entorno físico y digital. El resultado es una instalación sensible al entorno que propone un uso alternativo de la tecnología, alejándose de sus aplicaciones tradicionales para explorar su potencial expresivo en el arte interactivo. Un proceso de Big Data para la predicción de cantidad de casos de Infecciones Respiratorias Agudas en función del Clima Repetto, Francisco Rivera, Malena Buccella, Agustina http://sedici.unlp.edu.ar:80/handle/10915/191536 2026-03-05T20:07:10Z 2025-01-01T00:00:00Z

2025-01-01T00:00:00Z Este trabajo describe la aplicación de un proceso de Big Data orientado a la predicción de la cantidad de casos de infecciones respiratorias agudas en Argentina, empleando datos oficiales de condiciones climáticas y registros de casos correspondientes al período comprendido entre Enero de 2019 y Diciembre de 2024. Sistema de generación aumentada por recuperación (RAG) para el acceso a información académica Guerra, Francisco Monti, Kevin Fernández, Juan Manuel http://sedici.unlp.edu.ar:80/handle/10915/191535 2026-03-05T20:07:11Z 2025-01-01T00:00:00Z

2025-01-01T00:00:00Z El acceso a información en documentos académicos no estructurados, como programas de asignaturas en PDF, continúa siendo un obstáculo para la comunidad universitaria. Este trabajo propone una solución basada en Retrieval-Augmented Generation (RAG), que integra modelos de lenguaje de gran escala (LLMs) con recuperación semántica para habilitar consultas en lenguaje natural sobre programas de la Universidad Nacional de Luján. La metodología incluye crawling automatizado, extracción y segmentación de texto, vectorización y almacenamiento, complementados con un enrutador inteligente que dirige consultas al índice de cada carrera. Las pruebas preliminares evidencian la capacidad del sistema para recuperar información precisa sobre objetivos, contenidos y docentes, validando la aplicabilidad de RAG en el ámbito académico. Como líneas futuras se plantea optimizar el preprocesamiento OCR, ampliar el corpus y desarrollar una interfaz web accesible para la comunidad. Adaptive electric vehicle battery charging with multi-objective reinforcement learning Trimboli, Maximiliano Avila, Luis http://sedici.unlp.edu.ar:80/handle/10915/191534 2026-03-05T20:07:11Z 2025-01-01T00:00:00Z

Objeto de conferencia XXXI Congreso Argentino de Ciencias de la Computación (Río Negro, 6 al 10 de octubre de 2025); http://sedici.unlp.edu.ar/handle/10915/189846; Libro de actas - XXXI Congreso Argentino de Ciencias de la Computación - CACIC 2025 Fast and safe battery charging remains a critical barrier to large-scale EV adoption, as high charging rates accelerate battery degradation and increase thermal risk. Traditional control strategies often rely on static heuristics or single-objective optimization, limiting their ability to manage trade-offs between speed, safety, and battery longevity. This work proposes a deep multi-objective reinforcement learning (MORL) framework for optimal EV battery charging. The proposed agent learns policies that dynamically balance competing objectives—such as minimizing charge time and thermal stress—based on user-defined preferences. Unlike scalar reward methods, MORL captures trade-offs explicitly and adapts charging behavior to context. Experimental results show the policy’s adaptability: faster charging is achieved when temperature constraints are relaxed, while more conservative profiles emerge when battery longevity is prioritized. This highlights the potential of MORL to enhance both the safety and efficiency of EV charging.

2025-01-01T00:00:00Z Fast and safe battery charging remains a critical barrier to large-scale EV adoption, as high charging rates accelerate battery degradation and increase thermal risk. Traditional control strategies often rely on static heuristics or single-objective optimization, limiting their ability to manage trade-offs between speed, safety, and battery longevity. This work proposes a deep multi-objective reinforcement learning (MORL) framework for optimal EV battery charging. The proposed agent learns policies that dynamically balance competing objectives—such as minimizing charge time and thermal stress—based on user-defined preferences. Unlike scalar reward methods, MORL captures trade-offs explicitly and adapts charging behavior to context. Experimental results show the policy’s adaptability: faster charging is achieved when temperature constraints are relaxed, while more conservative profiles emerge when battery longevity is prioritized. This highlights the potential of MORL to enhance both the safety and efficiency of EV charging. Análisis de desempeño de técnicas supervisadas en la detección de ransomware en blockchain Ditz, Yanina Minetti, Gabriela F. http://sedici.unlp.edu.ar:80/handle/10915/191531 2026-03-05T20:07:11Z 2025-01-01T00:00:00Z

Objeto de conferencia XXXI Congreso Argentino de Ciencias de la Computación (Río Negro, 6 al 10 de octubre de 2025); http://sedici.unlp.edu.ar/handle/10915/189846; Libro de actas - XXXI Congreso Argentino de Ciencias de la Computación - CACIC 2025 La creciente digitalización ha convertido la seguridad de la información en una prioridad, especialmente frente al aumento de ciberataques como el ransomware, que pueden causar pérdidas de datos e interrupciones operativas. Las blockchains, en particular la de Bitcoin, son objetivos atractivos por su carácter descentralizado y pseudo-anónimo, lo que dificulta la recuperación de activos. Este trabajo aborda la necesidad de detección temprana de ransomware en blockchains de Bitcoin. Se comparan tres modelos de aprendizaje automático (Regresión Logística, eXtreme Gradient Boosting-XGBoost- y una red neuronal Long Short Term Memory-LSTM-) para clasificar transacciones como legítimas o fraudulentas. La investigación se basa en datos reales de transacciones y emplea técnicas de balanceo para mejorar el rendimiento. Los resultados muestran que XGBoost y LSTM superan a los modelos más simples, evidenciando un mayor potencial para detectar ransomware y fortalecer la ciberseguridad.

