Revista Cubana de Ciencias Informáticas

Sistema inteligente de optimización y clasificación de productores agropecuarios mediante algoritmos de Aprendizaje Automático

RESUMEN Se diseñó e implementó un sistema inteligente de optimización y clasificación de productores agropecuarios mediante algoritmos de Aprendizaje Automático en una plataforma web para el GAD Municipal de Santiago de Pillaro. La investigación tuvo como objetivo desarrollar una herramienta digital que facilite la gestión eficiente de la información de los productores, mejorando la toma de decisiones y promoviendo ventajas competitivas. La intervención consistió en implementar el sistema en un estudio de caso con 35 productores agropecuarios del cantón durante un período de 12 semanas. El modelo algorítmico fue validado usando análisis estadísticos como la prueba ANOVA, que permitió evaluar las diferencias en las clasificaciones antes y después de la implementación, y métricas de rendimiento como precisión, recall y F1-score, para determinar la efectividad de los algoritmos de clasificación. Los resultados evidencian que el sistema mejoró la precisión en la clasificación de productores y facilitó la toma de decisiones, promoviendo una gestión más eficiente. Las conclusiones indican que el sistema es una herramienta efectiva que puede potenciar la gestión agrícola del cantón, optimizando recursos y procesos administrativos; además, se recomienda su integración en otras áreas responsables del manejo agrícola y sostenibilidad local para ampliar su alcance y beneficio.

ABSTRACT An intelligent system for optimizing and classifying agricultural producers was designed and implemented using machine learning algorithms on a web-based platform for the Municipal Autonomous Government of Santiago de Pillaro. The research aimed to develop a digital tool that facilitates the efficient management of producer information, improving decision-making and promoting competitive advantages. The intervention consisted of implementing the system in a case study with 35 agricultural producers in the canton over a 12-week period. The algorithmic model was validated using statistical analyses such as the ANOVA test, which allowed for the evaluation of differences in classifications before and after implementation, and performance metrics such as precision, recall, and F1-score, to determine the effectiveness of the classification algorithms. The results show that the system improved producer classification accuracy and facilitated decision-making, promoting more efficient management. The conclusions indicate that the system is an effective tool that can enhance the canton's agricultural management by optimizing resources and administrative processes. Furthermore, its integration into other areas responsible for agricultural management and local sustainability is recommended to expand its reach and benefits.

Aplicación de Aprendizaje Automático Automatizado en pagos electrónicos

RESUMEN El auge de los pagos electrónicos y su desarrollo a través de las pasarelas de pago suponen un reto para la toma de decisiones encaminadas a mitigar anomalías y potenciar pagos de servicios. Esta rápida expansión ha provocado que cada vez más se recurra al uso de modelos de aprendizaje automático, algo para lo cual se requiere de personal experto en el área, que tenga la capacidad de emplear el modelo adecuado en la situación adecuada. Una solución a ello responde al AutoML, esta área del aprendizaje automático se ha visto acaparada por grandes compañías del comercio electrónico, las que han tomado el liderazgo en el desarrollo, resultando todo un reto económico su aplicación en países en vías de desarrollo. El presente artículo muestra los beneficios de esta herramienta en los sistemas nacional, así como diferentes contextos para su aplicación. Además, se presenta un servicio web que integra una herramienta AutoML para su aplicación en pagos electrónicos.

ABSTRACT The rise of electronic payments and their development through payment gateways pose a challenge for decision-making aimed at mitigating anomalies and promoting payments for services. This rapid expansion has led to increased use of machine learning models, something that requires expert personnel in the area and the ability to use the appropriate model in the appropriate situation. One solution to this is AutoML, this area of machine learning has been monopolized by large e-commerce companies, which have taken the lead in development, making its application in developing countries a real economic challenge. This article shows the benefits of this tool in national systems, as well as different contexts for its application. In addition, a web service is presented that integrates an AutoML tool for its application in electronic payments.

Modelo predictivo basado en redes neuronales para evaluar la eficacia del láser de baja intensidad en tratamientos de ortodoncia

RESUMEN El presente estudio desarrolla un modelo computacional predictivo basado en redes neuronales artificiales para evaluar la eficacia del uso de láser de baja intensidad (LLLT, por sus siglas en inglés) en tratamientos ortodónticos. Se utilizaron registros clínicos anonimizados provenientes del repositorio biomédico PhysioNet, complementados con datos experimentales recogidos en clínicas privadas especializadas en ortodoncia láser en Ecuador. La muestra incluyó 240 pacientes (120 con láser, 120 sin láser), registrando variables como duración del tratamiento, niveles de dolor reportado (escala VAS), grado de inflamación y desplazamiento dentario mensual. El modelo, entrenado con una red neuronal multicapa (MLP) con 3 capas ocultas y activación ReLU, logró predecir el tiempo estimado de tratamiento con una precisión del 92,3%. Además, el dolor promedio en pacientes con LLLT fue un 43% menor durante las primeras 6 semanas. La validación cruzada se realizó con una partición 70/30, obteniendo un RMSE de 0.41 meses en la predicción del tiempo total de tratamiento. La herramienta fue capaz de identificar umbrales óptimos de energía del láser (830 nm, 20 mW por 10 s) para maximizar la respuesta terapéutica sin efectos secundarios. Se concluye que el modelo computacional permite mejorar la planificación clínica en ortodoncia y justificar el uso del láser como herramienta de soporte basada en evidencia cuantitativa. Se recomienda su integración en plataformas clínicas inteligentes para la personalización del tratamiento ortodóntico.

ABSTRACT This study develops a predictive computational model based on artificial neural networks to evaluate the efficacy of low-level laser light (LLLT) in orthodontic treatments. Anonymized clinical records from the PhysioNet biomedical repository were used, complemented with experimental data collected from private clinics specializing in laser orthodontics in Ecuador. The sample included 240 patients (120 with laser, 120 without laser), recording variables such as treatment duration, reported pain levels (VAS scale), degree of inflammation, and monthly tooth displacement. The model, trained with a multilayer neural network (MLP) with 3 hidden layers and ReLU activation, was able to predict the estimated treatment time with an accuracy of 92.3%. Furthermore, the average pain in LLLT patients was 43% lower during the first 6 weeks. Cross-validation was performed using a 70/30 split, yielding an RMSE of 0.41 months in predicting total treatment time. The tool was able to identify optimal laser energy thresholds (830 nm, 20 mW for 10 s) to maximize therapeutic response without side effects. It is concluded that the computational model improves clinical planning in orthodontics and justifies the use of lasers as a support tool based on quantitative evidence. Its integration into intelligent clinical platforms is recommended for the personalization of orthodontic treatment.