Descripción: La degradación del suelo es una preocupación creciente a nivel mundial, con impactos directos en la agricultura, el clima y los ecosistemas. En regiones como la Amazonía ecuatoriana, esta problemática se agrava por las condiciones climáticas, que impiden un monitoreo constante con imágenes ópticas debido a la alta nubosidad. Este contexto plantea un desafío técnico relevante puesto que los métodos convencionales basados en imágenes ópticas dependen de condiciones atmosféricas favorables, lo que limita su capacidad para generar información confiable y frecuente en zonas con nubosidad persistente. Esta carencia de datos actualizados dificulta la identificación temprana de transformaciones en el uso del suelo y retrasa la toma de decisiones orientadas a la conservación ambiental y la gestión sostenible del territorio. Frente a esta limitación, este trabajo propone un enfoque alternativo para la detección de cambios en el uso del suelo, utilizando imágenes de radar de apertura sintética (SAR) del satélite Sentinel-1, que permiten observar la superficie terrestre incluso con nubosidad o durante la noche. Se desarrolló un proceso completo que incluye el preprocesamiento de imágenes, el cálculo del índice RVI, y la aplicación de modelos de aprendizaje profundo, destacando la arquitectura BAN por su capacidad de adaptación. Además, el modelo fue ajustado con datos locales y validado en campo. Como resultado final, se creó una interfaz visual que permite explorar los cambios detectados de forma interactiva, facilitando su uso en gestión ambiental y planificación territorial.

Descripción: En los entornos organizacionales actuales, el acceso eficiente a la información se ha convertido en un factor clave para la toma de decisiones estratégicas, la mejora de procesos y la calidad del servicio. No obstante, muchas organizaciones enfrentan dificultades para consultar tanto datos estructurados como no estructurados, debido a la dependencia de conocimientos técnicos especializados. Esta barrera limita el aprovechamiento del conocimiento interno y restringe la democratización del acceso a la información. Ante este desafío, la presente investigación propone el desarrollo de un chatbot multiagente con capacidades de inteligencia artificial conversacional, basado en la arquitectura Retrieval-Augmented Generation (RAG) y Large Language Models (LLMs). A diferencia de los sistemas tradicionales basados en reglas, la solución propuesta permite realizar consultas abiertas en lenguaje natural, facilitando la interacción con bases de datos sin necesidad de conocimientos técnicos por parte del usuario. El sistema fue evaluado a través de distintas configuraciones arquitectónicas (Vanilla RAG, Agentic RAG y Fine-tuning), así como mediante varios modelos LLMs de código abierto, destacándose el modelo Mistral por su precisión contextual. Asimismo, se validaron técnicas para la transformación efectiva de datos organizacionales en representaciones semánticas y se identificaron configuraciones óptimas para la recuperación contextual y estructuración de la información. Los resultados obtenidos demuestran el potencial de esta solución para democratizar el acceso al conocimiento organizacional y servir como base para futuros desarrollos en inteligencia artificial aplicada.

Descripción: El aumento de la variabilidad climática y la creciente frecuencia de eventos extremos representan desafíos significativos para la sociedad y el medio ambiente. Comprender en profundidad los eventos anómalos ocurridos en el pasado es fundamental para la planificación, adaptación y mitigación del impacto de eventos similares en el futuro. Las series temporales climáticas contienen información valiosa sobre estos patrones, pero su análisis y la interpretación de desviaciones significativas requieren herramientas analíticas avanzadas. Si bien existen métodos establecidos para la detección de anomalías en series temporales, estos suelen carecer de una interpretación contextual enriquecida. La ausencia de esta contextualización limita el valor práctico de la detección de anomalías para la toma de decisiones informadas y la anticipación de escenarios futuros. Este trabajo propone un proceso que integra técnicas de detección de anomalías en series temporales con la incorporación de información contextual proveniente de fuentes textuales. Se utilizan enfoques estadísticos, de aprendizaje automático, aprendizaje profundo y grandes modelos de lenguaje para identificar desviaciones significativas en datos históricos de precipitación. Las anomalías detectadas se complementan con información relevante extraída de noticias, mediante un proceso manual y semi-automático, y se almacenaron de forma estructurada en una base de datos relacional. Además, se implementa un análisis de similitud numérico y visual para comparar anomalías entre sí, lo que permite identificar patrones recurrentes a lo largo del tiempo, proporcionando una comprensión más completa de los eventos climáticos extremos.