2025-01-01T00:00:00Z La creciente digitalización ha convertido la seguridad de la información en una prioridad, especialmente frente al aumento de ciberataques como el ransomware, que pueden causar pérdidas de datos e interrupciones operativas. Las blockchains, en particular la de Bitcoin, son objetivos atractivos por su carácter descentralizado y pseudo-anónimo, lo que dificulta la recuperación de activos. Este trabajo aborda la necesidad de detección temprana de ransomware en blockchains de Bitcoin. Se comparan tres modelos de aprendizaje automático (Regresión Logística, eXtreme Gradient Boosting-XGBoost- y una red neuronal Long Short Term Memory-LSTM-) para clasificar transacciones como legítimas o fraudulentas. La investigación se basa en datos reales de transacciones y emplea técnicas de balanceo para mejorar el rendimiento. Los resultados muestran que XGBoost y LSTM superan a los modelos más simples, evidenciando un mayor potencial para detectar ransomware y fortalecer la ciberseguridad. A comparative study of supervised, transfer learning, and anomaly detection methods for fundus image quality assessment Telesco, Lucas Gabriel Peralta, César Sebastián http://sedici.unlp.edu.ar:80/handle/10915/191530 2026-03-05T20:07:12Z 2025-01-01T00:00:00Z

Objeto de conferencia XXXI Congreso Argentino de Ciencias de la Computación (Río Negro, 6 al 10 de octubre de 2025); http://sedici.unlp.edu.ar/handle/10915/189846; Libro de actas - XXXI Congreso Argentino de Ciencias de la Computación - CACIC 2025 Retinal image quality assessment (RIQA) is a fundamental step for manual or automated diagnosis, but supervised methods require large volumes of labeled data. This paper presents a comparative study between a supervised approach, transfer learning-based methods, and anomaly detection for the RIQA task. A supervised ResNet-18 architecture was evaluated against one-class classification models (OneClass SVM and Deep SVDD) on the public DDR and Kaggle (EyePACS) datasets. The results show that the supervised model achieves the highest performance in in-domain evaluations (F1-Score of 0.914 on DDR), but suffers a significant degradation in unseen domains. The transfer learning-based approach (ResNet+SVM) proved to be the most effective unsupervised strategy (F1-Score of 0.670) and a computationally efficient starting point.

2025-01-01T00:00:00Z Retinal image quality assessment (RIQA) is a fundamental step for manual or automated diagnosis, but supervised methods require large volumes of labeled data. This paper presents a comparative study between a supervised approach, transfer learning-based methods, and anomaly detection for the RIQA task. A supervised ResNet-18 architecture was evaluated against one-class classification models (OneClass SVM and Deep SVDD) on the public DDR and Kaggle (EyePACS) datasets. The results show that the supervised model achieves the highest performance in in-domain evaluations (F1-Score of 0.914 on DDR), but suffers a significant degradation in unseen domains. The transfer learning-based approach (ResNet+SVM) proved to be the most effective unsupervised strategy (F1-Score of 0.670) and a computationally efficient starting point. Detecting grape bunches in vineyard images: a comparison of YOLO versions Martínez, Paula Cecilia Dalmasso, Julieta Montoya, Marcos Millán, Emmanuel N. http://sedici.unlp.edu.ar:80/handle/10915/191528 2026-03-05T20:07:13Z 2025-01-01T00:00:00Z

Objeto de conferencia XXXI Congreso Argentino de Ciencias de la Computación (Río Negro, 6 al 10 de octubre de 2025); http://sedici.unlp.edu.ar/handle/10915/189846; Libro de actas - XXXI Congreso Argentino de Ciencias de la Computación - CACIC 2025 This work evaluates the performance of different YOLO (You Only Look Once) versions for grape bunch detection, focusing on the inference stage on heterogeneous hardware infrastructures. Devices ranging from a Raspberry Pi 3 and a mini-PC to mid- and high-end GPUs, as well as a conventional desktop CPU, were used. The analysis focuses on measuring the inference times, accuracy, and relative cost of each conf iguration, with the goal of identifying viable solutions under different budget constraints. The results highlight the limitations of low-resource systems and the remarkable performance of modern GPUs, facilitating the selection of the most suitable environment for precision agriculture applications. This study contributes to the development of accessible tools for automated crop estimation using the YOLO image object detection model.

