TFM, TFG y otros trabajos académicos

URI permanente para esta comunidad

hdl:123456789/18

Examinar

Examinando TFM, TFG y otros trabajos académicos por Palabra clave "1203.17 Informática"

Mostrando 1 - 4 de 4
  • Miniatura
    Publicación
    Evaluación Exhaustiva de Riesgos de Privacidad Basada en IA en Aplicaciones Móviles y Redes Sociales
    (Universidad Nacional de Educación a Distancia (UNED). E.T.S. de Ingeniería Informática, 2025-06) Blanco Aza, Daniel; Robles Gómez, Antonio; Pastor Vargas, Rafael
    La proliferación de aplicaciones móviles y redes sociales ha incrementado significativamente las preocupaciones en torno a la protección de la privacidad, debido al tratamiento extensivo y, en muchos casos, opaco de datos personales. Enrespuesta a este desafío, se propone SafeMountain, un innovador marco basado en inteligencia artificial orientado a la identificación, medición y representación estructurada de riesgos de privacidad en entornos móviles y plataformas sociales, asegurando la conformidad con marcos normativos internacionales, especialmente el Reglamento General de Protección de Datos (GDPR). SafeMountain integra técnicas de análisis estático y dinámico del código para examinar el comportamiento real de las aplicaciones en relación con la gestión de la información personal, permitiendo detectar posibles vulneraciones. Además, aplica métodos avanzados de Procesamiento del Lenguaje Natural (PLN) para analizar de manera automatizada las políticas de privacidad y los Términos de Servicio, contrastando sus declaraciones con los permisos solicitados y las acciones ejecutadas por las aplicaciones para identificar inconsistencias o incumplimientos normativos. El marco introduce un sistema de evaluación objetiva del riesgo, alineado con principios internacionales y directrices regulatorias, que clasifica los riesgos en función de criterios técnicos y jurídicos. Esta evaluación contempla dimensiones clave como la previsibilidad, la capacidad de gestión y la disociabilidad del tratamiento de datos, utilizando un esquema visual de semáforo (verde, amarillo, rojo) que facilita la interpretación y comprensión por parte de los distintos actores implicados. SafeMountain cubre carencias relevantes en el estado del arte, como la falta de métricas estandarizadas y de herramientas visuales integrales para el análisis del riesgo de privacidad. Al proporcionar una visión clara sobre la coherencia entre permisos, prácticas reales y declaraciones textuales, así como sobre las brechas de seguridad y cumplimiento, el sistema permite a usuarios, desarrolladores y organizaciones
  • Miniatura
    Publicación
    Experimentos de Ciberseguridad: Unity como motor de desarrollo
    (Universidad Nacional de Educación a Distancia (UNED). E.T.S. de Ingeniería Informática, 2025) Fernández Souto, José Antonio; Pastor Vargas, Rafael
    El trabajo de fin de grado se centra en el desarrollo de una herramienta educativa interactiva, específicamente un juego desarrollado con el motor de Unity, cuyo objetivo principal es enseñar y sensibilizar sobre los principios fundamentales de la ciberseguridad. Este proyecto busca proporcionar una experiencia de aprendizaje inmersiva y dinámica que permite comprender y aplicar conceptos clave relacionados con la protección de datos, la gestión de riesgos cibernéticos y la identificación de amenazas digitales, como el phishing, los ataques de malware y las vulnerabilidades en redes. El juego ha sido diseñado para ser accesible en dos plataformas: Windows y navegador web, loáque permite una amplia compatibilidad y accesibilidad, facilitando su uso en diferentes entornos y dispositivos. Esta versatilidad de plataformas asegura que los estudiantes puedan interactuar con el juego sin importar el tipo de dispositivo que utilicen, garantizando una experiencia educativa flexible y adaptada a las necesidades actuales de los usuarios. Con el objetivo de mejorar la evaluación del aprendizaje y el seguimiento del progreso de losestudiantes, se ha integrado la tecnología xAPI (Experience API) en el sistema. Esta tecnología permite la recopilación y el análisis de datos detallados sobre las acciones de los estudiantes dentro del juego, tales como su rendimiento, las decisiones tomadas en situaciones específicas y su nivel de comprensión de los contenidos abordados. La implementación de xAPI proporciona una forma eficiente de monitorizar el proceso de aprendizaje, lo que facilita la personalización del contenido y la retroalimentación en tiempo real, permitiendo una evaluación continua y precisa del rendimiento de cada estudiante. Otro aspecto destacado de este proyecto es la accesibilidad multilingüe del juego. Todos los textos, menús y contenidos del juego han sido diseñados para estar disponibles en dos idiomas:español e inglés, con el fin de garantizar que los estudiantes de diversas procedencias lingüísticas puedan beneficiarse de la herramienta. Esta característica no solo mejora la accesibilidad, sino que también amplía el alcance del proyecto, permitiendo su uso en un contexto internacional.El trabajo realizado en este TFG tiene como objetivo no solo proporcionar una plataforma innovadora y atractiva para el aprendizaje de la ciberseguridad, sino también integrar tecnologías avanzadas que optimicen la experiencia educativa. La combinación del desarrollo de un juego interactivo, la compatibilidad multiplataforma y el uso de xAPI para la monitorización del progreso de los estudiantes representa una contribución significativa al ámbito de la educación digital y la formación en ciberseguridad
