Browsing by Author "Elizalde, Juan"
Now showing 1 - 2 of 2
Results Per Page
Sort Options
Item Diseño e Implementación de una Arquitectura de Seguridad Multicapa para la Protección de la Propiedad Intelectual en Modelos Predictivos Industriales: Implementación de una Arquitectura de Defensa en Profundidad utilizando Oracle 19c Enterprise TDE y Privacidad Diferencial.(Universidad del Desarrollo. Facultad de Ingeniería, 2025) Saldivia Vera, Víctor; Tobar Morales, Cristian; Gómez Vargas, Germán; Elizalde, JuanLa industria química se encuentra ante un desafío complejo en la era digital: por un lado, necesita aprovechar las capacidades de la de estos tiempos la Inteligencia Artificial para acelerar el desarrollo de nuevos productos y reducir tiempo y costos operacionales; por otro lado, debe proteger rigurosamente su propiedad intelectual, especialmente las fórmulas secretas que constituyen su ventaja competitiva en el mercado. Este proyecto busca resolver esta tensión en el contexto de la empresa, proponiendo una arquitectura de seguridad multicapa con la finalidad de utilizar los datos para predecir el punto de inflamación (Flash Point) de mezclas químicas complejas. Para alcanzar este objetivo, se diseña e implementar un sistema de Machine Learning seguro sobre Oracle Database 19c Enterprise Edition. La protección de los datos se abordó en múltiples niveles: cuando los datos están almacenados, se utiliza Transparent Data Encryption (TDE) con cifrado AES-256, mientras que durante su transmisión se emplea Oracle Native Network Encryption (NNE). A nivel de aplicación, se adopta una estrategia de privacidad diferencial durante el entrenamiento del modelo. Los resultados experimentales determinaron que es posible encontrar un equilibrio razonable entre la utilidad del modelo y la protección de información sensible. Mientras que el modelo básico (Baseline) alcanzó una precisión del 89.2% trabajando con datos sin protección, el modelo con privacidad diferencial implementado ruido de ϵ=1.5 logrando mantener una precisión del 80.1%. Si bien esto representa una reducción del 9% en la capacidad predictiva, la arquitectura propuesta ofrece garantías matemáticas contra ataques de inferencia y reconstrucción de datos. Estos resultados respaldan su aplicación práctica como herramienta segura para priorizar experimentos de laboratorio y minimizar riesgos operacionales, sin comprometer la confidencialidad de las fórmulas propietariasItem Predicción de la Inflamabilidad de Productos Químicos del Dataset Cramer-UDD mediante Machine Learning(Universidad del Desarrollo. Facultad de Ingeniería, 2025) Vits Contreras, Sofía; Gómez Vargas, Germán; Elizalde, JuanLos productos químicos son clasificados en categorías de riesgo de acuerdo a su reactividad, inflamabilidad, perjuicios a la salud, y otros riesgos especiales relacionados con la naturaleza fisicoquímica de una fórmula. En este trabajo se analizará específicamente el punto de inflamación de una fórmula química. Esta característica es uno de los parámetros utilizados para evaluar la inflamabilidad de una sustancia química. La determinación de esta propiedad requiere la aplicación de mediciones experimentales específicas, las cuales pueden resultar ser muy costosas para una empresa desde los puntos de vista económico y temporal. Por este motivo, la empresa Cramer compartió sus datos para poder crear modelos de clasificación multiclase, con el propósito de clasificar la inflamabilidad de sus fórmulas líquidas. Las fórmulas fueron clasificadas en fórmulas que contienen compuestos líquidos con comportamiento gaseoso (más específicamente compuestos azufrados), fórmulas etanólicas, fórmulas acuosas, y fórmulas que contienen otros solventes orgánicos. Los modelos aplicados fueron regresión logística multiclase, Random Forest, LightGBM, y CatBoost. Todos estos modelos fueron calibrados mediante predicción conformal utilizando margin nonconformity score para dicho propósito. Posteriormente se realizó un análisis SHAP de los modelos LightGBM y CatBoost, comparando la importancia asignadas a cada variable por estos modelos, así como el estudio de los gráficos de dependencia de dichas variables.