2025-01-01T00:00:00Z This work evaluates the performance of different YOLO (You Only Look Once) versions for grape bunch detection, focusing on the inference stage on heterogeneous hardware infrastructures. Devices ranging from a Raspberry Pi 3 and a mini-PC to mid- and high-end GPUs, as well as a conventional desktop CPU, were used. The analysis focuses on measuring the inference times, accuracy, and relative cost of each conf iguration, with the goal of identifying viable solutions under different budget constraints. The results highlight the limitations of low-resource systems and the remarkable performance of modern GPUs, facilitating the selection of the most suitable environment for precision agriculture applications. This study contributes to the development of accessible tools for automated crop estimation using the YOLO image object detection model. Sistema experto para la detección de la Porfiria Borda, Nicolás Topa, Facundo Sattolo, Iris Inés Panizzi, Marisa Daniela http://sedici.unlp.edu.ar:80/handle/10915/191526 2026-03-05T20:07:13Z 2025-01-01T00:00:00Z

Objeto de conferencia XXXI Congreso Argentino de Ciencias de la Computación (Río Negro, 6 al 10 de octubre de 2025); http://sedici.unlp.edu.ar/handle/10915/189846; Libro de actas - XXXI Congreso Argentino de Ciencias de la Computación - CACIC 2025 La Porfiria es una enfermedad rara, compleja y de difícil diagnóstico, lo que ha motivado la exploración de nuevas herramientas que contribuyan a su detección oportuna. En este trabajo se presenta un Mapeo Sistemático de la Literatura (en inglés, Systematic Mapping Study, SMS) con el objetivo de identificar el estado del arte sobre el uso de tecnologías informáticas, como sistemas expertos, inteligencia artificial y aprendizaje automático, aplicadas al diagnóstico y tratamiento de la Porfiria. Se realizó una búsqueda en bases de datos científicas entre los años 2015 y 2025, identificando 12 artículos primarios. A partir del análisis, se evidenció una escasa implementación concreta de sistemas expertos orientados a esta enfermedad, aunque se destacan avances relevantes en modelos predictivos y detección de patrones. Las dimensiones evaluadas incluyen herramientas diagnósticas, prácticas clínicas, recomendaciones médicas y tratamientos emergentes. Este estudio proporciona un marco inicial para el desarrollo de un sistema experto que contribuya al diagnóstico asistido de la Porfiria.

2025-01-01T00:00:00Z La Porfiria es una enfermedad rara, compleja y de difícil diagnóstico, lo que ha motivado la exploración de nuevas herramientas que contribuyan a su detección oportuna. En este trabajo se presenta un Mapeo Sistemático de la Literatura (en inglés, Systematic Mapping Study, SMS) con el objetivo de identificar el estado del arte sobre el uso de tecnologías informáticas, como sistemas expertos, inteligencia artificial y aprendizaje automático, aplicadas al diagnóstico y tratamiento de la Porfiria. Se realizó una búsqueda en bases de datos científicas entre los años 2015 y 2025, identificando 12 artículos primarios. A partir del análisis, se evidenció una escasa implementación concreta de sistemas expertos orientados a esta enfermedad, aunque se destacan avances relevantes en modelos predictivos y detección de patrones. Las dimensiones evaluadas incluyen herramientas diagnósticas, prácticas clínicas, recomendaciones médicas y tratamientos emergentes. Este estudio proporciona un marco inicial para el desarrollo de un sistema experto que contribuya al diagnóstico asistido de la Porfiria. Dynamic pricing in virtual power plants using proximal policy optimization Boato, Bruno Antonelli, Nicolas Trimboli, Maximiliano Avila, Luis http://sedici.unlp.edu.ar:80/handle/10915/191525 2026-03-05T20:07:13Z 2025-01-01T00:00:00Z

Objeto de conferencia XXXI Congreso Argentino de Ciencias de la Computación (Río Negro, 6 al 10 de octubre de 2025); http://sedici.unlp.edu.ar/handle/10915/189846; Libro de actas - XXXI Congreso Argentino de Ciencias de la Computación - CACIC 2025 The transition to decentralized and sustainable energy systems requires intelligent management strategies that can balance the interests of multiple stakeholders while optimizing grid performance. This paper presents a real-time dynamic pricing framework for virtual power plants (VPPs) using deep reinforcement learning to address the challenge of energy trading between prosumers, consumers and service providers. The pricing problem was formulated as a Markov Decision Process (MDP) using a Proximate Policy Optimization (PPO) agent to learn the optimal retail and purchase prices in a microgrid environment comprising grid users, a community battery and electric vehicles. The system minimizes participants’ operating costs, ensuring both economic efficiency and environmental sustainability. Our approach incorporates weighting parameters that allow dynamic adjustment of system priorities. Experimental results demonstrate that the agent successfully learns pricing strategies that balance stakeholder interests, with balanced priority configurations that achieve moderate benefits for service providers while reducing costs for consumers and prosumers.

