EP Computación Científica

Permanent URI for this communityhttps://hdl.handle.net/20.500.12672/5099

Browse

Browsing EP Computación Científica by browse.metadata.advisor "Guzman Rea, Omar Stevenson"

Filter results by typing the first few letters
Now showing 1 - 3 of 3
  • Thumbnail Image
    Item
    Análisis estadístico con Python y mejoras en la eficiencia de atención de documentos a través del Sistema de Gestión Documental (SGD-PCM)
    (Universidad Nacional Mayor de San Marcos, 2023) Quispe Reyes, Dayana Erika; Guzman Rea, Omar Stevenson
    Analiza la eficiencia del Sistema de Gestión Documental de la Presidencia del Consejo de Ministros (SGD-PCM). Debido a que es fundamental para cualquier entidad pública ya que es un sistema administrativo que se utiliza a diario para enviar y recibir documentos. Este análisis requiere de la base de datos de años anteriores, aunque el SGD-PCM tiene una opción de consulta y exporta la base de datos en formato Excel, esta información no es suficiente, debido a que no muestra el tiempo de emisión y atención de un documento, por tal motivo se realiza una tarea automatizada (Bot) en Python, que extrae la información requerida de cada documento, estos datos serán de utilidad para el análisis estadístico y medición de la eficiencia del SGD-PCM, mediante cálculos, tablas y gráficos utilizados en Microsoft Excel y Python. Esto ha permitido proponer mejoras e implementaciones para el mejor desempeño del SGD-PCM, lo que permitirá el control y mejor manejo del tiempo de atención de los documentos administrativos.
  • Thumbnail Image
    Item
    Comparación de modelos de Machine Learning para determinar qué modelo se aproxima más a una asignación manual en ServiceDesk
    (Universidad Nacional Mayor de San Marcos, 2023) Paullo Montes, Flor de Milagro; Guzman Rea, Omar Stevenson
    Realiza una comparación de algoritmos de aprendizaje automático para categorizar automáticamente los tickets del ServiceDesk debido al enorme número generado. Esto se debe a un problema con el tiempo necesario para generar tickets (solicitudes, incidentes y requerimientos). Mediante la utilización de tecnologías de aprendizaje automático que permiten la asignación automatizada de grupos de soluciones de proveedores que atienden a empresas de alto consumo, el modelo sugerido pretende mejorar el procedimiento de designación de tickets del ServiceDesk. Para la verificación se utilizaron los datos de los tickets de la empresa y se realizaron pruebas para validar el modelo. Los datos recopilados se utilizaron para construir un modelo de aprendizaje automático que proporcionó los datos necesarios para clasificar los tickets en varios grupos de soluciones (SupportMG, SupportDevmente, SupportTI y ProjectsTI) y categorizarlos en función del tipo.
  • Thumbnail Image
    Item
    Mejora de procesamiento, almacenamiento y lectura de datos mediante la implementación de servicios y componentes en una arquitectura personalizada en un ambiente cloud de Azure para el área de Data y Fidelización de la Universidad UTEC
    (Universidad Nacional Mayor de San Marcos, 2023) Palomino Ñaupari, Daniel Alcides; Guzman Rea, Omar Stevenson
    Demuestra la implementación de un nuevo tipo de arquitectura, una arquitectura cloud personalizada que va a satisfacer las necesidades del área, ayudando a realizar una gestión ordenada y jerarquizada de los recursos y servicios. Así mismo en la introducción de este trabajo de suficiencia profesional se presenta la primera metodología con la que se trabajó habitualmente, también se menciona conceptos importantes de la nueva arquitectura los cuales nos ayudaran a entender los elementos que estamos mejorando de la arquitectura de trabajo antigua, y analiza cómo paso a paso se van conectando estos recursos para al final mostrar la arquitectura nueva que se está implementada. Además, analiza la implementación del Data Lakehouse, parte importante de la arquitectura nueva, que mejora el almacenamiento de los datos de manera ordenada y eficiente usando una biblioteca especial del lenguaje Python, que permite procesar datos en clústeres dando así inicio a una nueva forma de trabajo efectiva y de costos controlados.