Detalle Proyecto- Sistema de Información VIIS

Integración de Técnicas Predictivas de Aprendizaje Automático con el SGBD PostgreSQL en una Arquitectura Medianamente Acoplada

Código: 2469 • Estado: Terminado

Investigador Principal Silvio Ricardo Timarán Pereira

Facultad Ingeniería

Departamento Sistemas

Resumen del Proyecto El análisis de los datos es crucial para cualquier empresa que se dirija al éxito, y el análisis predictivo se puede aplicar de muchas maneras para mejorar la productividad empresarial. Los modelos predictivos se emplean para el análisis de datos históricos y datos externos existentes, con el objetivo de identificar patrones y comportamientos. El aprendizaje automático es utilizado para diseñar algoritmos y modelos complejos que se prestan a la predicción. Es el principio básico detrás del modelado predictivo.

En una arquitectura medianamente acoplada, cierta tareas y algoritmos de aprendizaje automático se implementan en el SGBD como procedimientos almacenados, funciones definidas por el usuario o extensiones. La principal ventaja de esta estrategia es que tiene en cuenta la escalabilidad, administración y manipulación de datos del SGBD. Su mayor reto es obtener un buen rendimiento ya que el optimizador de consultas del SGBD no cuenta con nuevas estrategias de búsqueda y transformación que le permitan generar eficientes planes de ejecución, para las consultas que involucren descubrimiento de patrones o conocimiento.

En el caso del SGBD PostgreSQL, uno de los gestores de bases de datos Open Source más utilizado en el mercado, se puede agregar funcionalidades específicas, a través de librerías denominadas extensiones, para implementar nuevos procesos o algoritmos, sin salirse de la base de datos. Las extensiones son librerías que se agregan a PostgreSQL, para agregar funcionalidades específicas.

En esta propuesta se propone ampliar las funcionalidades del SGBD PostgreSQL, a través de la integración de tareas supervisadas de aprendizaje automático en una arquitectura medianamente acoplada con el fin de que las organizaciones como MiPymes y Pymes, cuenten con una herramienta libre que les permita realizar análisis predictivo con el fin mejorar sus procesos de toma de decisiones al poder anticiparse a los futuros comportamientos del consumidor y tomar decisiones racionales basadas en sus hallazgos.

Convocatoria Docente 2021

Datos de aprobación

Acuerdo de Aprobación No. 31

Fecha de Aprobación 08/03/2022

Acta de Cumplimiento 31

Fecha del Acta (Inicio del proyecto) 08/03/2022

Duración 24 Meses

Fin Proyectado 08/03/2024

Grupos de Investigación

Nombre	Línea	Clasificación
GRIAS	Descubrimiento de conocimiento en bases de datos	Categoría B

Equipo Investigador

Nombre	Tipo
Gonzalo Jose Hernandez Garzon	INT
Jimmy Mateo Guerrero Restrepo	EXT

Estudiantes

Nombre	Programa Académico
Andrés Alejandro Ayala Chamorro	Ingeniería de Sistemas
SANTIAGO ALEJANDRO ROSERO BOLAÑOS	Ingeniería de Sistemas

Prórrogas asignadas

Tipo Acto Administrativo	No.	Tipo	Fecha	Nueva Fecha Terminación
Resolución	064	i	11/03/2024	08/03/2025