2025-01-01T00:00:00Z The transition to decentralized and sustainable energy systems requires intelligent management strategies that can balance the interests of multiple stakeholders while optimizing grid performance. This paper presents a real-time dynamic pricing framework for virtual power plants (VPPs) using deep reinforcement learning to address the challenge of energy trading between prosumers, consumers and service providers. The pricing problem was formulated as a Markov Decision Process (MDP) using a Proximate Policy Optimization (PPO) agent to learn the optimal retail and purchase prices in a microgrid environment comprising grid users, a community battery and electric vehicles. The system minimizes participants’ operating costs, ensuring both economic efficiency and environmental sustainability. Our approach incorporates weighting parameters that allow dynamic adjustment of system priorities. Experimental results demonstrate that the agent successfully learns pricing strategies that balance stakeholder interests, with balanced priority configurations that achieve moderate benefits for service providers while reducing costs for consumers and prosumers. Escucha inteligente: transcripción, análisis de sentimientos y clasificación de emociones en español Moyano, María Emilia Koroluk, Mijael Andrés Badano, Valentino Tessore, Juan Pablo Esnaola, Leonardo Martín http://sedici.unlp.edu.ar:80/handle/10915/191523 2026-03-05T20:07:13Z 2025-01-01T00:00:00Z

2025-01-01T00:00:00Z Este trabajo presenta el diseño y desarrollo de una herramienta automática para el análisis de sentimientos y emociones en interacciones orales, a partir de la transcripción de archivos de audio o video. El sistema emplea modelos de procesamiento de lenguaje natural para identificar emociones básicas y polaridades en el texto generado, segmentado por participante. El aporte principal radica en la integración de herramientas existentes dentro de una arquitectura modular que automatiza el proceso completo: desde la transcripción del contenido, hasta la generación de informes visuales con los resultados del análisis. La solución fue pensada como una herramienta de propósito general, utilizable en distintos contextos de análisis conversacional. Breve Comparación de Rendimiento de Compiladores C para Autovectorización Manzin, Matías Federico Rucci, Enzo http://sedici.unlp.edu.ar:80/handle/10915/191509 2026-03-05T20:07:14Z 2025-01-01T00:00:00Z

Objeto de conferencia XXXI Congreso Argentino de Ciencias de la Computación (Río Negro, 6 al 10 de octubre de 2025); http://sedici.unlp.edu.ar/handle/10915/189846; Libro de actas - XXXI Congreso Argentino de Ciencias de la Computación - CACIC 2025 Los distintos compiladores han ido mejorando las capacidades de autovectorización de algoritmos, con el objetivo de reducir su tiempo de ejecución. En elámbito de HPC, C es uno de los lenguajes más populares y entre sus compiladores más utilizados se encuentran los de GNU C Compiler (GCC), Intel® oneAPI C++ Compiler (ICX) y Clang/LLVM. En este trabajo, se realizó una breve comparación del rendimiento alcanzado por estos tres compiladores al aplicar autovectorización sobre diferentes cargas de trabajo en dos equipos diferentes (Intel y AMD). Para ello, se evaluó el rendimiento de un conjunto de bucles sencillos (gcc-loops), y el de una aplicación más compleja (N-Body). A partir de los resultados obtenidos, se puede concluir que, aunque para códigos sencillos como los de gcc-loops, activar la vectorización pueda reportar considerables ganancias de rendimiento para GCC y Clang, los tiempos finales no mostraron diferencias significativas entre los tres compiladores. En sentido opuesto, al experimentar con un código más complejo como N-Body, ICX demostró superioridad en rendimiento al aplicar más optimizaciones que GCC y Clang.

2025-01-01T00:00:00Z Los distintos compiladores han ido mejorando las capacidades de autovectorización de algoritmos, con el objetivo de reducir su tiempo de ejecución. En elámbito de HPC, C es uno de los lenguajes más populares y entre sus compiladores más utilizados se encuentran los de GNU C Compiler (GCC), Intel® oneAPI C++ Compiler (ICX) y Clang/LLVM. En este trabajo, se realizó una breve comparación del rendimiento alcanzado por estos tres compiladores al aplicar autovectorización sobre diferentes cargas de trabajo en dos equipos diferentes (Intel y AMD). Para ello, se evaluó el rendimiento de un conjunto de bucles sencillos (gcc-loops), y el de una aplicación más compleja (N-Body). A partir de los resultados obtenidos, se puede concluir que, aunque para códigos sencillos como los de gcc-loops, activar la vectorización pueda reportar considerables ganancias de rendimiento para GCC y Clang, los tiempos finales no mostraron diferencias significativas entre los tres compiladores. En sentido opuesto, al experimentar con un código más complejo como N-Body, ICX demostró superioridad en rendimiento al aplicar más optimizaciones que GCC y Clang. Análisis comparativo de modelos de Inteligencia Artificial para el Procesamiento de Imágenes en Vehículos Robots Guerrico, Leonel Medina, Santiago Montezanti, Diego Miguel http://sedici.unlp.edu.ar:80/handle/10915/191507 2026-03-05T20:07:14Z 2025-01-01T00:00:00Z

