Licenciatura en Sistemas

Permanent URI for this collection

https://dspacetest.untdf.edu.ar/handle/123456789/94

Browse

Browsing Licenciatura en Sistemas by Title

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Auditorías de seguridad informática en instituciones públicas de la ciudad de Ushuaia
    (2023) Álvarez, Alejandro Agustín
    Este trabajo pretende demostrar el nivel de riesgo de la infraestructura tecnológica y el grado de acatamiento con respecto a la norma ISO 27001, con el objeto de evaluar el nivel de madurez en materia de seguridad de la información de distintas instituciones públicas de la ciudad de Ushuaia, ubicada en la provincia de Tierra del Fuego, Argentina. Para la realización del mismo se utilizó el estándar Penetration Testing Execution Standard (PTES), junto con diversas herramientas de la actualidad empleadas en trabajos de auditorías de seguridad informática y pruebas de penetración de seguridad. También se realizó un cuestionario a cada una de estas instituciones basado en la norma ISO 27001:2013. De lo analizado se puede observar que, si bien estas instituciones comenzaron a transitar el camino de la seguridad de la información, aún tienen múltiples correcciones y mejoras para realizar. This work aims to demonstrate the risk level of the technological infrastructure and the degree of compliance with the ISO 27001 standard in order to assess the level of maturity, in terms of information security, of different public institutions in the city of Ushuaia, located in the province of Tierra del Fuego, Argentina. The Penetration Testing Execution Standard (PTES) was used, together with several tools currently used in computer security audits and security penetration tests. A questionnaire was also carried out to each of these institutions based on the ISO 27001:2013 standard. From what was analyzed, it can be seen that, although these institutions have started on the road to information security, they still have many improvements to make.
  • Thumbnail Image
    Item
    Una evaluación de modelos de reconocimiento de flora para aplicaciones en teléfonos sin conectividad a internet
    (2024) Rigoni, Brian Ariel
    El uso de modelos de inteligencia artificial (IA) en dispositivos móviles ha cobrado una relevancia significativa en los últimos años, impulsado por los avances en tecnología de hardware y la recopilación de vastas cantidades de datos. Esta tendencia ha dado lugar al surgimiento del aprendizaje profundo, un subconjunto del aprendizaje automático centrado en aprender representaciones a partir de datos a través de múltiples capas, generando representaciones significativas del modelo de manera incremental. El aprendizaje profundo, en particular en el campo de la visión por computadora, ha encontrado aplicaciones en diversos ámbitos, incluidos la atención médica, la industria automotriz y el sector financiero. En este estudio, el objetivo es implementar un modelo de IA para la detección y clasificación offline de la flora en el Parque Nacional de Tierra del Fuego A.I.A.S (PNTDF) utilizando dispositivos móviles, sin embargo, desplegar modelos de IA en dispositivos móviles presenta desafíos únicos debido a la limitada capacidad de procesamiento, las restricciones de duración de la batería y la reticencia de los usuarios a instalar aplicaciones con tamaños grandes. Este desafío es especialmente relevante en el contexto del PNTDF, donde existe la necesidad de digitalizar la información para los visitantes con el fin de mitigar el impacto ambiental y promover la conciencia sobre las especies autóctonas. Se revisa la literatura existente sobre modelos de IA para la detección y clasificación de objetos, se identifican modelos adecuados para identificar la flora autóctona y se evalúa su idoneidad para su uso offline en dispositivos móviles. Los resultados obtenidos del entrenamiento del modelo proporcionan información valiosa para la selección y preselección del modelo, pero la verdadera eficacia del modelo se prueba durante la integración con la aplicación. Se enfatiza la importancia de priorizar una primera versión del modelo que proporcione un rendimiento robusto y practicidad sobre la búsqueda de un modelo ideal en términos de precisión, velocidad y tamaño. Las futuras direcciones de investigación incluyen la expansión del conjunto de datos, el perfeccionamiento de la precisión del modelo, la implementación de prácticas de MLOps para la gestión eficiente del ciclo de vida del modelo y la realización de pruebas automatizadas en la aplicación móvil para garantizar una mejora continua y la satisfacción del usuario. Este estudio representa un gran paso hacia la implementación efectiva de un modelo de IA para la detección y clasificación offline de la flora en el PNTDF, beneficiando a los visitantes y turistas. The use of artificial intelligence (AI) models on mobile devices has gained significant relevance in recent years, driven by advances in hardware technology and the collection of vast amounts of data. This trend has led to the rise of Deep Learning, a subset of Machine Learning focused on learning representations from data across multiple layers, generating meaningful representations of the model incrementally. Deep learning, particularly in the field of computer vision, has found applications in various fields, including healthcare, the automotive industry, and the financial sector. In this study, the objective is to implement an AI model for offline detection and classification of flora in the Tierra del Fuego National Park (PNTDF) using mobile devices; however, deploying AI models on mobile devices presents unique challenges due to limited processing power, battery life constraints, and user reluctance to install large app sizes. This challenge is especially relevant in the context of the PNTDF, where there is also a need to digitize information for visitors in order to mitigate environmental impact and promote awareness about native species. The existing literature on AI models for object detection and classification is reviewed, suitable models for identifying native flora are identified, and their suitability for offline use on mobile devices is evaluated. The results obtained from model training provide valuable information for model selection and pre-selection, but the true effectiveness of the model is tested during integration with the application. The importance of prioritizing a first version of the model that provides robust performance and practicality is emphasized over the search for an ideal model in terms of accuracy, speed and size. Future research directions include expanding the dataset, refining the accuracy of the model, implementing MLOps practices for efficient model lifecycle management, and performing automated testing on the mobile application to ensure a continuous improvement and user satisfaction. This study represents a great step towards the effective implementation of an AI model for the offline detection and classification of flora in Tierra del Fuego National Park, benefiting visitors and tourists.