  • No hay miniatura disponible
    Publicación
    Infraestructura para la automatización y procesamiento de datos de actividades físicas en Google Cloud
    (Universidad Nacional de Educación a Distancia (UNED). E.T.S. de Ingeniería Informática, 2025-06) Avendaño Palacios, Carlos; Santos, Olga C.
    En la actualidad, tanto en el ámbito empresarial como en el científico, es cada vez más común enfrentarse a escenarios y situaciones caracterizadas por un crecimiento exponencial tanto en la generación como en la disponibilidad de datos. Este fenómeno, conocido como Big Data, se define por sus tres principales características: volumen, velocidad y variedad. Estas dimensiones exceden las capacidades de las tecnologías tradicionales de procesamiento y análisis de datos, haciendo necesario el empleo de nuevas arquitecturas y herramientas especializadas. A medida que aumenta dicha complejidad y cantidad de los datos, también se incrementa la necesidad de extraer valor e información útil de ellos, así como de facilitar su acceso e interpretación por parte de usuarios con distintos niveles de conocimientos técnicos, buscando la democratización del acceso al dato. Este Trabajo de Fin de Máster (TFM) propone y evalúa una arquitectura en Google Cloud Platform (GCP) para automatizar el procesamiento, análisis y visualización de datos inerciales orientados a modelar habilidades psicomotoras en entornos deportivos. A partir de datos previamente capturados mediante sensores, se ha implementado un pipeline completo desde la ingesta (utilizando Cloud Functions y Cloud Storage) hasta la capa analítica (con BigQuery, Dataform y Looker), integrando también funcionalidades de machine learning (ML) y generación de contenido con inteligencia artificial (IA) generativa a través de instrucciones en lenguaje natural. Se muestra cómo GCP no solo es una solución técnica eficaz por su escalabilidad y rendimiento, sino que ofrece un enfoque serverless que minimiza el mantenimiento y reduce costes. Uno de los aspectos más relevantes del proyecto es su orientación hacia la democratización del dato, permitiendo que tanto usuarios técnicos como no técnicos puedan beneficiarse de un entorno cloud potente y flexible, pudiendo explorar el dato de forma sencilla en Looker, crear modelos de Machine Learning en pocos pasos y sin necesidad de conocimientos previos, o creando tablas en Bigquery simplemente subiendo archivos locales; además de la automatización del proceso que limita la dependencia de usuarios técnicos o gestiones manuales. La arquitectura propuesta es fácilmente reproducible para iniciativas de ciencia de datos en contextos tanto empresariales como científicos, ya que se incluye un repositorio de Github con ficheros y videos de documentación, además de un anexo con capturas de las principales configuraciones realizadas; ya que el enfoque e interés de este trabajo es eminentemente práctico, basado en mostrar cómo se puede configurar este entorno de forma sencilla y escalable.
  • Miniatura
    Publicación
    Meaning aggregation functions
    (Universidad de Educación a Distancia (UNED), 2024-06-23) Lucas Pérez, Gadea; Amigo Cabrera, Enrique; Fresno Fernández, Víctor Diego
    In the contemporary landscape of artificial intelligence and computational linguistics, Natural Language Processing (NLP) systems play a crucial role in understanding, interpreting, and generating human language. This work addresses the significant challenge posed by the black-box nature of deep learning models and the complexity of natural language, particularly the issue of polysemy. To address this challenge, one promising avenue is the concept of semantic distributional representation, which maps texts into a multidimensional semantic space. This approach enhances the visibility and manipulability of linguistic representations. In this work we introduce two novel semantic functions, fspec(v1, v2) and fgen(v1, v2), designed to specialise and generalise the concepts encapsulated by word vectors, respectively. Our research involves defining these functions, characterising their properties, developing an evaluation benchmark, and conducting a comprehensive comparison of candidate functions. The results indicate that while the sum function is most effective for specialisation, polysemy remains a significant source of noise in both specialisation and generalisation tasks. We propose future research directions, including the exploration of multilingual datasets and more sophisticated models to handle polysemy. The advancements from this research hold practical implications for improving the accuracy and applicability of NLP systems in various domains.