Objeto de conferencia XXXI Congreso Argentino de Ciencias de la Computación (Río Negro, 6 al 10 de octubre de 2025); http://sedici.unlp.edu.ar/handle/10915/189846; Libro de actas - XXXI Congreso Argentino de Ciencias de la Computación - CACIC 2025 En los últimos años, la visión por computadora ha experimentado una profunda transformación, debido a que los avances actuales de la inteligencia artificial permiten que modelos complejos se ejecuten sobre hardware de recursos limitados. Este artículo presenta la comparación de varios modelos preentrenados de estimación monocular de profundidad y segmentación semántica, los cuales fueron evaluados en una Raspberry Pi 3 y en una PC de referencia. El objetivo es identificar qué modelos ofrecen el mejor compromiso entre tiempo de cómputo y calidad de resultados, planteando su futura integración en un módulo de conducción autónoma. Los resultados muestran que MonoDepth2 (estimación monocular) y Fast SCNN-PyTorch (segmentación semántica) son los modelos que logran una relación óptima entre el tiempo de ejecución y la calidad de resultados. Por otro lado, FastDepth mejora los tiempos respecto a MonoDepth2 pero con calidad inferior, mientras que SegFormer presenta tiempos de inferencia más elevados, en conjunto con una calidad inferior en los resultados, respecto a Fast SCNN-Pytorch.

2025-01-01T00:00:00Z En los últimos años, la visión por computadora ha experimentado una profunda transformación, debido a que los avances actuales de la inteligencia artificial permiten que modelos complejos se ejecuten sobre hardware de recursos limitados. Este artículo presenta la comparación de varios modelos preentrenados de estimación monocular de profundidad y segmentación semántica, los cuales fueron evaluados en una Raspberry Pi 3 y en una PC de referencia. El objetivo es identificar qué modelos ofrecen el mejor compromiso entre tiempo de cómputo y calidad de resultados, planteando su futura integración en un módulo de conducción autónoma. Los resultados muestran que MonoDepth2 (estimación monocular) y Fast SCNN-PyTorch (segmentación semántica) son los modelos que logran una relación óptima entre el tiempo de ejecución y la calidad de resultados. Por otro lado, FastDepth mejora los tiempos respecto a MonoDepth2 pero con calidad inferior, mientras que SegFormer presenta tiempos de inferencia más elevados, en conjunto con una calidad inferior en los resultados, respecto a Fast SCNN-Pytorch. Un Modelo de Simulación Paralelo para el Análisis del Quemado del Arroz en el Cultivo del Arroz Fernandez, Celso Lopresti, Mariela Miranda, Natalia Carolina Schab, Esteban Casanova, Carlos Piccoli, Fabiana http://sedici.unlp.edu.ar:80/handle/10915/191505 2026-03-05T20:07:15Z 2025-01-01T00:00:00Z

Objeto de conferencia XXXI Congreso Argentino de Ciencias de la Computación (Río Negro, 6 al 10 de octubre de 2025); http://sedici.unlp.edu.ar/handle/10915/189846; Libro de actas - XXXI Congreso Argentino de Ciencias de la Computación - CACIC 2025 El estudio de Sistemas Complejos a través de un modelo computacional permite realizar un análisis profundo variando los escenarios sin provocar alteraciones o daños al medio en el que se encuentra inmerso. Su implementación demanda el desarrollo de un modelo con etapas bien definidas y muchos recursos para obtener respuestas en tiempos adecuados. La producción de arroz y sus posibles inconvenientes se encuadra dentro de estos sistemas, más aún cuando se trata del segundo cereal más consumido en la alimentación mundial. Su cultivo es complejo, interactúan muchos parámetros, y es propenso a la aparición de enfermedades. Predecir la aparición de la enfermedad en determinadas situaciones, permitiría tomar acciones preventivas y evitar pérdidas parciales o totales del cultivar. En este trabajo se presenta un modelo del cultivo del arroz y la aparición de enfermedades como el Quemado del Arroz (QA) causado por el hongo Pyricularia oryzae. El modelo se centra en el impacto producido por la aparición del hongo y de su propagación según determinadas condiciones, permitiéndole al agricultor tomar acciones preventivas. Para lograrlo aplicamos técnicas de Inteligencia Computacional y Computación de Alto Desempeño para lograr la calidad y velocidad requerida.

2025-01-01T00:00:00Z El estudio de Sistemas Complejos a través de un modelo computacional permite realizar un análisis profundo variando los escenarios sin provocar alteraciones o daños al medio en el que se encuentra inmerso. Su implementación demanda el desarrollo de un modelo con etapas bien definidas y muchos recursos para obtener respuestas en tiempos adecuados. La producción de arroz y sus posibles inconvenientes se encuadra dentro de estos sistemas, más aún cuando se trata del segundo cereal más consumido en la alimentación mundial. Su cultivo es complejo, interactúan muchos parámetros, y es propenso a la aparición de enfermedades. Predecir la aparición de la enfermedad en determinadas situaciones, permitiría tomar acciones preventivas y evitar pérdidas parciales o totales del cultivar. En este trabajo se presenta un modelo del cultivo del arroz y la aparición de enfermedades como el Quemado del Arroz (QA) causado por el hongo Pyricularia oryzae. El modelo se centra en el impacto producido por la aparición del hongo y de su propagación según determinadas condiciones, permitiéndole al agricultor tomar acciones preventivas. Para lograrlo aplicamos técnicas de Inteligencia Computacional y Computación de Alto Desempeño para lograr la calidad y velocidad requerida. Framework de Evaluación de Modelos de Ejecución Concurrente: Un Estudio de Caso con Sistema de Votación Parlamentario González, Facundo Rodríguez, Nelson Rubén http://sedici.unlp.edu.ar:80/handle/10915/191504 2026-03-05T20:07:15Z 2025-01-01T00:00:00Z