Descripción: La agricultura representa un sector fundamental en países en desarrollo como Ecuador, donde aún se practica de forma artesanal y con acceso limitado a tecnologías que optimicen la producción. Las soluciones actuales basadas en IoT han mostrado un gran potencial para automatizar tareas como el riego, la fertilización o el monitoreo ambiental. Sin embargo, estas soluciones suelen depender de conectividad y suministro energético constantes, lo cual limita su efectividad en zonas rurales con infraestructura deficiente. Además, se enfocan únicamente en la automatización de procesos, sin considerar mecanismos que permitan capturar y valorar el conocimiento ancestral que poseen los agricultores sobre las condiciones del entorno al momento de ejecutar sus tareas. Esta necesidad motivó el diseño de una solución capaz de operar en condiciones adversas, que automatice la detección de actividades agrícolas mediante sensores y que, al mismo tiempo, documente las decisiones de los agricultores. De esta manera, se facilita la correlación entre condiciones ambientales y prácticas tradicionales, permitiendo su análisis, validación y replicabilidad. La propuesta hace frente a las limitaciones actuales mediante una arquitectura que combina la automatización con la preservación activa del conocimiento ancestral, incluso en contextos de conectividad intermitente. Este trabajo tuvo como objetivo diseñar una arquitectura de software distribuida para aplicaciones IoT en contextos agrícolas con conectividad limitada, enfocada en el monitoreo de tareas y la preservación del conocimiento ancestral. La propuesta contempla una arquitectura escalable que prevé: (1) detectar prácticas agrícolas mediante datos ambientales capturados por sensores, (2) registrar decisiones y técnicas aplicadas por los agricultores, y (3) correlacionar ambas fuentes para digitalizar el conocimiento ancestral, validar patrones con aprendizaje automático y generar recomendaciones adaptativas que integren sabiduría tradicional y agricultura de precisión. La metodología adoptada combinó el modelado iterativo de requisitos funcionales y no funcionales, el diseño arquitectónico basado en el modelo de las 4+1 vistas de Kruchten, y los principios de diseño SOLID. Posteriormente, se implementó un prototipo funcional utilizando Flutter e Isar para la aplicación móvil, Angular para el entorno web, RabbitMQ para la mensajería asincrónica, y Spring Boot con PostgreSQL para el servidor central. El nodo local fue desarrollado en Python y desplegado sobre Raspberry Pi. La evaluación del sistema se llevó a cabo mediante pruebas funcionales y no funcionales en escenarios controlados, utilizando datos simulados. Los resultados obtenidos destacan la capacidad del sistema para operar de forma autónoma incluso bajo condiciones de conectividad intermitente, así como su tolerancia a fallos, su escalabilidad frente a la incorporación de nuevas plantaciones en entornos con múltiples nodos, y su eficiencia energética, lograda mediante una asignación inteligente de responsabilidades que optimiza el uso de recursos limitados como la infraestructura, la conectividad y la energía. La arquitectura desarrollada constituye una contribución que ofrece una solución modular, resiliente y adaptable para contextos rurales con infraestructura limitada. Facilita la detección automatizada de prácticas agrícolas mediante datos ambientales y permite registrar acciones de los agricultores con sus condiciones específicas, fortaleciendo así la preservación del conocimiento ancestral. Integra herramientas digitales accesibles que mejoran la toma de decisiones, promueve la equidad tecnológica al brindar autonomía operativa a comunidades con baja conectividad, y presenta un marco metodológico replicable para inspirar soluciones innovadoras y sostenibles en entornos similares.