Objeto de conferencia XXXI Congreso Argentino de Ciencias de la Computación (Río Negro, 6 al 10 de octubre de 2025); http://sedici.unlp.edu.ar/handle/10915/189846; Libro de actas - XXXI Congreso Argentino de Ciencias de la Computación - CACIC 2025 This work presents a methodological framework for comparative evaluation of concurrency execution models in modern programming languages, using a parliamentary voting system as a representative case study. Three concurrency paradigms were implemented and evaluated: native operating system threads (C/Pthreads), cooperative concurrency based on coroutines (Python/asyncio), and goroutines with channel communication (Go). The methodology includes rigorous statistical analysis with non-parametric tests, multidimensional system resource evaluation, and empirical validation under differentiated I/O-bound and CPU-bound workloads. Results demonstrate that Go provides optimal performance for intensive I/O-bound workloads (global score 1.84 vs 3.36 for Python asyncio), while C maintains supremacy in computeintensive scenarios. Quantitative criteria for concurrency technology selection are established based on workload characteristics and system resource constraints.

2025-01-01T00:00:00Z This work presents a methodological framework for comparative evaluation of concurrency execution models in modern programming languages, using a parliamentary voting system as a representative case study. Three concurrency paradigms were implemented and evaluated: native operating system threads (C/Pthreads), cooperative concurrency based on coroutines (Python/asyncio), and goroutines with channel communication (Go). The methodology includes rigorous statistical analysis with non-parametric tests, multidimensional system resource evaluation, and empirical validation under differentiated I/O-bound and CPU-bound workloads. Results demonstrate that Go provides optimal performance for intensive I/O-bound workloads (global score 1.84 vs 3.36 for Python asyncio), while C maintains supremacy in computeintensive scenarios. Quantitative criteria for concurrency technology selection are established based on workload characteristics and system resource constraints. Revisión sistemática de modelos predictivos para el dengue en Sudamérica (2010-2024) Rojas, Bruno Sosa Cabrera, Gustavo http://sedici.unlp.edu.ar:80/handle/10915/191503 2026-03-05T20:07:15Z 2025-01-01T00:00:00Z

2025-01-01T00:00:00Z Este trabajo presenta una revisión sistemática de investigaciones publicadas entre 2010 y 2024 sobre modelos predictivos aplicados al dengue en Sudamérica, siguiendo las directrices de reporte PRISMA. Se analizaron un total de 100 estudios elegibles, evaluando las técnicas utilizadas, los tipos de modelos, las variables incorporadas, las fuentes de datos y las prácticas de validación. Los hallazgos revelan un uso creciente de enfoques de aprendizaje automático, pero también una baja frecuencia de validación formal. Esta revisión también contrasta estos hallazgos con un estudio similar realizado en Africa, destacando diferencias metodológicas y desafíos comunes en el desarrollo e implementación de modelos. Uso de BERT para la creación de un chatbot de atención de consultas en la UNAJ Leguizamón, Mauro Hasperué, Waldo http://sedici.unlp.edu.ar:80/handle/10915/191500 2026-03-05T20:07:15Z 2025-01-01T00:00:00Z

Objeto de conferencia XXXI Congreso Argentino de Ciencias de la Computación (Río Negro, 6 al 10 de octubre de 2025); http://sedici.unlp.edu.ar/handle/10915/189846; Libro de actas - XXXI Congreso Argentino de Ciencias de la Computación - CACIC 2025 En este trabajo se desarrolló un chatbot conversacional basado en BERT, el cual pretende ser utilizado para responder consultas a la comunidad en la Universidad Nacional Arturo Jauretche (UNAJ). El chatbot fue entrenado y evaluado con una base de datos construida a partir del uso de web crawling y web scraping sobre el sitio oficial de la UNAJ. Los resultados obtenidos arrojaron un desempeño aceptable del chatbot, con gran capacidad para responder a preguntas frecuentes. Mostrando además un potencial interesante para ser escalado e integrado en plataformas de atención a distancia. La metodología llevada a cabo en este trabajo contribuye al avance de estas plataformas, pudiendo ser aplicada en otras universidades del país.

2025-01-01T00:00:00Z En este trabajo se desarrolló un chatbot conversacional basado en BERT, el cual pretende ser utilizado para responder consultas a la comunidad en la Universidad Nacional Arturo Jauretche (UNAJ). El chatbot fue entrenado y evaluado con una base de datos construida a partir del uso de web crawling y web scraping sobre el sitio oficial de la UNAJ. Los resultados obtenidos arrojaron un desempeño aceptable del chatbot, con gran capacidad para responder a preguntas frecuentes. Mostrando además un potencial interesante para ser escalado e integrado en plataformas de atención a distancia. La metodología llevada a cabo en este trabajo contribuye al avance de estas plataformas, pudiendo ser aplicada en otras universidades del país. Identificación Inteligente de Enfermedades Pulmonares en Audios Respiratorios Tolaba, Norberto I. Revollo Sarmiento, G. Noelia http://sedici.unlp.edu.ar:80/handle/10915/191498 2026-03-05T20:07:16Z 2025-01-01T00:00:00Z

2025-01-01T00:00:00Z Las enfermedades respiratorias pulmonares constituyen una de las principales causas de morbilidad y mortalidad a nivel mundial. El diagnóstico tradicional presenta limitaciones subjetivas, variabilidad entre médicos, inclusive pueden ser muy costosas. La sinergia de la Inteligencia Artificial (IA) con la medicina es una potencial herramienta para el desarrollo de sistemas de detección temprana, automáticos, no invasivos y eficientes que sirven de apoyo al diagnóstico médico. En este contexto, se exploraron dos modelos de IA para la identificación automática de enfermedades pulmonares a partir de sonidos respiratorios de pacientes. Se construyeron dos clasificadores aplicando los algoritmos de las redes CNN y BLSTM. Los resultados son prometedores, obteniendo una exactitud global de 80 % en el modelo CNN. pico-JEPA: Comprendiendo el Video con Modelos Ultra-Ligeros y la Sabiduría Colectiva Rostagno, Adrián Iparraguirre, Javier Friedrich, Guillermo Rodolfo Aggio, Santiago Briatore, Roberto Tobio, Lucas Coca, Diego http://sedici.unlp.edu.ar:80/handle/10915/191496 2026-03-05T20:07:16Z 2025-01-01T00:00:00Z

Objeto de conferencia XXXI Congreso Argentino de Ciencias de la Computación (Río Negro, 6 al 10 de octubre de 2025); http://sedici.unlp.edu.ar/handle/10915/189846; Libro de actas - XXXI Congreso Argentino de Ciencias de la Computación - CACIC 2025 Basándose en nuestro trabajo previo con nano-JEPA, presentamos pico-JEPA, una adaptación ultraligera de la Joint Embedding Predictive Architecture (JEPA) diseñada para dispositivos con recursos significativamente limitados. Mientras que nano-JEPA demostró la viabilidad de entrenar modelos tipo V-JEPA en ordenadores personales, pico-JEPA va más allá al crear modelos lo suficientemente pequeños como para permitir arquitecturas de conjuntos a través de mecanismos de votación colaborativa. Presentamos un marco integral donde múltiples modelos pico-JEPA, cada uno entrenado en diferentes subconjuntos de datos o con configuraciones arquitectónicas variadas, resuelven colectivamente tareas de clasificación de video mediante estrategias de votación inteligentes. Nuestro enfoque aborda el compromiso fundamental entre el tamaño del modelo y el rendimiento,aprovechando el principio de la sabiduría de las multitudes en el aprendizaje profundo. Los resultados experimentales obtenidos sobre el conjunto de datos Kinetics-700, demuestran que 4 modelos pico-JEPA pueden lograr un rendimiento competitivo, en comparación con modelos únicos, manteniendo la capacidad de ejecutarse en hardware estándar. Este trabajo abre nuevas posibilidades para la comprensión de video distribuida en escenarios de computación de borde y proporciona un camino para el aprendizaje colaborativo en entornos con recursos limitados. Finalmente, el proyecto se publica en un repositorio abierto con el fin de acelerar la colaboración entre investigadores interesados.

2025-01-01T00:00:00Z Basándose en nuestro trabajo previo con nano-JEPA, presentamos pico-JEPA, una adaptación ultraligera de la Joint Embedding Predictive Architecture (JEPA) diseñada para dispositivos con recursos significativamente limitados. Mientras que nano-JEPA demostró la viabilidad de entrenar modelos tipo V-JEPA en ordenadores personales, pico-JEPA va más allá al crear modelos lo suficientemente pequeños como para permitir arquitecturas de conjuntos a través de mecanismos de votación colaborativa. Presentamos un marco integral donde múltiples modelos pico-JEPA, cada uno entrenado en diferentes subconjuntos de datos o con configuraciones arquitectónicas variadas, resuelven colectivamente tareas de clasificación de video mediante estrategias de votación inteligentes. Nuestro enfoque aborda el compromiso fundamental entre el tamaño del modelo y el rendimiento,aprovechando el principio de la sabiduría de las multitudes en el aprendizaje profundo. Los resultados experimentales obtenidos sobre el conjunto de datos Kinetics-700, demuestran que 4 modelos pico-JEPA pueden lograr un rendimiento competitivo, en comparación con modelos únicos, manteniendo la capacidad de ejecutarse en hardware estándar. Este trabajo abre nuevas posibilidades para la comprensión de video distribuida en escenarios de computación de borde y proporciona un camino para el aprendizaje colaborativo en entornos con recursos limitados. Finalmente, el proyecto se publica en un repositorio abierto con el fin de acelerar la colaboración entre investigadores interesados. Representaciones Internas de Invarianza a Transformaciones Geométricas y de Color en EfficientNet y FasterViT Badaracco, Tatiana Stanchi, Oscar Agustín Ronchetti, Franco Quiroga, Facundo Manuel http://sedici.unlp.edu.ar:80/handle/10915/191495 2026-03-05T20:07:16Z 2025-01-01T00:00:00Z

Objeto de conferencia XXXI Congreso Argentino de Ciencias de la Computación (Río Negro, 6 al 10 de octubre de 2025); http://sedici.unlp.edu.ar/handle/10915/189846; Libro de actas - XXXI Congreso Argentino de Ciencias de la Computación - CACIC 2025 Presentamos un análisis sistemático de la invarianza en modelos de clasificación de imágenes frente a conjuntos de transformaciones geométricas y de color. Evaluamos dos arquitecturas representativas, EfficientNet y FasterViT, bajo tres enfoques de entrenamiento: desde cero, Fine Tuning y Transfer Learning. Para cada conjunto de transformación, entrenamos un modelo particular con aumentación de datos para brindarle invarianza a dichas transformaciones. Luego, evaluamos la invarianza del modelo ante el mismo conjunto de transformaciones del entrenamiento, y también ante las otras transformaciones. Empleamos la métrica de Varianza Normalizada para cuantificar la invarianza y analizamos su comportamiento a lo largo de los bloques internos de cada arquitectura. Los resultados muestran diferencias significativas según el tipo de modelo, la etapa de la red y el enfoque de entrenamiento, pero sorpresivamente no sucede lo mismo con respecto a la aumentación de datos. Además, mostramos evidencia de que FasterVit obtiene mejores valores de invarianza en todos los casos, y puede recuperar la misma en escenarios de Finetuning y Transfer Learning, a diferencia de EfficientNet. Estos resultados tienen implicancias a la hora de usar un modelo preentrenado para una tarea cuando la misma requiere aprender nuevas invarianzas.

2025-01-01T00:00:00Z Presentamos un análisis sistemático de la invarianza en modelos de clasificación de imágenes frente a conjuntos de transformaciones geométricas y de color. Evaluamos dos arquitecturas representativas, EfficientNet y FasterViT, bajo tres enfoques de entrenamiento: desde cero, Fine Tuning y Transfer Learning. Para cada conjunto de transformación, entrenamos un modelo particular con aumentación de datos para brindarle invarianza a dichas transformaciones. Luego, evaluamos la invarianza del modelo ante el mismo conjunto de transformaciones del entrenamiento, y también ante las otras transformaciones. Empleamos la métrica de Varianza Normalizada para cuantificar la invarianza y analizamos su comportamiento a lo largo de los bloques internos de cada arquitectura. Los resultados muestran diferencias significativas según el tipo de modelo, la etapa de la red y el enfoque de entrenamiento, pero sorpresivamente no sucede lo mismo con respecto a la aumentación de datos. Además, mostramos evidencia de que FasterVit obtiene mejores valores de invarianza en todos los casos, y puede recuperar la misma en escenarios de Finetuning y Transfer Learning, a diferencia de EfficientNet. Estos resultados tienen implicancias a la hora de usar un modelo preentrenado para una tarea cuando la misma requiere aprender nuevas invarianzas. SiBDaNN: Un Sistema para la Identificación de Cadáveres en Búsqueda de Personas Desaparecidas Bernaldez, Ezequiel Nodar, Ezequiel Ragazzi, Gerardo Azar, Paola Ruano, Darío Herrera, Norma Edith http://sedici.unlp.edu.ar:80/handle/10915/191494 2026-03-05T20:07:17Z 2025-01-01T00:00:00Z

Objeto de conferencia XXXI Congreso Argentino de Ciencias de la Computación (Río Negro, 6 al 10 de octubre de 2025); http://sedici.unlp.edu.ar/handle/10915/189846; Libro de actas - XXXI Congreso Argentino de Ciencias de la Computación - CACIC 2025 La identificacion de cadáveres en el contexto de búsqueda de personas desaparecidas es un desafío complejo. En este trabajo, proponemos una solucion innovadora basada en el modelo de espacios metricos para mejorar la eficiencia del proceso. Nuestro objetivo es optimizar el manejo y la recuperacion de informacion a través de técnicas de búsqueda por similitud. Con esta aproximación, buscamos contribuir al desarrollo de herramientas mas eficientes para los procesos de identificacion forense. Presentamos aquí los avances logrados hasta el momento.

2025-01-01T00:00:00Z La identificacion de cadáveres en el contexto de búsqueda de personas desaparecidas es un desafío complejo. En este trabajo, proponemos una solucion innovadora basada en el modelo de espacios metricos para mejorar la eficiencia del proceso. Nuestro objetivo es optimizar el manejo y la recuperacion de informacion a través de técnicas de búsqueda por similitud. Con esta aproximación, buscamos contribuir al desarrollo de herramientas mas eficientes para los procesos de identificacion forense. Presentamos aquí los avances logrados hasta el momento.